পিসিএ বা ফ্যাক্টর বিশ্লেষণে স্কিউড ভেরিয়েবল

Question

আমি 22 টি ভেরিয়েবলের উপর ভিত্তি করে এসপিএসএসে মূল উপাদান বিশ্লেষণ (ফ্যাক্টর বিশ্লেষণ) করতে চাই। যাইহোক, আমার কিছু ভেরিয়েবলগুলি খুব স্কিউড (এসপিএসএস থেকে 2-80 রেঞ্জের মধ্যে স্কিউনেস গণনা করা হয়!)।

সুতরাং এখানে আমার প্রশ্নগুলি:

1. আমার কি স্কেওড ভেরিয়েবলগুলি রাখা উচিত বা আমি মূল উপাদান বিশ্লেষণে ভেরিয়েবলগুলি রূপান্তর করতে পারি? যদি হ্যাঁ, আমি কীভাবে ফ্যাক্টর স্কোরগুলি ব্যাখ্যা করব?

2. আমার কী ধরণের রূপান্তর করা উচিত? লগ 10 বা এলএন?

3. মূলত, আমার কেএমও (কায়জার – মায়ার – ওলকিন) 0.413। অনেকগুলি সাহিত্যে সর্বনিম্ন 0.5। আমি কি এখনও ফ্যাক্টর বিশ্লেষণ করতে পারি, বা আমার কেএমওকে 0.5 তে বাড়ানোর জন্য আমাকে ভেরিয়েবলগুলি অপসারণ করতে হবে?

Comments

একটি নোট: পিসিএ ফ্যাক্টর বিশ্লেষণের মতো নয়। পিসিএ একটি ডেটা হ্রাস পদ্ধতি, এফএ হ'ল সুপ্ত ভেরিয়েবলগুলি সন্ধান করার চেষ্টা। তারা প্রায়শই (তবে সর্বদা নয়) একই রকম ফলাফল দেয়

— পিটার ফ্লুম

Answer 1

1. পিসিএতে স্কেলনেস ইস্যুটি রিগ্রেশনের মতোই: দীর্ঘতর লেজ, যদি এটি বিতরণের পুরো পরিসরের তুলনায় সত্যই দীর্ঘস্থায়ী হয় তবে প্রকৃতপক্ষে এটি একটি বড় আউটলারের মতো আচরণ করে - এটি ফিট লাইনটি (আপনার ক্ষেত্রে প্রধান উপাদান )টিকে দৃ strongly়তার সাথে টেনে তোলে নিজেই কারণ এর প্রভাব বর্ধিত হয়; এর প্রভাব বর্ধিত কারণ এটি গড় থেকে দূরে is পিসিএর প্রসঙ্গে খুব স্কিউ ভেরিয়েবলের অনুমতি দেওয়া ডেটা কেন্দ্র না করেই পিসিএ করার মতোই (যেমন, পারস্পরিক সম্পর্ক মেট্রিক্সের পরিবর্তে কোসাইন ম্যাট্রিক্সের ভিত্তিতে পিসিএ করা)। এটা যারা সিদ্ধান্ত নেয় আপনি তাই ব্যাপকভাবে প্রভাব ফলাফলে লম্বা লেজ অনুমতি কিনা (এবং ডেটা হোক) অথবা না (এবং তথ্য রুপান্তর)। আপনি কীভাবে লোডিংয়ের ব্যাখ্যা করবেন তা নিয়ে সমস্যাটি সংযুক্ত নয়।

2. আপনার ইচ্ছা.

3. কেএমও এমন একটি সূচক যা আপনাকে বলে দেয় যে ফ্যাক্টর বিশ্লেষণে ডেটা জমা দেওয়ার জন্য আংশিক সম্পর্কগুলি যুক্তিসঙ্গতভাবে ছোট tells কারণ ফ্যাক্টর বিশ্লেষণে আমরা সাধারণত একটি ফ্যাক্টরটি কেবল দুটি ভেরিয়েবলের চেয়ে বেশি লোড করার আশা করি । আপনার কেএমও যথেষ্ট কম। আপনি স্বতন্ত্র কেএমও মানগুলি বিশ্লেষণের ভেরিয়েবলগুলি থেকে বাদ দিলে আপনি এটিকে আরও ভাল করতে পারেন (এগুলি এন্টি-ইমেজ ম্যাট্রিক্সের তির্যক আকারে তৈরি হয় , আপনি এসপিএসএস ফ্যাক্টর পদ্ধতিতে এই ম্যাট্রিক্সটি দেখানোর জন্য অনুরোধ করতে পারেন)। ভেরিয়েবলগুলি কম স্কিউডে পুনরুদ্ধার করা কেএমওকে পুনরুদ্ধার করতে পারে? কে জানে. হতে পারে. নোট করুন যে কেএমও বেশিরভাগ ফ্যাক্টর বিশ্লেষণ মডেলটিতে গুরুত্বপূর্ণ, প্রিন্সিপাল উপাদানগুলি বিশ্লেষণ মডেল নয়: এফএতে আপনি যুগলভাবে পারস্পরিক সম্পর্ক রাখেন, তবে পিসিএতে আপনি তা করেন না।

Answer 2

+1 to @ttnphns এ, আমি ঠিক পয়েন্ট # 2 তে কিছুটা প্রসারিত করতে চাই। স্কিউ স্থিতিশীল করতে ট্রান্সফরমেশনগুলি প্রায়শই ব্যবহৃত হয়। @ এনটিএনএফএনএস যেমন উল্লেখ করেছে, আপনার বিশ্লেষণগুলি চালানোর আগে আপনি এগুলি ব্যবহার করবেন । লগ রূপান্তরগুলি পাওয়ার ট্রান্সফর্মেশনের বক্স-কক্স পরিবারের অংশ। আপনি কেবল লগ (উদাহরণস্বরূপ, বর্গমূল, পারস্পরিক) ইত্যাদির চেয়ে সম্ভাব্য রূপান্তরগুলির বিস্তৃত পরিসীমা বিবেচনা করতে চাইবেন। বিভিন্ন লোগারিথমিক বেসগুলির মধ্যে পছন্দটির রূপান্তরটির শক্তির উপর কোনও প্রভাব নেই। মানুষ যখন পরিবর্তিত পরিবর্তনশীল সহ গণিতের কাজ করতে চলেছে, প্রাকৃতিক লগগুলি মাঝে মাঝে পছন্দ হয়, কারণ প্রাকৃতিক লগ কিছু ক্ষেত্রে ক্লিনার গণিতের পক্ষে তৈরি করতে পারে। আপনি যদি এটির বিষয়ে চিন্তা না করেন তবে আপনি এমন একটি বেস বাছাই করতে পারেন যা ব্যাখ্যার সুবিধার্থ করবে। অর্থাৎ, নতুন স্কেলের প্রতিটি ইউনিট বৃদ্ধি একটি বেসকে উপস্থাপন করবেমূল স্কেলের দ্বিগুণ বৃদ্ধি (যেমন আপনি লগ বেস 2 ব্যবহার করেন তবে প্রতিটি ইউনিট 2 গুণ বৃদ্ধি পাবে, বেস 10 এর অর্থ প্রতিটি ইউনিট 10 গুণ বৃদ্ধি করবে ইত্যাদি), সুতরাং এটি দুর্দান্ত হতে পারে এমন একটি বেস বাছাই করতে যাতে আপনার ডেটাগুলি রূপান্তরিত স্কেলে বেশ কয়েকটি ইউনিট বিস্তৃত হয়।