এটি সংক্ষিপ্ত করা। দুটি শেষ পদ্ধতি প্রতিটি খুব বিশেষ এবং 2-5 নম্বর থেকে পৃথক। এগুলি সবাইকে সাধারণ ফ্যাক্টর বিশ্লেষণ বলা হয় এবং প্রকৃতপক্ষে বিকল্প হিসাবে দেখা হয়। বেশিরভাগ সময়, তারা বরং অনুরূপ ফলাফল দেয়। এগুলি "সাধারণ" কারণ তারা ক্লাসিক্যাল ফ্যাক্টর মডেল , সাধারণ কারণসমূহ + অনন্য উপাদানগুলির মডেলকে উপস্থাপন করে। এটি এই মডেল যা সাধারণত প্রশ্নপত্র বিশ্লেষণ / বৈধকরণে ব্যবহৃত হয়।
প্রিন্সিপাল এক্সিস (পিএএফ) , পুনরাবৃত্তি সহ অরফ অধ্যক্ষ কারখানাটি প্রাচীনতম এবং সম্ভবত এখনও বেশ জনপ্রিয় পদ্ধতি। এটি ম্যাট্রিক্সে পুনরাবৃত্ত পিসিএ অ্যাপ্লিকেশন যেখানে সাম্প্রদায়িকতাগুলি 1s বা বৈকল্পের জায়গায় তির্যক স্থানে দাঁড়িয়ে আছে। প্রতিটি পরবর্তী পুনরাবৃত্তি এইভাবে সাম্প্রদায়িকতা আরও সংশোধন করে যতক্ষণ না তারা একত্রিত হয়। এটি করার মাধ্যমে, পদ্ধতিটি যুগলভাবে সম্পর্কিত সম্পর্কগুলি নয়, বৈচিত্র্য ব্যাখ্যা করতে চাইছে, পরিশেষে সে সম্পর্কিত ব্যাখ্যাগুলি ব্যাখ্যা করে। অধ্যক্ষ অক্ষ পদ্ধতির সুবিধা রয়েছে যে এটি পিসিএর মতো কেবল পারস্পরিক সম্পর্ককেই বিশ্লেষণ করতে পারে না, তবে সমবায় এবং অন্যান্য বিষয়গুলিও বিশ্লেষণ করতে পারে1এসএসসিপি ব্যবস্থা (কাঁচা এসএসসিপি, কোসাইন)। বাকি তিনটি পদ্ধতি কেবলমাত্র পারস্পরিক সম্পর্কের প্রক্রিয়া করে [এসপিএসএসে; কিছু অন্যান্য বাস্তবায়নে সমবায় বিশ্লেষণ করা যেতে পারে]। এই পদ্ধতিটি সাম্প্রদায়িকতার প্রাক্কলন অনুমানের মানের উপর নির্ভরশীল (এবং এটি এর অসুবিধা)। সাধারণত স্কোয়ার একাধিক পারস্পরিক সম্পর্ক / কোভেরিয়েন্স প্রাথমিক মান হিসাবে ব্যবহৃত হয় তবে আপনি অন্যান্য অনুমানগুলি পছন্দ করতে পারেন (পূর্ববর্তী গবেষণা থেকে নেওয়া সেগুলি সহ)। অনুগ্রহ করে পড়ুন এই আরো অনেক কিছুর জন্য। আপনি যদি পিসিএ গণনার সাথে প্রিন্সিপাল অক্ষ ফ্যাক্টরিং গণনাগুলির মন্তব্য, মন্তব্য এবং তুলনা দেখতে চান তবে দয়া করে এখানে দেখুন ।
সাধারন বা অপরিজ্ঞাত সর্বনিম্ন স্কোয়ার (ইউএলএস) হ'ল আলগোরিদম যা সরাসরি ইনপুট পারস্পরিক সম্পর্ক ম্যাট্রিক্স এবং পুনরুত্পাদন (কারণগুলির মাধ্যমে) পারস্পরিক সম্পর্ক ম্যাট্রিক্সের মধ্যে অবশিষ্টাংশকে হ্রাস করতে লক্ষ্য করে (যখন তত্পরতা উপাদানগুলিকে সাম্প্রদায়িকতা এবং স্বাতন্ত্র্যের যোগফল হিসাবে পুনরুদ্ধার করা হয়) । এটি এফএ এর সরাসরি কাজ । ইউএলএস পদ্ধতিটি একবচনের সাথে এমনকি ইতিবাচক অর্ধবৃত্তীয় ম্যাট্রিক্সের সাথে কাজ করতে পারে তবে শর্ত থাকে যে কারণগুলির সংখ্যা তার পদমর্যাদার চেয়ে কম নয় - যদিও তাত্ত্বিকভাবে এফএ উপযুক্ত হয় তবে এটি প্রশ্নবিদ্ধ।2
জেনারালাইজড বা ওয়েটড ন্যূনতম স্কোয়ার (জিএলএস) হ'ল পূর্বেরগুলির একটি পরিবর্তন। অবশিষ্টগুলি হ্রাস করার সময়, এটি পারস্পরিক সম্পর্কের গুণাগুণগুলি পৃথকভাবে ওজন করে: উচ্চ এককতার সাথে চলকগুলির মধ্যে পারস্পরিক সম্পর্ক (বর্তমান পুনরাবৃত্তিতে) কম ওজন । এই উপাদানটি ব্যবহার করুন যদি আপনি চান যে আপনার উপাদানগুলি অত্যন্ত অনন্য ভেরিয়েবলের (যেমন উপাদানগুলির দ্বারা দুর্বলভাবে চালিত) ফিট করতে পারে তবে অত্যন্ত সাধারণ ভেরিয়েবলের চেয়ে খারাপ (অর্থাত্ শক্তির দ্বারা চালিত)। এই ইচ্ছাটি অস্বাভাবিক নয়, বিশেষত প্রশ্নোত্তর নির্মাণ প্রক্রিয়াতে (কমপক্ষে আমি এটি মনে করি), তাই এই সম্পত্তিটি সুবিধাজনক । ।344
সর্বাধিক সম্ভাবনা (এমএল)ধরে নেওয়া হয় যে তথ্যগুলি (পারস্পরিক সম্পর্কগুলি) বহুসংখ্যক স্বাভাবিক বন্টন (অন্যান্য পদ্ধতিগুলি এমন কোনও অনুমান করে না এমন) জনসংখ্যা থেকে এসেছিল এবং তাই পারস্পরিক সম্পর্কের গুণাগুণগুলির অবশিষ্টাংশগুলি সাধারণত 0 এর কাছাকাছি বিতরণ করা উচিত The উপরের অনুমানের অধীনে লোডিংগুলি পুনরাবৃত্তভাবে এমএল পদ্ধতির দ্বারা অনুমান করা হয়। পারস্পরিক সম্পর্কগুলির চিকিত্সা সাধারণভাবে তৈরি হওয়া ন্যূনতম স্কোয়ার পদ্ধতির মতো একই ফ্যাশনে এককতার দ্বারা ভারিত হয়। অন্য পদ্ধতিগুলি যেমন নমুনাকে যেমন আছে ঠিক তেমন বিশ্লেষণ করে, এমএল পদ্ধতি জনসংখ্যা সম্পর্কে কিছুটা অনুমানের অনুমতি দেয়, বেশিরভাগ ফিট সূচক এবং আস্থা অন্তরগুলি সাধারণত এটির সাথে গণনা করা হয় [দুর্ভাগ্যক্রমে, বেশিরভাগ এসপিএসএসে নেই, যদিও লোকেরা এসপিএসএসের জন্য ম্যাক্রোগুলি লিখেছিল) এটা]।
আমি সংক্ষেপে বর্ণিত সমস্ত পদ্ধতি হ'ল লিনিয়ার, অবিচ্ছিন্ন সুপ্ত মডেল। "লিনিয়ার" বোঝায় যে র্যাঙ্কের সম্পর্কগুলি, উদাহরণস্বরূপ, বিশ্লেষণ করা উচিত নয়। "অবিচ্ছিন্ন" বোঝায় যে বাইনারি ডেটা, উদাহরণস্বরূপ, বিশ্লেষণ করা উচিত নয় (আইআরটি বা এফএ টেট্রাকোরিক সম্পর্কিত সম্পর্কিত আরও উপযুক্ত হবে)।
1 কারণ পারস্পরিক সম্পর্ক (বা সমবায়) ম্যাট্রিক্স , - প্রাথমিক সাম্প্রদায়িকতার ত্রিভুজটিতে স্থাপন করার পরে, কিছুটা নেতিবাচক ইগ্যালভ্যালু থাকবে, এগুলি পরিষ্কার রাখতে হবে; অতএব, পিসিএ এসভিডি নয়, ইগেন-পচন দ্বারা করা উচিত।R
2U ইউএলএস পদ্ধতিতে পিএএফ এর মতো হ্রাসকৃত সম্পর্ক মেট্রিক্সের পুনরাবৃত্ত আইজেন্ডেকম্পোজেশন অন্তর্ভুক্ত রয়েছে, তবে আরও জটিল, নিউটন-রাফসন অপ্টিমাইজেশন পদ্ধতিতে অনন্য রূপগুলি ( , স্বতন্ত্রতা) সন্ধানের লক্ষ্য রয়েছে যেখানে পারস্পরিক সম্পর্কগুলি সর্বাধিক পুনর্গঠন করা হয়। এটি করার সাথে সাথে ইউএলএসকে MINRES নামক পদ্ধতির সমতুল্য দেখা যায় (কেবল উত্তোলিত লোডিংগুলি MINRES এর সাথে তুলনায় কিছুটা orthogonally আবর্তিত প্রদর্শিত হয়) যা পারস্পরিক সম্পর্কের স্কোয়ার অবশিষ্টাংশগুলির যোগফলকে সরাসরি হ্রাস করতে পরিচিত।u2
3G জিএলএস এবং এমএল অ্যালগরিদমগুলি মূলত ইউএলএস হিসাবে থাকে তবে পুনরাবৃত্তির উপর আইজেন্ডেকম্পোজেশনটি ম্যাট্রিক্স বিএফ ইউআর (বা ) তে সঞ্চালিত হয় , স্বতন্ত্রতাগুলি অন্তর্ভুক্ত করতে ওজন হিসাবে। সাধারণ বিতরণে প্রত্যাশিত ইগেনুয়ালু ট্রেন্ডের জ্ঞান গ্রহণে এমএল জিএলএস থেকে পৃথক হয়।uR−1uu−1Ru−1
4 কম সাধারণ ভেরিয়েবলগুলির দ্বারা উত্পাদিত পারস্পরিক সম্পর্কগুলি আরও খারাপভাবে ফিট করার অনুমতি দেওয়া হতে পারে (আমি এটাকে লক্ষ্য করি) আংশিক সম্পর্কের উপস্থিতির জন্য কিছু জায়গা দিতে পারে (যা ব্যাখ্যা করার দরকার নেই), যা সুন্দর বলে মনে হচ্ছে। খাঁটি সাধারণ ফ্যাক্টর মডেল আংশিক সম্পর্কের কোনও "আশা" করে না, যা খুব বাস্তববাদী নয়।
