Что такое findslide.org?

FindSlide.org - это сайт презентаций, докладов, шаблонов в формате PowerPoint.

Для правообладателей

Обратная связь

Email: Нажмите что бы посмотреть 

Яндекс.Метрика

Презентация на тему Факторный анализ

Содержание

Факторный анализФакторный анализ – как религия: каждый находит в нем что-то свое Под факторным анализом понимают два метода: Метод главных компонент Факторный анализ
ФАКТОРНЫЙ АНАЛИЗCтат. методы в психологии(Радчикова Н.П.) Факторный анализФакторный анализ – как религия: каждый находит в нем что-то свое Основная идеяМетод главных компонент объясняет наибольшую вариативность в терминах наименьшего количества линейных комбинаций переменных. Основная идеяФакторный анализ объясняет отношения между переменными с помощью нескольких факторов, которые Основная идеяОба метода основываются на корреляциях (или ковариациях) между исходными переменными и Основная идеяГлавными целями факторного анализа являются: (1) сокращение числа переменных и (2) Метод главных компонент– это метод, который переводит большое количество связанных между собой Метод главных компонентПРИМЕР: у студентов измерили интеллект по тесту Векслера, интеллект по Метод главных компонентЕсли переменных в исследовании слишком много (x1, x2, …, xp), Метод главных компонентДля этого и служит метод главных компонент, который создает несколько Метод главных компонентy1=a11x1+a12x2+…+a1pxpy2=a21x1+a22x2+…+a2pxp… (1)yp=ap1x1+ap2x2+…+appxpЭто и есть модель для метода главных компонент Метод главных компонентПеременные y1, y2, …, yp называются главными компонентами или факторами. Метод главных компонентПроцедура извлечения факторов называется факторизацией матрицы.(проведение ФА). В результате факторизации Метод главных компонентКоэффициенты aij, определяющие новую переменную, выбираются таким образом, чтобы новые Метод главных компонентЧасто полезно представить коэффициенты aij таким образом, чтобы они представляли Метод главных компонентКоэффициенты aij называются факторными нагрузками. Матрица факторных нагрузок Факторный анализОсновное отличие между факторным анализом и методом главных компонент заключается в Факторный анализМодель факторного анализа предполагает, что корреляции между наблюдаемыми переменными x1, x2, Факторный анализДисперсия исходных переменных здесь объясняется не в полном объеме: признается, что Факторный анализx1=λ11f1+ λ 12f2+…+ λ1kfk+u1x2= λ21f1+ λ 22f2+…+ λ2kfk+u2… (2)xp= Факторный анализСлучайная погрешность ui называется характерностью и представляет собой часть наблюдаемой переменной, Факторный анализОбщность (Communality) переменной xi - является той дисперсией, которую переменная делит Факторный анализЕсли латентные факторы не коррелируют, то коэффициенты λij являются корреляциями между Факторный анализСоответствие факторной модели полученным данным проверяется путем сравнения исходной корреляционной матрицы Факторный анализВ программе STATISTICA реализовано пять методов факторного анализа: Факторный анализCommonalities=multiple R-square. Если выбран этот метод, то перед факторизацией диагональные элементы Факторный анализIterated commonalities (MINRES). Этот метод отличается от предыдущего тем, что после Факторный анализMaximum likelihood factors метод максимального правдоподобия Д. Лоули. В отличие от Факторный анализCentroid method – центроидный метод Л. Тэрстоуна. В нем корреляции между Факторный анализPrincipal axis method В этом методе (методе главных осей) на каждом Факторный анализФакторный анализStatistics ⇒Multivariate Exploratory Techniques ⇒ Factor Analysis Факторный анализРазные методы Факторный анализ☹ В SPSS реализованы некоторые перечисленные и некоторые другие методы Факторный анализ☺ Но! Факторные отображения одной и той же корреляционной матрицы эквивалентны Факторный анализ Результаты, полученные с помощью метода главных компонент, и результаты, полученные с Сколько факторов? Для применения процедуры выбора следует посчитать некоторую статистику – собственные значения Сколько факторов? Сколько факторов? 1) Процент объясненной дисперсии. Если кумулятивный (накопленный) процент общей дисперсии достигает Сколько факторов? Сколько факторов? 2) Критерий Кайзера (H. Keiser). Вы можете отобрать только факторы с Сколько факторов? Сколько факторов? 3) Критерий каменистой осыпи является графическим методом. Вы можете изобразить собственные Сколько факторов? Сколько факторов? 4) На практике возникает важный дополнительный вопрос, а именно: когда полученное Вращение матрицы факторных нагрузок Оказывается, что описанные выше шаги не дают однозначного решения Вращение матрицы факторных нагрузок Необходимость вращения факторов возникает чаще всего, когда выявленным факторам Вращение матрицы факторных нагрузок В программе STATISTICA:Варимакс (Varimax) – это такое ортогональное вращение, Вращение матрицы факторных нагрузок Квартимакс (Quartimax) – ортогональное вращение, при котором происходит минимизация Вращение матрицы факторных нагрузок Биквартимакс (Biquartimax) –метод, который является компромиссом между варимаксом и Вращение матрицы факторных нагрузок Эквамакс (Equamax) – тоже является компромиссом между варимаксом и Алгоритм факторного анализаЗаносим данные в программу.Выбираем метод - анализ главных компонент или Алгоритм факторного анализаВыбираем количество факторов.Строим матрицу факторных нагрузок.Вращаем матрицу факторных нагрузок.Интерпретируем факторы.     Алгоритм факторного анализаЕсли ничего не получается, то можно попробовать разные способы вращения Как это посчитать?Выбираем число факторов Как это посчитать?Таблица собственных значений Таблица собственных значений Как это посчитать?График каменистой осыпи График каменистой осыпи Как это посчитать?Выбор метода вращения Разбиение на группыЕсли факторы найдены и истолкованы, то на последнем шаге ФА Разбиение на группыТаким образом, для каждого наблюдения значения большого количества переменных можно Разбиение на группы Разбиение на группы Разбиение на группыЕсли факторов больше или введены дополнительные градации (плохо учится – Как это посчитать?Факторные значения Факторные значения Факторный анализНаиболее плодотворно использование факторного анализа на ранних стадиях исследованияФакторный анализ есть Удачные примеры (с моей т.з.)Адаптация теста (психодиагностичекой методики)Исследование семантических пространств Удачные примеры Измерение личностных особенностей (по Иванову для взрослых)Шкалы:КривизныНеприспособленностиНеудачливостиНужды в психологической помощи Удачные примеры Измерение личностных особенностей (по Иванову для взрослых)Шкала кривизныНасколько часто Удачные примеры Удачные примерыСемантический дифференциал(например, у В.Ф. Петренко «Основы психосемантики»)Баба ЯгаДобрая – ЗлаяКрасивая – НекрасиваяЛенивая – Трудолюбивая… Удачные примеры Удачные примеры Требования и ограничения ФА Нормальное распределение всех переменныхВсе наблюдения независимыПо крайней мере Что представляем в статье? Обычно дается матрица факторных нагрузок после вращения с Что представляем в статье? Что такое КМО? КМО - это показатель Кайзера и его коллег: Kaiser-Meyer-Olkin Что такое КМО? Bartlett's Test of Sphericity –проверяет, является ли матрица единичной, Полезная литератураПросто и доходчиво факторный анализ изложен в Гусев А.Н., Измайлов Ч.А., Полезная литератураПРОГРАММА STATISTICAБоровиков В. Программа STATISTICA для студентов и инженеров. - Компьютер Факторный анализСПАСИБО ЗА ВНИМАНИЕ! Факторный анализЭто все был только эксплораторный факторный анализ! Конфирматорный ФАОсновная идея: Вы сами придумываете модель (какие переменные должны объединяться) и Конфирматорный ФАВ STATISTICA 6.0 Statistics – Advanced Linear/Nonlinear Models – Structural Equation Конфирматорный ФА Конфирматорный ФАЛевая сторонапоказывает, благополучно ли завершились итерации Конфирматорный ФАMaximum Residual Cosine – показатель хорошего завершения итераций. Должен быть близок к нулю Конфирматорный ФАMaximum Absolute ConstraintТоже показатель хорошего завершения итераций. Должен быть близок к нулю Конфирматорный ФАICSF Criterion. иICS Criterion. Должны быть близки к нулю Конфирматорный ФАBoundary Conditions. Должен равняться нулю.Если этот показатель не равен нулю, критерий Конфирматорный ФАПравая сторонапоказывает, соответствует ли реальность Вашей модели Конфирматорный ФАChi-square StatisticПроверяет нуль-гипотезу об идеальном соответствии Конфирматорный ФАRMS Standardized ResidualЭтот показатель должен быть меньше, чем 0,05 для того, Конфирматорный ФАКроме этого, можно посмотреть еще несколько индексов: Полезная литератураК практическому занятию по ФА надо прочитать:Войскунский А.Е. и др. Мотивация СПАСИБО ЗА ТЕРПЕНИЕ!
Слайды презентации

Слайд 2 Факторный анализ
Факторный анализ – как религия: каждый находит

Факторный анализФакторный анализ – как религия: каждый находит в нем что-то

в нем что-то свое
Под факторным анализом понимают два

метода:
Метод главных компонент
Факторный анализ

Слайд 3 Основная идея
Метод главных компонент объясняет наибольшую вариативность в

Основная идеяМетод главных компонент объясняет наибольшую вариативность в терминах наименьшего количества линейных комбинаций переменных.

терминах наименьшего количества линейных комбинаций переменных.

Слайд 4 Основная идея
Факторный анализ объясняет отношения между переменными с

Основная идеяФакторный анализ объясняет отношения между переменными с помощью нескольких факторов,

помощью нескольких факторов, которые не могут быть прямо измерены.


Слайд 5 Основная идея
Оба метода основываются на корреляциях (или ковариациях)

Основная идеяОба метода основываются на корреляциях (или ковариациях) между исходными переменными

между исходными переменными и часто называются одним термином –

факторный анализ.

Слайд 6 Основная идея
Главными целями факторного анализа являются: (1) сокращение

Основная идеяГлавными целями факторного анализа являются: (1) сокращение числа переменных и

числа переменных и (2) определение структуры взаимосвязей между переменными,

т.е. классификация переменных.

Слайд 7 Метод главных компонент
– это метод, который переводит большое

Метод главных компонент– это метод, который переводит большое количество связанных между

количество связанных между собой (зависимых, коррелирующих) переменных в меньшее

количество независимых переменных.

Слайд 8 Метод главных компонент
ПРИМЕР: у студентов измерили
интеллект

Метод главных компонентПРИМЕР: у студентов измерили интеллект по тесту Векслера, интеллект

по тесту Векслера,
интеллект по тесту Айзенка,

интеллект по тесту Равена,
а также
успеваемость по социальной ψ
успеваемость по когнитивной ψ
успеваемость по общей ψ.

Слайд 9 Метод главных компонент
Если переменных в исследовании слишком много

Метод главных компонентЕсли переменных в исследовании слишком много (x1, x2, …,

(x1, x2, …, xp), а некоторые из них взаимосвязаны,

то у исследователя иногда возникает желание уменьшить сложность данных, сократив количество переменных.

Слайд 10 Метод главных компонент
Для этого и служит метод главных

Метод главных компонентДля этого и служит метод главных компонент, который создает

компонент, который создает несколько новых переменных y1, y2, …,

yp, каждая из которых является линейной комбинацией первоначальных переменных x1, x2, …, xp:

Слайд 11 Метод главных компонент
y1=a11x1+a12x2+…+a1pxp
y2=a21x1+a22x2+…+a2pxp
… (1)
yp=ap1x1+ap2x2+…+appxp

Это и есть модель для метода

Метод главных компонентy1=a11x1+a12x2+…+a1pxpy2=a21x1+a22x2+…+a2pxp… (1)yp=ap1x1+ap2x2+…+appxpЭто и есть модель для метода главных компонент

главных компонент

Слайд 12 Метод главных компонент
Переменные y1, y2, …, yp называются

Метод главных компонентПеременные y1, y2, …, yp называются главными компонентами или

главными компонентами или факторами.
Таким образом, фактор – это

искусственный статистический показатель, возникающий в результате специальных преобразований корреляционной матрицы.

Слайд 13 Метод главных компонент
Процедура извлечения факторов называется факторизацией матрицы.(проведение

Метод главных компонентПроцедура извлечения факторов называется факторизацией матрицы.(проведение ФА). В результате

ФА).
В результате факторизации из корреляционной матрицы может быть

извлечено разное количество факторов вплоть до числа, равного количеству исходных переменных.

Слайд 14 Метод главных компонент
Коэффициенты aij, определяющие новую переменную, выбираются

Метод главных компонентКоэффициенты aij, определяющие новую переменную, выбираются таким образом, чтобы

таким образом, чтобы новые переменные (главные компоненты, факторы) описывали

максимальное количество вариативности данных и не коррелировали между собой.

Слайд 15 Метод главных компонент
Часто полезно представить коэффициенты aij таким

Метод главных компонентЧасто полезно представить коэффициенты aij таким образом, чтобы они

образом, чтобы они представляли собой коэффициент корреляции между исходной

переменной и новой переменной (фактором). Это достигается умножением aij на стандартное отклонение фактора.

Слайд 16 Метод главных компонент
Коэффициенты aij называются факторными нагрузками.

Метод главных компонентКоэффициенты aij называются факторными нагрузками.

Слайд 17 Матрица факторных нагрузок

Матрица факторных нагрузок

Слайд 18 Факторный анализ
Основное отличие между факторным анализом и методом

Факторный анализОсновное отличие между факторным анализом и методом главных компонент заключается

главных компонент заключается в том, что главные компоненты являются

линейными функциями от наблюдаемых переменных, в то время как общие факторы не выражаются через комбинацию наблюдаемых переменных.

Слайд 19 Факторный анализ
Модель факторного анализа предполагает, что корреляции между

Факторный анализМодель факторного анализа предполагает, что корреляции между наблюдаемыми переменными x1,

наблюдаемыми переменными x1, x2, …, xp получаются благодаря их

связи с некоторыми фундаментальными переменными, известными как общие факторы или латентные переменные f1, f2, …, fk , где k

Слайд 20 Факторный анализ
Дисперсия исходных переменных здесь объясняется не в

Факторный анализДисперсия исходных переменных здесь объясняется не в полном объеме: признается,

полном объеме: признается, что часть дисперсии остается нераспознанной как

характерность.

Слайд 21 Факторный анализ
x1=λ11f1+ λ 12f2+…+ λ1kfk+u1
x2= λ21f1+ λ 22f2+…+

Факторный анализx1=λ11f1+ λ 12f2+…+ λ1kfk+u1x2= λ21f1+ λ 22f2+…+ λ2kfk+u2… (2)xp=

λ2kfk+u2
… (2)
xp= λp1f1+ λ p2f2+…+ λpkfk+up

Это и

есть модель факторного анализа

Слайд 22 Факторный анализ
Случайная погрешность ui называется характерностью и представляет

Факторный анализСлучайная погрешность ui называется характерностью и представляет собой часть наблюдаемой

собой часть наблюдаемой переменной, которая не объясняется действием факторов.


Слайд 23 Факторный анализ
Общность (Communality) переменной xi - является той

Факторный анализОбщность (Communality) переменной xi - является той дисперсией, которую переменная

дисперсией, которую переменная делит с другими явными переменными посредством

их отношения с латентной переменной.

Дисперсия явной переменной может быть разделена на две части:



Характерность - часть единичной дисперсии переменной, которая не связана с общими факторами.

Слайд 24 Факторный анализ
Если латентные факторы не коррелируют, то коэффициенты

Факторный анализЕсли латентные факторы не коррелируют, то коэффициенты λij являются корреляциями

λij являются корреляциями между латентными переменными и явными переменными.

Они также называются факторными нагрузками и представляются в виде такой же таблицы, как и факторные нагрузки в методе главных компонент

Слайд 25 Факторный анализ
Соответствие факторной модели полученным данным проверяется путем

Факторный анализСоответствие факторной модели полученным данным проверяется путем сравнения исходной корреляционной

сравнения исходной корреляционной матрицы с матрицей корреляций, полученной в

результате применения модели. Такая оценка соответствия может быть проведена различными методами.

Слайд 26 Факторный анализ
В программе STATISTICA реализовано пять методов факторного

Факторный анализВ программе STATISTICA реализовано пять методов факторного анализа:

анализа:

Слайд 27 Факторный анализ
Commonalities=multiple R-square.
Если выбран этот метод, то

Факторный анализCommonalities=multiple R-square. Если выбран этот метод, то перед факторизацией диагональные

перед факторизацией диагональные элементы корреляционной матрицы (общности) будут вычисляться

как множественные коэффициенты корреляции данной переменной со всеми остальными переменными, а затем возводиться в квадрат. Это самый распространенный метод факторного анализа, обычно выбираемый по умолчанию.

Слайд 28 Факторный анализ
Iterated commonalities (MINRES).
Этот метод отличается от

Факторный анализIterated commonalities (MINRES). Этот метод отличается от предыдущего тем, что

предыдущего тем, что после факторизации оптимизирует факторные нагрузки посредством

нескольких итераций, основываясь на оценке квадратов сумм остатков.

Слайд 29 Факторный анализ
Maximum likelihood factors
метод максимального правдоподобия Д.

Факторный анализMaximum likelihood factors метод максимального правдоподобия Д. Лоули. В отличие

Лоули. В отличие от остальных методов тут предполагается, что

число факторов заранее известно (и должно быть установлено в окошке maximum number of factors). Программа затем вычисляет оценки факторных нагрузок и общностей, которые максимизируют вероятность получения исходной корреляционной матрицы.

Слайд 30 Факторный анализ
Centroid method
– центроидный метод Л. Тэрстоуна.

Факторный анализCentroid method – центроидный метод Л. Тэрстоуна. В нем корреляции

В нем корреляции между переменными рассматриваются как пучок векторов,

а латентный фактор геометрически представляется как уравновешивающий вектор, проходящий через центр этого пучка. Это наименее современный метод факторного анализа, требующий также наименьшего количества вычислений.

Слайд 31 Факторный анализ
Principal axis method
В этом методе (методе

Факторный анализPrincipal axis method В этом методе (методе главных осей) на

главных осей) на каждом итерационном шаге собственные значения вычисляются

с помощью общностей, затем общности пересчитываются на основании собственных значений. Новые общности помещаются на диагональ корреляционной матрицы, и начинается новый итерационный шаг. Итерации продолжаются либо пока их число не достигнет максимума (заранее определенного), либо пока минимальные изменения в общностях не станут меньше, чем наперед заданные значения.

Слайд 32 Факторный анализ

Факторный анализ
Statistics ⇒
Multivariate Exploratory Techniques ⇒ Factor

Факторный анализФакторный анализStatistics ⇒Multivariate Exploratory Techniques ⇒ Factor Analysis

Analysis

Слайд 33 Факторный анализ

Разные методы

Факторный анализРазные методы

Слайд 34 Факторный анализ
☹ В SPSS реализованы некоторые перечисленные и

Факторный анализ☹ В SPSS реализованы некоторые перечисленные и некоторые другие методы

некоторые другие методы

Слайд 35 Факторный анализ
☺ Но! Факторные отображения одной и той

Факторный анализ☺ Но! Факторные отображения одной и той же корреляционной матрицы

же корреляционной матрицы эквивалентны друг другу, если они содержат

одинаковое число факторов.
Практически это значит, что вы получите одни и те же результаты при любом методе.

Слайд 36 Факторный анализ
Результаты, полученные с помощью метода главных компонент,

Факторный анализ Результаты, полученные с помощью метода главных компонент, и результаты, полученные

и результаты, полученные с помощью различных процедур собственно факторного

анализа, практически никогда существенно не отличаются друг от друга!

☺

Слайд 37 Сколько факторов?
Для применения процедуры выбора следует посчитать некоторую

Сколько факторов? Для применения процедуры выбора следует посчитать некоторую статистику – собственные

статистику – собственные значения корреляционной матрицы и процент объясненной

дисперсии для каждого фактора.

Слайд 38 Сколько факторов?

Сколько факторов?

Слайд 39 Сколько факторов?


1) Процент объясненной дисперсии. Если кумулятивный (накопленный)

Сколько факторов? 1) Процент объясненной дисперсии. Если кумулятивный (накопленный) процент общей дисперсии

процент общей дисперсии достигает 60% или больше, то можно

остановиться на данном количестве факторов.

Слайд 40 Сколько факторов?

Сколько факторов?

Слайд 41 Сколько факторов?


2) Критерий Кайзера (H. Keiser). Вы можете

Сколько факторов? 2) Критерий Кайзера (H. Keiser). Вы можете отобрать только факторы

отобрать только факторы с собственными значениями, большими 1. По

существу, это означает, что если фактор не выделяет дисперсию, эквивалентную, по крайней мере, дисперсии одной переменной, то он опускается.

Слайд 42 Сколько факторов?

Сколько факторов?

Слайд 43 Сколько факторов?


3) Критерий каменистой осыпи является графическим методом.

Сколько факторов? 3) Критерий каменистой осыпи является графическим методом. Вы можете изобразить

Вы можете изобразить собственные значения, представленные в таблице ранее,

в виде простого графика:

Слайд 44 Сколько факторов?





Сколько факторов?

Слайд 45 Сколько факторов?



4) На практике возникает важный дополнительный вопрос,

Сколько факторов? 4) На практике возникает важный дополнительный вопрос, а именно: когда

а именно: когда полученное решение может быть содержательно интерпретировано.


☺

Слайд 46 Вращение матрицы факторных нагрузок



Оказывается, что описанные выше шаги

Вращение матрицы факторных нагрузок Оказывается, что описанные выше шаги не дают однозначного

не дают однозначного решения задачи определения факторов. Основываясь на

геометрическом представлении рассматриваемой задачи, поиск однозначного решения называют задачей вращения факторов. (Брать после вращения)

Слайд 47 Вращение матрицы факторных нагрузок



Необходимость вращения факторов возникает чаще

Вращение матрицы факторных нагрузок Необходимость вращения факторов возникает чаще всего, когда выявленным

всего, когда выявленным факторам не удается дать достаточно четкую

содержательную интерпретацию.

Слайд 48 Вращение матрицы факторных нагрузок



В программе STATISTICA:
Варимакс (Varimax) –

Вращение матрицы факторных нагрузок В программе STATISTICA:Варимакс (Varimax) – это такое ортогональное

это такое ортогональное вращение, при котором происходит минимизация количества

переменных с высокой факторной нагрузкой.

Слайд 49 Вращение матрицы факторных нагрузок



Квартимакс (Quartimax) – ортогональное вращение,

Вращение матрицы факторных нагрузок Квартимакс (Quartimax) – ортогональное вращение, при котором происходит

при котором происходит минимизация количества факторов, необходимых для объяснения

переменных.

Слайд 50 Вращение матрицы факторных нагрузок



Биквартимакс (Biquartimax) –метод, который является

Вращение матрицы факторных нагрузок Биквартимакс (Biquartimax) –метод, который является компромиссом между варимаксом

компромиссом между варимаксом и квартимаксом, то есть направлен на

одновременную максимизацию дисперсий и строк, и столбцов матрицы квадратов факторных нагрузок

Слайд 51 Вращение матрицы факторных нагрузок



Эквамакс (Equamax) – тоже является

Вращение матрицы факторных нагрузок Эквамакс (Equamax) – тоже является компромиссом между варимаксом

компромиссом между варимаксом и квартимаксом; отличается от биквартимакса весом,

который присваивается критерию варимакс.

Слайд 52 Алгоритм факторного анализа
Заносим данные в программу.
Выбираем метод -

Алгоритм факторного анализаЗаносим данные в программу.Выбираем метод - анализ главных компонент

анализ главных компонент или факторный анализ. Если выбран факторный

анализ, то выбираем метод факторного анализа.

Слайд 53 Алгоритм факторного анализа
Выбираем количество факторов.
Строим матрицу факторных нагрузок.
Вращаем

Алгоритм факторного анализаВыбираем количество факторов.Строим матрицу факторных нагрузок.Вращаем матрицу факторных нагрузок.Интерпретируем факторы.    

матрицу факторных нагрузок.
Интерпретируем факторы.    

Слайд 54 Алгоритм факторного анализа
Если ничего не получается, то можно

Алгоритм факторного анализаЕсли ничего не получается, то можно попробовать разные способы

попробовать разные способы вращения (возвращаемся на п.5).
Если это ничего

не дает, то можно попробовать взять разное количество факторов (возвращаемся на п. 3)
Если и это ничего не дает, то можно попробовать взять другой метод (возвращаемся на п. 2)    

Слайд 55 Как это посчитать?

Выбираем число факторов

Как это посчитать?Выбираем число факторов

Слайд 56 Как это посчитать?

Таблица собственных значений

Как это посчитать?Таблица собственных значений

Слайд 57 Таблица собственных значений

Таблица собственных значений

Слайд 58 Как это посчитать?

График каменистой осыпи

Как это посчитать?График каменистой осыпи

Слайд 59 График каменистой осыпи





График каменистой осыпи

Слайд 60 Как это посчитать?

Выбор метода вращения

Как это посчитать?Выбор метода вращения

Слайд 61 Разбиение на группы
Если факторы найдены и истолкованы, то

Разбиение на группыЕсли факторы найдены и истолкованы, то на последнем шаге

на последнем шаге ФА отдельным наблюдениям (т.е. испытуемым) можно

присвоить значения этих факторов (т.н. факторные значения – factor scores).

Слайд 62 Разбиение на группы
Таким образом, для каждого наблюдения значения

Разбиение на группыТаким образом, для каждого наблюдения значения большого количества переменных

большого количества переменных можно перевести в значения небольшого количества

факторов. Факторные значения лежат, как правило, в пределах от –3 до +3 и характеризуют положение испытуемого на шкале, задаваемой фактором.

Слайд 63 Разбиение на группы

Разбиение на группы

Слайд 64 Разбиение на группы


Разбиение на группы

Слайд 65 Разбиение на группы
Если факторов больше или введены дополнительные

Разбиение на группыЕсли факторов больше или введены дополнительные градации (плохо учится

градации (плохо учится – хорошо учится – отлично учится),

то групп становится намного больше.

Слайд 66 Как это посчитать?

Факторные значения

Как это посчитать?Факторные значения

Слайд 67 Факторные значения

Факторные значения

Слайд 68 Факторный анализ
Наиболее плодотворно использование факторного анализа на ранних

Факторный анализНаиболее плодотворно использование факторного анализа на ранних стадиях исследованияФакторный анализ

стадиях исследования
Факторный анализ есть прежде всего средство проверки, отбора

гипотез, а не волшебная палочка, извлекающая из груды сырых фактов «скрытые закономерности».

Слайд 69 Удачные примеры (с моей т.з.)
Адаптация теста (психодиагностичекой методики)
Исследование

Удачные примеры (с моей т.з.)Адаптация теста (психодиагностичекой методики)Исследование семантических пространств

семантических пространств

Слайд 70 Удачные примеры
Измерение личностных особенностей (по Иванову

Удачные примеры Измерение личностных особенностей (по Иванову для взрослых)Шкалы:КривизныНеприспособленностиНеудачливостиНужды в психологической помощи

для взрослых)
Шкалы:
Кривизны
Неприспособленности
Неудачливости
Нужды в психологической помощи

Слайд 71 Удачные примеры
Измерение личностных особенностей (по Иванову

Удачные примеры Измерение личностных особенностей (по Иванову для взрослых)Шкала кривизныНасколько часто

для взрослых)
Шкала кривизны
Насколько часто Вы попадаете в неприятные положения?
Как

часто над Вами смеются?
…

Слайд 72 Удачные примеры


Удачные примеры

Слайд 73 Удачные примеры
Семантический дифференциал
(например, у В.Ф. Петренко «Основы психосемантики»)

Баба

Удачные примерыСемантический дифференциал(например, у В.Ф. Петренко «Основы психосемантики»)Баба ЯгаДобрая – ЗлаяКрасивая – НекрасиваяЛенивая – Трудолюбивая…

Яга
Добрая – Злая
Красивая – Некрасивая
Ленивая – Трудолюбивая
…

Слайд 74 Удачные примеры

Удачные примеры

Слайд 75 Удачные примеры

Удачные примеры

Слайд 76 Требования и ограничения ФА
Нормальное распределение всех переменных
Все

Требования и ограничения ФА Нормальное распределение всех переменныхВсе наблюдения независимыПо крайней

наблюдения независимы
По крайней мере интервальные шкалы
Т.е. данные должны быть

такими, которые подходят для подсчета к-та корреляции Пирсона

Слайд 77 Что представляем в статье?
Обычно дается матрица факторных

Что представляем в статье? Обычно дается матрица факторных нагрузок после вращения

нагрузок после вращения с указанием процента объясненной дисперсии для

каждого фактора
+ ВАША ИНТЕРПРЕТАЦИЯ!

Слайд 78 Что представляем в статье?

Что представляем в статье?

Слайд 79 Что такое КМО?
КМО - это показатель Кайзера

Что такое КМО? КМО - это показатель Кайзера и его коллег:

и его коллег: Kaiser-Meyer-Olkin measure
Мера выборочной адекватности
Это % дисперсии,

который объясняют общие (латентные) факторы
Должен быть > 0,5

KMO and Bartlett's Test of Sphericity –
есть в SPSS, но нет в Statistica

Слайд 80 Что такое КМО?
Bartlett's Test of Sphericity –
проверяет,

Что такое КМО? Bartlett's Test of Sphericity –проверяет, является ли матрица

является ли матрица единичной, что будет свидетельствовать о том,

что факторная модель не подходит для этого случая.
Т.е. этот тест д.б. значимым!

KMO and Bartlett's Test of Sphericity –
есть в SPSS, но нет в Statistice

Слайд 81 Полезная литература
Просто и доходчиво факторный анализ изложен в

Полезная литератураПросто и доходчиво факторный анализ изложен в Гусев А.Н., Измайлов


Гусев А.Н., Измайлов Ч.А., Михалевская М.Б. Измерение в психологии:

общий психологический практикум. – М.: Смысл, 1997.
Ермолаев О.Ю. Математическая статистика для психологов: Учебник/ - 2-е изд., испр. – М.: Московский психолого-социальный институт: Флинта, 2003.
Электронный учебник по ФА (Радчикова Н., Радчиков А.)

Слайд 82 Полезная литература
ПРОГРАММА STATISTICA
Боровиков В. Программа STATISTICA для студентов

Полезная литератураПРОГРАММА STATISTICAБоровиков В. Программа STATISTICA для студентов и инженеров. -

и инженеров. - Компьютер Пресс: Москва, 2001.
Электронный учебник

по программе (StatSoft)
ПРОГРАММА SPSS
Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных. – СПб. – Речь. – 2004.
Бююль А., Цефель П. SPSS: Искусство обработки информации. – СПб, «ЛиаСофтЮп». –2001.

Слайд 83 Факторный анализ
СПАСИБО
ЗА ВНИМАНИЕ!

Факторный анализСПАСИБО ЗА ВНИМАНИЕ!

Слайд 84 Факторный анализ
Это все был только эксплораторный факторный анализ!

Факторный анализЭто все был только эксплораторный факторный анализ!

Слайд 85 Конфирматорный ФА
Основная идея:
Вы сами придумываете модель (какие

Конфирматорный ФАОсновная идея: Вы сами придумываете модель (какие переменные должны объединяться)

переменные должны объединяться) и проверяете, насколько это предположение соответствует

собранным данным

Слайд 86 Конфирматорный ФА
В STATISTICA 6.0
Statistics – Advanced Linear/Nonlinear

Конфирматорный ФАВ STATISTICA 6.0 Statistics – Advanced Linear/Nonlinear Models – Structural

Models – Structural Equation Modeling – Path Wizard –

Confirmatory factor analysis

Слайд 87 Конфирматорный ФА

Конфирматорный ФА

Слайд 88 Конфирматорный ФА
Левая сторона
показывает, благополучно ли завершились итерации

Конфирматорный ФАЛевая сторонапоказывает, благополучно ли завершились итерации

Слайд 89 Конфирматорный ФА
Maximum Residual Cosine – показатель хорошего завершения

Конфирматорный ФАMaximum Residual Cosine – показатель хорошего завершения итераций. Должен быть близок к нулю

итераций. Должен быть близок к нулю

Слайд 90 Конфирматорный ФА
Maximum Absolute Constraint
Тоже показатель хорошего завершения итераций.

Конфирматорный ФАMaximum Absolute ConstraintТоже показатель хорошего завершения итераций. Должен быть близок к нулю

Должен быть близок к нулю

Слайд 91 Конфирматорный ФА
ICSF Criterion.
и
ICS Criterion.

Должны быть близки

Конфирматорный ФАICSF Criterion. иICS Criterion. Должны быть близки к нулю

к нулю

Слайд 92 Конфирматорный ФА
Boundary Conditions.

Должен равняться нулю.
Если этот показатель

Конфирматорный ФАBoundary Conditions. Должен равняться нулю.Если этот показатель не равен нулю,

не равен нулю, критерий хи-квадрат может давать неверную информацию

Слайд 93 Конфирматорный ФА
Правая сторона
показывает, соответствует ли реальность Вашей модели

Конфирматорный ФАПравая сторонапоказывает, соответствует ли реальность Вашей модели

Слайд 94 Конфирматорный ФА
Chi-square Statistic

Проверяет нуль-гипотезу об идеальном соответствии

Конфирматорный ФАChi-square StatisticПроверяет нуль-гипотезу об идеальном соответствии

Слайд 95 Конфирматорный ФА
RMS Standardized Residual

Этот показатель должен быть меньше,

Конфирматорный ФАRMS Standardized ResidualЭтот показатель должен быть меньше, чем 0,05 для

чем 0,05 для того, чтобы считать выбранную модель «хорошей»

в практическом плане

Слайд 96 Конфирматорный ФА
Кроме этого, можно посмотреть еще несколько индексов:

Конфирматорный ФАКроме этого, можно посмотреть еще несколько индексов:

Слайд 97 Полезная литература
К практическому занятию по ФА надо прочитать:
Войскунский

Полезная литератураК практическому занятию по ФА надо прочитать:Войскунский А.Е. и др.

А.Е. и др. Мотивация хакеров: психосемантическое исследование// ПЖ, 2003,

т.24, № 1, с. 104-118
  • Имя файла: faktornyy-analiz.pptx
  • Количество просмотров: 107
  • Количество скачиваний: 0
- Предыдущая Достопримечательности Киргизии
Следующая - Клинический разбор

Похожие презентации

Десяток Десяток 108
Построение графика неявно заданной функции на примере лемнискаты Бернулли Построение графика неявно заданной функции на примере лемнискаты Бернулли 112
Сложение и вычитание отрезков Сложение и вычитание отрезков 126
Презентация презентация к уроку по математике (4 класс) по теме Презентация презентация к уроку по математике (4 класс) по теме 113
Скалярное произведение Скалярное произведение 109
Умножение натуральных чисел и его свойства Умножение натуральных чисел и его свойства 93
Урок математики УМК Школа России 4 класс Урок математики УМК Школа России 4 класс 121
Решение задач на нахождение площади фигур в начальной школе Решение задач на нахождение площади фигур в начальной школе 233
Презентация по составлению адаптированной программы для детей с ОВЗ Презентация по составлению адаптированной программы для детей с ОВЗ 90
О тех , кто уже не придет никогда... О тех , кто уже не придет никогда... 120
Диалоговое взаимодействие учащихся и учителя на уроке математики Диалоговое взаимодействие учащихся и учителя на уроке математики 108
Презентация по математике на тему: Окружность и круг (5 класс) Презентация по математике на тему: Окружность и круг (5 класс) 112
Решение заданий математика 4 класс Решение заданий математика 4 класс 186
Филворд Элементы круга Филворд Элементы круга 102
Симметрия Симметрия 119
Презентация основные термины математики на английском языке Презентация основные термины математики на английском языке 136
Метод проекций. Проекции точки Метод проекций. Проекции точки 115
Презентация Закрепление таблицы умножения презентация к уроку по математике (3 класс) Презентация Закрепление таблицы умножения презентация к уроку по математике (3 класс) 140
Натуральные числа и действия с ними Натуральные числа и действия с ними 121
Угадай-ка познавательная викторина Угадай-ка познавательная викторина 126
Базовые понятия математической статистики Базовые понятия математической статистики 113
Математика вокруг нас Математика вокруг нас 108
Нахождение % от числа; Нахождение числа по его процентам Нахождение % от числа; Нахождение числа по его процентам 112
Решение старинных задач из Арифметики Л.Ф. Магницкого Решение старинных задач из Арифметики Л.Ф. Магницкого 146
Презентация В гостях у гномов презентация к занятию по математике (средняя группа) Презентация В гостях у гномов презентация к занятию по математике (средняя группа) 110
Задача Пуассона Задача Пуассона 164
Активизация познавательных процессов с помощью палочек кюизенера презентация к уроку по математике (младшая, средняя, старшая, подготовительная группа) Активизация познавательных процессов с помощью палочек кюизенера презентация к уроку по математике (младшая, средняя, старшая, подготовительная группа) 115
ФЭМП. Тема: Деньги.Денежные знаки. Подготовительная группа презентация к уроку по математике (подготовительная группа) ФЭМП. Тема: Деньги.Денежные знаки. Подготовительная группа презентация к уроку по математике (подготовительная группа) 150
Метод координат 9 класс Метод координат 9 класс 152
История отечественной математики История отечественной математики 125