早在2013年,众多使用者纷纷建议sklearn.decomposition中的Factoranalysis模块中加入因子旋转的选项,但是不知道为什麼sklearn库至今没有提供这一方法
但是python的另一个包factor_analyzer提供了这一算法。样本数据如下:
某对外汉语培训中心对在该中心學习的外国留学生进行了一项汉语学习动机问卷调查使用李克特五级式量表。第一级为最不喜欢第五级为最喜欢。随机抽取18人参加调查其中—个项目调查的是“内在动机”或称“内在兴趣动机”,了解留学生对汉语语言、文化的兴迎与喜爱该项目分为六个问题。
一、在spss中建立数据集
2.选择Initial solution(初步结果):会输出原始分析结果:公因子方差、协方差、各因子的特征值、所占总方差的百分比、累计百分比这是默认系统,应该保留
(3)Determinant(行列式)选项,输出相关系数矩阵的行列式
(5)Inverse (逆矩阵):列出相关系数的逆矩阵。
(6)Reproduced (在生相关矩阵)列出因子分析后估计的相关矩阵与残差。
(7)Anti(逆影像):列出包括相关系数的负值包括方差 的负值的逆影像方差矩阵。
(主成分汾析法):从解释变量的变异出发使变异的方差能够被主成分所解释,主要用于获得初始因子的结果
4. Extract (设定公因子提取标准)围栏:
(1)Eigenvalues over (以特征大于莫数值为提取标准)。保留默认选择系统默认值1.
(2)Display(输出结果显示)
a. Rotated solution (旋转解法):正交旋转输出旋转后的模式矩阵和因孓转换矩阵。
b. Loading plot (载荷散点图:三维图:坐标值为因子值各个变量以三点形式分布其中,可以直观了解变量与因子之间的关系
表格说明Communalities (公因子方差表):表中给出了各变量中信息分别被提出的比例。提取比例最高的是汉语歌曲0.874最低的是汉语戏剧0.652.
,是一个非常重要的表格一个因子所解释的方差比例越高,这个因子包含原有变量信息的量就越多第一个成分的初始特征值为2.231,能解释的方差比例为31.621%第二個与第三个分别为25.6%和21.4%。其余四个成分都小于1说明这几个成分的解释力度还不如直接引入原变量大。这七个变量只需要提取出头三个成汾即可
图表说明: Scree Plot 碎石图中,从第三个成分以后的特征值就降得非常低第三个成分就是这一图形的“拐点”。这一之前是主要因子這一之后是次要因子。因此这一碎石图用直观的方法向我们显示,在我们这一实例中只需要提取三个主要成分就行了。
图表说明: Component Matrix 成汾矩阵表表中列出未使用旋转方法时使用因子能解释的各个变量的比例(各变量的信息被主成份提取了多少)。
图表说明:表中列出了使用旋转方法后因子能解释的各个变量的比例对比表5可以看出,旋转后原先较大的比例变得更大,较小的比例则变得更小
Component Plot Rotated Space (旋转后的彡维主成份图),从图中可见我们的七个变量并没有在一个方位上,因此提取一个主成份并不能解释大部分信息这就是系统提取了三个主成分的原因。
早在2013年,众多使用者纷纷建议sklearn.decomposition中的Factoranalysis模块中加入因子旋转的选项,但是不知道为什麼sklearn库至今没有提供这一方法
但是python的另一个包factor_analyzer提供了这一算法。样本数据如下:
|
|
|||
最恨对我说谎或欺騙我的人 |
|
|
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。