Pääkomponentti

Pääasiallinen komponentti perustuu yrittää selittää enimmäismäärä varianssia tietty joukko muuttujia, ja suunnattu elementtien korrelaatiomatriisin lävistäjä. On olemassa toinen menetelmä, joka perustuu tekijä analyysi, jonka tavoitteena on toteuttaa lähentäminen korrelaatiomatriisin käyttäen tiettyjä tekijöitä (vähemmän kuin ennalta määrätty määrä muuttujia), mutta menetelmillä lähentäminen suuresti eroaa ensimmäisestä ehdotetun menetelmän.

Täten menetelmä tekijä analyysi voi selittää korrelaatio muuttujien itse, ja suunnattava elementit korrelaatiomatriisin tyyppi ulkopuolella hänen vinosti.

Perustuen käytännön hyötyä, yritä ymmärtää välttämättömyys soveltamisen tietyn menetelmän. Factor analysis käytetään, kun on olemassa kiinnostusta tutkijoiden tutkia suhdetta muuttujia, Pääkomponenttianalyysin käytetään silloin, kun on tarpeen vähentää datan ulottuvuus, ja vähemmässä määrin niiden tulkinta on välttämätön.

Kokemuksemme, voimme nähdä, että menetelmät Faktorianalyysin käyttämällä riittävän suurta määrää havaintoja. Tämä määrä pitäisi olla suuruusluokkaa korkeampi kuin määrä tutkitut tekijät.

Pääkomponentti on erittäin suosittu markkinointitutkimus, koska sitä voidaan käyttää, kun läsnä on multikollineaarisuus lähdetietojen. Prosessissa markkinatutkimuskyselyitä sisältävät samanlaisia kysymyksiä ja vastauksia niihin ja noudattaa periaatteita Multikollineaarisuuden.

Pääkomponentti on järkevää harkita joukko indikaattoreita, joiden on oltava tutkijan ohjaavat esivalinnan komponenttien tai tekijöitä. Tärkeimpiä näistä ovat ominaisarvot ilmaista tason dispersion muuttujia on selitetty tällä tekijällä. On yksi tärkeä nyrkkisääntö, joka on erittäin hyödyllinen arvioitaessa useista tekijöistä (tekijöistä tulisi olla niin kauan kuin ominaisarvot useampia). Tämä sääntö voi selittää hieman helpompaa - ominaisarvot ilmaista osuus normalisoitu varianssien muuttujien joka selittää tekijöitä, ja jos ylittää sen yksikön heidän pitäisi ilmaista nämä dispersiot sisältävät enemmän kuin yhden muuttujan.

On tarpeen selventää vielä kerran, että sääntö "yksittäisiä Ominaisarvojen" - empiirinen, ja tarve sen käyttö voidaan määrittää tutkija. Esimerkiksi, ominaisarvo on arvo pienempi kuin yksi, mutta se on leviämisen vuoksi, jaettu muuttujia. Yksi taitava alan markkinointi on erittäin tärkeää, että segmentointi tunnistetut tekijät olivat huomattavia järkeä. Ja nämä seikat, jotka sisältävät ominaisarvot useamman kuin yhden, mutta ei ole mielekästä tulkintaa, niitä ei oteta huomioon. Ja se voi olla tilanne päinvastainen.

Toinen tärkeä kysymys liittyy käytännön soveltamista menetelmistä Faktorianalyysin - kysymys kierto. Sitä voidaan pitää tällaisia vaihtoehtoja kierrosta. Suosituin niistä - VariMAX menetelmällä. Se perustuu enimmäismäärä dispersion muuttujien kunkin yksittäisen tekijän. Tämä menetelmä auttaa löytämään kierto, jossa jotkut muuttujat ovat korkeita arvoja, kun taas toiset - tarpeeksi alhainen jokaisen yksittäisen tekijän.

Toinen tapa kierto - kvartimaks, se auttaa löytämään tietyn kierto, jossa tekijät kunkin muuttujan olevan sekä matala ja korkea kuormia.

ekvimaks kierto menetelmä on kompromissi näiden kahden menetelmän edellä.

Kaikki nämä menetelmät ovat ortogonaalisia toisiinsa nähden kohtisuoran akselin, niiden käyttö voidaan jäljittää ei korrelaatiota yksittäisten tekijöiden.