Ang pangunahing bahagi

Ang pangunahing bahagi ay batay sa sinusubukan na ipaliwanag ang pinakamataas na antas ng pag-iiba sa isang tiyak na hanay ng mga variable, at oriented sa mga elemento sa ugnayan matrix diagonal. May isa pang paraan, ayon sa mga kadahilanan na pagtatasa, na naglalayong pagpapatupad ng approximation ng ugnayan matrix gamit ang isang tiyak na bilang ng mga kadahilanan (mas mababa kaysa sa paunang-natukoy na bilang ng mga variable), ngunit sa pamamagitan ng mga pamamaraan approximation lubos na naiiba mula sa unang ipinanukalang pamamaraan.

Kaya, ang mga paraan ng kadahilanan na pagtatasa ay maaaring ipaliwanag ang mga ugnayan sa pagitan ng mga variable sa kanilang sarili, at nakatuon sa mga elemento ng uri ugnayan matrix sa labas ng kanyang pahilis.

Batay sa mga praktikal na paggamit, subukan upang maunawaan ang mga pangangailangan ng application ng isang partikular na paraan. Factor pagtatasa ay ginagamit kapag may interes sa mga mananaliksik sa pag-aaral ang relasyon sa pagitan ng mga variable, ang punong-guro bahagi ng pagtatasa ay ginagamit kapag ang kailangan upang mabawasan ang data na dimensyon, at sa isang mas mababang lawak ang kanilang interpretasyon ay kinakailangan.

Mula sa aming karanasan, maaari naming makita na ang mga paraan ng kadahilanan na pagtatasa ng paggamit ng isang sapat na malaking bilang ng mga obserbasyon. Ang halagang ito ay dapat na isang order ng magnitude mas mataas kaysa sa bilang ng kinilala kadahilanan.

Ang pangunahing bahagi ay napaka-popular sa marketing na pananaliksik, tulad ng ito ay maaaring gamitin sa presensya ng multicollinearity mapagkukunan ng data. Sa proseso ng market questionnaire pananaliksik naglalaman ng katulad na katanungan, at ang mga sagot sa mga ito at sumunod sa mga prinsipyo ng multicollinearity.

Ang pangunahing bahagi ay ipinapayong isaalang-alang ang isang set ng mga tagapagpabatid na dapat para sa mga mananaliksik gabayan ang mga pre-pagpili ng mga bahagi o mga kadahilanan. Ang pinaka-mahalaga sa mga ito ay ang eigenvalues ng pagpapahayag ng ang antas ng pagpapakalat ng mga variable ay ipinaliwanag ng factor na ito. May isang mahalagang patakaran ng hinlalaki, na higit na kapaki-pakinabang para sa estimating ang bilang ng mga kadahilanan (mga kadahilanan ay dapat na hangga't may eigenvalues ng higit sa isa). Ang patakaran na ito ay maaaring ipaliwanag ang isang maliit na bit mas madali - ang eigenvalues ipahayag ang share of naging normal na variances ng mga variable na nagpapaliwanag ng kadahilanan, at sa kaso ng paglampas sa kanyang unit ang dapat nilang ipahayag ang mga pangangalat sa inyo na naglalaman ng higit sa isang variable.

Ito ay kinakailangan upang linawin sa sandaling muli na ang mga tuntunin ng "indibidwal eigenvalues" - mula sa obserbasyon, at ang pangangailangan para sa paggamit nito ay maaari lamang natutukoy sa pamamagitan ng tagapagpananaliksik. Halimbawa, ang eigenvalue ay may isang halaga na mas mababa kaysa sa pagkakaisa, ngunit ito ay dahil sa ang pagkalat, ibinahagi sa pagitan ng mga variable. Isa sanay sa larangan ng marketing ay napakahalaga na ang segmentation kinilala kadahilanan ay makabuluhang kahulugan. At mga kadahilanan, na naglalaman ng mga eigenvalues ng higit sa isa, ngunit hindi magkaroon ng isang makabuluhang kahulugan, sila ay hindi kinuha sa account. At ito ay maaaring maging isang sitwasyon lubos ang kabaligtaran.

Ang isa pang mahalagang isyu patungkol sa mga praktikal na aplikasyon ng mga pamamaraan ng kadahilanan na pagtatasa - ang tanong ng pag-ikot. Ito ay maaaring ituring na tulad opsyon na pag-ikot. Ang pinaka-popular na mga ito - varimax paraan. Ito ay batay sa ang pinakamataas na antas ng pagpapakalat ng mga variable sa bawat indibidwal na kadahilanan. Ang pamamaraan na ito ay tumutulong upang makahanap ng isang pag-ikot, kung saan ang ilang mga variable ay mataas na halaga, habang ang iba - mababang sapat upang ang bawat indibidwal na kadahilanan.

Ang isa pang paraan ng pag-ikot - kvartimaks, makakatulong ito sa upang mahanap ang isang tiyak na pag-ikot, kung saan ang mga kadahilanan para sa bawat indibidwal na variable na magkaroon ng parehong mababa at mataas na naglo-load.

ekvimaks-ikot na pamamaraan ay isang kompromiso sa pagitan ng dalawang mga pamamaraan tinalakay sa itaas.

Ang lahat ng mga pamamaraan na ito ay orthogonal sa kapwa patayo axes, sa kanilang paggamit ay maaaring traced walang ugnayan sa pagitan ng mga indibidwal na mga kadahilanan.