88 matches
-
de măsură diferite ale variabilelor și a varianțelor diferite pe care acestea le pot avea în populație (respectiv, în eșantionul cu care lucrăm). Este cel mai indicat să o folosim atunci când dorim să aflăm structura latentă a datelor. Matricea de covarianță este recomandată atunci când dorim să facem comparații între grupuri: corelațiile, care sunt măsuri standardizate folosind standarde specifice grupului, vor face invariante valori care sunt diferite de la grup la grup. Una dintre asumpțiile critice ale analizei factoriale, de natură conceptuală, este
[Corola-publishinghouse/Science/2075_a_3400]
-
de corelație parțială între Xi și Xj când toate celelalte variabile sunt controlate. Figura 9. Formula de calcul al indicelui KMO Extragerea factorilortc "Extragerea factorilor" Sistemul liniar presupus de analiza factorială (vezi prima secțiune) este astfel construit încât structura de covarianță poate fi identificată fără eroare, dacă sunt cunoscute saturațiile factoriale. Dar demersul invers, de identificare a structurii factoriale latente (a saturațiilor factoriale) din matricea de covarianță, ridică mai multe probleme, așa cum am arătat în secțiunea anterioară. În plus, erorile de
[Corola-publishinghouse/Science/2075_a_3400]
-
liniar presupus de analiza factorială (vezi prima secțiune) este astfel construit încât structura de covarianță poate fi identificată fără eroare, dacă sunt cunoscute saturațiile factoriale. Dar demersul invers, de identificare a structurii factoriale latente (a saturațiilor factoriale) din matricea de covarianță, ridică mai multe probleme, așa cum am arătat în secțiunea anterioară. În plus, erorile de măsurare și eșantionare care intervin fac imposibil de identificat în practică structura latentă. Ceea ce facem este ca, pe baza unor criterii practice și statistice, să estimăm
[Corola-publishinghouse/Science/2075_a_3400]
-
cauzal), ci să explice cât mai mult din varianța datelor. Analiza factorială, în schimb, are ca scop principal explicarea corelației (covariației) dintre variabilele observate. Diferența dintre cele două abordări poate fi prezentată și astfel: analiza factorială propriuzisă reprezintă structura de covarianță în termenii unui model cauzal ipotetic, în timp ce analiza componentelor principale sumarizează datele prin intermediul unei combinații liniare a datelor observate. Prima încearcă să explice covarianța, pe când cea de a doua explică varianța variabilelor. Voi începe prin a prezenta ultimele două dintre
[Corola-publishinghouse/Science/2075_a_3400]
-
Diferența dintre cele două abordări poate fi prezentată și astfel: analiza factorială propriuzisă reprezintă structura de covarianță în termenii unui model cauzal ipotetic, în timp ce analiza componentelor principale sumarizează datele prin intermediul unei combinații liniare a datelor observate. Prima încearcă să explice covarianța, pe când cea de a doua explică varianța variabilelor. Voi începe prin a prezenta ultimele două dintre metodele enumerate, și anume: (f) metoda componentelor principale (principal component analysis) și (e) metoda factorilor principali (principal axis factoring). Pentru a explica modul cum
[Corola-publishinghouse/Science/2075_a_3400]
-
reproduce corelațiile observate printr-un model care are exact atâția factori câte variabile, iar adecvarea modelului pentru date crește o dată cu numărul de factori. Scopul nostru este însă acela de a obține o structură redusă a datelor, de a explica astfel covarianța dintre variabile printr-un număr cât mai mic de factori comuni. Primul factor extras va corespunde valorii proprii celei mai mari, cu alte cuvinte primul factor extras este cel care explică cel mai mult din varianța variabilelor observate. Următorul factor
[Corola-publishinghouse/Science/2075_a_3400]
-
fost extras eșantionul. Situația tipică în cercetarea socială este aceea în care dispunem de date obținute pe un eșantion de obiecte (indivizi, localități, produse, partide etc.) din populație. În cazul analizei factoriale, datele originale de la care pornim sunt corelațiile (sau covarianțele) din cadrul unui set de variabile observate, obținute pe un eșantion. Există două tipuri de inferențe pe care analistul trebuie să le facă. Primele se referă la estimarea structurii factoriale latente (estimarea saturațiilor factoriale pentru identificarea dimensiunilor latente și estimarea scorurilor
[Corola-publishinghouse/Science/2075_a_3400]
-
în două și compararea rezultatelor pentru cele două eșantioane, fie prin folosirea unui alt eșantion extras din aceeași populație. Analiza factorială confirmatorie s-a dezvoltat substanțial în ultimii treizeci de ani, ca și o generalizare a acesteia, modelele structurii de covarianță (LISREL). Pentru lecturi ulterioare pe această temă, recomandăm Scott Long, 1983 a și b, Jöreskog, Sörbom 1996. Procedura Factor în SPSS 10.1tc "Procedura Factor în SPSS 10.1" Pachetul statistic SPSS conține un set de proceduri pentru realizarea analizei
[Corola-publishinghouse/Science/2075_a_3400]
-
b, Jöreskog, Sörbom 1996. Procedura Factor în SPSS 10.1tc "Procedura Factor în SPSS 10.1" Pachetul statistic SPSS conține un set de proceduri pentru realizarea analizei factoriale. Acestea acoperă majoritatea metodelor de examinare a structurii de corelație sau de covarianță, de extragere a factorilor, de rotație a factorilor extrași și de calcul al scorurilor factoriale. Cum realizăm o analiză factorială? Procedura se lansează din meniul Analyze, opțiunea Data reduction, subopțiunea Factor. Fereastra care se deschide permite specificarea variabilelor observate care
[Corola-publishinghouse/Science/2075_a_3400]
-
analizei factoriale la date, KMO și coeficientul Bartlett de sfericitate. Butonul Extraction deschide o fereastră prin care putem selecta metoda de extragere a factorilor (sunt disponibile șapte metode de extracție, inclusiv metoda componentelor principale), specificăm ce anume analizăm (corelații sau covarianțe), alegem criteriul de stabilire a numărului de factori extrași (valori proprii mai mari decât 1 sau un număr predeterminat de factori) și putem cere afișarea soluției inițiale nerotite și testul bazat pe scree plot. Butonul Rotation deschide o fereastră care
[Corola-publishinghouse/Science/2075_a_3400]
-
în vedere că toate variabilele sunt măsurate pe aceeași scală, nu sunt distorsionate 1. Voi alege analiza matricei de corelații și voi folosi metoda de extracție a factorilor principali (principal axis factoring), întrucât doresc să explic cât mai mult din covarianța dintre variabile și să identific factorii latenți care stau în spatele acestora. Voi stabili numărul de factori după criteriul valorilor proprii (eigenvalue să fie mai mare decât 1). Voi roti soluția originală după metoda „equamax” și voi cere ca saturațiile factoriale
[Corola-publishinghouse/Science/2075_a_3400]
-
ACP). ACP este o procedură matematică care transpune datele spectrale în componente ortogonale, ale căror combinații lineare aproximează datele originale. Noile variabile, numite componente principale (CP), factori sau vectori proprii, corespund cu cele mai ridicate valori proprii ale matriței de covarianță. În acest proces se disting 5 etape: a) Spectru cu 3 lungimi de undă c) Număr de spectre b) Punct în spațiu tridimensional d) Centrare medie e) Componenți principali Procedura de transformare este redata schematic având la baza 3 variabile
ANALIZA MEDICAMENTELOR. VOLUMUL 2 by MIHAI IOAN LAZ?R, DOINA LAZ?R, ANDREIA CORCIOV? () [Corola-publishinghouse/Science/83481_a_84806]
-
variabile reprezentînd diferențele dintre fiecare două condiții, respectiv b1 = a1 - a2, b2 = a1 - a3 și b3 = a2-a3, atunci varianțele variabilelor b1, b2 și b3 ar trebui să fie, de asemenea, egale). Sfericitatea poate fi văzută și ca o omogenitate a covarianțelor, respectiv a coeficienților de corelație dintre fiecare două condiții experimentale; nerespectarea acesteia crește șansele de a comite eroarea de tipul I (Sava, 2004); 3. fiecare subiect este testat în fiecare condiție experimentală. Condiția de sfericitate este destul de rar îndeplinită în
GHID PENTRU CERCETAREA EDUCAŢIEI by NICOLETA LAURA POPA, LIVIU ANTONESEI, ADRIAN VICENTIU LABAR () [Corola-publishinghouse/Science/797_a_1744]