是否有理由不考虑探索性因素分析解决方案?


10

是否有任何理由采用探索性因素分析解决方案?

很容易找到将正交解与斜解进行比较的讨论,我想我完全理解所有这些内容。同样,从我在教科书中可以找到的内容来看,作者通常从解释因子分析估计方法正确地解释了轮换的工作方式以及一些不同的选择。我还没有看到关于是否首先旋转的讨论。

另外,如果有人可以提供反对任何类型旋转的论点,这对多种估算因子的方法(例如,主成分法和最大似然法)都是有效的,我将不胜感激。


2
在公共因数空间中,轴(因数)的旋转在变量彼此并置的情况下不变。旋转仅改变它们在那些轴(载荷)上的坐标,这有助于解释这些因素。这里的理想是所谓“简单结构”的某种形式。旋转仅用于解释。您可以正交,倾斜旋转,仅旋转该轴或该轴,或者根本不旋转。这与因子分析的数学质量无关。这就是为什么他们通常不讨论whether or not to rotate in the first place
ttnphns 2014年

是的,我知道。肯定有很多充分的理由来轮换解决方案。但是我要问的是是否有反对旋转的论点。
psychometriko 2014年

Answers:


7

是的,在因子分析中可能有理由退出轮换。该原因实际上类似于为什么我们通常不旋转PCA中的主要组件(即,当我们主要将其用于降维而不是对潜在特征进行建模时)。

提取后,因子(或成分)为正交1,通常按其方差的降序(负载的平方和)输出。因此,第一个因素起主导作用。初级因素从统计学上解释了第一个留下的原因无法解释。通常,该因素在所有变量上的负荷很高,这意味着它负责变量之间的背景相关性。这样的第一因子有时称为通用因子或g因子。它被认为是负责的事实,正相关盛行的心理测验。1个

如果您有兴趣探索该因素而不是忽略它,而让它在简单的结构后面溶解,请不要旋转提取的因素。您甚至可以从相关性中排除一般因素的影响,然后继续进行残差相关性的因素分析。


一方面,提取因子/分量解与旋转后的解(正交或斜)之间的差异是-对于某些方法,提取的加载矩阵 A具有正交(或接近正交)提取)列:'是对角线; 换句话说,载荷位于“原理轴结构”中。旋转后-甚至保持因子/分量的正交性(例如方差最大)的旋转-载荷的正交性也会丢失:“原理轴结构”被“简单结构”所取代。主轴结构允许在因素/组件之间进行分类,以“更多主要”或“更少主要”1个一个一个一个是所有的最普遍的成分),而在所有的旋转因素/组件的结构简单同等重要的假设-从逻辑上来说,你不能旋转后选择它们:接受所有的人(PT 2在这里)。参见此处的图片显示旋转之前和最大旋转之后的载荷。一个


瑞斯(Reise),摩尔(Moore)和哈维兰(Haviland)(2010)在您的最后一句话中深入讨论了这个想法。Reise(2012)似乎暗示,双因素分析正在使本来应该推迟的复出。我当然希望自己早点知道!
Nick Stauner 2014年

以及从最大到最小方差的因素排序,这通常发生在不同的因素提取方法中吗?像主轴分解,最大似然等?
psychometriko 2014年

@psychometriko,嗯,p总是这样。轴。使用其他方法时,订购顺序可能取决于您使用的软件/软件包。我建议做的是-确保1)从最高方差到最低方差的排序2)对于每个先前的因素,方差均最大化- 提取后对加载矩阵进行PCA !(当然,请在不进行居中/标准化的情况下执行此PCA。)
ttnphns 2014年

0

我认为这可能对您有帮助:https : //www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

问候,


该文档完全按照我大多数教科书所说的去做:描述因子分析的工作原理,然后立即介绍为什么要轮换解决方案以及采用这种方法的不同方法。我对是否有反对旋转解决方案的论点特别感兴趣。除非我缺少任何东西,否则我相信作者不会解决这种可能性。
psychometriko 2014年

2
欢迎来到该网站@jigbaja。这并不是OP的问题的真正答案。这更多是评论。请仅使用“您的答案”字段提供答案。我知道这很令人沮丧,但是当您的信誉> 50时,您将可以在任何地方发表评论。或者,您可以尝试将其扩展以使其更多地成为答案。由于您是新手,所以您可能需要阅读我们的导览页面,其中包含新用户的信息。
gung-恢复莫妮卡

如果一个特征值占主导地位,则因子旋转趋向于模糊结果。我有一个情况,第一个特征值比其他特征大得多。大多数旋转方法倾向于在因素之间更均匀地分布方差。这可以掩盖一个事实,即大多数差异背后可能有一个潜在的根本原因。

当您指定不轮换时,并非所有FA软件的行为都相同。例如,R包umxEFA将第一个因子与第一个变量对齐。我发现当一个特征值占主导并且没有旋转不是一种选择时,quartimax旋转是最好的。我是对的,还是有一个普遍因素,有没有更好的轮换方法?
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.