Questions tagged «factor-rotation»

我试图重现从SPSS一些研究（使用PCA）在R.根据我的经验，principal() 功能从包psych是差一点的唯一功能（或者，如果我没记错的话，死的）来匹配输出。为了匹配与SPSS中相同的结果，我必须使用parameter principal(..., rotate = "varimax")。我见过一些论文谈论它们如何进行PCA，但是基于SPSS的输出和旋转的使用，听起来更像是因子分析。 问题：即使旋转（使用varimax），PCA还是PCA吗？我的印象是，这实际上可能是因子分析……如果不是这样，我遗漏了哪些细节？

63 r  spss  pca  factor-analysis  factor-rotation 

我的问题 在因子分析（或PCA中的组件）中进行因子轮换的直观原因是什么？ 我的理解是，如果变量几乎均等地加载到顶部组件（或因子）中，那么显然很难区分这些组件。因此，在这种情况下，可以使用旋转来更好地区分组件。它是否正确？ 轮换会有什么结果？这会影响什么？ 如何选择合适的旋转度？有正交旋转和倾斜旋转。如何在这些之间进行选择，这种选择的含义是什么？ 请用最少的数学方程式直观地解释。分散的答案中很少有数学上很繁重的内容，但出于直观原因和经验法则，我正在寻找更多答案。

33 pca  interpretation  factor-analysis  dimensionality-reduction  factor-rotation 

当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

据我了解，主要成分是通过旋转坐标轴使其与最大方差方向对齐来获得的。 不过，我一直在阅读有关“未旋转的主成分”的信息，而我的统计软件（SAS）为我提供了varimax旋转的主成分以及未旋转的主成分。在这里，我很困惑：当我们计算主成分时，轴已经旋转了。那为什么还需要轮换呢？“未旋转的主要成分”是什么意思？

13 pca  terminology  factor-rotation 

我对25个变量运行PCA，并使用选择了前7台PC prcomp。 prc <- prcomp(pollutions, center=T, scale=T, retx=T) 然后，我对这些组件进行了varimax旋转。 varimax7 <- varimax(prc$rotation[,1:7]) 现在，我希望使用varimax旋转PCA旋转的数据（因为它不是varimax对象的一部分-仅包含加载矩阵和旋转矩阵）。我读到要做到这一点，您需要将旋转矩阵的转置乘以数据的转置，所以我会这样做： newData <- t(varimax7$rotmat) %*% t(prc$x[,1:7]) 但这没有意义，因为上面转置的矩阵的尺寸分别是和7 × 16933，所以我将只剩下7行矩阵，而不是16933行...有人知道吗？在这里做错了还是我的最后一行应该是什么？之后是否只需要移调回位？7 × 77×77\times 77 × 169337×169337 \times 16933777169331693316933

13 r  pca  factor-rotation 

因子分析有几种旋转方法，例如方差，夸脱，最大等方，promax，oblimin等。我找不到任何将其名称与其实际数学或统计数据相关联的信息。为什么称其为“最大最大”或“最大最大”？轴或矩阵以哪种方式旋转，因此它们具有这样的名称？ 不幸的是，它们大多数是1950年代至1970年代发明的，因此我无法联系他们的作者。

12 factor-analysis  terminology  factor-rotation 

是否有任何理由不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。

10 factor-analysis  factor-rotation 

我刚刚使用倾斜旋转（promax）运行了FA，并且一个项目在一个因素上产生了1.041的因素负荷（使用模式矩阵在其他因素上产生了-.131，-。119和.065的因素负荷） 。而且我不确定这是什么意思，我认为它可能只有-1和1之间。 是由于倾斜旋转吗？用正交因子可以使载荷超过1吗？

10 pca  factor-analysis  factor-rotation 

我试图通过对数据集执行PCA并丢弃最后几台PC来降低数据集的维数和噪声。之后，我想在其余PC上使用一些机器学习算法，因此我想通过均衡PC的方差来标准化数据，以使算法更好地工作。 一种简单的方法是简单地将方差标准化为单位值。但是，第一台PC与原始数据集相比，包含的原始方差更多，而我仍然希望为其赋予更多的“权重”。因此，我想知道：是否有一种简单的方法可以拆分方差并与方差较小的PC共享？ 另一种方法是将PC映射回原始特征空间，但是在那种情况下，维数也会增加到原始值。 我想最好使结果列保持正交，但这时没有必要。

9 variance  pca  factor-rotation 

几个统计软件包（例如SAS，SPSS和R）使您可以在PCA之后执行某种因子轮换。 为什么要在PCA之后进行轮换？ 考虑到PCA的目的是产生正交尺寸，为什么要在PCA之后进行倾斜旋转？

9 pca  factor-analysis  factor-rotation