Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Марков_Математические методы в в психологии.doc
Скачиваний:
2
Добавлен:
01.07.2025
Размер:
696 Кб
Скачать
☆

Факторное решение после вращения

Factor Loadings (Varimax normalized) (in-98-5_.sta)

Extraction: Principal components

Factor 1

Factor 2

Factor 3

G гипертимность

-.001355

-.768240

-.010964

V застревание

.276837

.104891

.338119

E эмотивность

-.037401

-.106043

.784421

P педантичности

.183451

.039866

.704973

T тревожность

.555971

.109038

.445795

Z циклотимность

.825010

-.131685

.103514

D7 демонстратиность

-.022292

-.715784

.189326

N возбудимость

.855733

.151979

.024425

D9 дистимность

.099244

.646092

.296051

Нетрудно убедиться, что интерпретация полученного факторного решения после вращения в целом соответствует интерпретации идеального факторного решения, разобранного выше. Для удобства их сравнения в таблице заливкой выделены ключевые для интерпретации ячейки.

Если полученное факторное решение признано удовлетворительным, то возможен переход от исходных признаков (9 шкал теста Леонгарда-Шмишека в рассмотренном примере) к существенно меньшему числу факторов (3 фактора в нашем примере). Для этого уравнение формальной факторной математической модели трансформируется следующим образом:

F(j) = b(j,1)·X(1) + b(j,2)·X(2) + ....+ b(j,m)·X(m) + ξ (j),

где X(j) – значения j-го исходного признака;

F(j) – выявленные общие факторы;

b(j,i) – коэффициенты, называющиеся факторными весами;

ξ (j) – остаток (невязка), определяющий ошибку в определении новых (факторных) значений по исходным значениям признаков.

Интересно, что имеется определенная аналогия, точнее отношение дополнительности между факторным и кластерным анализом. Если исходную матрицу "объект-признак" представить себе как просто числовую матрицу, то ее вполне можно развернуть на 90о (транспонировать). При этом объекты и признаки поменяются местами. На предварительном проведении подобной процедуры основывается кластерный анализ с помощью факторного решения. Кроме того, кластерный анализ вполне может использоваться для классификации исходных признаков, особенно, если они измерены в нечисловых шкалах, что является противопоказанием к проведению факторного анализа.

Кроме того нет никаких принципиальных препятствий для последовательного проведения сначала факторного, а затем кластерного анализа на основании одной исходной матрицы "объект-признак". Подобная процедура (при условии нахождения соответствующих содержательных интерпретаций для каждого ее этапа) позволяет радикально сократить эту матрицу, преобразовав ее в значительно более компактную матрицу "кластер-фактор", что существенно упрощает и делает более наглядным последующий анализ.

Таким образом, факторный анализ можно применять для сокращения числа исходных числовых и нормально распределенных признаков. Он позволяет заменить исходные признаки меньшим числом факторов и провести статистическую оценку качества этой процедуры.