- •Учебное пособие
- •Введение
- •Этапы проведения научного исследования
- •Получение качественной эмпирической информации
- •Генерализуемость
- •Процедура формирования репрезентативной выборки
- •Объем выборки
- •Краткие характеристики выборок разного объема
- •Гендерное распределение показателя
- •Направления анализа эмпирических данных
- •Измерение и его уровни
- •Частотное распределение по уровням образования
- •Частотное распределение уровня образования
- •Частотное распределение уровня образования
- •Частотное распределение уровня образования
- •Шкала равных интервалов Терстоуна
- •Распределение судейских оценок для высказывания
- •Свойства измерительных шкал разного уровня
- •Нормальное распределение
- •Описательная статистика
- •Описательная статистика
- •Статистические критерии
- •Возможности и ограничения статистических критериев1
- •Распределение эмпирических данных по уровням
- •Теоретическое случайное и независимое распределение
- •Сопоставление двух распределений
- •Алгоритм
- •Сферы применения основных статистических критериев
- •Дисперсионный анализ
- •Эмпирические данные для обсуждения дисперсионного анализа
- •Диаграмма 1. "Ящик с усами"
- •Результаты дисперсионного анализа
- •Взаимосвязь параметров и корреляции
- •Л инейная функци-ональная связь
- •Эмпирические частоты
- •Теоретические частоты
- •Измерение связи и значимости для числовых
- •Эмпирические данные для показателей а и в
- •Многомерные методы анализа эмпирической информации
- •Кластерный анализ
- •Факторный анализ
- •Для теста Леонгарда-Шмишека
- •Собственные значения для факторов
- •Факторное решение после вращения
- •Построение прогнозных моделей в психологии
- •Регрессионные модели
- •Дискриминантные модели
- •Основные способы статистического анализа эмпирических данных
- •Компьютерный анализ данных
- •Литература
- •119606 Москва, пр-т Вернадского, 84
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.
