因子分析 - 使用哪種組合？你好，
在對主成分進行因子分析時，使用哪種組合保理法(主成分或者最大似然） 和先前的共同性(主成分或者公共因素分析)? 默認選項是最大似然和公共因素分析，但我想知道如何解釋從其他組合中得出的因素。
在我的數據集中，我發現選擇的因素之間的結果沒有差異最大似然/主成分和最大似然/公共因素分析，但是其他兩個組合給出的結果彼此不同，並且與該組合不同。
我想解釋一下從其他選擇中獲得的因素的重要性（或缺乏）保理法和先前的社區。
謝謝
阿努普
回复：因素分析 - 使用哪種組合？我很高興解釋是有道理的，我期待在課程中見到你。 是的，載荷是從 R–U（R 減去 U）矩陣的特徵值分解中找到的。 SMC 的最大似然過程從該矩陣對角線上的那些 R 方開始，然後迭代以最大化似然函數。 在您的示例中，迭代沒有收斂。 主因式分解法從完整的 R 矩陣開始，矩陣位於對角線上。
在因子分析中謹慎選擇顯性變量很重要。 您需要可解釋的因素，因此您想選擇支持解釋這些因素的顯性變量。 沒有數學規則可以做到這一點，只有主題知識。 但是，您始終可以使用“多元”平台來查找相關矩陣。 完全相關的變量將具有 1 的相關性，並且可以刪除其中一個變量。
回复：因素分析 - 使用哪種組合？你好，邁克爾遜女士
非常感謝您的回复。 我現在更明白了。 澄清一下，是R減U矩陣的特徵值分解？
作為後續問題，在對另一個數據集執行此操作時，ML 失敗了，因為相關矩陣是奇異的，JMP 推薦使用 PC 作為因式分解方法，結果成功了。 然後我用其他一些變量重新啟動操作，相關矩陣變得非奇異。 不幸的是，我不記得使相關矩陣奇異的變量組合。 是否有任何數學規則來選擇正確的變量來找到主成分？
我也將報名參加六月份的課程。
謝謝
阿努普
回复：因素分析 - 使用哪種組合？因子分析試圖擬合模型 Y = XB + E，其中您只知道 Y。 X、B 和 E 都是未知的。 因此，必須對參數施加許多關鍵條件。 因子分析涉及 R-U 矩陣的分解，其中 R 是顯變量 (Y) 的相關矩陣，U 是獨特因子 (E) 的相關矩陣。
主因子分析對 R-U 矩陣進行特徵值分解。 它不是PCA！ 最大似然是一種迭代方法，它在給定因素的情況下最大化似然函數。
SMC 使用每個變量的 Rsquare 和其餘變量作為 R–U 對角線元素的估計。 PC 在 R–U 的對角線上使用 1。
這一點很關鍵：因為這些方法在數學上都是有效的，所以它們都是正確的。 除了分析中的圖表和統計數據之外，研究人員還需要使用主題知識來確定因素及其可解釋性。 因素分析模型假設有不可測量的因素導致顯性變量，給出最佳解釋的模型是最有用的模型，獲勝者。
如果我可以提供更多詳細信息以幫助您理解因子分析，請告訴我。
小廣告：更多信息，JMP提供無監督學習的一日課程，涵蓋PCA、因子分析和聚類。 它將在 6 月通過 Live Web 在兩個半天的時間內教授。 有關詳細信息，請參閱 jmp.com/training。
回复：因素分析 - 使用哪種組合？你讀過方法的解釋嗎？幫助>圖書>多變量指南書已經？
