Section author: Danielle J. Navarro and David R. Foxcroft
முதன்மை கூறு பகுப்பாய்வு
முந்தைய பிரிவில், அடிப்படை மறைந்த காரணிகளை அடையாளம் காண EFA செயல்படுகிறது என்பதைக் கண்டோம். மேலும், நாம் பார்த்தபடி, ஒரு சூழ்நிலையில் சிறிய எண்ணிக்கையிலான மறைந்திருக்கும் காரணிகள் ஒருவித ஒருங்கிணைந்த காரணி மதிப்பெண்களைப் பயன்படுத்தி மேலும் புள்ளிவிவர பகுப்பாய்வில் பயன்படுத்தப்படலாம்.
இந்த வழியில் EFA ஒரு “தரவு குறைப்பு” நுட்பமாக பயன்படுத்தப்படுகிறது. மற்றொரு வகை தரவு குறைப்பு நுட்பம், சில நேரங்களில் EFA குடும்பத்தின் ஒரு பகுதியாகக் காணப்படுகிறது, இது ** முதன்மை கூறு பகுப்பாய்வு (PCA) **. இருப்பினும், பி.சி.ஏ அடிப்படை மறைந்த காரணிகளை அடையாளம் காணவில்லை. அதற்கு பதிலாக இது ஒரு பெரிய அளவிடப்பட்ட மாறிகள் தொகுப்பிலிருந்து ஒரு நேரியல் கலப்பு மதிப்பெண்ணை உருவாக்குகிறது.
பி.சி.ஏ வெறுமனே அசல் தரவுகளுக்கு ஒரு கணித மாற்றத்தை உருவாக்குகிறது, மாறிகள் எவ்வாறு இணைந்து விழும். பி.சி.ஏ இன் நோக்கம் அசல் மாறிகளின் சில நேரியல் சேர்க்கைகளை (கூறுகள்) கணக்கிடுவதாகும், அவை அதிக தகவல்களை இழக்காமல் கவனிக்கப்பட்ட தரவு தொகுப்பை சுருக்கமாகக் கூற பயன்படுத்தப்படலாம். இருப்பினும், அடிப்படை கட்டமைப்பை அடையாளம் காண்பது பகுப்பாய்வின் குறிக்கோளாக இருந்தால், EFA விரும்பப்பட வேண்டும். மேலும், நாம் பார்த்தபடி, முதன்மை கூறு மதிப்பெண்களைப் போலவே தரவு குறைப்பு நோக்கங்களுக்காகப் பயன்படுத்தக்கூடிய காரணி மதிப்பெண்களை EFA உருவாக்குகிறது (: குறிப்பு: ஃபேப்ரிகர் மற்றும் பலர், 1999 <fabrigar_1999>).
பி.சி.ஏ பல காரணங்களுக்காக உளவியலில் பிரபலமாக உள்ளது, எனவே இது மறைப்பது மதிப்பு, இருப்பினும் இப்போதெல்லாம் ஈ.எஃப்.ஏ டெச்க்டாப் கணினிகளின் சக்தியைக் கொடுப்பது மிகவும் எளிதானது மற்றும் பி.சி.ஏ -ஐ விட சார்புக்கு குறைவாகவே பாதிக்கப்படலாம், குறிப்பாக குறைந்த எண்ணிக்கையிலான காரணிகளுடன் மற்றும் மாறிகள். நாங்கள் அதே | bfi_sample | _ தரவுத்தொகுப்பைப் பயன்படுத்துவோம். பெரும்பாலான செயல்முறைகள் EFA ஐப் போலவே இருக்கின்றன, எனவே சில கருத்தியல் வேறுபாடுகள் இருந்தாலும், நடைமுறையில் படிகள் ஒரே மாதிரியானவை, [#] _ மற்றும் பெரிய மாதிரிகள் மற்றும் போதுமான எண்ணிக்கையிலான காரணிகள் மற்றும் மாறிகள் ஆகியவற்றைக் கொண்டு, PCA மற்றும் EFA இன் முடிவுகள் இருக்க வேண்டும் மிகவும் ஒத்த.
சாமோவியில் பி.சி.ஏ நிகழ்த்துகிறது
நீங்கள் | bfi_sample | _ தரவு தொகுப்பை ஏற்றியவுடன், பி.சி.ஏ க்கான அமைப்புகளை நீங்கள் தீர்மானிக்கக்கூடிய விருப்பங்கள் குழுவைத் திறக்க `` அனலீச்` தாவலில் இருந்து காரணி` `` முதன்மை கூறு பகுப்பாய்வு` என்பதைத் தேர்ந்தெடுக்கவும் ( : NumRef: Fig-PCA1). பின்னர் 25 ஆளுமை கேள்விகளைத் தேர்ந்தெடுத்து அவற்றை `` மாறிகள்` பெட்டியில் மாற்றவும். `` அனுமான காசோலைகள்`` உட்பட பொருத்தமான விருப்பங்களைச் சரிபார்க்கவும், ஆனால் `` முறை`, `` முறை`, `` கூறுகளின் எண்ணிக்கை`` மற்றும் `` கூடுதல் வெளியீடு`` விருப்பங்கள் (பார்க்க: NumRef: இந்த PCA க்கான பரிந்துரைக்கப்பட்ட விருப்பங்களுக்காக Fig-PCA1, மேலும்` சுழற்சி`` முறை` மற்றும்` கூறுகளின் எண்ணிக்கை ஆகியவற்றின் கீழ்` சுழற்சி` `` `சுழற்சி எண்ணிக்கை பொதுவாக பகுப்பாய்வின் போது சரிசெய்யப்பட்டு, விவரிக்கப்பட்டுள்ளபடி கீழே).
Fig. 185 சமோவியில் ஒரு முதன்மை கூறு பகுப்பாய்வு (பிசிஏ) நடத்துவதற்கான அமைப்புகளுடன் விருப்பங்கள் குழு
முதலாவதாக, அனுமானங்களைச் சரிபார்க்கிறது (பார்க்க: எண்: அத்தி-பி.சி.ஏ 2), (1) பார்ட்லெட்டின் கோளத்தின் சோதனை குறிப்பிடத்தக்கதாக இருப்பதை நீங்கள் காணலாம், எனவே இந்த அனுமானம் நிறைவு அடைகிறது; மற்றும் (2) மாதிரி போதுமான அளவு (MSA) KMO அளவீடு ஒட்டுமொத்தமாக 0.81 ஆகும், இது மிகச் சிறந்த மாதிரி போதுமான தன்மையைக் குறிக்கிறது. இங்கே எந்த பிரச்சனையும் இல்லை!
Fig. 186 சாமோவியில் பி.சி.ஏ பயன்படுத்தும் போது ஆளுமை உருப்படி தரவிற்கான அனுமானம் சரிபார்க்கிறது
சரிபார்க்க வேண்டிய அடுத்த சேதி என்னவென்றால், எத்தனை கூறுகளைப் பயன்படுத்த வேண்டும் (அல்லது தரவிலிருந்து “பிரித்தெடுக்க”). EFA ஐப் போலவே, மூன்று வெவ்வேறு அணுகுமுறைகள் கிடைக்கின்றன:
ஒரு மாநாடு என்னவென்றால், 1 ஐ விட அதிகமான ஈசென் மதிப்புகளைக் கொண்ட அனைத்து கூறுகளையும் தேர்வு செய்வது. இது எங்கள் தரவுகளுடன் இரண்டு கூறுகளை வழங்கும்.
ச்க்ரீ சதித்திட்டத்தை ஆராய்வது, இங்: எண்ரெஃப்: அத்தி-பி.சி.ஏ 3,“ ஊடுருவலின் புள்ளியை ”அடையாளம் காண உங்களை அனுமதிக்கிறது. ச்க்ரீ வளைவின் சாய்வு “முழங்கை” க்குக் கீழே தெளிவாக நிலைத்திருக்கும் புள்ளி இது. மீண்டும், இது எங்களுக்கு இரண்டு கூறுகளைத் தரும், ஏனெனில் இரண்டாவது கூறுகளுக்குப் பிறகு சமன் செய்வது தெளிவாக நிகழ்கிறது.
ஒரு இணையான பகுப்பாய்வு நுட்பத்தைப் பயன்படுத்தி, பெறப்பட்ட ஈசென் மதிப்புகள் சீரற்ற தரவுகளிலிருந்து பெறப்படும்வற்றுடன் ஒப்பிடப்படுகின்றன. பிரித்தெடுக்கப்பட்ட கூறுகளின் எண்ணிக்கை என்பது சீரற்ற தரவுகளுடன் காணப்படுவதை விட ஈசென் மதிப்புகளைக் கொண்ட எண்.
Fig. 187 ஆளுமை உருப்படி தரவின் ச்க்ரீ சூழ்ச்சி சமோவியில் ஒரு பி.சி.ஏ.
மூன்றாவது அணுகுமுறை படி: ref: `ஃபேப்ரிகர் மற்றும் பலர். . இதை "அர்த்தமுள்ள அளவுகோல்" என்று புரிந்து கொள்ளலாம், மேலும் ஆராய்ச்சியாளர்கள் பொதுவாக மேலே உள்ள அணுகுமுறைகளில் ஒன்றிலிருந்து தீர்வுக்கு கூடுதலாக, ஒன்று அல்லது இரண்டு அல்லது குறைவான கூறுகளைக் கொண்ட தீர்வுகளை ஆராய்வார்கள். பின்னர் அவர்கள் தீர்வை ஏற்றுக்கொள்கிறார்கள், இது அவர்களுக்கு மிகவும் புரியும்.
அதே நேரத்தில், இறுதி தீர்வை சுழற்றுவதற்கான சிறந்த வழியையும் நாம் கருத்தில் கொள்ள வேண்டும். மீண்டும், EFA ஐப் போலவே, சுழற்சிக்கு இரண்டு முக்கிய அணுகுமுறைகள் உள்ளன: ஆர்த்தோகனல் (எ.கா. `` வரிமேக்ச்``) சுழற்சி தேர்ந்தெடுக்கப்பட்ட கூறுகள் ஒன்றோடொன்று தொடர்புடையதாக கட்டாயப்படுத்துகிறது; அதேசமயம் சாய்ந்த (எ.கா. `` oblimin``) சுழற்சி தேர்ந்தெடுக்கப்பட்ட கூறுகளை தொடர்புபடுத்த அனுமதிக்கிறது. உளவியலாளர்கள் மற்றும் நடத்தை விஞ்ஞானிகளுக்கு ஆர்வத்தின் பரிமாணங்கள் பெரும்பாலும் ஆர்த்தோகனல் என்று எதிர்பார்க்கும் பரிமாணங்கள் அல்ல, எனவே சாய்ந்த தீர்வுகள் மிகவும் விவேகமானவை. நடைமுறையில், ஒரு சாய்ந்த சுழற்சியில் கூறுகள் கணிசமாக தொடர்புபடுத்தப்பட்டதாகக் கண்டறியப்பட்டால் (அதாவது> 0.3) இது சாய்ந்த சுழற்சியை விரும்புவதற்கான எங்கள் உள்ளுணர்வை உறுதிப்படுத்தும். கூறுகள் உண்மையில் தொடர்புபடுத்தப்பட்டால், ஒரு சாய்ந்த சுழற்சி உண்மையான கூறுகளின் சிறந்த மதிப்பீட்டை உருவாக்கும் மற்றும் ஆர்த்தோகனல் சுழற்சியைக் காட்டிலும் சிறந்த எளிய கட்டமைப்பை உருவாக்கும். மேலும், சாய்ந்த சுழற்சி கூறுகள் ஒருவருக்கொருவர் சுழிய தொடர்புகளுக்கு நெருக்கமாக இருப்பதைக் குறிக்கிறது என்றால், ஆராய்ச்சியாளர் மேலே சென்று ஒரு ஆர்த்தோகனல் சுழற்சியை நடத்தலாம் (இது சாய்ந்த சுழற்சியின் அதே தீர்வைக் கொடுக்க வேண்டும்). இல்: NumRef: FIG-PCA4 தொடர்புகள் எதுவும்> 0.3 அல்ல என்பதை நாங்கள் காண்கிறோம், எனவே ஆர்த்தோகனல் (` வரிமேக்ச்`) சுழற்சிக்கு மாறுவது பொருத்தமானது.
Fig. 188 சமோவியில் ஆளுமை உருப்படி தரவுகளுடன் பி.சி.ஏ.
இல்: NumRef: FIG-PCA4 இரண்டு கூறுகளால் கணக்கிடப்பட்ட தரவுகளில் ஒட்டுமொத்த மாறுபாட்டின் விகிதமும் எங்களிடம் உள்ளது. ஒன்று மற்றும் இரண்டு கூறுகள் ஒவ்வொன்றும் 12 % மாறுபாட்டிற்கு மேல் உள்ளன. ஒன்றாக எடுத்துக்கொண்டால், ஐந்து கூறு தீர்வு கவனிக்கப்பட்ட தரவுகளில் மாறுபாட்டின் பாதிக்கும் (56 %) கணக்கிடப்படுகிறது. ஒவ்வொரு பி.சி.ஏ யிலும் நீங்கள் கவனிக்கப்பட்ட மாறிகள் போன்ற அதே எண்ணிக்கையிலான கூறுகளைக் கொண்டிருக்கக்கூடும் என்பதை அறிந்து கொள்ளுங்கள், ஆனால் நீங்கள் சேர்க்கும் ஒவ்வொரு கூடுதல் கூறுகளும் சிறிய அளவிலான விளக்கப்பட்ட மாறுபாட்டைச் சேர்க்கும். முதல் சில கூறுகள் அசல் 25 மாறிகளில் மாறுபாட்டின் நல்ல அளவை விளக்கினால், அந்த கூறுகள் அனைத்து 25 மாறிகளுக்கும் ஒரு பயனுள்ள, எளிமையான மாற்றாக இருக்கும். அசல் மாறுபாட்டை அதிகம் இழக்காமல் மீதமுள்ளவற்றை நீங்கள் கைவிடலாம். ஆனால் அந்த 25 மாறிகளில் உள்ள பெரும்பாலான மாறுபாடுகளை விளக்க 18 கூறுகளை எடுத்தால், நீங்கள் அசல் 25 ஐப் பயன்படுத்தலாம்.
: NUMREF: Fig-PCA5 கூறு ஏற்றுதல்களைக் காட்டுகிறது. அதாவது, தேர்ந்தெடுக்கப்பட்ட ஒவ்வொரு கூறுகளிலும் 25 வெவ்வேறு ஆளுமை உருப்படிகள் எவ்வாறு ஏற்றப்படுகின்றன. எங்களிடம் 0.4 க்கும் குறைவாக மறைக்கப்பட்ட ஏற்றங்கள் உள்ளன (இதில் காட்டப்பட்டுள்ள விருப்பங்களில் அமைக்கப்படுகின்றன: NumRef: Fig-PCA1) நாங்கள் ஒரு கணிசமான ஏற்றுதல் மற்றும் அதிக 0.4 மதிப்பில் வாசலை அமைப்பதில் ஆர்வமாக இருந்ததால், தூய்மையான, தெளிவான தீர்வையும் வழங்கினோம்.
Fig. 189 சாமோவியில் ஆளுமை உருப்படி தரவுகளுடன் பி.சி.ஏ நடத்தும்போது ஐந்து கூறு தீர்வுக்கான கூறு ஏற்றுதல்
1, 2, 3 மற்றும் 4 கூறுகளுக்கு, கூறு ஏற்றங்களின் முறை குறிப்பிடப்பட்டுள்ள தூண்டுதல் காரணிகளுடன் நெருக்கமாக பொருந்துகிறது: NUMREF: TAB-BFI. மற்றும் கூறு 5 மிகவும் நெருக்கமாக உள்ளது, கவனிக்கப்பட்ட ஐந்து மாறிகள் நான்கு உள்ளன, அவை "திறந்த தன்மையை" அளவிடுகின்றன. மாறி `` O4`` பொருந்தாது, ஏனெனில் கூறு தீர்வு: NumRef: Fig-PCA5 இது கூறு 4 இல் ஏற்றப்படுவதாகக் கூறுகிறது (ஒப்பீட்டளவில் குறைந்த ஏற்றுதல் என்றாலும்) ஆனால் கூறு 5 இல் கணிசமாக இல்லை.
நாம் இதைக் காணலாம்: numref: Fig-pca1 ஒவ்வொரு மாறியின்` தனித்துவமும். தனித்துவம் என்பது மாறுபாட்டின் விகிதாச்சாரமாகும், இது மாறிக்கு “தனித்துவமானது” மற்றும் கூறுகளால் விளக்கப்படவில்லை. எடுத்துக்காட்டாக, `` A1`` இல் உள்ள மாறுபாட்டின் 52 % ஐந்து கூறு கரைசலில் உள்ள கூறுகளால் விளக்கப்படவில்லை. இதற்கு நேர்மாறாக, `` n1`` ஒப்பீட்டளவில் குறைந்த மாறுபாட்டைக் கொண்டிருப்பது கூறு தீர்வால் (30 %) கணக்கிடப்படவில்லை. அதிக `` தனித்துவம்``, கூறு மாதிரியில் மாறியின் பொருத்தத்தை அல்லது பங்களிப்பைக் குறைக்கும் என்பதை நினைவில் கொள்க.
சாமோவியில் பி.சி.ஏ -ஐ எவ்வாறு மேற்கொள்வது என்பது பற்றியும், இது எவ்வாறு கருத்தியல் ரீதியாக வேறுபட்டது, ஆனால் நடைமுறையில் மிகவும் ஒத்த (சரியான தரவு கொடுக்கப்பட்டவை) EFA க்கு இது ஒரு நல்ல முதல் யோசனையை உங்களுக்கு வழங்கியுள்ளது என்று நம்புகிறோம்.
EFA இல் உள்ளதைப் போலவே கூறு மதிப்பெண்களையும் உருவாக்கி சேமிக்க நீங்கள் செல்லலாம். இருப்பினும், உகந்த எடையுள்ள கூறு மதிப்பெண் குறியீட்டை உருவாக்க நீங்கள் விருப்பத்தை எடுத்துக் கொண்டால், சாமோவியில் உள்ள கட்டளைகள் மற்றும் தொடரியல் | rj | _ எடிட்டர் கொஞ்சம் வித்தியாசமானது. காண்க: NumRef: Fig-PCA6.
Fig. 190 Rj editor commands for creating optimally weighted component scores for
the five component solution when conducting a PCA with the personality item
data in jamovi