ප්රධාන අංගයක්

ප්රධාන අංගයක් විචල්ය එක්තරා කට්ටලයක් නොසළකා උපරිම මට්ටමින් පැහැදිලි කිරීමට උත්සාහ මත පදනම් වී ඇති අතර සහසම්බන්ධතාව න්යාසය විකර්ණ මූල වෙත යොමු කර ඇත. (විචල්යයන් සඳහා ගෙවනු ලබන ප්රමාණයට වඩා අඩු) සාධක යම් ප්රමාණයක් භාවිතා කරමින් සහසම්බන්ධය න්යාසයක මෙම ආසන්න ක්රියාත්මක ඉලක්ක සාධකය විග්රහයන් මත පදනම්ව වෙනත් ක්රමයක්, ඇත, නමුත් ක්රම ආසන්න බෙහෙවින් පළමු යෝජනා ක්රමය වෙනස් ය.

මේ අනුව, සාධකය විශ්ලේෂණ ක්රමය විචල්යයන් තමන් හා තිරේ ඇය පිටත සහසම්බන්ධය න්යාසය වර්ගය මූලද්රව්ය මත නැඹුරු අතර සහසම්බන්ධතාව පැහැදිලි කළ හැකිය.

ප්රායෝගික භාවිතය මත පදනම් වූ, විශේෂයෙන් ක්රමය අයදුම් කිරීමේ අවශ්යතාව තේරුම් ගැනීමට උත්සාහ කරන්න. සාධකය විශ්ලේෂණය විචල්යයන් අතර ඇති සම්බන්ධතාවය ගැන අධ්යයනය කළ පර්යේෂකයන් පොලී නොමැති විට භාවිතා වන අතර, දත්ත මානයක් අඩු කිරීමට අවශ්ය විට ප්රධාන අංගයක් විශ්ලේෂණය භාවිතා වන අතර, අඩු දුරට ඔවුන්ගේ අර්ථ නිරූපණය අවශ්ය වේ.

අපගේ අත්දැකීම් වලින්, අපි සාධකයක් විශ්ලේෂණ ක්රම නිරීක්ෂන තරම් විශාල සංඛ්යාවක් භාවිතා බව පේනවා. මේ මුදල හඳුනාගෙන ඇති එම සාධක සංඛ්යාව ට වඩා වැඩි විශාලත්වයකින් නියෝගයක් විය යුතුය.

එය multicollinearity මූලාශ්රය දත්ත ඉදිරියේ භාවිතා කළ හැකි ලෙස ප්රධාන අංගයක්, අලෙවිකරණ පර්යේෂණ ඉතා ජනප්රිය වී ඇත. වෙළඳපළ පර්යේෂණ ප්රශ්නාවලි කිරීමේ ක්රියාවලිය තුළ ද සමාන ප්රශ්න, ඔවුන් පිළිතුරු අඩංගු multicollinearity මූලධර්ම වලට අනුකූල වනු ඇත.

ප්රධාන අංගයක් දර්ශක කාණ්ඩයක් පර්යේෂකයා සංරචක ෙහෝ සාධක පෙර තෝරා මග පෙන්වන සඳහා විය යුතු බව සලකා බැලීම සඳහා ඉතා යෝග්ය වේ. මේ අතරින් වඩාත් වැදගත් වන විචල්යයන් විසිර මට්ටම ප්රකාශ කිරීමේ eigenvalues මෙම සාධකය විසින් විස්තර කර ඇත. (සාධක ලෙස දිගු කලක් වඩා එහි eigenvalues ලෙස විය යුතුය) සාධක සංඛ්යාව ගණනය කිරීම සඳහා ඉතා ප්රයෝජනවත් වන අතේ මාපට ඇඟිල්ල එක් වැදගත් පාලනය වී ඇත. මෙම eigenvalues එම සාධක පැහැදිලි කරන විචල්යයන් සාමාන්යකරණයට විචලතාවල කොටස් ප්රකාශ, සහ එහි ඒකකය වැඩි වූ අවස්ථාවක ඔවුන් එකකට වඩා වැඩි විචල්ය අඩංගු එම අවලම්බන ප්රකාශ කළ යුතුයි - මෙම නීතිය ටිකක් පහසු පැහැදිලි කළ හැකිය.

ආනුභවික, සහ එහි භාවිතය සඳහා අවශ්ය පර්යේෂකයා විසින් පමණක් තීරණය කළ හැකි - එය "තනි තනි eigenvalues" පාලනය බව නැවත වරක් පැහැදිලි කිරීමට අවශ්ය වේ. උදාහරණයක් ලෙස, eigenvalue සමගිය වඩා අඩු වටිනාකමක් ඇති, නමුත් එය විචල්යයන් අතර බෙදා පැතිරීම, නිසා ය. එක් අලෙවි ක්ෂේත්රයේ දක්ෂ වූ වර්ග සාධක සැලකිය යුතු හැඟීමක් හඳුනාගන්නා බව ඉතා වැදගත් වේ. එම සාධක එකකට වඩා ඇති eigenvalues අඩංගු, නමුත් අර්ථවත් අර්ථ නැහැ, ඔවුන් සැලකිල්ලට ගත නොවේ. එය තරමක් විරුද්ධ තත්වයක් විය හැක.

සාධකය විශ්ලේෂණ ක්රම ප්රායෝගික භාවිතය ගැන තවත් වැදගත් ප්රශ්නයක් - භ්රමණය ද යන ප්රශ්නය. එය එවැනි විකල්ප භමණය සැලකිය හැක. ඔවුන් වඩාත් ජනප්රිය - varimax ක්රමය. එය එක් එක් පුද්ගලයා සාධකය මත විචල්යයන් විසිර උපරිම මට්ටමේ මත පදනම් වේ. ඇති අතර අනෙක් අය මෙම ක්රමය, ඇතැම් විචල්යයන් ඉහළ වටිනාකම් ඇති වන මාරුව, සොයා ගැනීමට උපකාරී වේ - එක් එක් පුද්ගලයා සාධකය කිරීමට තරම් අඩු විය.

භ්රමණ තවත් ක්රමය - kvartimaks, එය අඩු සහ ඉහළ යන දෙකම පරිප්පු සඳහා එක් එක් පුද්ගලයා විචල්ය සඳහා සාධක වන, යම් භ්රමණ සොයා ගැනීමට උපකාරී වේ.

භ්රමණ ක්රමය ඉහත සාකච්ඡා කළ ක්රම දෙක අතර සම්මුතියක් වන්නේ ekvimaks.

මේ සියලු ක්රම අන්යෝන්ය වශයෙන් ලම්බකව අක්ෂ සමග ප්රලම්බ වන අතර, ඔවුන්ගේ භාවිතය දී තනි තනි සාධක අතර කිසිදු සම්බන්ධයක් දක්නට හේතුවක් විය හැක.