मुख्य घटक

मुख्य घटक चर को एक निश्चित सेटमा भिन्नता अधिकतम स्तर व्याख्या गर्ने प्रयास आधारित र सम्बन्ध म्याट्रिक्स विकर्ण मा तत्व गर्न उन्मुख छ। कारक विश्लेषण, कारक को एक निश्चित नम्बर (चर को predetermined नम्बर भन्दा कम) को प्रयोग गरेर सम्बन्ध matrix को लगभग लागू उद्देश्य आधारित अर्को विधि छ, तर विधि निकै लगभग द्वारा पहिलो प्रस्तावित विधि भिन्न हुन्छ।

यसरी, कारक विश्लेषण विधि चर आफूलाई र diagonally उनको बाहिर सम्बन्ध म्याट्रिक्स प्रकार को तत्व मा उन्मुख बीच सम्बन्ध व्याख्या गर्न सक्नुहुन्छ।

व्यावहारिक प्रयोगमा आधारित, एक विशेष विधि को आवेदन को आवश्यकता बुझ्न प्रयास गर्नुहोस्। कारक विश्लेषण त्यहाँ चर सम्बन्ध अध्ययन अनुसन्धानकर्ताहरूले गर्न चासो छ जब, मुख्य घटक विश्लेषण आवश्यकता डाटा परिमाण कम गर्न जब प्रयोग गरिन्छ, र एक कम हदसम्म आफ्नो व्याख्या आवश्यक छ प्रयोग गरिएको छ।

हाम्रो अनुभवबाट हामी कारक विश्लेषण को विधिहरू अवलोकन को एक पर्याप्त मात्रामा प्रयोग देख्न सक्नुहुन्छ। यो रकम पहिचान कारक को संख्या भन्दा उच्च परिमाण को आदेश हुनुपर्छ।

यो multicollinearity स्रोत डाटा को उपस्थिति मा प्रयोग गर्न सकिन्छ रूपमा प्रमुख घटक, मार्केटिङ अनुसन्धान धेरै लोकप्रिय छ। बजार अनुसन्धान questionnaires को प्रक्रिया मा यस्तै प्रश्न, र तिनीहरूलाई जवाफ समावेश र multicollinearity को सिद्धान्त पालना हुनेछ।

मुख्य घटक को शोधकर्ता लागि हुन कि घटक वा कारक को पूर्व-चयन मार्गदर्शन हुनुपर्छ संकेतक को एक सेट विचार गर्न उचित छ। सबैभन्दा यी महत्त्वपूर्ण यो कारक द्वारा बताए गर्दै चर को तितरबितर को स्तर व्यक्त को eigenvalues छन्। त्यहाँ कारक को संख्या अनुमान लागि धेरै उपयोगी छ जो औंठी को एक महत्वपूर्ण नियम छ (कारक रूपमा लामो त्यहाँ थप एक भन्दा eigenvalues रूपमा हुनुपर्छ)। यो नियम थोडा सजिलो बताउन सक्नुहुन्छ - यो eigenvalues चर को सामान्यीकृत variances को कारक बताउँछन् कि को शेयर व्यक्त, र तिनीहरूले एक भन्दा बढी चल समावेश ती dispersions व्यक्त गर्नुपर्छ आफ्नो एकाइ अधिक को मामला मा।

empirical, र यसको प्रयोगको लागि आवश्यकता मात्र शोधकर्ता द्वारा निर्धारण गर्न सकिँदैन - यो फेरि एक पटक "व्यक्तिगत eigenvalues" को नियम हो कि स्पष्ट गर्न आवश्यक छ। उदाहरणका लागि, eigenvalue मान एकता भन्दा कम छ, तर यो चर बीच वितरण फैलाउने, कारण छ। एक मार्केटिङ को क्षेत्र मा कुशल को सैगमेन्टेशन पहिचान कारक पर्याप्त अर्थमा थिए कि धेरै महत्त्वपूर्ण छ। र ती कारक, को eigenvalues एक भन्दा बढी को, तिनीहरूले खातामा लिएको छैन समावेश, तर अर्थपूर्ण व्याख्या छैन। र यो अवस्थामा एकदम विपरीत हुन सक्छ।

अर्को महत्त्वपूर्ण मुद्दा कारक विश्लेषण को विधिहरू को व्यावहारिक आवेदन सम्बन्धमा - परिक्रमण को प्रश्न। यो यस्तो विकल्प परिक्रमा मान्न सकिन्छ। यो ती सबै भन्दा लोकप्रिय - varimax विधि। यो प्रत्येक व्यक्ति कारक मा चर को तितरबितर अधिकतम स्तर मा आधारित छ। यो विधि, केही चर उच्च मानहरू जसमा एक परिक्रमा, फेला पार्न मद्दत गर्छ अरूलाई गर्दा - प्रत्येक व्यक्ति कारक पर्याप्त कम।

परिक्रमा अर्को विधि - kvartimaks, यो प्रत्येक व्यक्ति चल लागि कारक दुवै कम र उच्च भार छ जसमा एक निश्चित परिक्रमा, पत्ता लगाउन मद्दत गर्छ।

ekvimaks परिक्रमा विधि दुई विधिहरू माथि छलफल बीच एक समझौता छ।

प्रयोगको व्यक्तिगत कारक बीच कुनै सम्बन्ध लगाया जान सक्छ यी सबै विधिहरू, परस्पर लम्ब अक्षहरूमा संग orthogonal छन्।