因子分析の因子抽出
方法: : 因子抽出の方法を指定することができます。 選択可能な方法は、主成分分析、重み付けのない最小二乗法、一般化した最小二乗法、最尤法、主因子法、アルファ因子法、イメージ因子法です。
- 主成分分析: 観測変数の無相関線型結合を形成するために使用する因子抽出法。 第 1 成分が最大の分散を持ちます。 次の成分は分散のうちさらに小さな部分を説明し、 それ以降の成分も順次さらに小さな部分を説明していきます。 各成分はいずれも互いに相関しません。 主成分分析は、 初期因子解を得るために使用します。 相関行列が特異である場合に使用することができます。
- Unweighted Least-Squares Method (重み付けのない最小二乗法)。 因子抽出法の 1 つ。(対角要素を無視して) 観測相関行列と再生相関行列の差の平方和を最小化します。
- 「一般化最小二乗法 (Generalized Least-Squares Method)」。 因子抽出法の 1 つ。 観測相関行列と再生相関行列の差の平方和を最小化します。 相関には一意性と逆の重み付けがされるため、一意性の高い変数には、一意性の低い変数より小さい重みが与えられます。
- 最尤法 (Maximum-Likelihood Method)。 因子抽出法の 1 つ。 サンプルが多変量正規分布から抽出されている場合に、 観測された相関行列を生成した可能性が最も高いパラメーター推定値を生成します。 相関には変数の一意性の逆数で重みを付け、 反復アルゴリズムを使用します。
- 主因子法: 共通性の初期推定値として対角上に配置した重相関係数の 2 乗を使用して 元の相関行列から因子を抽出する方法。 これらの因子負荷量を使用して、 対角上にある古い共通性の推定値に置き換わる新しい共通性を推定します。 反復間での共通性の変化が抽出の収束基準を満たすまで、 反復を続行します。
- アルファ因子法: 分析中の変数をポテンシャル変数の母集団のサンプルと見なす因子抽出法。 この手法は、 因子のアルファ信頼性を最大化します。
- Image Factoring。 Guttman によって開発された、イメージ理論に基づく因子抽出法。 変数の共通部分 (偏イメージ) を、仮説的因子の関数としてではなく、残りの変数での線型回帰として定義します。
分析・ 相関行列または共分散行列のいずれかを指定することができます。
- 相関行列。 分析に含まれている変数を異なる尺度で測定する場合に便利です。
- 共分散行列。 各変数が異なる分散を持つ複数のグループに対して因子分析を適用する場合に便利です。
抽出。 指定された値を超える固有値を持つ因子をすべて保持することも、特定の数の因子だけを保持することもできます。
表示: 回転前の因子解と固有値のスクリー・プロットを要求することができます。
- 「回転されていない因子解」。 回転を行わない因子解の因子負荷量 (因子パターン行列)、 共通性、および固有値を表示します。
- スクリー・プロット: 各因子に関連する分散のプロット。 このプロットは、 保持する因子の数を決定するために使用します。 一般にこのプロットでは、 急勾配を示す大きい因子と、緩やかな裾 (スクリー) を示す残りの因子の間に明瞭な区切りが示されます。
収束のための最大反復回数。 解を推定するためにアルゴリズムに含めるステップの最大数を指定することができます。
抽出オプションを指定するには
この機能には Statistics Base オプションが必要です。
- メニューから次の項目を選択します。
- 「因子分析」ダイアログ・ボックスで、「因子抽出」をクリックします。