............................................................................................................... 6 7Faktoranalüüs........................................................................................................................... 6 1 / 10 7.1Mis eesmärk on faktoranalüüsi kasutamisel?.....................................................................6 7.2Mis on (tunnuse) kommunaliteet? Mis on (R väljundis) tunnuse unikaalsus (uniqueness)? 6 7.3Kuidas intepreteerite tunnuse kommunaliteeti (pööratud) näite alusel?............................6 7.4Mille alusel otsustatakse oluliste faktorite arv?..................................................................6 7.5Mida näitab/mõõdab faktorkaal (proportion / normeeritud osakaal)?.................................6 7.6Mida näitab faktori panus (eigenvalue / variance explained by each factor). Näidata
argumentidest, mille omavahelise sõltuvuse kohta on raske teha järeldusi. Faktoranalüüsi abil asendatakse mõõdetud argumendid (tunnused) vähema arvu üksteisest sõltumatute üldistatud tunnustega (faktoritega), mille puhul multikollineaarsus on välistatud. Faktorid on tavaliselt kvalitatiivsed suurused. Kuna tunnuste arv väheneb ja seos esialgsete muutujatega on ligikaudne, siis osa infot läheb paratamatult kaduma. 23. Mida näitab esialgse muutuja kommunaliteet? Mingi tunnuse (muutuja) kommunaliteediks nimetatakse faktormaatriksi vastava rea elementide ruutude summat, see näitab sellist osa selle tunnuse koguhajuvusest, mida faktorid suudavad kirjeldada. Kui faktorite arv on väiksem mõõdetud tunnuste arvust, siis tunnuse kommunaliteet (faktorite poolt seletatav hajuvus) on väiksem kui 1 , st osa vastava muutuja hajuvusest jääb kirjeldamata (kommunaliteediprobleem).
korrelatsioonid; standardiseeritud kujul 0-1; tahetakse näha, et kõik tunnused nt laaduvad tugevalt ühe, nõrgalt teiste tunnustega. (Kui nt mõni tunnus laadub kõigiga 0,3, tasub kaaluda selle tunnuse välja jätmist) Omaväärtus (Eigenvalue) – kui hästi faktor mudelisse sobib; kirjeldusaste, mida suurem, seda parem (tasuks arvestada vaid neid, mis on suuremad kui 1 – Kaiseri kriteerium!)) Kommunaliteet (communality) – kui suure osa tunnuse variatiivsusest seletab ära faktormudel; mida suurem kommunaliteet, seda parem (kui vaja mingeid tunnuseid välja jätta, tasuks vaadata suure faktorlaadungi ja väikese kommunaliteediga tunnuseid). Omapäraelemendid ehk jäägid (uniqueness) – 1-kommunaliteet; variatiivsus, mis jääb faktorite poolt seletamata. Läbiviimine JASPis Exploratory FA – kõik huvipakkuvad andmed variables aknasse
tahetakse, näiteks kõik alatestid) Kui soovitakse teha peakomponentide analüüs, siis ei ole rohkem midagi muuta vaja, lihtsalt OK. Aga meie kursuse raames tuleb kasutada teistsugust analüüsi - samas aknas vajutada paremalt Extraction - sealt üleval valida rippmenüüst Principal Axis Factoring - OK Communalities tabel (output aknas): Kui seal tabelis arvud on suured siis see näitab, et nende faktorite kommunaliteet sobitub faktorite koplekti hästi. wtf? Tabel "Total variance explained": Omaväärtus (eigenvalue) näitab kui palju andmete varieeruvusest seletab konkreetne faktor. Mida kõrgem väärtus, seda rohkem varieeruvust faktor seletab. Viimases lahtris Cumulative % näitab protsenti andmete kumulatiivsusest. Omaväärtuste graafik (Scree Plot): Tuuakse ära kõigi võimalike faktorite omaväärtused. Joonise
osa infot läheb paratamatult kaduma. Erinevad tunnused, millele leitakse ühine nimetaja (faktor) (hind, kvaliteet, säilivus majanduslikkus). Analüüsima hakatakse faktoreid. Ei teki multikollineaarsust. Tekivad faktorite panused, mis näitavad kõige olulisemaid faktoreid. Samuti saab välja arvutada lähtetegurite kommunaliteedi, mis näitab kirjeldatud tegurite hajuvuse mahtu. Kui faktorite arv on väiksem mõõdetud tunnuste arvust, siis tunnuse kommunaliteet (faktorite poolt seletatav hajuvus) on väiksem kui 1, st osa vastava muutuja hajuvusest jääb kirjeldamata (kommunaliteediprobleem). Faktoranalüüsi kvaliteet sõltub muutujate valikust, kindlasti peavad nad olema uuritava näitaja jaoks olulised. Muutujate väärtusi peaks enne normeerima, siis on nad omavahel võrreldavad ja kergemini interpreteeritavad. Kommu-
ortogonaalset pööramist (nt. varimax). Kui aga teooria ütleb, et faktorid on omavahel korreleeritud, on mõistlik valida kaldnurkne pööramine (nt. direct obliminal). Scores -> Saab teha iga faktori tulemustest uue veeru enda andmetesse. Hetkel me seda võimalust ei kasuta. Tulemused: a) Kommunaliteedid - kirjeldavad faktorite algtunnuste variatiivsuse ühist osa. Suur kommunaliteet näitab, et vaadeldav tunnus sobib faktorite leidmise protsessis hästi teiste vaadeldud tunnustega kokku. Communalities Initial Extractio n Sõnavara ,220 ,528 Diagrammid ,378 ,479 Andmed ,290 ,367 Informeeritu
annaabi.ee 
