Scree Plot Опции

[малой]

Подскажите пожалуйста: в SPSS 17 предусмотрено построение графика Scree Plot (каменистая осыпь)? Не скрывается под названием "График нормализованного простого стресса" та самая осыпь?

Эскизы прикрепленных изображений

 

[малой]

Подскажите мне пожалуйста еще по следующему вопросу. Исследую 2 методики. По критерию Кайзера, было выделено 6 факторов в обоих случаях (значения больше 1). А вот по критерию Кеттела (каменистая осыпь) точка перегиба в приходится на второй фактор (также в обоих случаях). Графики в приложении (методика 1 и методика 2). Правильно ли я понимаю, что по критерию Кеттела отобрано от одного до трёх факторов для анализа? И как принято поступать в случаях когда получается такая значительная разбежка между результатами проверки по указанным критериям?

Эскизы прикрепленных изображений

 

[nokh]

Подскажите мне пожалуйста еще по следующему вопросу. Исследую 2 методики. По критерию Кайзера, было выделено 6 факторов в обоих случаях (значения больше 1). А вот по критерию Кеттела (каменистая осыпь) точка перегиба в приходится на второй фактор (также в обоих случаях). Графики в приложении (методика 1 и методика 2). Правильно ли я понимаю, что по критерию Кеттела отобрано от одного до трёх факторов для анализа? И как принято поступать в случаях когда получается такая значительная разбежка между результатами проверки по указанным критериям?

Методов много, есть и более современные вещи типа "сломанной трости" ("стержня") - broken stick, но лучше уже рекомендованого вам р2004r бутстрепа всё равно нет. Отсутствие чёткого излома на графике осыпи указывает на слабые корреляции в наборе данных. На практике это обычно бывает тогда, когда в анализ включают дихотомические переменные и/или порядковые с малым числом рангов. Если у вас в наборе именно такие переменные, то факторный анализ (в узком смысле этого термина) проводить некорректно, лучше ограничиться анализом главных компонент, но с вращением.

Также пирсоновские корреляции снижают нелинейные связи - с этим тоже обязательно нужно попытаться бороться:
1) Использовать преобразования шкалы из семейства степенных преобразований, лучше - преобразование Бокса - Кокса. Многие связи являются слабыми или нелинейными именно в результате "эффекта шкалы" - нужно его снять. Вот здесь можете посмотреть интересную тему, где я показывал как преобразование позволят линеаризировать связь, а следом - найти что-то важное: http://molbiol.ru/forums/index.php?showtopic=553421 , URL # 19. Многомерное преобразование Бокса - Кокса насколько я знаю, есть только в пакете И. Гайдышева AtteStat, но на практике хорошие результаты даёт и одномерное попеременное преобразование, которое проще всего сделать в PAST.
2) Использовать специальное линеаризующее преобразование для многомерного пространства - преобразование Джифи (Gifi transformation). Оно есть в пакете SPSS (снижение размерности - оптимальное шкалирование - CATPCA) и в пакете homals для R.

Что делать если в выделенном факторе только одна переменная подходящая по уровню для интерпретации? Назвать этот фактор именем переменной?

Да. Но появление таких специфических факторов указывает на ту же проблему плохой обобщаемости данных. Он, конечно, берёт на себя часть общей объяснённой дисперсии (в рамках модели главных компонент) или восстановленной корреляции ( в рамках модели факторного анализа), но по-сути не обобщает никак данные, т.е. он - сам по себе.

Сообщение отредактировал nokh - 26.03.2015 - 21:14