Παραγοντική ανάλυση και ανάλυση σε κύριες συνιστώσες

• Main Author: Παπαγεωργίου, Ανδρέας
• Other Authors: Αλεβίζος, Φίλιππος
• Language: gr
• Published: 2011
• Subjects: Παραγοντική ανάλυση; Ανάλυση σε κύριες συνιστώσες; 519.535 4; Factor analysis; Principal components analysis
• Online Access: http://nemertes.lis.upatras.gr/jspui/handle/10889/4186

Η ανάλυση σε κύριες συνιστώσες είναι μια τεχνική μείωσης του δείγματος. Χρησιμοποιείται όταν έχουμε ψηλά συσχετισμένες μεταβλητές. Μειώνει τον αριθμό των αρχικών μεταβλητών σε ένα μικρότερο αριθμό κύριων συνιστωσών που μετρούν τη μεγαλύτερη δυνατή διασπορά του δείγματος. Είναι μια διαδικασία που εφαρμόζεται για μεγάλα δείγματα. Η παραγοντική ανάλυση είναι μια τεχνική μείωσης των μεταβλητών του δείγματος η οποία αναγνωρίζει τον αριθμό των λανθάνουσων δομών και δημιουργεί μια δομή, ένα νέο σύνολο μεταβλητών, τους κοινούς παράγοντες που ερμηνεύουν το δείγμα. Προϋποθέτει μια δομή από μη παρατηρήσιμες μεταβλητές που δεν μπορούν να μετρηθούν άμεσα. Εκτιμά τους παράγοντες εκείνους που έχουν επίδραση και αντανακλούν τις αρχικές μεταβλητές. Επιτρέπει στον ερευνητή να περιγράψει αλλά ακόμη και να αναγνωρίσει τους παράγοντες εκείνους που παριστάνουν το δείγμα. Συμπεριλαμβάνει τους ειδικούς παράγοντες (ειδικά σφάλματα) που οφείλονται για την αναξιοπιστία των μετρήσεων. === Principal component analysis is a technique for reducing the sample, used when we have high correlated variables. It reduces the number of input variables into a smaller number of key components that measure the maximum sample variance. It is a process applied to large samples. Factor analysis is a technique to reduce the variables in the sample that identifies the number of latent structures and creates a structure, a new set of variables, called common factors explaining the sample. Implies a structure of non-observable variables that can not be measured directly. It considers the factors that affect and reflect the original variables. It allows the researcher to describe and even to identify the factors that represent the sample. Includes special factors (specific errors) due to unreliability of measurement.