Galveno komponentu metode

Galveno komponentu metode ir balstīta uz mēģinājumiemnoskaidrot maksimālo līmeni dispersijas konkrētā kopumu mainīgo, un orientēta uz elementiem korelācijas matricā diagonāli. Ir vēl viena metode, kas balstīta uz faktoru analīzi, kuras mērķis ir tuvināt korelācijas matricu, izmantojot noteiktu skaitu faktoru (mazāk nekā iepriekš noteiktu skaitu mainīgo) īstenošanai, bet metodes tuvināšanu ievērojami atšķiras no pirmās ierosinātās metodes.

Tātad, faktoru analīzes metode ļauj mums izskaidrot korelāciju starp pašiem mainīgajiem un orientēties uz korelācijas matricas elementiem, kas atrodas ārpus tās diagonāles.

Pamatojoties uz praktisku pielietojumu, mēs centīsimieslai saprastu nepieciešamību piemērot šo vai šo metodi. Faktoru analīzi izmanto, ja pētnieka interesēs ir mainīgo lielumu attiecību izpēte, tad tiek izmantota galveno komponentu metode, ja nepieciešams samazināt datu izmēru, un mazākā mērā to nepieciešams interpretēt.

Pamatojoties uz praksi, mēs varam redzēt, ka metodesFaktoru analīze izmanto diezgan lielu skaitu novērojumu. Tajā pašā laikā šim daudzumam vajadzētu būt lielākam par noteiktu lielumu nekā konstatēto faktoru skaits.

Galveno komponentu metode ir ļoti populāramārketinga pētījumos, jo to var izmantot daudzkodolu sākotnējo datu klātbūtnē. Šāda mārketinga pētījuma procesā anketās ir līdzīgi jautājumi, un saņemtās atbildes atbilst daudzkoljēārā principa principiem.

Ir lietderīgi izmantot galveno komponentu metodiRādītāju apkopojumā jāņem vērā, ka pētniekam vajadzētu būt atskaites punktam, iepriekš izvēloties sastāvdaļu vai faktoru skaitu. Vissvarīgākie no tiem ir patiesās vērtības, kas izpaužas mainīgo mainīgumu, kas izskaidrojams ar šo faktoru. Pastāv arī viens svarīgs empīrisks noteikums, kas ir ļoti noderīgs, lai novērtētu faktoru skaitu (ir jābūt tik daudziem faktoriem, cik ir pašu vērtībā virs viena). Šo noteikumu var paskaidrot nedaudz vienkāršākā veidā - īpašās vērtības izsaka mainīgo lielumu normalizēto daļu, kas ir izskaidrojama ar koeficientu, un, ja tas ir lielāks par vienu, tiem jāizsaka šīs starpības, kas ietvertas vairāk nekā vienā mainīgajā.

Vēlreiz jāpaskaidro šis noteikums"Individuālās īstās vērtības" ir empīrisks, un jautājums par tās piemērošanas nepieciešamību var tikt atrisināts tikai pats pētnieks. Piemēram, patiesā vērtība ir vērtība mazāka par vienu, bet tas izskaidro izplatību, kas tiek sadalīta starp mainīgajiem lielumiem. Mārketinga speciālistam ir ļoti svarīgi, lai identificēto faktoru segmentēšanai būtu nozīmīga nozīme. Un šie faktori, kas satur savus skaitļus virs vienotības, bet nav jēgpilnas interpretācijas, netiks ņemti vērā. Un situācija var rasties gluži pretēji.

Vēl viens svarīgs jautājums ir saistīts ar praktiskofaktoranalīzes metožu pielietošana - rotācijas jautājums. Var apsvērt tādus rotācijas variantus. Vispopulārākais no tiem ir varimaksa metode. Tas ir balstīts uz katra atsevišķa faktora maksimālo mainīgo mainīgo lielumu sasniegšanu. Šī metode palīdz atrast rotāciju, kurā daži mainīgie ņem augstu vērtību, bet citi - katram atsevišķam faktoram ir pietiekami zems.

Vēl viena rotācijas metode ir quartax, tas palīdz atrast konkrētu pagriezienu, kurā faktoriem katram atsevišķajam mainīgajam ir gan zemas, gan augstas slodzes.

Equimax rotācijas metode ir kompromiss starp abām iepriekš aprakstītajām metodēm.

Visas šīs metodes ir perpendikulāras viena ar savstarpēji perpendikulārām asīm, pie to izmantošana var izsekot nekādu korelāciju starp atsevišķiem faktoriem.