Корреляционная матрица – CorrelationMatrix.

Выбираются переменные для анализа, инициировав кнопку Variables (Переменные). Далее появится окно выбора переменных: Select the variables for the factor analysis – Выбрать переменные для факторного анализа.

В данном окне можно выбрать переменные, либо высвечивая их мышью в представленном списке, удерживая ее левую кнопку и двигаясь вверх либо вниз, либо набрать номера переменных в нижней строке. Максимально допустимое число переменных 2000.

Перейдем непосредственно к анализу полученных результатов факторного анализа. STATISTICA 6.0. вычислит корреляционную матрицу и предложит на выбор несколько методов факторного анализа.

EXCEL

Включение пакета анализа:

Файл-параметры-надстройки-пакет анализа-перейт-отметить галочкой «пакет анализа»-ок. Пакет анализа появится во вкладке «данные» в правом верхнем углу

 

 

Сравнительная характеристика факторного и кластерного анализа

КА можно применять в ходе корреляционного анализа – для исследования взаимосвязей множества переменных, как существенно более простой и наглядный аналог факторного анализа. В этом смысле представляет интерес сравнения факторного и кластерного анализа.

Цель:

ФА – замена большого числа исходных переменных меньшим числом факторов.

КА - уменьшение числа объектов путем их группировки. КА применяется обычно для выделения групп объектов, исходя из их сходства по измеренным признакам.

Различие в выполнении статистических операций:

ФА – позволяет выделить факторы, которые интерпретируются как латентные причины взаимосвязи групп переменных. При этом каждый фактор идентифицируется (интерпретируется) через группу переменных, которые теснее связаны друг с другом, чем с другими переменными

КА –каждый объект группируется либо с другим объектом, либо включается в состав существующего кластера. Процесс кластеризации конечен и продолжается до тех пор, пока все объекты не будут объединены в один кластер. Но если в качестве объектов классификации определить переменные, а в качестве мер их различия (близости) – корреляции, то кластерный анализ позволит получить тот же результат, что и факторный анализ. Имеется в виду доступная интерпретации структура взаимосвязей множества переменных.

Исходные данные:

ФА неизбежно сопровождается потерей исходной информации о связях между переменными (от 30 до 50%)

КА отражает всю исходную информацию о различиях (связях в данном случае).

Отношения данных между собой:

В ФА из требования «простой структуры» следует, что группы переменных, которые соответствуют разным факторам, не должны заметно коррелировать друг с другом. И чем теснее эти группы связаны, тем хуже факторная структура, тем труднее факторы поддаются интерпретации.

КА не только допускает, но и отражает степень связанности разных кластеров, включая случаи соподчиненности (иерархичности) кластеров.

Таким образом, кластерный анализ является не только более простой, но и наглядной альтернативой факторного анализа. Как начальный этап исследования корреляций, КА позволит избавиться от несгруппированных переменных и выявить иерархические кластеры, к которым факторный анализ не чувствителен. Вполне вероятно, что после КА отпадет и сама необходимость в проведении ФА.

 

[1] Р. Кеттелл при помощи МРА получил «профессиональные портреты» для некоторых специальностей: психотерапевта (общительность) и психодиагноста (интеллект).

[2] это обобщение одномерного нормального распределения. Случайный вектор, имеющий многомерное нормальное распределение, называется гауссовским вектором, т.е. Многомерное нормальное распределение строится из распределения одномерных гауссовских величин.