Есть ли причина оставить решение для разведочного фактора без изменений?

Есть ли какие-либо причины, чтобы не поворачивать решение для разведочного факторного анализа?

Легко найти обсуждения, сравнивающие ортогональные решения с косыми решениями, и я думаю, что я полностью понимаю все это. Кроме того, из того, что я смог найти в учебниках, авторы обычно правильно объясняют методы оценки факторного анализа и объясняют, как работает ротация и какие есть разные варианты. Чего я не видел, так это дискуссии о том, стоит ли вращаться в первую очередь.

В качестве бонуса, я был бы особенно благодарен, если бы кто-нибудь мог предоставить аргумент против ротации любого типа, который был бы действителен для нескольких методов оценки факторов (например, метод главного компонента и метод максимального правдоподобия).

factor-analysis factor-rotation

— psychometriko
источник

Вращение осей (факторов) ничего не меняет в сопоставлении переменных друг с другом в пространстве общих факторов. Вращение только изменяет свои координаты по тем осям (нагрузкам), которые помогают интерпретировать факторы; идеал здесь - это некоторая форма так называемой «простой структуры». Вращение только для интерпретации. Вы можете вращаться ортогонально, наклонно, вращать только ту или иную ось или не вращаться вообще. Это не имеет ничего общего с математическим качеством вашего факторного анализа. Вот почему они обычно не обсуждают whether or not to rotate in the first place.

— ttnphns

Хорошо, я понимаю это. Есть определенно много веских причин, чтобы повернуть решение. Но то, что я спрашиваю, есть ли какой-либо аргумент против вращения.

— psychometriko

Ответы:

Да, может быть причина отказаться от ротации в факторном анализе. Эта причина на самом деле похожа на то, почему мы обычно не вращаем главные компоненты в PCA (то есть, когда мы используем его главным образом для уменьшения размерности, а не для моделирования скрытых признаков).

$^1$

Если вы заинтересованы в том, чтобы исследовать этот фактор, а не игнорировать его и позволить ему раствориться за простой структурой, не вращайте извлеченные факторы. Вы можете даже частично выделить влияние общего фактора из корреляций и перейти к факторному анализу остаточных корреляций.

$^1$ $\bf A$ $\bf A'A$ $\bf A$

— ttnphns
источник

Reise, Moore и Haviland (2010) обсуждают идею в вашем последнем предложении более подробно. Reise (2012), по-видимому, предполагает, что анализ бифактора делает запоздалое возвращение. Я, конечно, хотел бы знать об этом раньше сам!

— Ник Стаунер

И это упорядочение факторов от самой малой дисперсии, это обычно происходит для разных методов извлечения факторов? Как факторинг главной оси, максимальное правдоподобие и т. Д.?

— psychometriko

@psychometriko, ну всегда так с р. ось. При использовании других методов заказ может зависеть от используемого вами программного обеспечения / пакета. Что я рекомендую сделать - чтобы быть уверенным, что 1) упорядоченность от самой высокой дисперсии до самой низкой дисперсии 2) дисперсия максимальна для каждого предшествующего фактора - сделайте PCA матрицы загрузки после извлечения! (Сделайте этот PCA без центрирования / нормализации, конечно.)

— ttnphns

Я думаю, что это может помочь вам: https://www.utdallas.edu/~herve/Abdi-rotations-pretty.pdf

С Уважением,

— jjgibaja
источник

Этот документ в точности соответствует тому, что я сказал в большинстве учебников: опишите, как работает факторный анализ, а затем сразу же перейдите к описанию того, почему нужно поворачивать решение, и к различным методам этого. Меня особенно интересует, есть ли аргумент против ротации решения. Если я что-то упустил, я не верю, что автор рассматривает эту возможность.

— psychometriko

Добро пожаловать на сайт, @jigbaja. Это не совсем ответ на вопрос ОП. Это больше комментарий. Пожалуйста, используйте только поле «Ваш ответ», чтобы предоставить ответы. Я признаю, что это расстраивает, но вы сможете комментировать в любом месте, когда ваша репутация> 50. Кроме того, вы можете попытаться расширить его, чтобы сделать его более ответным. Поскольку вы новичок здесь, вы можете прочитать нашу страницу тура , которая содержит информацию для новых пользователей.

— gung - Восстановить Монику

Вращение фактора имеет тенденцию затенять результаты, если доминирует одно собственное значение. У меня есть случай, когда первое собственное значение намного больше остальных. Большинство методов ротации имеют тенденцию распределять дисперсию более равномерно между факторами. Это может скрыть тот факт, что за большинством отклонений может быть одна причина.

— туман

Не все программы FA ведут себя одинаково, когда вы указываете отсутствие поворота. Например, пакет R umxEFA выровняет первый коэффициент с первой переменной. Я обнаружил, что вращение четвертичного сечения лучше всего, когда доминирует одно собственное значение, а вращение не является вариантом. Я прав, или есть лучший метод вращения, когда есть один общий фактор?

— туман