व्यापारविशेषज्ञ से पूछो

प्रमुख घटक

प्रमुख घटक चर के एक विशिष्ट समूह में विचरण का अधिकतम स्तर को समझाने की कोशिश कर रहा पर आधारित है, और सहसंबंध मैट्रिक्स विकर्ण में तत्वों को उन्मुख है। एक और तरीका कारक विश्लेषण, कारकों की एक निश्चित संख्या (चर की पूर्व निर्धारित संख्या से कम) का उपयोग सहसंबंध मैट्रिक्स के सन्निकटन को लागू करने के उद्देश्य से, के आधार पर नहीं है, लेकिन द्वारा तरीकों बहुत सन्निकटन पहले प्रस्तावित विधि से अलग है।

इस प्रकार, कारक विश्लेषण की विधि चरों खुद को, और तिरछे उसे बाहर सहसंबंध मैट्रिक्स प्रकार के तत्वों पर उन्मुख के बीच संबंध की व्याख्या कर सकते हैं।

व्यावहारिक उपयोग के आधार पर, एक विशेष विधि के आवेदन की आवश्यकता को समझने की कोशिश। कारक विश्लेषण किया जाता है जब वहाँ चरों के बीच संबंध का अध्ययन शोधकर्ताओं के हित है, प्रमुख घटक विश्लेषण जब डेटा आयाम को कम करने की जरूरत है प्रयोग किया जाता है, और कुछ हद तक उनकी व्याख्या की आवश्यकता है।

हमारे अनुभव से, हम चाहते हैं कि कारक विश्लेषण के तरीकों टिप्पणियों के लिए पर्याप्त रूप से बड़ी संख्या का उपयोग कर देख सकते हैं। यह राशि परिमाण पहचान कारकों की संख्या की तुलना में अधिक के एक आदेश होना चाहिए।

के रूप में यह multicollinearity स्रोत डेटा की उपस्थिति में इस्तेमाल किया जा सकता प्रमुख घटक, विपणन अनुसंधान में बहुत लोकप्रिय है। बाजार अनुसंधान प्रश्नावली की प्रक्रिया में इसी तरह के सवाल, और उन्हें के जवाब होते हैं और multicollinearity के सिद्धांतों का पालन करेंगे।

प्रमुख घटक संकेतक है कि शोधकर्ता के लिए होना चाहिए घटकों या कारकों में से पूर्व चयन के लिए गाइड का एक सेट पर विचार करने की सलाह दी जाती है। इनमें से सबसे महत्वपूर्ण चर के फैलाव के स्तर को व्यक्त करने के लिए इस पहलू से व्याख्या की गई eigenvalues हैं। अंगूठे का एक महत्वपूर्ण नियम है, जो कारकों की संख्या का आकलन के लिए बहुत उपयोगी है नहीं है (कारक के रूप में लंबे समय तक वहाँ एक से अधिक eigenvalues के रूप में होना चाहिए)। यह नियम एक छोटा सा आसान व्याख्या कर सकते हैं - eigenvalues कि कारकों बताते चर की सामान्यीकृत प्रसरण की हिस्सेदारी व्यक्त करते हैं, और इसके इकाई वे उन dispersions एक से अधिक चर युक्त व्यक्त करनी चाहिए से अधिक के मामले में।

अनुभवजन्य, और इसके उपयोग के लिए की जरूरत ही अनुसंधानकर्ता द्वारा निर्धारित किया जा सकता है - यह एक बार फिर से है कि "व्यक्तिगत eigenvalues" के नियम स्पष्ट करने के लिए आवश्यक है। उदाहरण के लिए, eigenvalue एक मूल्य एकता की तुलना में कम है, लेकिन यह प्रसार, चर के बीच वितरित की वजह से है। एक विपणन के क्षेत्र में कुशल बहुत महत्वपूर्ण है कि विभाजन की पहचान कारकों पर्याप्त भावना थे। और उन कारकों, एक से अधिक की eigenvalues युक्त है, लेकिन एक सार्थक व्याख्या की जरूरत नहीं है, वे ध्यान में नहीं रखा जाता है। और यह एक स्थिति काफी विपरीत हो सकता है।

एक अन्य महत्वपूर्ण मुद्दा कारक विश्लेषण के तरीकों के व्यावहारिक अनुप्रयोग के विषय में - रोटेशन के सवाल। यह इस तरह के विकल्प रोटेशन माना जा सकता है। उनमें से सबसे लोकप्रिय - varimax विधि। यह प्रत्येक व्यक्ति के कारक पर चर के फैलाव के अधिकतम स्तर पर आधारित है। इस विधि, एक रोटेशन, जिसमें कुछ चर उच्च मूल्यों को खोजने के लिए मदद करता है, जबकि अन्य - प्रत्येक व्यक्ति के कारक के लिए काफी कम।

रोटेशन का एक अन्य तरीका - kvartimaks, यह एक निश्चित रोटेशन, जिसमें दोनों निम्न और उच्च लोड करने के लिए प्रत्येक व्यक्ति के चर के लिए कारकों को खोजने के लिए मदद करता है।

ekvimaks रोटेशन पद्धति ऊपर चर्चा की दो तरीकों के बीच एक समझौता है।

इन सभी तरीकों, पारस्परिक रूप से सीधा कुल्हाड़ियों साथ ओर्थोगोनल में उनके उपयोग व्यक्तिगत कारकों के बीच कोई संबंध का पता लगाया जा सकता है।

Similar articles

 

 

 

 

Trending Now

 

 

 

 

Newest

Copyright © 2018 hi.atomiyme.com. Theme powered by WordPress.