Resultado da análise de fatores em stata forex

AVISO: O grupo de consultoria estatística IDRE estará migrando o site para o WordPress CMS em fevereiro para facilitar a manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisas Digitais e Educação Ajude o Grupo de Consultoria Estatal, dando um presente Análise de Fator de Saída Anotada da Stata Esta página mostra um exemplo de análise fatorial com notas de rodapé explicando o resultado. Faremos um iterado eixos principais (opção ipf) com SMC como comunalidades iniciais mantendo três fatores (fator (3) opção) seguido de rotações varimax e promax. Estes dados foram coletados em 1428 estudantes universitários (dados completos sobre 1365 observações) e são respostas aos itens de uma pesquisa. Usaremos o item 13 até o item 24 em nossa análise. uma. Eigenvalue: um autovalor é a variância do fator. Na solução do fator inicial, o primeiro fator representará a maior variação, o segundo representará a próxima maior variação, e assim por diante. Alguns dos eigenvalues ​​são negativos porque a matriz não é de grau completo, isto é, embora existam 12 variáveis ​​a dimensionalidade do espaço fator é muito menor Há no máximo sete fatores possíveis. B. Diferença: Dá as diferenças entre o autovalor atual e o seguinte. C. Proporção: Dá a proporção de variância explicada pelo fator. D. Cumulativo: Dá a proporção acumulada da variância explicada por este fator mais todos os anteriores. E. Cargas de fator: as cargas de fatores para esta solução ortogonal representam tanto como as variáveis ​​são ponderadas para cada fator, mas também a correlação entre as variáveis ​​e o fator. F. Unicidade: Dá a proporção da variância comum da variável não associada aos fatores. Unicidade é igual a 1 - comunidade. G. Cargas de fator rotativo: As cargas de fator para a rotação ortogonal varimax representam tanto a forma como as variáveis ​​são ponderadas para cada fator como também a correlação entre as variáveis ​​e o fator. Uma rotação varimax tenta maximizar as cargas quadradas das colunas. H. Uniqueness: Os mesmos valores que em e. Acima porque é ainda uma solução de três fatores. A opção em branco exibe apenas o fator de carga maior do que um valor específico (digamos 0,3). Eu. Cargas de fator girado: as cargas de fatores para a rotação oblíqua promax representam como cada uma das variáveis ​​é ponderada para cada fator. Nota: estas não são correlações entre variáveis ​​e fatores. A rotação promax permite que os fatores sejam correlacionados na tentativa de melhor aproximar a estrutura simples. Eu. Uniqueness: Os mesmos valores que em e. E h. Acima porque é ainda uma solução de três fatores. O comando estat common é um comando poststimation que exibe a correlação entre os fatores de uma rotação oblíqua. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico pela Universidade da Califórnia. NOTICE: O grupo de consultoria estatística IDRE estará migrando o site para o WordPress CMS em fevereiro para facilitar Manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisa Digital e Educação Ajude o Stat Consulting Group dando um presente Anotações SPSS Output Factor Analysis Esta página mostra um exemplo de uma análise fatorial com notas de rodapé explicando a saída. Os dados utilizados neste exemplo foram coletados pelo professor James Sidanius, que generosamente compartilhou conosco. Você pode baixar o conjunto de dados aqui. Resumo: O quotwhatquot e quotwhyquot de análise fatorial Análise de fator é um método de redução de dados. Para isso, procura-se subjacentes variáveis ​​não observáveis ​​(latentes) que se refletem nas variáveis ​​observadas (variáveis ​​manifestas). Existem muitos métodos diferentes que podem ser usados ​​para realizar uma análise fatorial (como fator de eixo principal, máxima verossimilhança, mínimos quadrados generalizados, mínimos quadrados não ponderados). Existem também diversos tipos de rotações que podem ser realizadas após a extração inicial de Fatores, incluindo rotações ortogônicas, como varimax e equimax, que impõem a restrição de que os fatores não podem ser correlacionados e rotações oblíquas, como a promax, que permitem que os fatores sejam correlacionados entre si. Você também precisa determinar o número de fatores que você deseja extrair. Dado o número de técnicas e opções analíticas de fator, não é surpreendente que analistas diferentes possam alcançar resultados muito diferentes analisando o mesmo conjunto de dados. No entanto, todos os analistas estão à procura de estrutura simples. A estrutura simples é o padrão de resultados, de modo que cada variável é altamente carregada em um único fator. A análise fatorial é uma técnica que requer um grande tamanho de amostra. A análise fatorial baseia-se na matriz de correlação das variáveis ​​envolvidas, e as correlações geralmente necessitam de um amplo tamanho da amostra antes de se estabilizarem. Tabachnick e Fidell (2001, página 588) citam Comrey e Lees (1992) sobre o tamanho da amostra: 50 casos são muito pobres, 100 são pobres, 200 são justos, 300 são bons, 500 são muito bons e 1000 ou mais são excelentes . Como regra geral, um mínimo de 10 observações por variável é necessário para evitar dificuldades computacionais. Para o exemplo abaixo, vamos fazer uma análise de fator de baunilha quase quotplain. Usaremos o fator de eixo principal iterado com três fatores como nosso método de extração, uma rotação varimax e para comparação, também mostraremos a solução promax oblíqua. A determinação do número de fatores a extrair deve ser orientada pela teoria, mas também informada pela execução da análise, extraindo diferentes fatores e considerando qual número de fatores produz os resultados mais interpretáveis. Neste exemplo, incluímos muitas opções, incluindo a matriz de correlação original e reproduzida, a trama e a parcela dos fatores girados. Embora você não queira usar todas essas opções, nós as incluímos aqui para ajudar na explicação da análise. Também criamos uma página de saída anotada para uma análise de componentes principais que é paralela a esta análise. Para informações gerais sobre as semelhanças e diferenças entre análise de componentes principais e análise fatorial, veja Tabachnick e Fidell (2001), por exemplo. A tabela acima é exibida porque usamos a opção univariada no subcomando de impressão. Observe que a única maneira de ver quantos casos foram realmente utilizados na análise fatorial é incluir a opção univariada no subcomando de impressão. O número de casos utilizados na análise será menor que o número total de casos no arquivo de dados se houver valores em falta em qualquer uma das variáveis ​​usadas na análise fatorial, porque, por padrão, o SPSS faz uma exclusão listwise de casos incompletos . Se a análise fatorial estiver sendo realizada nas correlações (em oposição às covariâncias), não é muito preocupante que as variáveis ​​tenham meios muito diferentes e desvios padrão (o que geralmente é o caso quando as variáveis ​​são medidas em diferentes escalas). uma. Média - Estas são as médias das variáveis ​​utilizadas na análise fatorial. B. Std. Desvio - Estes são os desvios-padrão das variáveis ​​utilizadas na análise fatorial. C. Análise N - Este é o número de casos utilizados na análise fatorial. A tabela acima está incluída na saída porque usamos a opção det no subcomando de impressão. Tudo o que queremos ver nesta tabela é que o determinante não é 0. Se o determinante é 0, então haverá problemas computacionais com a análise fatorial, eo SPSS pode emitir uma mensagem de aviso ou ser incapaz de completar a análise fatorial. uma. Kaiser-Meyer-Olkin Medida de Adequação de Amostragem - Esta medida varia entre 0 e 1, e valores mais próximos de 1 são melhores. Um valor de .6 é um mínimo sugerido. B. Teste de Esfericidade de Bartletts - Testa a hipótese nula de que a matriz de correlação é uma matriz de identidade. Uma matriz de identidade é matriz em que todos os elementos diagonais são 1 e todos os elementos diagonais são 0. Você quer rejeitar esta hipótese nula. Tomados em conjunto, estes testes fornecem um padrão mínimo que deve ser passado antes de uma análise fatorial (ou uma análise de componentes principais) deve ser conduzida. uma. Comunalidades - Esta é a proporção de cada variância de variáveis ​​que pode ser explicada pelos fatores (por exemplo, os contínuos latentes subjacentes). Também é observado como h 2 e pode ser definido como a soma das cargas de fatores quadrados para as variáveis. B. Inicial - Com o factoring principal do eixo do fator, os valores iniciais na diagonal da matriz de correlação são determinados pela correlação múltipla quadrada da variável com as demais variáveis. Por exemplo, se você regredisse os itens 14 a 24 no item 13, o coeficiente de correlação quadrática múltipla seria .564. C. Extração - Os valores nesta coluna indicam a proporção de cada variância das variáveis ​​que pode ser explicada pelos fatores retidos. As variáveis ​​com valores elevados estão bem representadas no espaço de fatores comuns, enquanto as variáveis ​​com valores baixos não estão bem representadas. (Neste exemplo, não temos valores particularmente baixos.) Eles são as variâncias reproduzidas dos fatores que você extraiu. Você pode encontrar esses valores na diagonal da matriz de correlação reproduzida. uma. Fator - O número inicial de fatores é o mesmo que o número de variáveis ​​usadas na análise fatorial. No entanto, nem todos os 12 fatores serão mantidos. Neste exemplo, apenas os três primeiros fatores serão mantidos (como solicitamos). B. Autovalores iniciais - Os autovalores são as variâncias dos fatores. Como realizamos nossa análise fatorial na matriz de correlação, as variáveis ​​são padronizadas, o que significa que cada variável tem uma variância de 1 ea variância total é igual ao número de variáveis ​​utilizadas na análise, neste caso 12. C. Total - Esta coluna contém os autovalores. O primeiro fator sempre dará conta da maior variação (e, portanto, tem o autovalor mais alto), e o próximo fator representará a maior quantidade de variância possível, e assim por diante. Assim, cada fator sucessivo irá explicar cada vez menos a variância. D. De Variação - Esta coluna contém a porcentagem da variância total representada por cada fator. E. Cumulativo - Esta coluna contém a porcentagem acumulada de variância explicada pelos fatores atuais e todos os fatores anteriores. Por exemplo, a terceira linha mostra um valor de 68.313. Isto significa que os três primeiros fatores juntos representam 68.313 da variância total. F. Somas de Extração de Cargas Quadradas - O número de linhas neste painel da tabela corresponde ao número de fatores retidos. Neste exemplo, solicitamos que três fatores sejam mantidos, portanto há três linhas, uma para cada fator retido. Os valores neste painel da tabela são calculados da mesma forma que os valores no painel esquerdo, exceto que aqui os valores são baseados na variância comum. Os valores neste painel da tabela serão sempre inferiores aos valores no painel esquerdo da tabela, porque se baseiam na variância comum, que é sempre menor que a variância total. G. Soma de rotação das cargas quadradas - Os valores neste painel da tabela representam a distribuição da variância após a rotação varimax. A rotação Varimax tenta maximizar a variância de cada um dos fatores, de modo que a quantidade total de variância contabilizada é redistribuída nos três fatores extraídos. O diagrama de scree representa o autovalor em relação ao número do fator. Você pode ver esses valores nas duas primeiras colunas da tabela imediatamente acima. A partir do terceiro fator, você pode ver que a linha é quase plana, o que significa que cada fator sucessivo é responsável por quantidades menores e menores da variância total. B. Matriz de Fator - Esta tabela contém as cargas de fatores não-giradas, que são as correlações entre a variável eo fator. Como essas são correlações, os valores possíveis variam de -1 a 1. No subcomando de formato, usamos a opção em branco (.30). Que indica ao SPSS que não imprima nenhuma das correlações que são .3 ou menos. Isso torna a saída mais fácil de ler, removendo a confusão de baixas correlações que provavelmente não são significativas de qualquer maneira. C. Fator - As colunas sob este título são os fatores não-rotas que foram extraídos. Como você pode ver pela nota de rodapé fornecida pelo SPSS (a.), Três fatores foram extraídos (os três fatores que pedimos). C. Correlações reproduzidas - Esta tabela contém duas tabelas, as correlações reproduzidas na parte superior da tabela e os resíduos na parte inferior da tabela. D. Correlação reproduzida - A matriz de correlação reproduzida é a matriz de correlação baseada nos fatores extraídos. Você deseja que os valores na matriz reproduzida sejam tão próximos dos valores na matriz de correlação original quanto possível. Isso significa que a matriz residual, que contém as diferenças entre a matriz original e a reprodução, é próxima de zero. Se a matriz reproduzida é muito semelhante à matriz de correlação original, então você sabe que os fatores que foram extraídos representaram uma grande parte da variância na matriz de correlação original, e esses poucos fatores fazem um bom trabalho de representar os dados originais. Os números na diagonal da matriz de correlação reproduzida são apresentados na tabela Comunalidades na coluna rotulada Extraído. E. Residual - Como observado na primeira nota de rodapé fornecida pelo SPSS (a.), Os valores nesta parte da tabela representam as diferenças entre as correlações originais (mostradas na tabela de correlação no início do output) e as correlações reproduzidas, que são Mostrado na parte superior desta tabela. Por exemplo, a correlação original entre o item13 e o item14 é .661 e a correlação reproduzida entre essas duas variáveis ​​é .646. O residual é .016 .661 - .646 (com algum erro de arredondamento). B. Rotated Factor Matrix - Esta tabela contém as cargas de fator rotacionadas (matriz de padrão de fator), que representam tanto como as variáveis ​​são ponderadas para cada f ator como também a correlação entre as variáveis ​​eo fator. Como essas são correlações, os valores possíveis variam de -1 a 1. No subcomando de formato, usamos a opção em branco (.30). Que indica ao SPSS que não imprima nenhuma das correlações que são .3 ou menos. Isso torna a saída mais fácil de ler, removendo a confusão de baixas correlações que provavelmente não são significativas de qualquer maneira. Para rotações ortogonais, tais como varimax, o padrão de fator e matrizes de estrutura de fator são os mesmos. C. Fator - As colunas sob este título são os fatores girados que foram extraídos. Como você pode ver pela nota de rodapé fornecida pelo SPSS (a.), Três fatores foram extraídos (os três fatores que pedimos). Estes são os fatores que os analistas estão mais interessados ​​em e tentar nomear. Por exemplo, o primeiro fator pode ser chamado de quotinstructor competencequot porque itens como quotinstructor bem preparequot e quotinstructor competencequot carregam muito sobre ele. O segundo fator pode ser chamado de quotrelating para studentsquot porque itens como quotinstructor são sensíveis a studentsquot e quotinstructor permite que eu faça perguntas sobre o assunto. O terceiro fator tem a ver com comparações com outros instrutores e cursos. A tabela abaixo é de outra série do programa de análise fatorial mostrado acima, exceto com uma rotação promax. Nós o incluímos aqui para mostrar como diferentes as soluções giradas podem ser, e para melhor ilustrar o que se entende por estrutura simples. Como você pode ver com uma rotação oblíqua, como uma rotação promax, os fatores podem ser correlacionados uns com os outros. Com uma rotação ortogonal, como o varimax mostrado acima, os fatores não podem ser correlacionados (são ortogonais um ao outro). Rotações oblíquas, tais como promax, produzem matrizes de padrão de fatores e matrizes de fatores. Para rotações ortogonais, tais como varimax e equimax, a estrutura de fator e as matrizes de padrão de fator são as mesmas. A matriz da estrutura dos fatores representa as correlações entre as variáveis ​​e os fatores. A matriz do padrão de fatores contém os coeficientes para a combinação linear das variáveis. A tabela abaixo indica que a rotação feita é uma rotação oblíqua. Se uma rotação ortogonal tivesse sido realizada (como a rotação varimax mostrada acima), esta tabela não apareceria na saída porque as correlações entre os fatores estão definidas em 0. Aqui, você pode ver que os fatores estão altamente correlacionados. O resto da saída mostrada abaixo faz parte da saída gerada pela sintaxe SPSS mostrada no início desta página. uma. Factor Transformation Matrix - Esta é a matriz pela qual você multiplica a matriz de fatores não gerados para obter a matriz de fatores girados. O gráfico acima mostra os itens (variáveis) no espaço do fator girado. Embora esta imagem possa não ser particularmente útil, quando você obtém esse gráfico na saída SPSS, você pode girar de forma interativa. Isso pode ajudá-lo a ver como os itens (variáveis) são organizados no espaço de fator comum. uma. Factor Score Coefficient Matrix - Esta é a matriz do peso do fator e é usada para calcular os escores dos fatores. uma. Factor Score Covariance Matrix - Como usamos uma rotação ortogonal, esta deve ser uma matriz diagonal, o que significa que o mesmo número deve aparecer nos três lugares ao longo da diagonal. Na verdade, os fatores não estão correlacionados no entanto, porque os escores dos fatores são estimados, pode haver pequenas correlações entre os escores dos fatores. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia.