? Non è immediatamente evidente che autovalori da utilizzare in una analisi fattoriale . Per capire veramente il processo di selezione autovalori per il modello risultante , è necessario prima comprendere il significato di autovalori in una analisi fattoriale . Questa conoscenza , insieme ad un buon metodo di selezione autovalore , si tradurrà in una scelta sana di autovalori per l’analisi. Scopo della Selezione Autovalori
Il ruolo autovalori giocare in una analisi fattoriale è simile al ruolo che svolgono nella analisi delle componenti principali : essi consentono di sapere quanta variazione ciascun fattore o componente può spiegare . L’obiettivo nella scelta autovalori è quello di includere abbastanza variazione nel modello che la soluzione finale è valida , pur non overcomplicating il modello con troppi fattori .
Scree trama
la trama ghiaione è un approccio grafico alla selezione autovalori . Questo approccio , che è stato sviluppato da Raymond Cattell nel 1966 , è un mezzo un po ‘ soggettive dei fattori di selezione . Il grafico decrescente pone gli autovalori sulla asse y e gli elementi in asse x . L’ uso di questa procedura troverà un ” gomito ” nel grafico decrescente , che è un punto dopo che tutti gli autovalori sono allineate in modo lineare . Gli autovalori prima di questa curva sono quelli che il ricercatore deve utilizzare l’analisi dei fattori. Regola Regola
del Kaiser
di Kaiser è una regola oggettiva del processo decisionale per la selezione di autovalori . Essa afferma che dovrebbero essere utilizzati tutti autovalori superiori all’unità . Questa regola è intuitivamente soddisfacente dal fatto che tutti i fattori connessi con autovalori sotto l’unità contengono meno informazioni rispetto alle variabili originali che sono stati utilizzati nell’analisi fattore . Questa regola è sia oggettiva e facile da usare . Procedura
procedura di Horn
di Horn riconosce che i processi di analisi fattoriale e analisi delle componenti principali sfrutteranno la variazione casuale nel dati . Questo capitalizzazione variazione casuale conduce al primo autovalore essere sempre superiore all’unità , indipendentemente dal fatto che i dati stessi ha alcuna interessanti correlazioni tra variabili . Procedura di Horn risolve questo problema confrontando autovalori non l’unità, ma per gli autovalori di una analisi delle componenti principali che utilizzano puramente casuali , dati non correlate . Ogni autovalore dall’analisi fattore viene confrontato all’autovalore corrispondente per l’ analisi delle componenti principali . Se l’autovalore analisi fattore è maggiore , si è scelto . In caso contrario , viene scartato .