CBSE（UGC）-NET：心理学研究材料
全球教师学院Ph.O7838024365
因子分析和主成分方法-CBSE NET心理必须
在考试中，有几个因素会影响需要的变量（所调查的变量）。 有时观察到自由因子本身是相关的。 在这种情况下，利用因素检查程序将各种关联因素减少为较少的非关联因素。 有两种因素检查
证实性和探索性因素分析
顾名思义，佐证性因素检查被用来肯定一种推测。 在这一点上，审查员知道隐藏了变量的组件，并且利用因子调查来确定那些肯定是元素的组件。
FA和PCM
在没有特征推测的时候，利用探索性因素调查来定位隐藏变量。 因素检查的组成部分是“真正的”因素，例如痛苦，神经质和洞察力。 有趣的是，在主要部分考试（PCA）中，句段只是几何反射，可能会指导任何真正的单词构建。
两种方法之间的另一个区别是，在PCA中，对观察到的变化的大部分进行了调查，尽管在因子检验（FA）中，只是分析了相互的波动。 要用数字来说明，PCA和FA之间的区别在于关系框架的倾斜性。 在PCA中，将1.00放到每个角落，这意味着要表示框架中的大部分差异（对每种因素都应考虑一种波动，因素间的定期变化以及错误变化）。 按照定义，这将以这种方式纳入因素差异的大部分。 相反，在FA中，社区被摆在角落里，这意味着要单独赋予不同因素的变化（除非每个因素都存在异常差异和失误波动）。 按照定义，按照这些思路，这将仅包含因素之间规则的波动。
由于只是共享差异被用作FA的一部分，因此我们可以说PCA分解了变化，FA研究了协方差。 为了仅调查检查中表现出的波动（例如，在以往研究中得出的关于因素之间联系的假设的情况下），科学家应该尽可能利用FA来阻止一种错误的变化，因此以了解协方差或基本差异中正在发生的事情。 在探索性因素调查（EFA）中，科学家只是在没有假设的情况下进行调查，以了解他们的信息中开发了哪些设计，所以预示执行PCA（并且以这种方式结合了非常规和错误的更改）是一个好兆头，只是为了了解设计中的什么上升了。差异的大部分。 归根结底，对于这种情况，不要“无视”任何差异。
因子检查期望监视因子中的协变是由于至少一个闲置（因子）的临近而对这些监视因子施加因果影响。 下面显示了这种因果结构的情况。
皮克特
了解因素分析
椭圆形代表“监督实现”和“薪酬实现”的惰性（未衡量）组成部分。 这些组件是惰性的，因为它们确实存在于代表的定罪框架中，但是不能直接进行衡量。 无论如何，它们确实会对代表的反应影响构成先前描述的活动实现民意测验的七件事（这些七件事在10主成分分析中用图中标记为V1-V7的方块表示）。 可以看出，“监督”因素对事物V1-V4（监督问题）产生影响，而“报酬”因素对事物V5-V7（补偿事物）产生影响。 科学家们相信存在的特定休眠元素会对他们正在考虑的观察因素产生因果关系时，就会利用因子调查法。 探索性因素检查使分析人员能够识别这些闲置元素的数量和性质。 相反，必要的细分市场检验并不能基于基本因果模型进行推论。 关键部分的研究基本上是一个变量减少系统，（通常）带来适度数量的细分，这些细分记录了受关注因素排列中的大部分波动。
更改PCM或FA中的原始数据
在整个调查过程中，将受关注的因素制度化。 这意味着每个因子都以其均值为零且波动为1的目标进行了更改。 在PCM中，由于我们不会忽略任何差异，因此，信息索引中的“总体波动”基本上就是这些观察因素的总变化。
高水平的因子分析和PCM
这是描述因素检查或PCM的过程的流程图。 请注意，采用PCM或因素检查的决定很大程度上取决于研究的种类。
PCM的力学
中央部位检查是一种从大量信息中区分出较少的不相关因素（称为“基本段”）的系统。 重要零件调查的目的是弄清最少数量的主要部分的最极端的波动度量。
实际上，中心部分可以被描述为理想加权的观察因素的直接混合，最终目的是阐明因素中最极端的因素。 “直接混合”一词指的是通过将被观察的因素分解在一起的分数来计分一个片段的分数。 “理想地加权”暗指对观察因素进行加权的方式，以使后续部分代表信息索引差异的最大度量。 利用协方差框架的特征条件来传递权重。 PC分解并复制R晶格的演绎图，R晶格的每一角都带有1。 每个1.00的估计值与一个制度化的测量变量的总变化进行比较，并且p段的基础排列必须在所有部分的所有因子上具有平方连接的总数，总计为1.00。 认为这是p部分PC模型可以重复每个制度化测量变量的每个变化的证明。
PCM中的组件数。
出于所有目的和目的，在重要部位检查中删除的节段数量等于要检查的监视因素的数量。 尽管如此，在许多调查中，只有最初的几个部分代表了重要的波动量度，因此只有这些最初的两个部分被保留，翻译和用作后续检查的一部分（例如，在各种复发中调查）。 我们希望其余部分仅代表微不足道的差异。
解释PCM组件的最有效方法
如上图所示，我们已经利用PCA来澄清了信息，包括两部分（绿色的战斧）。 生命段调查中分离的主要段代表了观察因素中总体波动的最大度量。 在正常情况下，这意味着主要部分将与部分受监视的因素相对应。 它可能与众多有关。 第二部分将具有两个基本属性。 最初，此部分将代表未由主要部分代表的信息集合中波动的最大度量。 第二段的第二个法线是它将与主要部分不相关。 也就是说，段1和2之间的关系将为零。 考试中抽出的其余部分显示出相似的两个属性：每个部分代表了观察到的因素差异的最大量度，该差异未由第一部分代表，并且与之前部分的大部分无关。 在此设计中，必不可少的部分调查将继续进行，每个新部分都代表着越来越少的动态变化度量（这就是通常只保留和解密最初几个部分的原因）。 在调查结束时，后续部分将显示与所关注因素之间的波动程度，但是彼此之间完全不相关。 在调查中删除的细分将细分此波动：也许主要细分将代表3.2个单位的总差异； 也许第二段将代表2.1个单位。 因此，调查一直进行到信息索引变化的大部分已被表示为止。
PCM的正交解与斜解
如上所述，在大部分情况下，生命段检查带来了正交的安排。 正交排列是其中片段保持不相关的排列。 在任何情况下，都可以考虑进行必要的细分检查，以得出相应细分中的结果。 这样的答案称为对角线排列。 在某些情况下，成角度的布置比正交布置更好，因为它们可以提供更干净，更有效地解密的结果。 顺便说一下，与正交布置相比，对角布置还更加混乱地平移。
FA程序
在因素调查中使用最广泛的技术是PAF策略。 PC和PAF都依赖于R连接框架的某些独特形式（它结合了所测X因子之间关系的整体安排）。 有趣的是，在PAF中使用PCM进行有趣的处理时，我们用相互评价取代了关系网格R倾斜的1，该评价表示每个有意X变量的变化程度对于数据集中的其他X因子而言并不令人惊讶。 许多项目利用不同的复发来获得潜在的交流
全球教师学院（GTA）
D-2，新德里Arjun Nagar Safdarjung飞地29
联络号码：09953762308，09999318556
网络准备的最佳心理学学习材料http://www.gtah.net/b-ed-to-m-ed.php
