Temel Bileşenler Analizi
Principal Components Analysis (PCA)
Tanım
Çok sayıda gözlenen değişkeni, aralarındaki varyansı koruyarak daha az sayıda ilişkisiz doğrusal bileşene indirgeyen çok değişkenli istatistiksel veri indirgeme yaklaşımı.
Örnek Vaka / Uygulama
Klinik psikoloji araştırmalarında bir hastanın bilişsel esneklik, işleyen bellek, tepki süresi ve dikkat testlerinden elde edilen 20 farklı skorunu tek bir 'bilişsel performans indeksi' altında toplamak için PCA uygulanır; böylece modelin serbestlik derecesi korunur ve istatistiksel güç artırılır.
Derin Analiz
Temel Bileşenler Analizi (PCA), yüksek boyutlu veri setlerinin varyans-kovaryans yapısını özetlemek ve multicollinearity (çoklu doğrusal bağlantı) sorununu ortadan kaldırmak amacıyla geliştirilmiş non-parametrik bir projeksiyon yöntemidir. Orijinal değişken uzayını, toplam varyansın maksimumunu açıklayan ortogonal (birbirine dik) eksenler sistemine dönüştürür. Faktör analizinden temel farkı, gizli faktörleri (latent constructs) modellemek yerine, gözlenen değişkenlerin matematiksel bir bileşimini (lineer kombinasyonunu) üretmesi ve ölçüm hatasını (error variance) hesaba katmamasıdır. İlk temel bileşen toplam varyansın en büyük kısmını açıklarken, sonraki her bileşen kalan varyansın maksimumunu ardışık olarak yakalar.
Etimoloji
Karıştırmayın
Keşifsel Faktör Analizi (EFA) ile sıklıkla karıştırılır; EFA gizli değişkenlerin (hata payı dahil) varlığını varsayarken, PCA sadece gözlenen değişkenlerin varyansını maksimize eden deterministik bir dönüşümdür.
Keşfetmeye Devam Edin
Faktör Analizi
Faktör Analizi
Factor Analysis
Gözlenen çok sayıda birbiriyle ilişkili değişkeni, aralarındaki ortak varyansı temel alarak daha az sayıda gizli ve soyut değişkene (faktöre) indirgeyen çok değişkenli bir istatistiksel yöntem.
İncele
Varyans
Varyans
Variance
Bir veri setindeki gözlemlerin aritmetik ortalamadan ne kadar uzaklaştığını ve kendi içinde nasıl bir yayılım sergilediğini gösteren, ortalamadan sapmaların karelerinin ortalaması.
İncele