发布日期: 08/07/2020

旋转方法

使用旋转可更改因子的参考轴,从而使因子更容易解释。旋转应用于从数据中提取的因子。旋转方法基于各种复杂性或简便性函数。有关旋转的详细信息,请参见 SAS Institute Inc.(2018c) 中的“FACTOR 过程”一章、Browne (2001) 或 Frank and Todeschini (1994)。

初始提取之后的因子彼此之间是不相关的。若因子是通过正交变换旋转的,则旋转之后的因子也不相关。若因子是通过斜交变换旋转的,则旋转之后的因子就会彼此相关。斜交旋转往往生成比正交旋转更容易解释的因子。不过因子相关后,在考察对变量的解释时,很难衡量各因子的重要性。

正交旋转方法

最大方差法

将某个因子在所有变量上的载荷平方的方差之和最大化。这种公共方法导致每个变量在每个因子上都有或小或大的载荷。(γ = 1 的直交旋转法。)

双四次幂极大法

最大方差法和四次方最大正交旋转法的等权解。(γ = 0.5 的直交旋转法。)

相等最大值法

最大方差法旋转和四次方最大正交旋转之间的加权解。(γ = N/2 的直交旋转法,其中 N = 因子数。)

Parsimax 因子法

旨在将因子复杂性最小化的一种解决方案。该方法可能导致交叉载荷,因为算法中未考虑变量复杂性。(γ = N 的直交旋转法,其中 N = 因子数。)

直交旋转法

一种常规加权旋转方法,其中的权重用 γ 表示。许多特定正交旋转方法都是带有特定 γ 的直交旋转法。

Parsimax

平衡变量与因子复杂性。(γ = (I(N-1))/(I+N-2) 的直交旋转法,其中 I = 项数,N = 因子数。)

四次方最大正交旋转

将解释每个变量所需的因子数最小化。(γ = 1 的直交旋转法。)

斜交旋转方法

双四次幂极小法

将协方差比最小化的旋转方法(τ = 0.5 的斜交转轴法。)

协方差极小法

“斜交最大方差法”旋转。(τ = 1 的斜交转轴法。)

斜交双四次幂极大法

“斜交双四次幂极大法”旋转。

斜交相等最大值法

“斜交相等最大值法”旋转。

斜交 Parsimax 因子法

“斜交 Parsimax 因子法”旋转。

斜交转轴法

一种常规加权斜交旋转方法,其中的权重用 τ 表示。许多特定斜交旋转方法都是带有特定 τ 的“斜交转轴法”旋转。

斜交 Parsimax 法

“斜交 Parsimax 法”旋转

四次最大正交旋转法

“斜交四次最大正交旋转法”旋转,等效于“四次方最小正交旋转”方法。

方差最大旋转法

“斜交最大方差法”旋转。

四次方最小正交旋转

“斜交四次方最小正交旋转”旋转,等效于“斜交四次方最大正交旋转法”(τ = 0 的斜交转轴法。)

斜交旋转法

两步旋转,首先执行最大方差法旋转,然后使用 Procrustes 旋转获得简单结构。这是一种计算高效的方法,可作为斜交转轴法的备选方法。

需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).