![](/img/trans.png)
[英]How does factanal() function in R calculate correlations between factors?
[英]How to create factors from factanal?
當使用factalal執行因子分析時,通常的結果是一些加載表加上其他幾個信息。 有沒有直接的方法來使用這些加載來創建因子的矩陣/數據框架? 例如,稍后在回歸分析中使用它們。
編輯:這樣做的目的是獲取后續建模的變量。 我只知道因子分數 - 但歡迎提出/指出其他術語:)
EDIT2:Joris Meys的回答基本上就是我的要求。 盡管它將我的問題轉移到可能更適合statsoverflow的方向,但我現在將它保留在這里,因為正確的一組人正在討論解決方案:
基於回歸的分數的好處是什么? 產品(ML)的結果與因素高度相關......老實說,我想知道為什么差異在我的情況下很大?
fa$scores # the correct solution
fac <- m1 %*% loadings(fa) # the answer on your question
diag(cor(fac,fa$scores))
#returns:
Factor1 Factor2 Factor3
0.8309343 0.8272019 0.8070837
您詢問如何使用載荷來構建分數。 您的解決方案雖然正確,但卻沒有這樣做。 它使用回歸方法(或者也可以使用Bartlett的方法),這使用分數不相關的限制,以0為中心,方差= 1.因此,這些因素與使用F得到的因素不同= ML,其中F為因子矩陣,M為原始矩陣,L為加載矩陣。
使用幫助文件中的示例進行演示:
v1 <- c(1,1,1,1,1,1,1,1,1,1,3,3,3,3,3,4,5,6)
v2 <- c(1,2,1,1,1,1,2,1,2,1,3,4,3,3,3,4,6,5)
v3 <- c(3,3,3,3,3,1,1,1,1,1,1,1,1,1,1,5,4,6)
v4 <- c(3,3,4,3,3,1,1,2,1,1,1,1,2,1,1,5,6,4)
v5 <- c(1,1,1,1,1,3,3,3,3,3,1,1,1,1,1,6,4,5)
v6 <- c(1,1,1,2,1,3,3,3,4,3,1,1,1,2,1,6,5,4)
m1 <- cbind(v1,v2,v3,v4,v5,v6)
fa <- factanal(m1, factors=3,scores="regression")
fa$scores # the correct solution
fac <- m1 %*% loadings(fa) # the answer on your question
這些顯然是不同的價值觀。
編輯:這與Thomson回歸分數基於縮放變量的事實有關,並考慮相關矩陣。 如果你手動計算得分,你會做:
> fac2 <- scale(m1) %*% solve(cor(m1)) %*% loadings(fa)
> all.equal(fa$scores,as.matrix(fac2))
[1] TRUE
有關更多信息,請參閱此評論
並告訴你為什么它很重要:如果你以“天真”的方式計算分數,你的分數實際上是相關的。 這就是你想要擺脫的第一個地方:
> round(cor(fac),2)
Factor1 Factor2 Factor3
Factor1 1.00 0.79 0.81
Factor2 0.79 1.00 0.82
Factor3 0.81 0.82 1.00
> round(cor(fac2),2)
Factor1 Factor2 Factor3
Factor1 1 0 0
Factor2 0 1 0
Factor3 0 0 1
我沒有手動檢查過,但是這樣做:
fa <- factanal(mydf,3,rotation="varimax",scores="regression")
fa$scores
HTH別人。 建議,更正,改進歡迎!
你不想要loadings
組件嗎?
loadings(fa)
請參閱?loadings
和?factanal
以檢查它是否是您想要的裝載量。 我發現使用的術語有時令人困惑,加載,分數,......
有關Psych SE的問題也有類似的問題。
在那里,我提供了一個函數,以防你想為新數據生成因子分數。
我編寫了以下函數,該函數接受由您提供的factanal
和new數據返回的fit對象(例如,具有相同變量名的數據框或矩陣)。
score_new_data <- function(fit, data) {
z <- as.matrix(scale(data[,row.names(fit$correlation)]))
z %*% solve(fit$correlation, fit$loadings)
}
所以,例如,
bfi <- na.omit(bfi)
variables <- c("A1", "A2", "A3", "A4", "C1", "C2", "C3", "C4")
data <- bfi[,variables]
fit <- factanal(data, factors = 2, scores = "regression", rotation = "varimax")
這是典型的因素分析。
現在提供一些新數據以及因子分析的擬合:
score_new_data(fit, data[1:5, ])
它會產生以下結果:
> score_new_data(fit, data[1:5, ])
Factor1 Factor2
61623 1.5022427 0.5457393
61629 -0.6817812 -0.9755466
61634 -0.2901822 0.1051234
61640 0.5429929 -0.4955180
61661 -1.0732722 0.8202019
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.