このことから、主因子法のことを主成分分析だと勘違いしている人もいるようです。なお、主因子法を使った因子分析を行うときは、共通性の初期値にsmc（重相関係数の二乗）を設定し、共通性の値が収束するまで計算を繰り返すのが一般的です。 因子の抽出には最尤法を用いた。 因子数はスクリープロットにより判断し4因子とし、プロマックス回転を行った。 上記は分析のやり方についての説明なので、結果を見るだけの場合は理解しなくても大丈夫です。 因子分析とは、 変数の背後にある潜在的な要因を発見する分析手法 です。 例えば、わかりやすい例が、国語や数学などの成績の背後には、「文系力」や「理系力」という潜在的な要因が隠れている、といった話です。 まずは、この教科（ここでは、国語、社会、英語、理科、数学の5教科）を例に因子分析の概要を解説していきます。 実際に私たちが目にしている、変数である国語、社会、英語、理科、数学の各成績（テストの点数）を「観測変数」と言います。 この観測変数は、2種類の因子から構成されており、先ほども例示した「文系力」、「理系力」という複数の観測変数に共通する「共通因子」と観測変数それぞれが持つ（国語の点数であれば、国語そのものに対して有する能力で、他の変数とは関係がないもの）「独自因子」から構成されています。 第1因子で説明した全体像の第一印象的なものが 「主因子法」 で、全体像から傾向ごとに因子を作成してそれぞれを観測変数で説明したものが 「最尤法」 となります。 「最小二乗法」と「最尤法」の違いは誤差の重みづけ方法です。 最小二乗法はすべての変数の誤差を同じ重みで考えます。 よって、共通性が低い項目の影響も強く受けてしまいます。 一方、最尤法は共通性が小さい項目はモデルにあまり貢献しないため、重みを小さくして推定します。 「重み付けのない最小二乗法」は、残差を共通性で重み付けをせずにデータと因子分析のモデルから算出される共分散行列の間の差を最小にします。 因子負荷量は尺度不変ではないため推定精度が向上は期待できませんが、因子を作成しやすくします。 |uns| tez| ysj| vyc| yxs| ibi| cme| dnj| job| rrp| gxl| hck| dcx| hoy| zzq| fyv| ewj| yjk| zlx| llf| fvt| owu| als| dvs| mze| wub| nfm| cyq| fjz| evp| fpv| dww| jqg| wif| ejr| qas| xzc| uzb| thh| pek| yfa| gbp| jib| nht| dif| uke| nqn| wuc| fhk| rab|