Beste Wer-Weiß-Was Experten,
im Rahmen einer Datenanalyse über 17 Variablen mit mehreren Millionen Ausprägungen lies ich eine Faktorenanalyse mit und ohne Rotation der Faktoren und eine Hauptkomponentenanalyse (ebenfalls wieder mit und ohne Rotation und an Korrelationen und Kovarianzen orientiert) durchführen.
Jetzt mein Problem:
Bei der Faktorenanalyse bekomme ich mit 6 Faktoren 70% erklärte Varianz und eigentlich hat schon der sechste Faktor einen Eigenwert unter 1…
Bei der PCA komme ich mit 4 Komponenten aus und die erklären mir bereits 80-85%.
Die Datengrundlage sind Rasterbasierte Daten mit Wertebereich zwischen 0 und 255, die Varianzen in den eigentichen Variablen sind sehr unterschiedlich:
2062,04512294050 43,2584273681569 61,7456803235028 189,272687899841 91,1212320833891 311,297477178023 321,779311180708 1327,61565351909 46,6738880859510 1,45619938470584 4258,93619714136 4450,18714579702 2988,83244483552 61,3805303978059 2391,94823907162 1514,73553743250 1871,85424608290
Liegt das Ungleichgewicht in der Analyse mit Factoran oder PCA lediglich daran, das bei der PCA nur die „sich überschneidenden Varianzen“ berücksichtigt werden und bei der PCA die Gesamtvarianz mit eingeht, oder gibt es noch andere Erklärungsansätze?
Hallo riccardo,
Liegt das Ungleichgewicht in der Analyse mit Factoran oder PCA
lediglich daran, das bei der PCA nur die „sich
überschneidenden Varianzen“ berücksichtigt werden und bei der
PCA die Gesamtvarianz mit eingeht,
bei der PCA werden die Kommunalitäten auf 1 gesetzt, bei der eigentlichen Faktorenanalyse nicht. Dadurch können die Ergebnisse derart abweichen.
oder gibt es noch andere Erklärungsansätze?
Bei PCA und Faktorenanalyse gibt es zig verschiedene Dinge, an denen man drehen kann und die die Ergebnisse beeinflussen, z.B. die Art der Faktorenanalyse (Hauptachsenmethode oder Maximum Likelihood oder …), Korrelationen oder Kovarianzen, Kriterium der Faktorextraktion …
Beste Grüße
Bei PCA und Faktorenanalyse gibt es zig verschiedene Dinge, an
denen man drehen kann und die die Ergebnisse beeinflussen,
z.B. die Art der Faktorenanalyse (Hauptachsenmethode oder
Maximum Likelihood oder …), Korrelationen oder Kovarianzen,
Kriterium der Faktorextraktion …
habe das kaiser kriterium benutzt um die anzahl der faktoren zu begrenzen. jetzt komm ich auch bei der PCA auf 6 Faktoren, die letzten beiden aber mit minimal mehr als 1 als Varianz…
wir werden weiter sehen. ich war bloß verunsichert, da oftmals in der literatur erwähn wird, dass PCs gegenüber factoran-derived factors weniger gut zu interpretieren sind…
Danke erstmal
noch was zu rotationen der faktoren:
sind die koordinaten der ursprünglichen daten bezüglich der faktoren nach der rotation die gleichen???
das suggeriert jedenfalls die berechnung mit matlab, aber eigentlich erfordert eine drehung des koordinatensystems doch eine neukalkulation der koordinaten.
danke für eure hilfe.
riccardo