Bu bölüm, konuya yeniyseniz, faktör analizine yetersiz bir giriş olacaktır. Çok mütevazı bir hedefim var ve bu kitabın birçok okuyucusunun AMOS’tan çok SPSS’deki faktör analizi menülerine aşina olacağı varsayımına dayanıyor. Amaç, ilk AMOS örneğimizde AMOS’ta oluşturacağımız değerlerle tam olarak eşleşecek bazı değerleri SPSS’de oluşturmaktır.

Faktör analizi çıktısına biraz aşina olan okuyucular için bu, AMOS’a geçiş yapmanıza yardımcı olabilir. Faktör analizine aşina değilseniz, bu kısa bölümün değeri daha az olacaktır, ancak kesinlikle AMOS örneğiyle devam edebilirsiniz. Basitçe, sayıları eşleştirmek sizin için açıklayıcı olmayacaktır.

Örneğimiz yeterince açık. Dört seviyeli değişkeni alıp onları bir faktöre zorlarız ve sonuçları çok kısaca inceleriz. Dört değişkenin hepsinin faktöre katkıda bulunup bulunmadığını ve faktörün varyanslarını ne kadar iyi içerdiğini görmek istiyoruz. Faktör Analizi, Analiz menüsünde bulunur. Dört seviye değişkenini de gösterildiği gibi seçeceğiz.

Hem bu bölümdeki çıktıyla hem de AMOS çıktısında bulduklarımızla eşleşen sonuçları elde etmek için varsayılan çıkarma yöntemini değiştirmeniz gerekir. Çıkarma alt iletişim kutusunda Maksimum olasılık’ı seçin ve sabit sayıda faktör seçin. Tek bir faktör istiyoruz ve varsayıyoruz. Dikkat çekici bir şekilde, “Özdeğere Dayalı” (gösterilmiştir) varsayılan ayarı da tek bir faktör üretir.

Faktör analizi sonuçları hem toplulukları hem de faktör yüklerini göstermektedir. Topluluklar, özellikle de çıkarma sütunundaki değerler, faktörde açıklanan değişkenlerdeki varyansın fraksiyonunu bize söyler. AMOS’a girdikten sonra, bu faktör bizim gözlemlenmeyen (gizli) değişkenimiz olacaktır.

Değişkenlerden biri faktörümüze katkıda bulunmuyorsa, dahil edilmesini sorgulayabiliriz. Faktör matrisindeki sütun, her bir değişkenin faktörle ilişkisini gösterir. Aynı değerleri AMOS’ta Faktör Analizini Tekrar Ziyaret Etme ve AMOS’a genel oryantasyonda göreceğiz.

AMOS

Gerilimi mahvetme riski altında,  MANOVA’dan farklı olmayan bir AMOS modeli gösterilmektedir. Bu bölümün kalan kısmını, vaka çalışması veri setimizi kullanarak bu modeli ve diğer AMOS modellerini tartışarak harcıyoruz.

Yorum hakkında söylenecek çok şeyimiz olacak, ancak diyagram çizmenin mekaniği hakkında söylenecek çok daha az şey olacak. Şekil 1-26’dan farklı olarak, istatistiksel sonuçlar bölümün ilerleyen kısımlarında ayrıntılı olarak tartışılacak olan AMOS diyagramlarının çoğunda gösterilmektedir. Bu diyagramın tek cümlelik açıklaması şöyledir: Gözlenmeyen değişken Düzey ve gözlenen değişken SN01, gözlemlenmeyen değişken Hazırlığı tahmin eder.

Faktör Analizinin Tekrar İncelenmesi ve AMOS’a Genel Bir Yönelim

Tüm AMOS örneklerimizde, AMOS Grafik diyagramları halihazırda oluşturulacak ve bu kitabın Wiley.com’daki web sitesinde mevcut olacaktır. AMOS Graphics diyagramları .amw dosya uzantısıyla biter. İlk diyagramımızın adı Chapter 1 amos level only.amw. AMOS Graphics’i başlatın ve dosyayı açın. Açıldıktan sonra ekranınız görünmelidir.

Kamyonlar, sihirli değnekler ve dürbünler de dahil olmak üzere soldaki geniş simge koleksiyonuna dikkat edin. AMOS, SPSS İstatistiklerinden çok farklı bir arayüze sahiptir. Temel fikir, modelimizi temsil eden bir diyagramı başarılı bir şekilde çizebilirsek, AMOS ayrıntıların çoğunu halledecektir. Araçların kullanımını muhtemelen tahmin edebilirsiniz, örneğin kamyon hareket etmeyi ve fotokopi makinesinin kopyalamayı içerir.

Çizimin mekaniği ile ilgili ayrıntılara son derece ışık tutacağız. Bunun yerine, giderek daha karmaşık modelleri yorumlayan ve bunları SPSS İstatistiklerinde oluşturduğumuz modellerle karşılaştıran bölümün başlarındaki anlatımızı yeniden gözden geçirmeye odaklanacağız. Buradaki fikir, eğer ilginizi çekerse ki umarım öyledir AMOS Kullanıcı Kılavuzunu kullanmak da dahil olmak üzere diyagram çizmeyi öğrenmenin yollarını arayacaksınız.

SPSS te doğrulayıcı faktör analizi
SPSS faktör analizi yorumlama
Açımlayıcı faktör analizi yorumlama
Faktör analizi raporlama
Faktör analizi örnekleri
Açımlayıcı faktör analizi Nedir
Doğrulayıcı faktör analizi nasıl yapılır
Faktör yükü kaç olmalı

Diyagrama daha yakından bakalım ve gösterildiği gibi AMOS tarafından gerçekleştirilen bazı hesaplamaları ekleyelim. AMOS’ta dikdörtgen olarak gösterilen değişkenler gözlenen değişkenlerdir. Dört seviye değişkenimizi tanıyacaksınız. Ovaller (veya daireler) gözlemlenmeyen değişkenlerdir. Düzey, gözlemlenen dört değişken tarafından ölçülen gözlemlenmeyen veya gizli değişkenimizdir. Okların gözlemlenmeyen değişkenden uzağa doğru çizildiğine dikkat edin.

Diğer dört değişken hata terimleridir. Dört dikdörtgen gözlenen değişkenimizin sağ üst köşesindeki değerler, faktör analizi çıktısında gördüğümüz topluluklarımızdır. Oklara bitişik değerler, faktör yükleridir ve aynı zamanda dört değişkenin faktörle olan korelasyonları da vardır. Bu durumda, daha önce olduğu gibi, faktör gizli değişkenimiz belli bir seviyedir.

Uyum iyiliği istatistikleri AMOS’ta önemli bir konudur. Diyagramın altındaki metin, şimdi tartışacağımız bu istatistiklerden ikisini içermektedir; Bu bölümün ilerleyen kısımlarında daha fazla uyum iyiliği istatistikleri göreceksiniz. Ki kare, modelin verilere uyduğu sıfır hipotezini test eder, bu nedenle sıfır hipotezini reddetmek istemiyoruz. p değerinin 0,05’ten büyük olması sevindirici haberdir.

Ki kare, sorunları olmasına rağmen en çok rapor edilen testlerden biridir. En önemli endişe, birkaç yüz veya daha fazla vaka olduğunda, neredeyse tüm modellerin 0,05’in altına düşmesidir. 222’lik örneklem büyüklüğümüz bu özel problemden kaçınmak üzeredir, bu nedenle sonuç anlamlıdır.

RMSEA (Kök Ortalama Kare Yaklaşım Hatası), daha yaygın olarak bildirilen uyum ölçütleri arasındadır. Uzmanlar, kabul edilebilir değerler konusunda farklılık gösterir, ancak çoğu, iyi ila mükemmel uyumu temsil etmek için 0,05’in altındaki değerleri dikkate alır. Biz bu eşiğin çok altındayız. Daha sonra göreceğimiz gibi, RMSEA çevresinde güven aralıkları oluşturabilir ve bu testi kullanımımızı daha da genişletebiliriz. RMSEA’nın bu yönü, diğer uygunluk ölçütleri ile birlikte, bu bölümün ilerleyen kısımlarındaki “Genel Modele S/N Ekleme ve Uygunluğu Yeniden Ziyaret Etme” bölümünde tartışılacaktır.

Bu örneklerin tümünde AMOS grafik .amw dosyaları sağlanmıştır. Diyagramları çizmeniz gerekmeyecek. Bölümün sonundaki  tüm AMOS şemalarını ve .amw dosya adlarını özetlemektedir. .amw dosyalarında gezinmek için arabirimin üç temel özelliğini bilmeniz gerekir: giriş ve çıkış diyagramları arasında geçiş yapma, tahminleri yeniden hesaplama ve metni görüntülemedir.

The post SPSS’de Faktör Analizi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Ana menüden Analiz ➔ Boyut Azaltma ➔ Faktör’ü seçiyoruz ve ön analizde olduğu gibi değişkenleri Değişkenler paneline taşıyoruz.

Sunulan Tanımlayıcılar penceresinde, İstatistik alanında yalnızca İlk çözümü işaretleyin (ön analizde Tek Değişkenli tanımlayıcıları ve KMO ve Bartlett’in küresellik testini zaten aldık ve bunları yeniden oluşturmamız gerekmiyor). Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Gösterilen Extraction penceresinde, Method açılır menüsünden Principal axis factoring’i seçiyoruz. Bu analizden elde edilen boyutlar, bileşenlerden ziyade faktörler olarak adlandırılır. Bundan sonra, Temel bileşenleri seçmiş olmamız dışında (diyalog ekranlarını göstermeden) aynı analizi yapacağız.

Döndürülmemiş faktör çözümünü görüntüle altında talep ediyoruz, ancak Scree grafiğini değil (ön analizde zaten elde ettik). Çıkart alanında Sabit sayıda faktör seçiyoruz ve çıkarmak için Faktörler etiketli panelde 4 yazıyoruz. Bu, döndürme aşamasına getirilecek faktör sayısını belirtir. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Döndürme penceresi gösterilir. Promax’ı seçiyoruz ve Kappa değerini varsayılan 4’te tutuyoruz (promax rotasyonundaki adımlardan biri, değişkenlerin faktörlerle bağıntılarını kappa olarak etiketlenen bir güce yükseltmektir ve varsayılan dördüncü güçtür—bkz. Meyers et (2013), bu rotasyon stratejisinin daha kapsamlı bir açıklaması için). Görüntü alanında Döndürülmüş çözümü görmek istiyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Seçenekler penceresi gösterilir. Varsayılan Eksik Değerler prosedürünü liste halinde Hariç Tut’u koruyoruz (tüm vakalar, analize dahil edilecek tüm değişkenlerde geçerli değerlere sahip olmalıdır). Katsayı Görüntüleme Formatı altında Boyuta göre sırala’yı seçiyoruz; bu, faktör matrisindeki değişkenlerin faktörle ilişkilerinin gücüne göre listelenmesini düzenleyecek ve böylece çıktının okunmasını daha uygun hale getirecektir (bize göre). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

DÖRT BİLEŞENLİ/FAKTÖR YAPISI İÇİN ANALİZ ÇIKTILARI

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Açıklanan Toplam Varyans

Temel bileşenler analizi (üst tablo) ve temel eksen faktör analizi (alt tablo) için Toplam Varyans Açıklaması tabloları sunulmaktadır. Artık döndürme aşaması hakkında bilgi içeren son sütun dışında temel bileşenler tablosunu zaten görmüştük. Son sütun (Yüklemelerin Karesi Döndürme Toplamları), açıklanan varyansın bileşenler arasında daha eşit olarak dağıtıldığı, döndürmeden sonra bileşenlerin özdeğerlerini görüntüler.

Bir ortogonal döndürmede, bu özdeğerler, çıkarma aşamasının sonunda (8.978) dört bileşen için özdeğerlerin toplamı ile aynı değere eklenir; eğik bir döndürme stratejisi kullandığımız için (faktörlerin korelasyon göstermesine izin verilir), döndürülen bileşenlere dayalı özdeğerlerin toplamı daha büyük bir değerdir.

Ana eksen faktör analizi için Açıklanan Toplam Varyans tablosu yenidir. İlk Özdeğerler etiketli ilk ana sütunun, temel bileşenler analizindekiyle aynı olduğunu görebiliriz (boyutlar artık faktör olarak etiketlenmiştir), çünkü analizden ilk geçiş, tamamlanan bir temel bileşenler analizidir.

Doğrulayıcı faktör analizi örneği
Açımlayıcı faktör analizi Nedir
Açımlayıcı ve doğrulayıcı faktör analizi Nedir
Açımlayıcı faktör analizi yorumlama
Faktör analizi Nedir
Doğrulayıcı faktör analizi raporlama
Ölçek faktörü nedir
Faktör analizi raporlama

Kare Yüklemelerin Çıkarma Toplamları, temel bileşenler analizi sonuçlarından farklı bir resim sunar ve bu, temel bileşenler analizi ile faktör analizi prosedürleri arasındaki büyük bir farkı vurgular. Temel bileşenler analizinde, korelasyon matrisinin köşegenindeki 1.000 değerini korur ve böylece toplam varyansı açıklamaya çalışırız.

Faktör analizinde, 1.000 değerleri, her bir değişkenin diğer değişkenlerle paylaştığı (ortak olarak sahip olduğu) varyans miktarının bir tahmini ile değiştirilir. Böylece toplam varyans, analizdeki değişkenler kümesinde ortak olan varyans ve her bir değişkene özgü veya benzersiz olan varyans olarak bölünür ve faktör analizi yöntemleri yalnızca ortak varyansı açıklamaya çalışır; yani, tüm değişkenler için ortak olan varyansı açıklayan boyutları tanımlarlar. Ortak varyans toplam varyanstan daha küçük olduğu için faktör analizi yöntemleri temel bileşenlere göre daha az varyansı açıklayacaktır.

Burada, ana eksen çözümündeki ilk dört faktörün toplam varyansın %56.475’ini, ana bileşenler çözümündeki ilk dört bileşenin ise toplam varyansın %69.058’ini oluşturduğunu görüyoruz.

Ayrıca, dördüncü ana eksen faktörü, dördüncü ana bileşen 1.095’lik bir özdeğerle gıcırdayarak geçmesine rağmen, çoğu araştırmacının alt sınırı olan 1.000’den önemli ölçüde daha düşük bir özdeğer sunar. Araştırmacıların temel bileşenler üzerinden faktör analizine yöneldiği ölçüde (bize göre bu konuda alan oldukça eşit bir şekilde bölünmüştür), bu araştırmacıların dört faktörlü çözümü terk etmeleri ve üç faktörü incelemeleri için muhtemelen yeterli olacaktır.

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Topluluklar

Değişkenler için Toplulukları sunar. Bunları temel bileşenler analizi için zaten tartışmıştık ve ana eksen faktör analizinde önemli farklılıklar görebiliriz. Temel eksen faktör analizinin ilk sütununda gösterilen başlangıç ​​toplulukları, temel bileşenler analizinde sahip olduğumuz 1.000’ler değil, belirli değişken ile diğerleri arasındaki R2’lerdir (çünkü burada ortak varyansa odaklanıyoruz).

Örneğin, bir çoklu regresyon analizinde diğer değişkenlerden cntrlcpi’yi tahmin etseydik, .515’lik bir R2 değeri elde ederdik. Bu Başlangıç ​​tahmini, Çıkarma sütununda sağlanan nihai bir tahmini ilişki gücüyle sonuçlanan yinelemeli bir süreç aracılığıyla yeniden tahmin edilir. Farklı faktör analizi prosedürleri, bu hesaplamalarda biraz farklı algoritmalar kullanır, ancak ana eksen faktoringi gibi faktör analizi prosedürlerinden türetilen topluluklar, genellikle temel bileşenler analizinden türetilenlerden daha düşük olacaktır.

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Bileşen/Faktör Korelasyonları

Bu analiz dizisinde çözmeyi umduğumuz sorunlardan biri, burada bir eğik döndürme stratejisinin uygun olup olmadığıydı. Gösterilen bileşen/faktör korelasyon matrisleri, bu sorunu çözmek için kullandığımız bilgileri sağlar. Aynı korelasyon modeli her iki tabloda da gösterilmektedir ve bu nedenle ana eksen faktör analizinden korelasyonları vurgularız.

Bazı bileşen/faktör çiftleri birbiriyle ilişkili değildir (örn., Faktör 2 ve 3, −.047’lik bir r değeri gösterir), ancak diğer çiftler nispeten yüksek düzeyde ilişkilidir (örn., Faktör 1 ve 2, .517’lik bir r değeri gösterir). .3’lerde veya daha büyük herhangi bir korelasyonun varlığı, eğik bir döndürmenin kullanımını destekler; bu nedenle, eğik olarak döndürülmüş çözüme dayalı yorumlama ile ilerliyoruz ve varimax (ortogonal) döndürülmüş bir çözüm izlemiyoruz (varimax ve promax rotasyonlarının yorumlarının çakışması muhtemel olsa da).

The post DÖRT FAKTÖR YAPISI – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).

Çocuk suçlu derecelendirmelerini açın ve ana menüden Analiz Et ➔ Tanımlayıcılar ➔ Çapraz Tablolar’ı seçin; bu, gösterilen Çapraz Tablolar ana iletişim penceresini oluşturur. Puanlayıcı1’i isteğe bağlı olarak Satır(lar) paneline ve puanlayıcı2’yi Sütun(lar) paneline taşıdık.

Çapraz Tablolar prosedürünün daha kapsamlı bir şekilde ele alınması Bölüm 63’te tartışılmaktadır. Bununla birlikte, biz sadece çıplak kappa istatistiğinden fazlasını elde etmek istiyoruz. İstatistikler düğmesinin seçilmesi, gösterilen İstatistikler iletişim penceresini açar. Koğuşlara kategori atamalarında değerlendiriciler arasında hiçbir ilişki olmadığına dair boş hipotezin bir testini sağlamak için Ki-kare’yi seçiyoruz ve Kappa’yı seçiyoruz çünkü bu analizin amacı bu.

Hücreler düğmesinin seçilmesi, gösterilen Hücre Görüntüleme iletişim penceresini açar. Değerlendiricilerin kategorilere nasıl totemler atadıklarına dair bir fikir edinmek için Sayımlar altında hem Gözlenen hem de Beklenen’i kontrol ederiz. Bunlar sırasıyla, kategori atamalarına karşılık gelen gerçek oranlayıcı frekanslarını ve sıfır hipotezine dayalı olarak beklenen frekansları sağlar. Ana iletişim penceresine dönmek için Devam’ı seçin ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTIĞI: KAPPA

Frekans Çapraz Tablosu, üst tablosunda gösterilmektedir. Her iki değerlendirici de tesis arazisinde tutulması ve topluluk içinde çalışmasına izin verilmemesi gerektiğine inandıkları 20 koğuşta anlaştılar; her iki değerlendirici de topluluk içinde çalışmak üzere tesisten ayrılmalarına izin verilebilecek 30 koğuşta anlaştılar. Ölçerimiz olarak basit puanlayıcı anlaşma yüzdesini kullanıyor olsaydık, 56 servisten 50’si bu puanlayıcılar tarafından 50/56 veya yaklaşık %89.3’lük bir puanlayıcı anlaşma yüzdesi için aynı şekilde değerlendirildi.

Sıfır hipotezinin ki-kare testi alt tabloda gösterilmiştir. Ki-kare 34.164 olarak hesaplanmıştır ve bir serbestlik derecesiyle (2 × 2 dizi için) istatistiksel olarak anlamlıdır (p < .001); Böylece, derecelendirmelerde hiçbir ilişkinin olmadığı sıfır hipotezi, puanlayıcılar tarafından sağlanan derecelendirmelerin birbiriyle ilişkili olduğu sonucuna varmaktadır.

Değerlendiricilerin yargılarının ne kadar güçlü bir şekilde ilişkili olduğu kappa katsayısı ile gösterilir. Kappa değeri .779’dur, hesaplaması tesadüfen bekleyeceğimiz frekans dağılımını istatistiksel olarak kontrol ettiğinden, düz uyuşma yüzdesinden belirgin şekilde daha düşük bir değerdir. İstatistiksel olarak anlamlıdır (p < .001).

Bu değeri makul bir anlaşma miktarını temsil ettiği şeklinde yorumluyoruz, ancak iki psikolog servisleri tam bir eşzamanlılık içinde değerlendirmedi ve eğer mümkünse, en azından bazı tutarsızlıkları çözmek için aralarında biraz tartışmaya çalışılmalıdır.

Temel Bileşenler ve Faktör Analizi

ANA BİLEŞENLERE VE FAKTÖR ANALİZİNE GENEL BAKIŞ

Temel bileşenler ve faktör analizi, nispeten daha büyük bir değişkenler setinin altında yatan nispeten az sayıda boyut veya temayı (bileşenler veya faktörler) tanımlamak için kullanılan bir açıklayıcı veri analizi prosedürleri ailesini içerir. Bu prosedürler, birkaç değişken arasında dağılmış az sayıda sentezleme yapısı bilgisini birleştirmenin yollarını temsil eder.

Bir anketteki bir dizi maddeye (örneğin, sağlıkla ilgili bir dizi konuda davranışı değerlendiren maddeler) veya önceden geliştirilmiş bir dizi ölçüme (örneğin, kişilik özellikleri) uygulanabilirler. Temel bileşenler analizinin ve faktör analizinin başlangıcını sırasıyla Karl Pearson (1901b) ve Charles Spearman’a (1904a) kadar takip edebiliriz. Temel bileşenler analizi, Harold Hotelling (1933, 1936) tarafından daha eksiksiz bir şekilde geliştirildi ve faktör analizi, öncelikle Louis L. Thurstone tarafından daha modern biçimine dönüştürüldü.

Temel bileşenler ve faktör analizlerinin her biri, değişkenlerin Pearson korelasyon matrisi ile başlar. Ortak amaçları, kapladıkları çok boyutlu uzay içindeki değişkenlere bir dizi ağırlıklı doğrusal fonksiyon (bileşenler veya faktörler) uydurarak bu matristeki varyansı hesaba katmaktır. Analiz iki ana aşamadan oluşur: çıkarma ve döndürme.

Temel bileşenler analizi ile faktör analizi arasındaki fark
Faktör analizi örnekleri
Açımlayıcı faktör analizi Nedir
Faktör analizi Nedir
Açımlayıcı faktör analizi yorumlama
Faktör analizi Makale
Doğrulayıcı faktör analizi örneği
Spss faktör analizi Nedir

Ekstraksiyon birkaç yöntemle gerçekleştirilebilir. Bu yöntem ana bileşenler olduğunda, analizi temel bileşenler analizi olarak etiketliyoruz. Temel bileşenler, kavramsal ve istatistiksel olarak çıkarma tekniklerinin en basitidir. Diğer yöntemler küme olarak faktör analizi teknikleri olarak bilinir; ana eksen, maksimum olabilirlik ve ağırlıklandırılmamış ve genelleştirilmiş en küçük kareler analizlerini içerir. Bu yöntemlerden biri kullanıldığında, tekniği faktör analizi olarak etiketliyoruz.

Hem temel bileşenlerde hem de faktör analizinde, boyutlar sıralı olarak çıkarılır (değişkenlerle maksimum düzeyde bağıntılı düz çizgi uydurma işlevleri) ve birbirinden bağımsızdır (diktirler). Böylece, ilk bileşen veya faktör, hangi varyansı yapabileceğini açıklayacaktır. İkinci bileşen veya faktör, açıklamak için kalan (artık) varyansı hedeflemelidir.

Üçüncü bileşen veya faktör daha sonra ilk ikisi tarafından açıklanmayan varyansı ele almalıdır ve bu böyle devam eder. Ortogonal oldukları için, ilk d boyutun açıkladığı kümülatif varyans miktarından bahsetmek için bileşenler veya faktörler arasında açıklanan varyans miktarını ekleyebiliriz.

Bileşenlerin ve faktörlerin ayıklanma şekli sayesinde, art arda çıkarılan her bileşen veya faktör, kendisinden önce çıkarılanlardan daha az varyansı açıklayacaktır. Genellikle olan şey, ilk birkaç bileşenin veya faktörlerin kümülatif olarak açıklanacak varyansın nispeten büyük bir yüzdesini oluşturacağıdır ve çoğu zaman hızla azalan getiri noktasına ulaşırız.

Y ekseninde açıklanan varyans miktarını, X ekseninde çıkarılan bileşenlerin veya faktörlerin bir fonksiyonu olarak çizecek olsaydık, Raymond Cattell (1966) tarafından bir dağılma grafiği olarak popüler hale getirilen geriye doğru J-şekilli bir işlev görürdük. Çıkarma aşamasındaki araştırmacıların amacı, döndürme aşamasına getirmek için makul miktarda varyansı kümülatif olarak açıklayan nispeten az sayıda bileşen veya faktör seçmektir; Buradaki uyarı, döndürme sürecinin sonunda bileşen veya faktör yapısının anlamlı bir şekilde yorumlanması gerektiğidir.

Çıkarma için geçerli olduğu gibi, döndürme birkaç yöntemle de gerçekleştirilebilir. Çıkarma aşamasının sonunda, bileşenler veya faktörler birbirine göre 90 derecede kesişiyor olarak düşünülebilir (90 derecede kesişirken ortogonaldirler). Bileşeni veya faktör yapısını döndürmek, değişkenler yerinde kalırken onu çok boyutlu uzayda döndürmek demektir.

Bu pivotlama, her bir bileşenin veya faktörün, o uzaydaki bazı değişkenlere daha yakın (daha güçlü bir şekilde ilişkili) olurken, aynı zamanda bazı diğer değişkenlerden (daha az güçlü korelasyonlu) olmasıyla sonuçlanır. Değişkenler ve bu amaca ulaşma çabasından kaynaklanan bileşenler veya faktörler arasındaki korelasyon modeli, Louis L. Thurstone (1947) tarafından ifade edilen orijinal fikirden sonra basit yapı olarak adlandırılır.

The post Temel Bileşenler ve Faktör Analizi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).