Это «сырая» вариация нагружающая каждую из осей, и доля вариации оси в суммарной вариации.
Традиционно строится диаграмма на которой смотрят наличие признаков «простой структуры». Определив сколько первых осей входят именно в «простую структуру» производят только их вращение, перераспределяя их суммарную вариацию. Критерий вращения — максимизация вариации вдоль векторов исходных переменных.
Так же в случае получения на такой диаграмме «прямой линии» падения вкладов осей делается вывод о полной случайности анализируемых показателей.
Собственно поиск «простой структуры» и заключается в определении где «прямая линия» белого шума переходит в нечто «обладающее формой». Можно рандомизацией исходного набора данных измерить что можно выяделить достоверно http://p2004r.blogspot.com/2011/04/blog-post.html .
Иногда наблюдается «экспоненциальный распад» и выбрать точку так просто нельзя, у нас «смесь систем» и надо ручками смотреть как выделенные оси друг с другом соотносятся. Например анализируем временной ряд и в нем надо выкинуть гармоническую компоненту, достаточно найти её компоненты и исключить, потом провести обратную проекцию.
То есть это «ёмкость» фазового пространства в котором расположена !траектория»-«состояния» изучаемой системы породившей набор данных.
2) Факторы это линейные оценки неких параметров исчерпывающе описывающих каноническую систему порождающую всю ковариацию измеряемых переменных. Выкидывать что либо можно только построив интервальные оценки параметров. «На глаз» неопытному человеку довольно трудно пользоваться даже всеми этими «осыпями» и «сломанными тростями». Это прежде всего эксплораторный метод анализа и экспериментатор должен смотреть «на картинку» ковариации, а не пялится на «циферки». Если модель созреет в результате разглядывания «картинки» ковариации, то всегда можно провести конфирматорный факторный анализ заложив в него свои наблюдения как гипотезу и получить вожделенную «циферку» (р psychologist
Потому что это стандартное отклонение корень из дисперсии, а не наоборот дисперсия (ковариация) первична во всей этой истории. А любая модель способна некую часть этой дисперсии объяснить. В том числе модель линейной регрессии которая и представляет из себя каждую выделяемую компоненту факторного анализа. Уравнение линии.
70% так же как понимаете r^2 — детерминация как детерминация. Дисперсия, вариация, ко вариация это все конфигурация точек измерений вокруг матожидания. Факторный анализ фактически проводит с этой конфигурацией простейшие геометрические преобразования. Все «корреляционные матрицы» и прочие «призраки» это всего навсего побочный продукт, никаких особых смыслов не несущие. Есть просто построение новой системы координат, единой и для выборочных значений и для показателей эти выборочные значения описывающих.
А чего 2 сразу?Я же пишу не чтобы пофлудить. Я пытаюсь осознать зачем нужна дисперсия ,как мера разброса для количественных шкал? Descriptive Statistics (Матрица) среднее \ Variance \ Std.Dev.
подчиняемый 5,3 / 12,8805263 \ 3,58894501
если с см правда неуместно, то вот пример из моего исследования. Что я могу сказать о дисперсии, она маленькая или большая?
Сообщение отредактировал psychologist — 25.03.2014 — 23:06
А чего 2 сразу?Я же пишу не чтобы пофлудить. Я пытаюсь осознать зачем нужна дисперсия ,как мера разброса для количественных шкал? Descriptive Statistics (Матрица) среднее \ Variance \ Std.Dev.
подчиняемый 5,3 / 12,8805263 \ 3,58894501
если с см правда неуместно, то вот пример из моего исследования. Что я могу сказать о дисперсии, она маленькая или большая?
Вам увы пока рано задавать вопросы, в хорошем вопросе всегда заключается не менее половины ответа В данном случае Вы волнуетесь вопросом «об этикетках», а речь шла о содержимом. Весь факторный анализ занимается анализом ковариации, частным случаем которой является вариация, для соотнесения которой в одномерном случае с матожиданием придумали стандартное отклонение. Поскольку ничего вменяемого Вы «про приборы» (шкалу измерения) опять не сказали, могу только ответить цитатой — «50».
На этот вопрос пытаются ответить расчетом коэффициентов вариации и осцилляции. На этом статистика заканчивается, и начинается теория относительности: два волоса на голове — это мало, а в компоте — много.
Сообщение отредактировал 100$ — 26.03.2014 — 08:53
ну вот, только хочешь развиваться, так тебе двойку ставят:). Открою небольшой секрет: у нас в ВУЗе так детально, когда представляешь результаты исследования, никто не будет спрашивать, а почему дисперсия такая, а почему df такое и так далее. Если используется сравнение, то ограничатся просмотром средних и сигм. Т.е. там все проще. Наверное, вы задали вопрос зачем в таком случае я всех достаю своими вопросами? Ответ на этот вопрос тоже простой: мне интересно и углубляюсь в детали не для кого-то , а для себя.
ЗЫ: шкала измерения количественная. Не ординальная, не абсолютная, не номинальная,а количественная.
Сообщение отредактировал psychologist — 26.03.2014 — 10:36
Эпиграф — . но чем, скажи, измеришь ты глубину Восточного океана? (С)
Просто бесценное уточнение. Это так толсто, что даже уже тонко!
ОРДИНАЛЬНАЯ ШКАЛА — Шкала, позволяющая устанавливать соотношение равенства, неравенства и последовательности между пунктами, при отсутствия точки отсчета и дистанции между ними.
АБСОЛЮТНАЯ ШКАЛА — вариант шкалы, предназначенный для измерения непрерывных свойств объекта, для которой выполняются все 4 типа отношений между числами и объектами: 1) эквивалентность, 2) порядок, 3) равенство интервалов и 4) равенство отношений. А. ш. имеет единственную нулевую точку, относительно которой определяются все остальные шкальные значения.
Количественная шкала — это шкала, для для измерения значений количественных переменных. К количественным шкалам относят интервальную шкалу и шкалу отношений.
Навеяло :
а) принадлежащих Императору, б) набальзамированных, в) прирученных, г) молочных поросят, д) сирен, е) сказочных, ж) бродячих собак, з) включённых в эту классификацию, и) бегающих как сумасшедшие, к) бесчисленных, л) нарисованных тончайшей кистью из верблюжьей шерсти, м) прочих, н) разбивших цветочную вазу, о) похожих издали на мух.
Вернемся к нашим баранам-шкалам. Так что коэффициент вариации будет забавно смотреться у шкалы интервалов. Сможете ответить почему?
psychologist 
