说明
探索性因素分析(EFA)是一种用于
识别一组观测变量之间的潜在关系
数据集。特别是,efa试图建立一个观察到的
变量是一些未观测到的较小集合的线性组合,
潜在因素。生成的权重矩阵或因子载荷
从一个efa模型描述了
变量和潜在因素。
验证性因素分析(cfa)是一种密切相关的技术。
用于检验集合之间潜在关系的先验假设
观察到的变量。在cfa中,研究人员指定了预期的模式
因子加载(可能还有其他约束),并根据
符合本规范。
通常,在EFA或CFA模型中选择若干因子(k)
这样它就大大小于变量的数目。这个
因子分析模型可以使用多种标准进行估计
估计方法,包括但不限于minres或ml。
因子负荷与标准回归系数相似,且
对某一特定因素具有较高负荷的变量可以解释为
解释了这个因素变化的更大比例。在
对于efa,因子加载矩阵通常在因子之后旋转
分析模型是为了产生一个更简单,更易于解释的
结构以确定哪些变量加载到特定因子上。
两种常见的旋转类型是:旋转varimax旋转因子加载矩阵,从而
为了最大化平方载荷方差的和,而
保持加载矩阵的正交性。
promax旋转,一种用于斜旋转的方法,它构建
在varimax旋转时,但最终允许因子
相关的。
此包包含一个factor_analyzer模块,其中包含一个独立的
FactorAnalyzer类。类包括fit()和transform()
使用户能够执行因子分析和为新数据评分的方法
使用拟合因子模型。用户还可以执行可选的旋转
在因子加载矩阵上使用Rotator类。
以下旋转选项在^{tt3}中都可用$
以及Rotator:varimax (orthogonal rotation)
promax (oblique rotation)
oblimin (oblique rotation)
oblimax (orthogonal rotation)
quartimin (oblique rotation)
quartimax (orthogonal rotation)
equamax (orthogonal rotation)
此外,包还包括一个confirmatory_factor_analyzer
具有独立ConfirmatoryFactorAnalyzer类的模块。这个
类包括fit()和transform(),它们允许用户执行
验证性因素分析,并使用拟合模型评分新数据。
执行cfa要求用户预先指定一个模型规范
与预期的因子加载关系。这可以用
ModelSpecificationParser类。