Principale componentenanalyse wordt gebruikt om data weer te geven in minder componenten dan waaruit de dataset oorspronkelijk bestaat. De componenten worden zo gekozen dat ze zoveel mogelijk variantie in de originele dataset verklaren.
b1p
(multivariate scheefheid) en b2p
(multivariate kurtosis), zoals aangegeven in Mardia (1970).Chi-kwadraat toets: De passing van het model wordt getoetst. Wanneer de toets significant is wordt het model verworpen. Houd in gedachten dat een chi-kwadraat benadering onbetrouwbaar kan zijn voor kleine steekproeven, en bij hele grote steekproeven kan de chi-kwadraattoets het model te snel verwerpen. Voor een verdere discussie over pas indices kan bijvoorbeeld Saris, Satorra, & van der Veld (2009) geraadpleegd worden. - Model: Het model dat uit de principale componentenanalyse is gekomen. - Waarde: De chi-kwadraat toetsstatistiek. - vg: Vrijheidsgraden. - P: De p-waarde.
markeren
in de uitvoer opties
.De screeplot geeft informatie over hoeveel variantie in de data wordt verklaard door elke component, door middel van de eigenwaarde. De screeplot kan worden gebruikt om over het aantal componenten in het model te beslissen. - Componenten: De componenten staan op de x-as. - Eigenwaarde: De eigenwaarden staan op de y-as, en geven aan hoeveel variantie door elke component wordt verklaard. - Data: De stippellijn representeert de data. - Gesimuleerd: De driehoekslijn representeert de gesimuleerde data. Deze lijn is indicatief voor de parallelle analyse. Wanneer de punten van de stippellijn (echte data) boven deze lijn liggen worden deze componenten meegenomen in het model door parallelle analyse. - Kaiser criterium: De horizontale lijn bij een eigenwaarde van 1 representeert het Kaiser criterium. Volgens dit criterium moeten componenten met een eigenwaarde boven de 1 worden meegenomen.
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.