PCA: PCA

In stp4/stp25APA2: Resultate Formatiern

Description

Gestohlen von psych::print.psych.fa print.psych. Die Ergebnisse stimmen mit SPSS weitgehend ueberein. Ueberprueft habe ich das anhand der Daten vom Stampfl. mehr unter fkv

Interpretation:

KorrelationsMatrix: Korrelation von mindestens r=.30

Erklaerte Gesamtvarianz (Eigenwerte) Erkl<c3><a4>rte Gesamtvarianz => Kummulierte

Measures of Appropriateness of Factor Analysis KMO- und Bartlett-Test (partiellen Korrelationen zwischen Itempaaren) KMO: Minimum 0.50

Bartlett's test of sphericity (<c3><bc>berprueft die Nullhypothese, ob die Korrelationsmatrix eine Identitaetsmatrix ist.) gut ist wenn p < .050

Anzahl an Faktoren Faustregel nur Eigenwerte gr<c3><b6><c3><9f>er als eins (Kaiser-Guttman-Kriterium) oder Scree-Plot hier wird der charakteristische Knick als kriterium gewaehlt

Rotierte Komponentenmatrix (varimax)

Quelle: http://statistikguru.de/spss/hauptkomponentenanalyse/auswerten-und-berichten.html

Deutsch

Es wurde eine Hauptkomponentenanalyse durchgef<c3><bc>hrt, um die wichtigsten, unabh<c3><a4>ngigen Faktoren zu extrahieren. Das Kaiser-Meyer-Olkin-Kriterium war .867 und der Bartlett-Test hochsignifikant (p < .001), was eine ausreichend hohe Korrelation zwischen Items darstellt, um eine Hauptkomponentenanalyse durchzuf<c3><bc>hren. Nur Faktoren mit Eigenwerten <e2><89><a5> 1 wurden in Betracht gezogen (Guttman, 1954; Kaiser, 1960). Eine <c3><9c>berpr<c3><bc>fung des Kaiser<e2><80><93>Kriteriums und Scree-Plots rechtfertigte die Extraktion von zwei Faktoren, jeweils mit Eigenwerten <c3><bc>ber 1, die eine Gesamtvarianz von 60.45 aufkl<c3><a4>ren. Unter den L<c3><b6>sungen lieferte die Varimax rotierte zweifaktor-L<c3><b6>sung die L<c3><b6>sung, die am besten zu interpretieren war, bei der die meisten Items nur auf einen der beiden Faktoren hohe Ladungen zeigten.

English

We performed a Principal Component Analysis (PCA) to extract the most important independent factors. The Kaiser<e2><80><93>Meyer<e2><80><93>Olkin measure of sampling adequacy was .867, representing a relatively good factor analysis, and Bartlett<e2><80><99>s test of Sphericity was significant (p < .001), indicating that correlations between items were sufficiently large for performing a PCA. Only factors with eigenvalues <e2><89><a5> 1 were considered (Guttman, 1954; Kaiser, 1960). Examination of Kaiser<e2><80><99>s criteria and the scree-plot yielded empirical justification for retaining two factors with eigenvalues exceeding 1 which accounted for 60.45 of the total variance. Among the factor solutions, the varimax-rotated two-factor solution yielded the most interpretable solution, and most items loaded highly on only one of the two factors.

Principal() ist die Kopie von principal aus psych

Usage

PCA(x, ...)

Principal2(x, ...)

PCA2(x, ...)

Principal(x, ...)

## Default S3 method:
PCA(data, nfactors = 1, cut = 0.35,
  residuals = FALSE, rotate = "varimax", n.obs = NA, covar = FALSE,
  scores = TRUE, missing = FALSE, impute = "median",
  oblique.scores = TRUE, method = "regression", sort = TRUE,
  N = nrow(data),
  caption = "Standardized loadings (pattern matrix) based upon correlation matrix",
  ...)

Arguments

...	weitere Argumente wie: digits = 2 Number of digits to use in printing all = FALSE if all=TRUE, then the object is declassed and all output from the function is printed cut = NULL Cluster loadings < cut will not be printed. For the factor analysis functions (fa and factor.pa etc.), cut defaults to 0, for ICLUST to .3, for omega to .2. sort = TRUE Cluster loadings are in sorted order
data	Daten als data.frame
nfactors	Anzahl Faktoren default nfactors=1
cut	Cluster loadings cut= .30, < will not be printed.
residuals	Anzeige der Residuen default: FALSE
rotate	Rotation default = "varimax"
n.obs	default= NA
covar	default= FALSE
scores	default= TRUE
missing	default= FALSE
impute	Imputation default = "median" NA ist keine Imputation
oblique.scores	default= TRUE
method	default= "regression"
sort	default= TRUE
N	ist nicht zu <c3><a4>ndern

Value

HTML oder Test Output

Examples

pc <- principal(Harman74.cor$cov,4,rotate="varimax")
mr <- fa(Harman74.cor$cov,4,rotate="varimax")  #minres factor analysis
pa <- fa(Harman74.cor$cov,4,rotate="varimax",fm="pa")  # principal axis factor analysis

round(factor.congruence(list(pc,mr,pa)),2)
pc2 <- principal(Harman.5,2,rotate="varimax",scores=TRUE)
round(cor(Harman.5,pc2$scores),2)  #compare these correlations to the loadings
biplot(pc2,main="Biplot of the Harman.5 socio-economic variables")
APA2(pc)
APA2(mr)
APA2(pa)
APA2(pc2)


# -- Buehl Faktoranalyse Seite 475
## some(DF <- GetData("Raw data/FKV.SAV"))
# -  Freiburger Fragebogen zur Krankheitsverarbeitung
# #DF <- DF[,-1]
# APA2( ~., DF, test=T)
# library(arm)
# windows(5,5)
# corrplot(DF, abs=TRUE, n.col.legend=7)#  corrplot {arm}
# SaveData( )
# APA_PCA(DF, 5, cut=.35)
 
 

stp4/stp25APA2 documentation built on May 24, 2019, 9:59 p.m.