1 / 79

心理学の基礎 (6) 因子分析の基本問題

心理学の基礎 (6) 因子分析の基本問題. 香川大学経済学部 堀　啓造 日本心理学会第回大会 ２０００年１１月６日. １．主成分分析・因子分析 （直交モデル）. 主成分分析はデータの集約 因子分析は潜在因子を仮定する この違いを示す。. データの作成. 全く相関しない乱数データを多数作る。 N=1000 　の変数を任意に作成する。 SPSS 使用 互いに独立な正規乱数生成マクロ http://www.ec.kagawa-u.ac.jp/~hori/spss/ spss.html#ranzero. Ｖ１. Ｅ１. Ｆ１因子. Ｖ２. Ｅ２. Ｖ３.

gratiana-hamsey
Download Presentation

心理学の基礎 (6) 因子分析の基本問題

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 心理学の基礎(6)因子分析の基本問題 香川大学経済学部 堀　啓造 日本心理学会第回大会 ２０００年１１月６日

  2. １．主成分分析・因子分析（直交モデル） • 主成分分析はデータの集約 • 因子分析は潜在因子を仮定する • この違いを示す。

  3. データの作成 • 全く相関しない乱数データを多数作る。 • N=1000　の変数を任意に作成する。 • SPSS使用 • 互いに独立な正規乱数生成マクロ • http://www.ec.kagawa-u.ac.jp/~hori/spss/ spss.html#ranzero

  4. Ｖ１ Ｅ１ Ｆ１因子 Ｖ２ Ｅ２ Ｖ３ Ｅ３ ＝０．６× ＋０．８× Ｖ４ Ｅ４ Ｖ５ Ｅ５ Ｖ６ Ｅ６ Ｆ２因子 Ｖ７ Ｅ７ ＝０．５× Ｖ８ ＋０．８７× Ｅ８ Ｖ９ Ｅ９ Ｖ１０ Ｅ１０

  5. 第１因子 compute x1=0.6**2. compute w1=sqrt(x1). compute w2=sqrt(1-x1). compute v1=w1*f1+w2*e1. compute v2=w1*f1+w2*e2. compute v3=w1*f1+w2*e3. compute v4=w1*f1+w2*e4. compute v5=w1*f1+w2*e5. 第２因子 compute x1=0.5**2. compute w1=sqrt(x1). compute w2=sqrt(1-x1). compute v6=w1*f2+w2*e6. compute v7=w1*f2+w2*e7. compute v8=w1*f2+w2*e8. compute v9=w1*f2+w2*e9. compute v10=w1*f2+w2*e10. 変数の作成(v1～v10)

  6. 相関行列 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V1 1.00 0.36 0.36 0.36 0.36 0.00 0.00 0.00 0.00 0.00 V2 0.36 1.00 0.36 0.36 0.36 0.00 0.00 0.00 0.00 0.00 V3 0.36 0.36 1.00 0.36 0.36 0.00 0.00 0.00 0.00 0.00 V4 0.36 0.36 0.36 1.00 0.36 0.00 0.00 0.00 0.00 0.00 V5 0.36 0.36 0.36 0.36 1.00 0.00 0.00 0.00 0.00 0.00 V6 0.00 0.00 0.00 0.00 0.00 1.00 0.25 0.25 0.25 0.25 V7 0.00 0.00 0.00 0.00 0.00 0.25 1.00 0.25 0.25 0.25 V8 0.00 0.00 0.00 0.00 0.00 0.25 0.25 1.00 0.25 0.25 V9 0.00 0.00 0.00 0.00 0.00 0.25 0.25 0.25 1.00 0.25 V10 0.00 0.00 0.00 0.00 0.00 0.25 0.25 0.25 0.25 1.00

  7. ０．３６＊５ ０．２５＊５ 1．００+０．３６＊４ 1．００+０．２５＊４

  8. 主成分分析を行う • FACTOR • /VARIABLES v1 to v10 /ANALYSIS v1 to v10 • /PRINT extraction • /CRITERIA MINEIGEN(1) ITERATE(25) • /EXTRACTION pc.

  9. sqrt(2.44/5)＝0.6985

  10. 因子分析はモデルをきれいに再現させた。 • 主成分分析はもとのモデルよりも負荷量・共通性とも大きくなる。 • 主成分分析がデータの記述であることを示すにはもう一つつっこむ必要がある。 • 変数の数を減らしてみる。 • v9,v10をカット

  11. 主成分分析と因子分析の違い • 主成分分析は関係する変数の数が変わると負荷量・共通性が変わる。　　　　　　　　→主成分分析は記述 • しかも，数値はその因子に関連する変数の数によって意味が違っていて，結果を誤読するおそれがある。 • 因子分析は関係する変数の数が変わっても負荷量・共通性の値は変化しない。

  12. ２．主成分分析と因子分析の直交解・斜交解 • 斜交解が適切な場合におこる問題を指摘し，斜交解が適切であることを示す。 • 特に主成分分析は斜交解が適切な場合におおきな問題を抱えている。回転をしない解の問題を指摘する。 • 斜交回転は 直接oblimin(0)

  13. compute a1=0.5. /*因子 compute a3=0.3. /*g compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v6=w1*f2+w3*f5+w2*e6. compute v7=w1*f2+w3*f5+w2*e7. compute v8=w1*f2+w3*f5+w2*e8. compute v9=w1*f2+w3*f5+w2*e9. compute v10=w1*f2+w3*f5+w2*e10. compute a1=0.3. /*因子 compute a3=0.3. /*g compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v16=w1*f4+w3*f5+w2*e16. compute v17=w1*f4+w3*f5+w2*e17. compute v18=w1*f4+w3*f5+w2*e18. compute v19=w1*f4+w3*f5+w2*e19. compute v20=w1*f4+w3*f5+w2*e20. exec. データの作成

  14. （ｓｑｒｔ（０．５）） Ｖ１ Ｅ１ Ｆ１因子 Ｖ２ Ｅ２ Ｖ３ Ｅ３ ＋０．７１× ＋０．４５× Ｖ４ Ｅ４ Ｇ因子 Ｖ５ Ｅ５ ＝０．５５× Ｖ６ Ｅ６ Ｆ２因子 Ｖ７ Ｅ７ ＋０．５５× Ｖ８ ＋０．６３× Ｅ８ Ｖ９ Ｅ９ Ｖ１０ Ｅ１０ （ｓｑｒｔ（０．３）） （ｓｑｒｔ（０．３））

  15. ｒ＝．４３３ ０．８９４＝ ｓｑｒｔ（０．３＋０．５） ０．７７５＝ ｓｑｒｔ（０．３＋０．３）

  16. 主成分分析をすると

  17. 一般因子がある場合，主成分分析（回転をしない本来のもの）は，意味もなく，２つの因子をひっつける。これは単に分散を最大化するためのもの。一般因子がある場合，主成分分析（回転をしない本来のもの）は，意味もなく，２つの因子をひっつける。これは単に分散を最大化するためのもの。 • だから，解釈する意味はないと考えたほうがいい。 • 実際にはいろんな複雑な関係があるから，解釈したくなる。 • 意味づけできるものでも分散最大化の人工的なものと抑える。

  18. ｒ＝．３９７ ｒ＝．４３３

  19. 主成分分析変数の数を減らす • 因子分析の負荷量は変化しないが， • 主成分負荷量は変化する。

  20. 主成分間相関・因子間相関 • 主成分分析 5+2 .383 • 主成分分析 5+5 .397 • 因子分析 5+5 .433 • 因子分析 5+2 .433 • 主成分分析の主成分間相関はもとのモデルを再現できないし，変数の数によって変化する

  21. Ｆ１ Ｖ１ Ｅ１ Ｖ２ Ｅ２ Ｖ６ Ｅ６ Ｆ２ Ｖ７ Ｇ因子 Ｅ７ ＝ Ｖ１１ Ｅ１１ Ｆ３ Ｖ１２ Ｅ１２ Ｖ１６ Ｆ４ Ｅ１６ Ｖ１７ Ｅ１７

  22. compute a1=0.6. /*因子 compute a3=0.3. /*g */ compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v1=w1*f1+w3*f5+w2*e1. V2～v5 compute a1=0.4. /*因子 compute a3=0.3. /*g */ compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v11=w1*f3+w3*f5+w2*e11.v12～v15 ４因子データ(2,4は前と同じ）

  23. 主成分を解釈したくなるが，あくまで分散最大化するためのもの主成分を解釈したくなるが，あくまで分散最大化するためのもの • 意味がなくても結合するのである。 • 但し，第１主成分は主として一般因子

  24. Varimax 回転と直接oblimin • Varimax 解には小さな負荷量がつく。 • 小さな負荷量であっても必ずしも無視できるものではない。

  25. 因子間相関 r=0.433

  26. Varimax 回転 直接oblimin

  27. 高次因子階層因子分析

  28. 階層因子 １次因子 変数 因子 変数 高次因子 変数 変数 因子 変数 変数

  29. 高次因子 • 因子間相関行列から計算 • 一般因子の負荷量の設定は同じ：sqrt(0.3)=0.548 • F1=0.577*0.949 ＝0.548 • F2=0.613*0.894 ＝0.548 • F3=0.655*0.837 ＝0.548 • F4= 0.707*0.775＝0.548 • 絶対量でなく比率

  30. 参考：Statistica の階層因子分析 変数大幅に省略（各因子の１変数のみ記載） sqrt(0.5)= 0.707 sqrt(0.4)= 0.632 sqrt(0.3)= 0.548 sqrt(0.6)= 0.775 sqrt(0.3)= 0.548

  31. 斜交の図（省略） • promax k の指定：３，４，６，８ 　　ｋが大きい方が単純解 • 直接oblimin γまたはδ＝０　指定 　　－方向は直交解に近くなる 　　＋方向はより斜交 　　０がもっともよい(promax よりも単純解）

  32. promax k=3 r=0.373 θ=68.1°

  33. promax k=4 r=0.428 θ=64.7°

  34. 直接oblimin γ=0 r=0.442 θ=63.7°

  35. 第２部　因子抽出法 (1) ＭＬ　最尤法 (2)ULS 最小２乗法＝反復主因子法 (3)　非反復法　（Kano, 1990; Cudeck,1991) Cudeck(2000)

  36. (1)最尤法（ＭＬ） (a)　多変量正規分布を前提 はっきりと正規分布からはずれる場合には使わない→最小２乗法 (b)　検定法がいろいろある→good (c)　変数が非常に多いときにはよくないかもしれない。Cudeck(2000)では５０以内。 (d)　不適解になる可能性が他の方法より多い→bad であり 診断としては good (e)初期値を変えたら不適解でなくなるかもしれない

  37. (2)最小２乗法(ULS) (a)　収束すれば反復主因子法，Minres などと同じ結果。 (b)　反復主因子法に比べ収束がはやい (c)　多変量正規分布の前提がない (d)　どの因子数でもそれなりにフィットする 　　　（これは欠点） (e)　不適解

  38. (3)不適解「共通性が１を超えました」 (a)　反復主因子法をやってみる　（不適解か？） (b)　非反復因子分析(Kano, 1990; Cudeck, 1991) (c)　不適解がどうして起こっているか検討する 狩野裕(1998).不適解の原因と処理：探索的因子分析　大阪大学人間学部紀要, 24, 303-327. (d)　因子数を減らしてみる (e)　その因子の変数の減（またはなくす） (f)　主成分分析または非反復の主因子法 (g)　その因子の変数増　（再調査） (h)　サンプル増（良性の場合）（再調査）

  39. 第３部　因子数の決定 　因子分析と主成分分析との違いは分かった。 しかし，因子数をうまく決定しないと因子分析は結局意味ないよ。 探索的因子分析なんて風水みたいなもんじゃない。

  40. １．因子数決定の主たる方法(1) 市川雅教,1990in 柳井・繁桝・前川・市川『因子分析ーその理論と方法』朝倉書店 (1)対角１の相関行列の固有値１以上の数 (2)相関行列の対角にＳＭＣを入れて固有値０以上の数 (3)スクリープロット (4)共通因子により説明される割合 (5)尤度比検定 (6)情報量AIC

  41. １．因子数決定の主たる方法(2) Cudeck, R. (2000). Exploratory factor analysis. In Handbook of applied multivariate statistics and mathematical modeling. Academic Press. (1)Eigenvalues Greater than Unity (2)Scree Test (3)Test of Exact Fit (4)Root Mean Square Error of Approximation (RMSEA)

More Related