សមាសភាគសំខាន់

សមាសភាគសំខាន់ត្រូវបានផ្អែកលើការព្យាយាមដើម្បីពន្យល់ពីកម្រិតអតិបរមានៃខុសគ្នាក្នុងសំណុំជាក់លាក់មួយនៃអថេរនិងតម្រង់ទិសទៅធាតុក្នុងម៉ាទ្រីសជាប់ទាក់ទងអង្កត់ទ្រូង។ មានវិធីសាស្រ្តមួយទៀតគឺដោយផ្អែកលើការវិភាគកត្តាដែលមានបំណងអនុវត្តការប៉ាន់ប្រនៃម៉ាទ្រីសការជាប់ទាក់ទងដោយប្រើមួយចំនួនជាក់លាក់នៃកត្តា (តិចជាងចំនួនកំណត់ទុកជាមុនអថេរ), ប៉ុន្តែដោយវិធីសាស្រ្តនេះ approximation យ៉ាងខ្លាំងខុសពីវិធីសាស្រ្តដែលបានស្នើឡើងជាលើកដំបូង។

ដូច្នេះវិធីសាស្រ្តនៃការវិភាគកត្តានេះអាចពន្យល់ពីទំនាក់ទំនងរវាងអថេរដោយខ្លួនឯងនិងបានតម្រង់ទិសដៅនៅលើធាតុនៃប្រភេទម៉ាទ្រីសការជាប់ទាក់ទងគ្នានៅខាងក្រៅរបស់នាងតាមអង្កត់ទ្រូងនេះ។

ដោយផ្អែកលើការប្រើប្រាស់ជាក់ស្តែព្យាយាមយល់ពីភាពចាំបាច់នៃកម្មវិធីនៃវិធីសាស្រ្តពិសេសមួយ។ ការវិភាគកត្តា ត្រូវបានប្រើនៅពេលដែលមានការចាប់អារម្មណ៍ដល់ក្រុមអ្នកស្រាវជ្រាវសិក្សាពីទំនាក់ទំនងរវាងអថេរដែលបានវិភាគសមាសភាគសំខាន់ត្រូវបានប្រើនៅពេលដែលតម្រូវការក្នុងការកាត់បន្ថយវិមាត្រទិន្នន័យនិងដើម្បីជាវិសាលភាពតិចជាងការបកស្រាយរបស់ពួកគេត្រូវបានទាមទារ។

ពីបទពិសោធរបស់យើងយើងអាចមើលឃើញថាវិធីសាស្រ្តនៃការវិភាគកត្តាដោយប្រើចំនួនធំបានគ្រប់គ្រាន់នៃការសង្កេត។ ចំនួនទឹកប្រាក់នេះគួរតែជាគោលបំណងនៃការរ៉ិចទ័រខ្ពស់ជាងចំនួននៃកត្តាកំណត់មួយ។

សមាសភាគសំខាន់គឺការពេញនិយមយ៉ាងខ្លាំងក្នុងការស្រាវជ្រាវទីផ្សារ, ដូចដែលវាអាចត្រូវបានប្រើនៅក្នុងវត្តមាននៃទិន្នន័យប្រភព multicollinearity នេះ។ នៅក្នុងដំណើរការនៃការសំណួរស្រាវជ្រាវទីផ្សារមានសំណួរស្រដៀងគ្នានិងចម្លើយដើម្បីឱ្យពួកគេហើយនឹងគោរពតាមគោលការណ៍នៃ multicollinearity នេះ។

សមាសភាគសំខាន់គឺគួរពិចារណាសំណុំនៃសូចនាករដែលត្រូវតែមានសម្រាប់ការស្រាវជ្រាវនេះបានដឹកនាំមុនការជ្រើសរើសនៃសមាសភាគឬកត្តាមួយ។ សំខាន់បំផុតនៃការទាំងនេះគឺ eigenvalues កម្រិតនៃការសម្តែងនៃការបែកខ្ចាត់ខ្ចាយនៃអថេរត្រូវបានពន្យល់ដោយកត្តានេះ។ មានច្បាប់សំខាន់មួយនៃមេដៃដែលជាការមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការប៉ាន់ប្រមាណចំនួននៃកត្តានេះគឺ (កត្តាគួរតែមានជាយូរមកហើយដូចជាមាន eigenvalues ច្រើនជាងមួយ) ។ ច្បាប់នេះអាចពន្យល់បានថាមានភាពងាយស្រួលបន្តិច - eigenvalues បានបង្ហាញពីចំណែកនៃវ៉ារ្យ៉ង់អថេរដែលប្រក្រតីកត្តាពន្យល់, និងនៅក្នុងករណីនៃអង្គភាពរបស់ខ្លួនលើសពីពួកគេគួរតែបង្ហាញពីការបែកខ្ញែកអ្នកដែលមានអថេរច្រើនជាងមួយ។

វាគឺជាការចាំបាច់ដើម្បីបញ្ជាក់ជាថ្មីម្តងទៀតថាការគ្រប់គ្រងរបស់ "eigenvalues បុគ្គល" នេះ - ជាក់ស្ដែងនិងតម្រូវការសម្រាប់ការប្រើប្រាស់របស់ខ្លួនអាចត្រូវបានកំណត់តែប៉ុណ្ណោះដោយការស្រាវជ្រាវនេះ។ ឧទាហរណ៍ eigenvalue មានតម្លៃមួយតិចជាងការឯកភាពនោះទេប៉ុន្តែវាគឺដោយសារតែការរីករាលដាលចែកចាយរវាងអថេរនេះ។ មួយដែលមានជំនាញនៅក្នុងវិស័យនៃការធ្វើទីផ្សារគឺមានសារៈសំខាន់ណាស់ថាកត្តាការបែងចែកនេះត្រូវបានគេស្គាល់អត្តសញ្ញាណន័យច្រើន។ និងកត្តាទាំងនោះមាន eigenvalues នៃការច្រើនជាងមួយ, ប៉ុន្តែមិនមានការបកស្រាយអត្ថន័យពួកគេមិនយកទៅក្នុងគណនី។ ហើយវាអាចនឹងមានស្ថានភាពមួយដែលពិតជាផ្ទុយពីនេះ។

បញ្ហាសំខាន់មួយទៀតទាក់ទងនឹងការអនុវត្តជាក់ស្តែងនៃវិធីសាស្រ្តកម្មវិធីនៃការវិភាគកត្តានេះ - សំណួរនៃការបង្វិលនេះ។ វាអាចត្រូវបានចាត់ទុកការបង្វិលជម្រើសបែបនេះ។ ការពេញនិយមបំផុតរបស់ពួកគេ - វិធីសាស្រ្ត varimax ។ វាត្រូវបានផ្អែកលើកម្រិតអតិបរមានៃការបែកខ្ចាត់ខ្ចាយនៃអថេរលើកត្តាបុគ្គលនីមួយ។ វិធីសាស្រ្តនេះអាចជួយក្នុងការស្វែងរកការបង្វិលមួយដែលនៅក្នុងអថេរមួយចំនួនមានតម្លៃខ្ពស់ខណៈពេលដែលអ្នកផ្សេងទៀត - ទាបគ្រប់គ្រាន់ដើម្បីកត្តាបុគ្គលនីមួយ។

វិធីសាស្រ្តមួយផ្សេងទៀតនៃការបង្វិល - kvartimaks, វាអាចជួយក្នុងការរកឃើញការបង្វិលជាក់លាក់, នៅក្នុងការដែលកត្តាសម្រាប់អថេរបុគ្គលគ្នាដើម្បីឱ្យមានផ្ទុកទាំងពីរទាបនិងខ្ពស់។

ekvimaks វិធីសាស្រ្តការបង្វិលគឺមានការសម្របសម្រួលរវាងវិធីសាស្រ្តទាំងពីរបានពិភាក្សាខាងលើនេះ។

វិធីសាស្រ្តទាំងអស់នេះគឺយកពូថៅកែងកែងវិញទៅមក, ការប្រើប្រាស់របស់ពួកគេអាចនឹងត្រូវបានឆ្លុះបញ្ចាំងពីទំនាក់ទំនងរវាងកតា្តាបុគ្គលនោះទេ។