0: Значит, сегодня у нас уже под запись, повторю, тема факторный анализ сегодня в основном теоретическая такая история. Работать будем стараться без перерыва, потому что чем быстрее закончим, тем, я думаю, нам всем будет интереснее.

1: Лучше, опять же, если эта запись будет потом куда-то выкладываться, она лучше пускай не будет большая чрезмерно. Значит, давайте поступим так из за того, что мы дистанционно.

2: Я демонстрирую, все, рассказываю, показываю. Если будут какие-то супер острые вопросы, ну, давайте, наверное, их печатать, писать. Я буду стараться отвечать из чата. Я думаю, что мне все это высветится.

3: Потом продемонстрирую тоже, как там, что работает на примере, на 2 примерах, на примере 2 методик, как что-то происходит. Дальше запись я отключу, и мы с вами побеседуем уже там при вклю.

4: Йены камерах, скажем так, значит, факторный анализ это 3 наш метод, многомерный многомерный метод анализа данных. Да, я напоминаю, что наши многомерные методы

5: Учитывая, что мы уже прошли регрессионный анализ, прошли кластерный анализ и, в общем, должны более или менее ориентироваться в этих многомерных методах, они у нас подразумевают, что мы

6: Используем уже данные методы не для проверки гипотез каких-то, а для того, чтобы оценивать, что находится в данных, то есть для оценки структуры данных. И из этого тоже можно делать выводы.

7: Сейчас сразу я, наверное, не буду рассказывать, для каких целей применяется факторный анализ. Просто сначала расскажу про него в целом. С 1 стороны, информации много. С другой стороны, в общем то, не так.

8: Так, чтобы было непосильно, значит, факторный анализ вообще, для чего он существует, есть такое определение, да, что если несколько признаков измеренных на группе индивидов изменяют

9: Согласовано, то можно предположить существование 1 общей причины согласованной изменчивости фактора как латентной, то есть скрытой, непосредственно недоступной к измерению переменной, что здесь написано по сути.

10: Ну, такими среднее сложными словами здесь написано, что если несколько переменных сильно коррелируют между собой, ну, вот у нас есть пространство данных наших, да, и там несколько переменных очень высоко коррелируют между со

11: Тобой там, ну хотя бы выше 0 5 они связаны друг с другом. Связаны они у нас значимо при условии, что измерены в шкале 1 разброса. И вот 1 группа переменных сильно коррелирует. 2 группа переменных сильно коррели,

12: Предположим, у нас с вами 50 переменных, из них 25 друг с другом сильно связаны, 25 других друг с другом тоже связаны между собой. Вот эти 25 и 25 либо не связаны, либо связаны как-то недостаточно, не

13: Значимо. Вот в таком случае считается, что эти 25 переменных имеют какую-то латентную причину этой связи. И вот эта латентная причина связи и называется фактором, соответственно, факторный анализ.

14: Ищет эти латентные причины согласованной изменчивости, то есть высокой корреляции между переменными, между группами переменных. И поэтому факторный анализ, когда он её находит, эту согласованную причину изменчивости

15: Он позволяет сократить пространство переменных, сократить наши данные. То есть, если у нас 25 переменных, это 1 фактор и 25 переменных это другой фактор. Мы из 50 переменных, по сути, получаем 2 фактора.

16: На что это похоже? Это у нас похоже на обычные шкалы методик. То есть у нас, допустим, есть с вами какие-то психологические методики, предположим, на, не знаю, акцентуации характера и вот мы за

17: Человеку вижу вопрос в чате. Сейчас я договорю и прочитаю его, если мы задали человеку 50 вопросов, а потом получили 2 шкалы. Собственно, все это сделано, потому что когда-то на этом провели факторный анализ.

18: Анализ. Значит вопрос в чате почти тоже, что и кластерный, да, они очень сильно похожи. Различие основное в том, что кластерный анализ чаще всего используется для разделения людей на подгруппы.

19: А вот факторный анализ используется для разделения переменных на шкалы по смыслу одно и то же. Это группировка, это группировка, классификация. При этом, ну, наверное, справедливо будет заметить, правильно будет.

20: Рассказать об этом, что кластерный анализ тоже можно использовать для деления переменных, но это будет только с целью получения этой факторной структуры, ну, когда факторного анализа ещё как такового.

21: Не было. Он был так в проекте, в разработке он кластерный анализ как-то так использовали для получения факторной структуры. А потом, когда уже факторный анализ полностью вошёл в оборот, стало уже

22: Незачем. То есть для получения факторной структуры это очень такая бедная оценка в рамках кластерного, поэтому уже никто как бы об этом и не помнит. Но на самом деле кластерный анализ можно разделять и по переменным, и по людям просто так вышло уже

23: Сейчас, что факторный прям отпочковался и он уже прям специально предназначен для деления переменных на части, на подгруппы. И вот любая методика, которой

24: Вы пользуетесь практически любая, по моему, кроме теста векслера, да, это Векслер у нас, да, сказал, могу ошибаться. Но, в общем, 1 из Тестов интеллекта был, когда апробирован. Он был апробирован без факторного анализа.

25: Потому что автор этого теста сказал, что, в общем, мой тест измеряет то, что измеряет, оказался в целом прав. Не знаю, он как бы на шару это сказал или был уверен в том, что он говорит, но в общем и целом,

26: Действительно оказался прав. А вообще все методики, особенно в современном мире, когда этих методик стало очень, очень много, все методики проходят процедуру апробации при помощи факторного анализа. Поэтому, когда вы проходите, любой опросник и полу,

27: Получаете шкалы, там будь то опросник на выгорание, да, у нас там 3 шкалы. И в зависимости от того, какой опросник, там, порядка 80 вопросов, собственно, 80 вопросов и 3 шкалы, соответственно, 80 / 3, вот эти 3 под

28: Группы переменных сильно связаны друг с другом и это когда-то получили при помощи факторного анализа. А теперь вам конкретно говорят, какие вопросы входят, в какую шкалу и что с чем суммировать. Но при процедуре апробации провели факторный анализ для этого. Вот так

29: Собственно, долго и пространно я объясняю назначение факторного анализа это ещё не все объяснение, поэтому сразу не пугайтесь, теоретическая часть сейчас будет продолжаться и, в принципе будет включать в себя постоянные отсылки.

30: Потом на практической тоже будут отсылки к теоретической. Собственно, здесь вот то, что я и говорила, выведено на слайде, что цель факторного анализа это уменьшить размерность исходных данных, то есть из большой такой

31: Таблицы сделать поменьше, когда будете проводить своё исследование. Правда, это будет попозже для вас. На 4 курсе. Вы увидите, вы будете подсчитывать эти шкалы, значит, вопрос в чате при процедуре апробации. Поняли?

32: Что фактор это выгорание в этом случае, если мы говорим про методику на выгорание изначально, ну, человек, когда делает вопросы, допустим, сел автор понимает, что вот когда-то давно, что

33: Нету у нас, допустим, методики на измерение выгорания. И тут 2 способами. Либо он сильно в себе, уверен, начинает сам придумывать вопросы, которые как бы опосредованно будут, ну, там, с учётом его теоретических каких-то знаний, опосредованно

34: Будут как-то выяснять выгорание там, допустим, редукция личных достижений, да, что ещё входит в выгорание, эмоциональное выгорание, там, профессиональное выгорание и так далее. Деперсонализация, по моему, входит, ну то есть он

35: Уже теоретическую конву имел и под эту конву подводил какие-то вопросы либо он, допустим, изучил много литературы, много каких-то анкетных вопросов, насобирал все воедино и уже тоже предполагал какую-то структуру без предположения, какой-то Струк.

36: Структуры довольно сложно понимать, да, то есть он не рандомные вопросы взял, он брал вопросы, это любой исследователь не только в примере с выгоранием берут вопросы, которые, в принципе, вот

37: Знает он дефицитарную область, где не хватает инструментов, и пытается разработать свой инструмент, и долгую процедуру апробации проводит. И да, в данном случае вот у него может быть 80 этих вопросов, он может предполагать, что у него, не знаю,

38: С 1 по 10 вопрос, направленный на анализ получения там балла за редукцию личных достижений, а по факту может получиться по другому. И да, вы при помощи факторного анализа действительно понимаете

39: Че, в какую шкалу входит? Но называете эту шкалу вы сами. То есть вам математика никак не поможет вам математика покажет, какие вопросы работают, допустим, на 1 фактор. А вот что будет этим 1 фактором? Вы прочита.

40: Эти вопросы, которые задавали и сами придумайте, собственно, и это может быть такой точкой не преткновения, не роста, да, а такой точкой, в которой можно очень много ошибок совершить, потому

41: Потому что интерпретация это единственное, чему нельзя научить, собственно, вот именно в факторном анализе. Значит, тогда, когда этих дефицитарных областей было много, было просто сейчас дефицитарных областей мало, и поэтому люди, как правило,

42: Адаптируют какие-то опросники, в общем то уже готовые, допустим, на англоязычные выборки адаптируют для русскоязычной и тоже немножко там вопросы могут плясать из фактора, а

43: Или вообще не входить и не работать на русскоязычной выборке. Допустим, значит, вопрос в чате разница с альфа кронбаха, в чем тогда, если и то и то согласованность измеряет. Нет альфа кронбаха.

44: Он измеряет надёжность данных, да, согласованность, что они направлены на одно и то же. Но альфа кронбаха сам по шкалам не распихивает, а факторный анализ сам по шкалам, да, то есть альфа кронбаха, вы уже туда помещаете вопросы. То есть, если

45: Если мы говорим про факторный анализ, то альфа кронбаха делается после факторного анализа, то есть сначала факторный анализ, а потом альфа кронбаха. Значит, во первых, наверное, надо сказать сейчас, что существует эксплораторный

46: Конфирматорный факторный анализ, эксплораторный означает поисковый. То есть мы ищем, что есть. Мы задали человеку 100 вопросов, мы там, может быть, что-то предполагали, а может ничего и не предполагали по структуре. И дальше смотрим, как они

47: И там, на выборке, эти 100 вопросов распались на факторы. Дальше, после того, как мы получили, предположим, очень красивую структуру, что с 1 по 25 это 1 фактор, с 26 по 5.

48: 10, 2, с 51 по 75, 3, да, и с 76 по 100, 4 фактор. И вот только после этого мы пользуемся альфа кронбаха, мы сегодня на это тоже посмотрим и смотрим, как

49: Согласованы вопросы. Мало того, что они попали в 1 фактор, так мы ещё и смотрим, как они согласованы. Это если мы делаем эксплораторный анализ, сами что-то ищем. Но есть случаи, когда у нас конфирматорный фактор.

50: Анализ конфирматорный означает подтверждающий. Соответственно, вы получили уже какой-то опросник его в америке, например, да, активно используют в Японии. Неважно. Там, где в Китае активно используют, показывают хороший

51: Там результаты, а у нас в России такого инструмента нету. И вы, значит, поняли, что это дефицитарная область, и начали апробировать. Перевели как-то опросник, да, согласно всем правилам, может быть с подключением психолингвистов и так далее перевели.

52: Собрали выборку, там для вообще апробации нужна выборка побольше, желательно, но есть пилотная апробация. В общем, пускай так, минимум, там в районе 200 человек вы собрали. Значит, есть вообще.

53: Правило, что минимальное количество респондентов при апробации, да, для проведения факторного анализа должно вдвое превышать количество вопросов. Поэтому, если у вас 100 вопросов, да, вам нужно минимум 200 человек, а лучше больше

54: Значит, собственно, собрали вы все это количество людей и уже знаете, что с 1 по 25 это 1 фактор. И конфирматорного подтверждаете. Следующая ситуация, когда у вас просто вот то, что мы видим,

55: В разборе статей, да, такая модная история альфа кронбаха. Пихают везде. Собственно, мы взяли какой-то опросник, уже тоже апробированный, адаптированный, и не наша задача его факторизовать, да, но мы провели что-то на своей выборке.

56: И мы хотим немножко выпендринуться, значит, и проводим альфа кронбаха уже по готовым шкалам. То есть мы знаем, что в 1 шкалу входит с 1 по 25 вопрос, и мы туда помещаем эти с 1 по 2

57: 25 вопрос. И смотрим, как они коррелируют друг с другом. И если альфа кротаха хорошая, а хорошее это больше 0 6. Ну, это, в общем, аналог коэффициента корреляции, только лежит он в положительной плоскости, да, то есть от нуля до единицы.

58: И видим мы, что у нас такая хорошая корреляция выше средней. Мы говорим, что вот альфа кронбаха на нашей выборке составляет, допустим, 0 8 или 0 9. То есть мы говорим, что опросник на нашей выборке тоже сработал здесь.

59: Вопрос в том, зачем? Да, но я не осуждаю, да, то есть тут, как сказать, очень многие в последнее время делают, может быть, в этом есть какая-то скрытая история, которую я пока не понимаю. Есть некоторые случаи.

60: Когда, допустим, опросники, ну, не классические, мягко говоря, и, да, надо там, или выборка не классическая, что чаще всего бывает, допустим, опросник часто использовался на норме. А вы хотите пойти, допустим, к клиничес?

61: Выборки, да, и тогда вы можете сказать, что вот у нас альфа кронбаха на клинической выборке 0 8, да, тогда как, допустим, на выборке условной нормы у нас было там 0 9, допустим, вы говорите, что да, я могу его использовать

62: Тогда это оправдано действительно, потому что адаптация на каждой подвыборке обычно должна проводиться отдельно, а здесь такой скромный способ, как бы не проводя адаптацию, сообщить о том, что опросник тоже сработал. И, в общем, вы его

63: Оправданно используете. В общем, поэтому, ещё раз резюмируя сказанное альфа кронбаха это анализ надёжности и делается он либо независимо, либо уже после факторного анализа, как

64: Проведённого вами так и проведённого не вами, то есть адаптированным опросником использовал используемый. И в общем то, да, сейчас это вообще очень популярно почему-то, значит, процедура факторного анализа

65: Мы уже постановили, что позволяет свести большое число переменных к меньшему числу переменных. И, в общем, так как факторный анализ у нас тоже придуман не для социальных исследований, поэтому здесь много времени отводится.

66: Тому, чтобы рассказывать про то, как в социальных исследованиях это происходит. Значит, здесь мы видим рисунок. Он изначально не самый, наверное, так я здесь его не могу редактировать. Не самый, наверное, хороший, потому что я расположи

67: Зачем-то их по мере возрастания, по сути, давайте распредметить и представим, что здесь не x, 1, x, 2, икс 3 они все вперемешку допустим, x, 1, x, 8, там x.

68: 5 вошли в фактор 1. То есть вот эти иксы, все это наши переменные, это вопросы, которые мы задаём респонденту для нас, да, это наши переменные, потому что мы говорим про психологию, там, про психологию, может про социологию где-то

69: Собственно, для нас это наши вопросы. Тоже самое, что было в регрессионном анализе, мы их тоже там иксами, вот эти независимые переменные вопросы отмечали. Значит, для нас это именно те вопросы, которые мы задаём. Допустим, я

70: Люблю ходить на вечеринки, да, я там ненавижу людей, да, и так далее. Значит, вопрос в чате. Корреляция высокая между переменными должна быть или между переменными и латентной переменной. Так, здесь у нас

71: Возникло недопонимание. Возвращаюсь на следующий слайд. Корреляция высокая, может быть только между переменными. Латентная переменная глазу невидима. То есть она поэтому и существует, как бы мы её пытаемся найти, потому что между перемен

72: Которые изначально есть физически мы их собрали. Переменные для нас это те вопросы, которые мы задали респонденту. Вы же наверняка уже проходили методики сами. И не раз, да, раз вы поступили, в общем, на психологию, я думаю, что, во первых, сами проходили, во вторых,

73: Уже может какие-то преподаватели вам это давали просто любой опросник, вы отвечаете на вопросы, и каждый вопрос этого опросника для вас это переменная, а латентную переменную вы не видите. То есть та шкала, которую вы получа

74: Потом в конце она считается как бы скрыта от вашего глаза. Соответственно, давайте сейчас сразу приведу, покажу. Так, это не то, что я хотела бы вам показать. Сейчас, 1 секунду.

75: Вроде открывала, но не открыла. Значит, из недавних. Вот смотрите, вот, допустим, то, с чем мы будем дальше с вами работать. Вот вопросы для меня более комфортно со

76: Взаимодействие онлайн, чем лицом к лицу сейчас запустим.

77: Дальше, когда я не бываю онлайн, какое-то время меня начинает беспокоить мысль о выходе в сеть. Вот, собственно, вот эти вопросы в количестве 14 штук это наши переменные, а вот это уже посчитано.

78: 5 шкал в каждую шкалу входит какое-то количество вопросов. Вот эти шкалы это и есть факторы, латентные причины совместной изменчивости каких-то вот этих вопросов совместной изменчивости означает

79: Корреляции. В нашем случае вопрос в чате. А у вас не видно вопросы? Не видите вопросы и шкалы? Так останавливаю демонстрацию и снова её открываю.

80: А сейчас напишите мне кто-нибудь.

81: Так, а сейчас видно хорошо, тогда начинаем заново. Значит, вот они вопросы. Для меня более комфортно социальное взаимодействие онлайн, когда я не бываю онлайн какое-то время, да, то, что я зачитывала вот эти 14 вопросов, я их специально выделила.

82: По цветам. А вот у нас 5 шкал, которые посчитаны. Вот чтобы определить эти 5 шкал, была проведена факторизация, и мы с вами сегодня проведём факторизацию по этим вопросам и попробуем получить

83: Те же самые 5 шкал, например. Смотрите, 1 шкала у нас называется предпочтение онлайн общению. Значит, сюда входит вот эти вопросы я выделяю и вижу, что вопрос 1 получается, да, вопрос 3. И

84: Вопрос. Ну, видимо, это 12, значит, давайте их прочитаем. Да, по формулировке они должны быть направлены на одно и то же. Значит, 1. Мы уже читали, что более комфортно взаимодействие онлайн, чем лицом к лицу.

85: Дальше предпочитаю общаться с людьми онлайн, опять же, чем лицом к лицу. Это специально перефразированные вопросы иногда используют. Предпочитаю социальные взаимодействия, чем общение лицом к лицу. Ну, такой опросник в лоб. Тут мы понимаем, что везде онлайн предпочти,

86: Почитается общению лицом к лицу. И поэтому здесь, в общем то, и получена 1 и та же латентная причина их изменчивости. Вот, допустим, если мы сейчас смотрим, вот у нас 1 человек, ответил 1.

87: 1. Нет, 1, 1 вот здесь вот и 1 балл. Ну, соответственно, корреляция стопроцентная для этого 1 человека. 2 человек. Он ответил 5. Он ответил 3, и он ответил опять 5. Ну, тоже корреляция.

88: Как единице и так далее. То есть, таким образом, уже на пространстве переменных наш факторный анализ определяет, какие переменные больше друг с другом связаны, какие мень

89: Но мы латентные причины не видим, поэтому они латентные, латентные означает скрытый. Да, в общем то, поэтому мы их сразу и не видим. Мы их ищем изначально. Поэтому сама переменная с латентной причиной.

90: Она связана, конечно. И мы об этом тоже поговорим, да, как она связана? 1 переменная будет больше так же организм играть на фактор, a2 переменная будет меньше играть на фактор. Вот эта игра и есть связь, да, то есть какая-то переменная будет.

91: Вообще практически полностью определять это определяется весом переменной в factory, но мы с вами чуть позже об этом подробнее поговорим, пока логически продвигаемся чуть медленнее, значит вот эти иксы и есть наши вопросы, то есть.

92: Если я сейчас открываю опять эти данные, да, чтобы примерно уже понимать, о чем мы говорим. Вот наши иксы, вот наши вопросы, собственно, наши, ф, это наши шкалы, то есть факторы, то

93: Что, ну, для нас это шкалы, а в математике это называется факторы. То, что мы с вами глазом не видим, и то, что объединяет их вместе по корреляциям, это латентная причина, а вот эти ёшки, мы их определять можем только

94: В конфирматорного орном анализе это называется уникальный индивидуальный фактор. И как раз-таки, о чем мы говорим? О связи переменной с латентной причиной, да, то есть с фактором то, что Влада вы спрашивали,

95: Соответственно, вот этот момент определяется 2 понятиями понятием общности и характерности общность это сила связи каждой переменной с фактором, а характерность это её.

96: Индивидуальная изменчивость, индивидуальный фактор. Мне когда-то хорошо очень зашёл пример с ребятами, там в 1 или 2 год. Я уже не помню по поводу того, что значит

97: Общность и характерность. Вот у переменной есть 100% дисперсии. Общность это то, как она, эта дисперсия, регулируется фактором. Характерность это то, как регулируется стахо.

98: Этическими причинами другими какими-то. И был пример у кого-то из ребят, да, о том, что переменная это подросток, общность, фактор это какая-то плохая компания, характерность, ну это характер подростка.

99: Соответственно, общность фактором, это то, насколько плохая компания влияет на подростка. А характерность это то, насколько он сам индивидуален. Соответственно, если этот пример кому-то поможет, пользуйтесь, если не поможет, в общем, за

100: Будьте, значит, по правильному можно сказать именно про то, что у переменной есть дисперсия, и эта дисперсия может быть определена влиянием фактора в контексте большого количества переменных, а может быть определён.

101: На другими стохастическими причинами, да, кучей всего. То есть, если я спрашиваю у человека, любит ли он вечеринки, он не обязательно сразу интроверт. Да, вопрос входит, например, в шкалу интроверсии. Не обязательно человек интроверт.

102: Если он любит вечеринки, человек может просто не любить вечеринки, да, человек может просто, допустим, не знаю, не любить громкую музыку, там, не любить чужих людей и так далее. Значит, итоговая.

103: Название фактора, вопрос в чате определяется, определяет экспериментатор на своё усмотрение. Да, если мы говорим про эксплораторный факторный анализ, да, то есть поисковый просто автор

104: Исследователь читает вопросы, которые вошли у него там в 1 фактор. И, ну, пытается понять, как это называется. Как правило, вообще исследователь заранее предполагает, что он хочет измерить, поэтому у него есть какие-то мысли, да, из разряда, что вот это

105: Это может быть экстраверсия, и он смотрит вот эти вопросы, входят в шкалу экстраверсии или не входят в шкалу экстраверсии если мы говорим про confermato факторный анализ, сразу понятно, потому что это уже когда-то кто то до вас поисковым факторным анализом.

106: Выделил, а вам надо только подтвердить эту структуру, да, потому что, повторюсь, confermato ный, подтверждающий ну, собственно, как-то так. Сейчас у нас закончится этот zoom, мы переключимся и начнём уже.

107: С новой точки какой-то, да, будем изучать с вами задачи факторного анализа. Хотя мы уже много об этом поговорили, да, что нам нужно структуру взаимосвязи переменных, как-то найти, идентифицировать факторы, то, о чем вы спраши.

108: Значит, остановились на том, что

109: Идентификация факторов как причина взаимосвязи переменных, значит, и про идентификацию, про название, да, то есть то, о чем, во первых, в чате спрашивали на прошлой части и

110: То, в общем, о чем я тоже в начале, в самом сказала, интерпретация, да, та часть, которой нельзя научить. Ну и, собственно, вычисление значений, факторов как новых переменных. Вот об этом стоит сказать отдельно.

111: Почему? Потому что вот это вычисление значений факторов, оно в факторном анализе делается 1 способом. А когда мы потом получаем шкалы, мы делаем другим способом. И пока

112: Принято какого-то единого решения, да, на этот счёт, но на самом деле вы должны знать пока что. То есть. Ничё с этим делать не надо, но знать это надо, значит, что касается

113: Что касается, так, 1 секундочку. Угу. Все. Значит, что касается того, как получается оценки факторов в факторном анализе, они получаются при помощи

114: Регрессионных коэффициентов, с которыми вы уже знакомы. То есть у нас, давайте вспомним понятие коэффициент множественной корреляции, да, коэффициент множественной детерминации нам здесь не нужен. И, собственно, наши вот эти факто

115: Оценки мы на них тоже посмотрим и станет яснее и понятнее получаются при помощи учёта коэффициентов множественной корреляции. То есть вот этих вопросов между собой 1, допустим, 3 и 12 в данном

116: Случае учёт корреляции между ними и учёт ещё и дисперсии. А шкалы мы подсчитываем путём простого суммирования. Видите, здесь формула суммы у нас, если мне удастся, да, мне удалось приблизить, это успех.

117: Собственно, вы видите, что это просто сумма. И поэтому, конечно, есть разница между тем, какую дисперсию мы получаем, когда получаем факторные оценки при помощи регрессионного коэффициента, коэффициента множественной корреляции. И так

118: Далее. И когда мы просто суммируем, то есть сколько дисперсии мы теряем, на каком шаге я вам покажу, я вам сегодня ещё покажу большую пятёрку и вы посмотрите, как в целом скромно

119: На дисперсию работают наши опросники. То есть мы, в принципе, их заявляем как опросники, там измеряющие, допустим, у всех подростков интернет зависимость или у всех людей личностные черты, а получаем по факту дисперсии, там, не знаю,

120: 50%, дай Бог, соответственно, работает это не на всех. А если, ну, как-то грубо сказать, ну, на 50%, допустим, как-то так. То есть, это, конечно, не прямая связь, нельзя так говорить, я огрубляю сейчас здорово, но

121: В общем и целом, когда мы получаем, что вот этот фактор, там в него входит 12 вопросов каких-то и все это работает для 50% дисперсии, мы опять же должны немножко

122: Как это сказать? Моё любимое выражение немножко сбивать пафос, да, с вот тех выводов, которые мы делаем, потому что очень часто мы приходим там с каким-то разработанным супер пупер опросником и говорим, что он идеален, а по факту там

123: Там, не знаю, 30% дисперсии. И, соответственно, это не самый хороший вариант. Значит, следующий момент, который хотелось бы отметить, когда речь идёт о confermato ном, например, факторном анализе, мы его

124: Не проходим в рамках нашего курса, но, в общем то, по всем правилам нам, конечно, после эксплораторного, даже проведённого нами самими, надо провести ещё e confermato й факторный анализ.

125: Потому что только он позволяет вот с этими остатками работать, да, с этими уникальными индивидуальными факторами. И вот работа с этими уникальными индивидуальными факторами может дойти до маразма. Есть такая история про большую пятёрку, например, она

126: Все равно работает, да, то есть это не в рамках её критики какой-то, но очень многие люди говорят о том, что у них не подтверждается факторная структура большой пятёрки. Это касается не только большой пятёрки, это касается на самом деле.

127: Очень многих опросников не подтверждается, а правило хорошего научного исследования это создать все условия для того, чтобы любой учёный в любой точке мира при желании смог повторить вашу работу. Соответственно, некоторые

128: Исследователи очень много вот эти ёшки можно перемножать, их можно удалять, их можно ставить в пары друг другу, их можно бесконечно вообще менять местами. И факторные оценки. Факторный анализ.

129: Из за этого меняется и факторная структура из за этого меняется. Я не говорю, что это какие-то изменения, там от 30% дисперсии к 90. Нет, такого быть не может, но все равно иногда

130: Да, случаются такие, в общем то, я сама делала такие случаи, да, когда я сама не могу вспомнить, что я там перемножила, чтобы повторить за собой же, да. Соответственно, иногда вот входишь в раш, начинаешь

131: Там что-то делать и соответственно я сама за собой повторить не могу, я уж молчу про то, что кто-то там другой пытается воспроизвести мою факторную структуру. То есть это все вы должны понимать, когда любой опросник даёте своим респондентам, когда

132: Сами что-то апробирует. Вот это с 1 стороны, да, полезно знать. С другой стороны, ну тоже, чтобы это не вышло. Так что обесценится в целом работа нет, работа, в общем то, хорошая.

133: Которая проводится, она видна всегда. И есть факторные структуры, которые изначально чистые на 80% дисперсии. Мы всегда помним про выбросы, да, мы помним про то, что в выборке может оказаться дед там и так далее, да, то есть мы об этом, обо всем

134: Всегда помним. И поэтому, например, там 70, 80% дисперсии это хорошо, потому что нормальному распределению у нас соответствует, да, что у большинства там 68 и так далее. Да, это большинство у нас про

135: И, в общем то, поэтому дисперсия от 50% считается хорошей для факторного опросника, для факторной структуры опросника и дисперсия там выше 70%. Это вообще практически идеальная

136: Хотя 1 раз это был не мой опросник, я помогала коллеге. То есть человек, в общем, в статистике не сведущ, но вот когда есть хорошая теоретическая база, в общем, оказал.

137: Опросник буквально из 20 вопросов распался на 4 шкалы. Идеально, как он и предполагал, и дисперсии там оказалось порядка 90%. То есть вот такое было удивление по поводу таких хорошо.

138: Подобранных вопросов, там была огромная теоретическая работа до этого проведена. То есть анализ вообще большого количества статей, где, какие вопросы работали, перефразирование этих вопросов. Ну, наверное, где-то вот учебный

139: Год был потрачен на это, то есть там порядка 9 месяцев на то, чтобы выбрать 20 вопросов, которые будут отвечать его запросу. И, соответственно, это было проведено и факторная структура была получена хорошая.

140: Поэтому вот этот момент такой воодушевляющий немножко, что не на отвали, да, это надо делать. Значит, про последовательность этапы факторного анализа. Во первых, вычисление корреляционной матрицы изначально мы видим

141: Вот наше пространство переменных, как проходит факторный анализ, это не вы делаете, не вы вычисляете. Хотя, если у вас есть интерес, пожалуйста, да, вот у меня, например, был интерес, я, когда факторный анализ 1 раз прошла именно на

142: Не на математических данных, на математических это не так весело, а на людях, да, то есть человеческие вот эти результаты математика, то в целом просто цифры, которые могут быть рандомно сгенерированы. И, в общем, это

143: Че не носит? А здесь у нас за каждой цифрой стоит человек, да, не побоюсь этого слова. И, в общем то, было, конечно, очень интересно, как-то эмоционально окрашено, да, что там происходит. Вот. И в общем то, вот.

144: Эту историю я очень долго проделывала. То есть я проверяла факторный анализ, я как-то там че то предполагала себе. То есть это, конечно, интерес. Если у вас такой есть, то, в общем, здорово, вы можете вполне спокойно, сде.

145: Корреляционную матрицу всего совсем, когда это 14 вопросов, это матрица 14 на 14, когда это 100 вопросов становится немножко посложнее. Да, 100 на 100. В общем, надо обладать высокой мотивацией и большим экраном для того, чтобы это как

146: Так, у нас там звук выключите, пожалуйста. Хорошо, значит.

147: Че у нас там было то? Да, про то, что вот это факторная, кластерная, не факторная корреляционная запуталась во всех словах на свете. Значит эта корреляционная матрица не обязательно составляется вами, но по желанию

148: Вы, пожалуйста, можете вычислять здесь речь идёт про процедуру факторного анализа, то есть, как проводится сам он внутри. То есть сначала вычисляется факторным анализом корреляционная матрица. Дальше

149: Смотрится, какое количество переменных друг с другом сильнее всего связаны. А дальше начинается самое интересное. После того, как мы там увидели, мы можем, во первых, это корректировать. Допустим, мы не согласны после того,

150: Как мы с вами извлекли количество факторов, поняли, что они там как-то коррелируют друг с другом. Есть такая штука, как вращение факторов. Вращение факторов делается для того, чтобы увеличить факторные нагрузки. Это не нарушение

151: Это не подгонка. Я сейчас покажу вам картинку. Значит, вращение факторов в целом нужно для того, чтобы приблизить наши оси к факторам. Сейчас я не вижу, где эта карти.

152: Инночка, найду её и продемонстрирую. То есть у нас приближаются факторы к переменам. Я сказала оси к факторам, это неправильно, это осси и есть факторы, значит,

153: Смотрите, вот у нас фактор 1, это ось игрек фактор 2 это ось икс. Соответственно, вот у нас с вами ситуация, когда наши оси сильно приблизились к

154: Переменным они изначально могли быть. У меня была вообще какая-то другая картинка, если я на неё наткнусь, потом я вам покажу, они изначально могли быть чуть подальше. Дальше они приблизились. И вот в самом начале года я вам рассказывала про то, как

155: Люди на ватманах че то рисовали, вот это и рисовали, да, то есть это был факторный анализ. Значит ещё раз про процедуру найдено количество каких-то факторов, то есть высоко коррелирующих переменных, допустим,

156: 4 группы или вот как в данном случае 2 группы высоко коррелирующих переменных. Если 2 группы, то и фактора 2. Значит, нашли это количество, а дальше начали вращать. Но не переменные переменные у нас стоят на месте. Это точки

157: Пространстве начали пододвигать к ним оси. Это называется вращением, потому что оно возможно в пространстве. То есть, потому что мы можем вот полностью, как взять фигуру, да, например, вот я беру телефон, я не

158: Просто в сторону двигаю там, а я его вращаю как угодно для того, чтобы максимально приблизить наши точечки, да, наши переменные, то есть факторы к нашим переменным. Значит, вот это макси.

159: Максимальное приближение уже по знакомому вам методу, методу наименьших квадратов. Ну, самое оправданное есть и другие методы, но самое оправданное это метод наименьших квадратов, то есть от каждой нашей точки опускается перпендикуляр к

160: Которая рядом, то есть к фактору, который как бы объединяет эти переменные. И дальше смотрится наименьшая сумма квадратов и ось остаётся там, где сумма квадратов наименьшая. Собственно, это

161: Очень просто. Поэтому вот этот момент, он простой. Сейчас мы этого не делаем, опять же, но люди когда-то это делали и, в общем, имели ряд ограничений, связанных с тем, что на ватмане, там четырехмерное пространство тяжело вращать, например, усло.

162: Проще всего с двухмерным работать соответственно.

163: Вот это вот тоже вся история для понимания. Вы этого делать не должны, но понимать вы это должны, чтоб как-то интерпретировать. Ну и 4 момент это интерпретация факторов, интерпретация.

164: Факторов то, о чем мы говорили, как назвать, да, вы спрашивали, сам ли исследователь решает, да, сам, да? Ну, в общем, условно, сам он может опираться на какую-то теоретическую структуру, но решать все равно сам, да, и 4 этап делаете вы, то есть не

165: Машина. Все остальное делает машина. Чем чревато это для вас поставить галочку 1 раз на вращение факторов и вписать количество факторов, которые вы извлекаете. То есть для вас это больше ничего не значит. Ну и про

166: Интерпретировать то, что вы получили. Значит, у факторного анализа есть некоторые проблемы, как и у кластерного, да, он у нас тоже был проблемный. Ну, это называется проблемой, на самом деле, можно сказать, ограничения, можно сказать, особенности.

167: Почему-то вот используется широко этот термин, проблема факторного анализа. Не знаю почему. Значит, во первых, рекомендовано применение количественных переменных, но это уже такое архаичное немножечко.

168: Ограничения, потому что прекрасно дихотомические переменные работают прекрасно, работают переменные порядковые, с большим числом градаций. Вообще предполагается, что

169: Порядковые переменные надо переводить даже в дихотомические, то есть в признака. Так, у нас камерой. Коллеги, Вероника, у вас постоянно включается звук.

170: Пожалуйста, контролируйте этот процесс. Если хотите задать вопрос, задавайте его в чате, потому что у нас под запись это не очень комфортно.

171: Значит, что касается всех остальных ограничений факторного анализа, они уже не супер актуальные. То есть это вот какая-то такая история, на которую уже тоже никто не смотрит. Вообще по хорошему, конечно.

172: Нормальность распределения соблюдается там, может быть, переводится в z оценки и так далее, но вообще факторный анализ не является там ни параметрическим, ни непараметрическим в силу того, что он, в общем, работает не со средними значениями, не с ран.

173: Не со стандартными отклонениями, а просто с дисперсией самой, а дисперсия есть у любой переменной. Поэтому в силу этого, в общем то, эти ограничения особо не рассматриваются, но есть определён

174: Количество, как это называется? Случаев, наверное, можно так сказать, когда вы сталкиваетесь с тем, что он просто не считается из за того, что там что-то не так. И тогда вы начинаете разбираться, что конкретно не так, например, недостаточно.

175: Дисперсия, например, из 100 человек, там на 1 вопрос ответили, не знаю, 20 условно, имму них не хватает данных для того, чтобы что-то посчитать. Но все эти случаи тоже такие, что исчерпывающему количеству этих случаев не научить, да, то есть

176: Это прям надо смотреть и разбираться. Значит, вот самое важное, о чем стоит поговорить, это, наверное, однородность выборки. Я приводила пример, уже не помню кому и когда. Поэтому, повторюсь, расскажу. Пускай это тоже сохранится под запись.

177: По поводу апробации опросника, там на однородной выборке, но не слишком классической, скажем так, да, когда был опросник для, я уже не помню, определение.

178: Чего? Ну, в общем, опросник был не для конкретной части генеральной совокупности, да, то есть мы не говорили про то, что мы там будем апробировать. На студентах, допустим, технического вуза не было такого, значит,

179: Пробация, по сути, должна была быть. То есть это должен был быть опросник для студентов. Студентка нашла. Так, у нас опять так.

180: Ага, значит, апробация должна была быть у нас на любых студентах, а студентка нашла студентов, по моему, какого-то гос. Ну, это я называю военный вуз, но не знаю, как это правильно.

181: Называется. И, в общем, да, ребята заполнили достаточно односложно всю эту историю и в общем то, мы не получили вообще ничего. Потом провели, когда апробацию

182: Уже просто на студентов из разных вузов взяли там по несколько человек из разных вузов, с разных специальностей. Факторная структура получилась прекрасная и чистенькая. Дальше, когда мы добавили к тем студентам, которые были из

183: Разных вузов, тех, которые были изначально из военного вуза, мы опять ничего не получили. То есть в данном случае, ну, либо ребята ответили просто там, не вчитываясь в вопросы, да, либо, в общем, это как-то 1 человек.

184: Отвечал условно, либо она вообще никому не давала, и сама ответила такое тоже бывает, да и тогда не получается должная дисперсия, и не получается какой-то.

185: Истории, связанные, да, с тем, что мы хотим получить. Мы как раз хотим посмотреть дисперсию, мы хотим посмотреть, как что коррелирует. А если дисперсии нету и все отвечают как-то однозначно односложно, мы ничего и не получим с вами.

186: Значит, здесь у нас история для спсс проведена, но на картинку не смотрите. Смотрите на вопрос. 2 проблема. Это как понять, сколько факторов. И у нас есть 2 способа понять, сколько фак.

187: Факторов это критерий кайзера и критерий отсеивания кител. Когда мы говорим про работу в. Джамовна используется уже что-то универсальное. То есть и не тот, и не тот критерий, а критерий.

188: Как бы построенный на их сочетании совокупности. А в спсс эту, это сочетание можно было делать самим условно, там, отталкиваясь от 1, от 2 критерия. Вот это называется график каменистый.

189: Осыпи или график собственных значений. В общем то, вот этот график собственных значений как раз-таки включает в себя максимально возможное количество факторов, которое будет исчерпывать 100% дисперсии. Вот

190: Здесь это было построено для сейчас я скажу, какого количества, по моему, 45 вопросов.

191: Значит, вот у нас было 45 вопросов, и они распались. Вот 100% дисперсии бы 11 факторов описали, но 11 факторов нам не нужно на 45 вопросов, поэтому мы принимаем решение, какого количества факторов нам достаточно какое

192: Количество факторов описывает достаточное количество дисперсии. И, в общем то какое количество факторов у нас будет. То есть сколько у нас шкал

193: Значит, дальше поговорим о том, что такое критерий кайзера и что такое критерий отсеивания китеа, и как они изображаются на графике. Но вы должны опять же знать, что у вас будет работа с сочетанием этих критериев. Значит,

194: Критерий кайзера это число факторов, равно числу компонент, собственные значения которых больше единицы. Значит, это мы находим просто точку на графике точку. Вот график собственных значений. Еди.

195: Единица. И вот у нас сюда попадает какое-то количество факторов можно его включать вот то, что попадает прям на единицу, можно не включать. То есть в данном случае мы берём либо 2, либо 3 фактора. Дальше у нас есть критерии отсеивания китеа, это точка пере.

196: Перегиба на графике, то есть где у нас значения падали, там или наоборот росли. Потом произошёл какой-то перегиб, его тоже можно включать, не включать эту точку перегиба. То есть плюс - 1 значение, опять g2.

197: 3 значения, 2, 3 фактора. Очень многим сложно почему-то ориентироваться по этому графику. Вот здесь он такой хороший приведён. Критерий кайзера совпадает с критерием китеа, но бывает, что не совпадает. И бывает, что

198: Не совпадает. Там на 2 3 значения и обычно находят что-то универсальное. Вот я ещё раз повторюсь, джамо это универсальное уже интегрировано. Значит, ещё хочу показать вам то, в чем проще.

199: Всего ориентироваться, как правило, это таблица с дисперсией. Вот она таблица с дисперсией, вы её тоже будете видеть, она у вас будет. Вот предположим, для того же графика я приняла решение об извлечении 2

200: Факторов, которые описывают 64% дисперсии. Сейчас выделяю курсором. Вы видите кумулятивный процент, то есть накопленный 1 фактор плюс 2. Ну так как бы и глазом вы видите, что в 1 факторе, который здесь называется, компоненты, это 1 и то,

201: Тоже 37%. Во 2 26, 37 + 26. Там с хвостиками своими. Это 64 с хвостиком. А вот здесь вот в 1 части таблицы вы видите для 11 факторов. Видите, у нас

202: Здесь уже 10, 11 фактор вообще 0% дисперсии демонстрирует. То есть они нам вообще не нужны. В целом можно смотреть по столбику, который является вот здесь вот 2, как бы по после компонента итого.

203: Да, вот у нас процент дисперсии. 1 фактор. 37. Самый нагруженный фактор. В него, скорее всего, входит больше всего вопросов, и они, может, даже не больше вопросов, но они сильнее всего связаны, значит,

204: 2 фактор 26%. А дальше дисперсия падает. Видимо. Поэтому я приняла решение. 2 фактора оставить уже не помню. Значит, собственно, можно было бы взять там 3, 4, но мы по графику с вами.

205: Видели, возвращаясь к этому графику, что, в общем, что по критерию кайзера, что по критерию китеа мы можем вполне спокойно взять 2 фактора и точка перегиба, когда у нас все вот в данном случае падало, потом вышло, ну, практически на

206: Плата, да, то есть практически прямая линия. Ну, естественно, немножко с такими немножко флуктуирует эта наша прямая линия. Значит, по поводу следующей проблемы это

207: 3 проблема, выбор метода. То есть что нам делать, как нам извлекать, как нам вращать. Эта проблема у нас тоже сейчас немножко меньше нас волнует, потому что у нас в джамоле опять включены самые лучшие

208: Методы сразу, естественно. Значит, что хочу здесь сказать, поговорить хочу про вот этот анализ главных компонент, который является не методом факторного анализа, а как бы упрощённым его аналогом. То есть очень

209: Многие включают его в факторный анализ, но все-таки справедливо будет не говорить, что это метод факторного анализа, а говорить, что это аналог факторного анализа, упрощённый, потому что он его используют вообще чаще всего, потому,

210: Что он даёт больше всего дисперсии? Он самый непритязательный и грубый, то есть, но вы всегда получите по нему больше всего дисперсии. Там может быть 5, 10% разницы. И если у вас там вопрос стоит между 40 и 50.

211: Процентами, естественно, вы можете выбрать анализ главных компонентов спокойно это никакое не нарушение. Да, это, в общем, если мы не говорим про какую-то там

212: Ну про какие-то ваши принципы соблюдать там всю супер структуру и так далее. Пожалуйста, используйте анализ главных компонент. Опять же, все это я вам буду показывать на примере станет чуть понятней. Дальше метод главных осей я больше всего люблю

213: Его вот этот метод, потому что он основан на методе главных компонент, то есть в целом не ворует так много дисперсии, но и является уже чуть более продуманным. Также самый уважаемый в обществе это метод наименьших квадра.

214: Причём обобщённый метод наименьших квадратов, но он очень строг к дисперсии. То есть вы получаете прям по минимуму.

215: Может быть такая ситуация, когда вы там в анализе главных компонентов, у вас 50% дисперсии, а в методе наименьших квадратов 35. Ну то есть понятно, что вам, как исследователю, конечно, проведённая работа, хочется побольше, хочется, там, че то опуб.

216: Бликовать, что-то сделать. Поэтому, ну я для себя на такую сделку пошла, да, то есть я выбрала метод главных осей, потому что там флуктуация не такая значительная и есть метод максимального правдоподобия. Его тоже почему-то любят в обществе, видимо, из за на

217: Звание, на самом деле он основан на функции правдоподобия, и речь здесь идёт. То есть название такое, да, пафосное. На самом деле речь идёт про функцию правдоподобия. И если я сейчас найду, я вам покажу функция правдоподобия.

218: Очень.

219: Как сказать, грубая, что ли, наверное, да.

220: Вот смотрите, метод максимального правдоподобия основан на функции правдоподобия. Вся информация о выборке содержится в функции правдоподобия, и алгоритм у нас, в общем то, достаточно простой. Мы совмещаем с генеральной совокуп,

221: И считаем, что-то есть принимаем сразу всю дисперсию за дисперсию, урегулированную только этой функцией, только функцией правдоподобия, и как оказывается там по факту она самая неточная.

222: Из всех приведённых, потому что, в общем, по моему, она чуть ли не 1. Или 2, разработанная из них. Сейчас не возьмусь говорить об этом, но она на самом деле, несмотря на такое своё прекрасное название, она 1 из самых

223: Точных, что ли, функций, хотя есть группа исследователей, которые просто обожают и утверждают, что функция правдоподобия лучшее, что с ними случалось, значит, про общность и характерность данных мы с вами уже поговорили, общность определяется

224: Самое главное, что нас волнует, определяется тем, как дисперсия переменных, какая часть дисперсии переменной обусловлена влиянием фактора, а какая нет, соответственно, переменные с низкой общностью.

225: Как правило, ещё до факторизации, до извлечения факторов из анализа убираются. То есть низкая общность это общность 0 2 0 3. То есть у нас ещё раз 100% переме дисперсии переменной.

226: Она обладает 100 процентами дисперсии, любая переменная, и она может эти 100% распределить на принадлежность к фактору и на какие-то свои собственные причины изменчивости. Собственно, если у неё

227: Принадлежность к фактору меньше 30%, она нам не нужна, да, кто-то говорит меньше 20%. Да, сейчас придерживаемся чего-то среднего. Условно, как-то вот эти между двадцатью и 30 процентами можно тоже выбирать.

228: Значит, эти переменные, соответственно, обладают большой характерностью высокой. И для них вот почему плохо их брать, потому что чем больше будет увеличиваться выборка, да, тем больше будет эта характерность меня

229: Поэтому тем больше будет случайных связей, случайной принадлежности к фактору и так далее. То есть мы, можно сказать, заботимся о следующих людях, которые будут использовать наш опросник, например,

230: Потому что мы хорошо там на 250 людях взяли переменную с общностью 18% 0 180 и что-то пытаемся с ней делать. Допустим. А дальше у нас кто-то собирает выборку в 1200 человек.

231: И здесь общность в 0 180 может превратиться там в 0 0 5, да, то есть вообще там в какие-нибудь, ну, дай Бог, 5%, и никто это уже отслеживать не будет, потому что вы когда-то адапти

232: Опросник, да, и сказали, что этот вопрос входит, и люди вам уже доверяют, что значит вы взяли вопросы с большой общностью. Поэтому это вот такая история, если для вас это значимо. Вот, например, здесь мы видим общности начальные и извлечённые, вот на

233: Общности, это для метода главных. Компонент, который, я сказала, не относится как бы изначально к факторному анализу, к методу факторного анализа, является его там условно аналогом, да, его самая большая отличительная особенность, что

234: Он изначально как метод верификации и фальсификации изначально принимает общность за 100%. То есть изначально он говорит, что

235: Все переменные на 100% обусловлены фактором, а дальше начинает извлекать все остальные методы изначально говорят по обратному методу, что все переменные на 100% обусловлены своей характерностью и дальше начинают

236: Извлекать общности. Соответственно, вот здесь мы видим вот такую картинку. Обратите внимание, переменная рейтинг. Это была академическая успеваемость 0 234, то есть 23%. Все остальное у неё характерность, это как я люблю рассуждать.

237: Знаете, на тему того, что у нас с вами, не знаю, это особенности менталитета культуры или чего. Да, у нас с вами академическая успеваемость вообще не говорит об уровне интеллекта, о когнитивных способностях, да ещё о чем-то.

238: Может говорить о какой-то, допустим, возможности построения социальных коммуникаций, поэтому нельзя эту переменную, это не плохо и нехорошо, просто её нельзя включать, например, в ту же факторизацию, в кластеризацию и так далее. Если

239: Мы говорим там о, допустим, анализе когнитивных способностей, потому что не когнитивные способности, а может быть даже социальные какие-то способности отвечают все-таки за этот рейтинг. Потом у нас с вами не та система, да, не стобалльная.

240: Система, да, может где-то в российских вузах тоже есть стобалльная. Наверняка, по моему, в высшей школе экономики есть, но когда мы говорим про оценки 3, 4, 5, да, мы, конечно, не большой дисперсии.

241: Владеем небольшой дисперсией, пользуемся. Поэтому, собственно, вот здесь самый 1 претендент на исключение, это переменная рейтинг 2 это вот когнитивные, это управление было. То есть здесь

242: Опросник такой был, управление своими когнитивными способностями тоже я бы исключила. То есть я в целом люблю побольше поисключать, но есть некоторые вопросы из разряда там, которые сильно дороги сердцу, да, то есть их не

243: Особо не исключаешь. Значит, про анализ главных компонент я сказала. Теперь у нас следующий важный теоретический момент. Это связь между факторами. Я в самом начале вам сказала, что цель всего этого мероприятия

244: Да, объединить в группы факторов, объединить в группы наши переменные так, чтобы переменные в 1 группе были друг с другом сильно связаны, а в других группах не сильно связаны. Я как-то пространно это сказала, поэтому сейчас более чётко прогова

245: Да, что если у нас есть 100 вопросов по 25 на 4 фактора. Задача факторного анализа, хорошего изначально, так чтобы в каждом факторе 25, 25, 25 и 25 были

246: Сильно связаны, а вот между факторами связи не было. И тогда между осями угол 90 градусов. То есть между осями связи тоже нету. То есть мы уже посмотрели с вами на график, да, что наш

247: Факторы это ось и осси приближаются там, отдаляются и так далее вращаются и все, что происходит, происходит с осями, не с переменными.

248: Значит.

249: Да, и изначально мы, конечно, факторный анализ предполагал, надеялся на то, что у нас не будет этой связи, но есть определённый ряд исследований, в которых эта связь предполагается изначально. То есть

250: Что факторы между собой связаны, но просто слабее, нежели там переменные в 1 факторе, например, у меня было как раз-таки вот это диссертационное исследование, да, о том, что о способностях, об

251: Учебных умениях студентов. И, соответственно, там были такие шкалы. 1 шкала, самостоятельное построение знаний, 2 не самостоятельная, a3, смешанная и, естественно, смешанная, включает в себя сам

252: Самостоятельное и не самостоятельное. И поэтому смешанное будет связано как с самостоятельным, так и не с самостоятельным. То есть это изначально предполагается, заложена эта связь между ними. Соответственно, когда связь есть, оси наклоняются друг к другу.

253: То есть угол уже не прямой, а если вот здесь посмотреть m 1 и x. Да, мы смотрим на неё, вращаем всю ось, да, а смотрим на вот эти m 1 и x. Вот здесь угол, там, допустим, не знаю, острый, тупой с другой.

254: Стороны и так далее. Но самое главное, что не прямой, то, что нас волнует. И тогда мы по другому вращаем. Сейчас я найду методы вращения

255: Секунду. Видела же где-то. А, кстати, я нашла Вон картинку, которую хотела вам показать. Вот они методы, варианты вращения. Значит, вращение с ортогональным, с прямым углом называется ортогональным вращение.

256: Методы ортогонального вращения, то есть когда факторы не связаны, самая распространённая ситуация, факторы не связаны, мы вращаем с сохранением прямого угла между осями и методов вращения самых популярных.

257: Экви Макс имеют свои ограничения. Что-то из них предназначено для больших выборок, что-то наоборот для маленьких выборок. Эквиано Ример вообще там, где большие факторные нагрузки все выше 0.

258: Семьи такое редко случается, поэтому все используют универсальный метод, который называется варимакс, да, то есть он такой самый распространённый. Ну, это как эти особенности тоже перевода, варимакс минимизирует число.

259: Переменных с высокой факторной нагрузкой для вращения прекрасно подходит именно для ортогонального, то есть ещё раз с сохранением прямого угла. Для нас это значит, что факторы между собой не коррелируют. То есть идеально то, че хотели получить и есть

260: Косоугольное вращение опять же для самого такого незначительного количества исследований факторов, когда угол между осями изменяется, есть метод промакс, он предназначен для больших выборок больше 1000.

261: Респондентов и есть метод прямой облимин, да, это что-то из звёздных войн, когда наклон факторов входит, вводится за счёт введения некоторой дельты, да, то есть дельта умножается на там, ну,

262: Обычно рекомендована дельта в 0 8. Собственно, это нас вообще не волнует. Самое главное, что дельта создаёт наклон обоих факторов одинаковый, потому что одинаковая дельта одинаковый коэффициент умножения и, в общем,

263: То тоже пользуются. Чаще всего этим мы можем проверить, какое у нас вращение ортогональное или косоугольное, и в случае надобности ортогональное заменить на косоугольное. И наоборот, если угол прямой между, так, значит, по поводу

264: Ооо, вариантов вращения тоже договорили. В общем то, опять же, можем это контролировать. Можем это проверять. Могут быть ситуации, когда там вы предполагали, что будет ортогональное вращение. То есть что факторы не связаны между

265: Собой они оказались связаны, да, вполне свободно, спокойно делается этот переход и ничего не теряем. Значит. Ну да, тут я писала про этот индикатор ортогональности, у нас джамо, он будет немножко по другому выглядеть.

266: Значит, следующий важный момент. Давайте, прежде чем мы к нему перейдём, я ещё раз покажу вам вот этот график, который я показывала более симпатичный, да, вот этот вот pre уже приближённые факторные нагрузки. И так

267: Далее. А вот здесь вот изображён, собственно, процесс приближения. Значит, вот у нас часть факторов, че то она такая прям размытая картинка, но я думаю, что не сильно сказывается на восприятии, значит,

268: Вот у нас часть просто извлечения факторов, а вот у нас уже повёрнутые после вращения обратите, пожалуйста, внимание, что вот наша эта тройка, по моему, это, ну либо в либо x.

269: Не суть важно, в как переменная да, x. Как мы обозначаем наши переменные, значит, 2, 6 и 3, наверное в общем, в любом случае это такой как бы, треугольничек, значит, вот он у нас, этот же.

270: Треугольничек на другой картинке, на другом графике. Соответственно, по тому, что этот, вы знаете, что график в пространстве не меняется, да, что вот эти точки в пространстве не меняются. Вы можете судить о том, как поверну

271: И что они повернулись в пространстве, да, то есть, ну, в целом эту картинку вы, у вас есть эта презентация, да, и на иопе выложена. И, в общем, можете поставить на паузу, сделать скриншот.

272: В общем то вы можете посмотреть и действительно лучше рассмотреть, что здесь, ну вот по этим вообще видно, да, что они не поменялись. А вот график повернулся. Очень важно здесь вот это геометрическое мышление, чтоб вы поняли, как это поворачивается.

273: Не просто приблизились оси или отдалились эти оси, что это именно приближение любыми возможными способами. И опять же здесь изображено двумерное пространство, да, это некоторое облегчение, хитрость. Не знаю, как это.

274: Назвать, если у вас, не знаю, 5 шкал, это многомерное пространство, в данном случае будет 5 осей и вращение будет более сложное, да, то есть мы можем взять

275: У меня нет подручных средств, которыми я могу вам это показать. Да, но, допустим, вы взяли 3 карандаша, 5 карандашей сложили с сохранением прямого угла и ворочаете в пространстве. Вопрос в чате, почему изображён зеркально, а не только по

276: Он не изображён зеркально, он повёрнут в пространстве, он именно как вот если сейчас видно телефон, да, он не просто повёрнут вот так вот. А он может вращаться всячески просто, как вам

277: Я не знаю, как в не в вакууме, извините, в невесомости просто переворачиваться как угодно и в том числе зеркалировать. Я абсолютно спокойно. Самое главное, чтобы он пододвигался. Опять же, почему тогда?

278: Когда это все на ватманах рисовали, все было настолько неточно, потому что это практически невозможно сделать, да, как бы, как это изобразить, перевернуть. Но люди с хорошим геометрическим мышлением, пространственным, да, это, я говорю, геометрическим, пространственным.

279: Видением зрительно пространственной ориентации, может и могли это сделать. Ну а так, так, можно ещё раз, пожалуйста, что такое факторная нагрузка? Факторная нагрузка? Это, собственно, у нас и есть на

280: Наша общность с фактором после переворачивания мы на неё посмотрим. Это ещё называется вес. То насколько фактор, насколько вопрос играет на фактор, насколько вопрос связан с фактором, можно так сказать. Но когда будем смо,

281: Смотреть в на фактическом примере я ещё раз все это буду проговаривать, значит, ещё важные моменты про это я сказала, да, вот этот важный момент после того, как вы повращали эти наши замеча,

282: Факторы сейчас хочу найти. У меня была какая-то более точная картинка по этому поводу.

283: Если не было, то на этой и остановимся. Значит, после того, как вы попрощали факторы, вы получаете как раз-таки факторные нагрузки, то есть факторные нагрузки, которые были изначальные, вас особо не волнуют. Тоже самое, как было в кластерном

284: Анализе начальные центры кластеров, они выбираются рандомно, они вам не нужны здесь не совсем рандомно, но они меняются после того, как вы повращали, то есть приблизили наши оси к переменным, значит,

285: После этого факторная нагрузка поменялась и здесь вам нужно оценивать факторную структуру. При оценке факторной структуры есть 2 важных момента. 1 момент это то подходит ли выборка. Сейчас я найду этот тоже фактор.

286: Не фактор слайд, подходит ли выборка для проведения факторного анализа. И для этого у нас есть мера адекватности и критерий бартлетта. То есть подходит ли выборка и хорошая ли модель, значит,

287: Мера выборочной адекватности это адекватность выборки. Вот она. Да, и здесь у нас чем больше цифра, тем лучше. Здесь прям прописана шкала. 0 6 удовлетворительно, 0 7 приемлемо. 0 8, высоко, 0 9. Безу.

288: Условно вот мы видим 0 724, да, это приемлемо. Значит, и критерий сферичности бартлетта позволяет и меру адекватности выборки оценить, и статистически подтвердить, как это сказать, адеква.

289: Модели, да, то есть и она в целом таит в себе то, что достоверное отличие корреляции между переменными, отличное от нуля, да, то есть достоверное отличие корреляции между переменными от нуля, если правильно собрать эту фразу.

290: Собственно, у неё должен быть уровень значимости высокий. То есть это уже уровень значимости. Мы уже можем сформулировать здесь нуль гипотезу 0 гипотеза будет говорить, что корреляции от нуля не отличаются. Если мы отвергаем 0.

291: Гипотезу, значит, отличаются. Если корреляции от нуля отличаются. Соответственно, мы можем делать факторный анализ, потому что он только для коррелирующих переменных все более чем логично. То есть мы можем оценивать адекватность выборки при по

292: Помощи критерия кмо, он называется, да, это мера адекватности кайзера мейера олкина, соответственно, км о его называют обычно и критерий сферичности бартлетта для того, чтобы подтвердить, что вообще факторная структура

293: Приемлемо существует и так далее, и она определяется по уровню значимости высокий уровень значимости. Значит, все хорошо.

294: Значит, после этого наша с вами задача остаётся, по моему, это последняя, это интерпретация. Как раз-таки после вращения факторов, цель которого упростить структуру факторов вы должны будете анализи.

295: Что вошло в 1 фактор, во 2, в 3 фактор и так далее. Да, сколько вы там извлекли? Допустим, вы извлекли там, условно, 3 фактора. Так будет лучше всего. Здесь. Я, конечно, очень такую, как

296: Сказать?

297: Рафинированную, наверное, будет самое хорошее слово. Структуру привела. Давайте мы её немножечко все-таки поменяем прям в прямом эфире.

298: Пусть у нас с вами будет 6 переменных, как и есть, и мы посмотрим, что такое простая и устойчивая факторные структуры. Значит, смотрите, все помним, у нас есть 100%

299: Дисперсии переменная может распределиться и между 3 факторами тоже то, что она не связана с остальными факторами даже при условии ортогонального вращения не говорит о том, что она никак вообще дисперсия в неё не попадает.

300: Ну, есть 2 понятия, есть понятие простой структуры факторов и устойчивой структуры факторов. Простая у нас будет, если переменная 1, каждая из переменных, вот в факторной структуре, допустим, у нас их 6 и 3 фактора, то есть коррелируют 2, 2

301: И 2 между собой. Сейчас мы нарисуем, я их сейчас по цветам разделю, чтобы было.

302: Более красиво, что ли, наглядно. Ну пускай так не сказать, что это супер красиво, но

303: По крайней мере, видно. Значит, сделаем так, что 1 и 2 переменная принадлежат 3 фактору. Если она, они принадлежат 3 фактору, то у них по 3 фактору на

304: Грузка должна быть не меньше 0 5, если эта структура простая и не меньше 0 7, если эта структура устойчивая, а по остальным меньше 0 2. То есть у нас осталось 2 фактора и на эти

305: 2 фактора осталось 0 5% дисперсии. То есть, если они распределятся 0 25 и 0 25, это около того, конечно, но не простая структура, все-таки они могут распределиться как, допустим, 0 2 пускай

306: Будет и 0 1. То есть что-то ещё уходит на стохастические причины. Также. А вот здесь, пожалуйста, спокойно мы можем вообще всю структуру взять, пускай будет 0 1 и пускай будет 0 2.

307: Соответственно, вот у нас 1 и 2 переменные принадлежат 3 фактору, потому что самая большая нагрузка у них. Вот это и есть факторная нагрузка, факторный вес, то, насколько переменная связана с фактором, это

308: Помощью регрессионного коэффициента. И, в общем, основано на коэффициенте корреляции находится, делается, значит, а по остальным факторам нагрузки не нет, да, потому что такого не бывает, все равно так или иначе, что-то туда перепадёт, а

309: На ниже 0 2, ну, 0 2 или ниже. Собственно, как-то так. Дальше у нас, допустим, факторы. Фактор 1, это переменная 3 и 4. Я ввожу вот такую структуру. 0 9 здесь

310: Пускай будет 0 0.

311: Неважно. 0, 0 5 и 0 0 5. Пускай так будет здесь совершенно неважно уже, лишь бы не превышало 100%, значит,

312: Переменная 4. Пускай это будет там, допустим, 0 6, да, и здесь у нас остаётся 0 2, 0 2. Предположим. Так, соответственно, здесь

313: У нас, опять же, устойчивая структура. Здесь у нас как бы, как бы простая структура, значит, и у нас остаётся последняя. Предположим, здесь у нас вот такая история. 0 4, 0 4.

314: 0 2. Дальше у нас получается, допустим, 0 3, 0 4.

315: Ну и, допустим, 0 3, пусть так будет. И тогда мы смотрим на переменные переменная, 5 и 6. Мы видим, что она одинакова. А давайте я не так сделаю. Извините, забудьте. Вот так.

316: - 0 4. Это тоже вполне себе возможно. - 0 3. Значит, вот у нас с вами, пожалуйста, мы тут оцениваем, конечно, по модулю, но сейчас объясню, что означают минусы. Переменная, 5, допустим, у нас

317: 0 4 0 4. Она играет на 2 фактора. Плохая переменная, которая играет на 2 фактора. Соответственно, как правило, если вы её не исключили на этапе, когда анализировали общности, вы можете её исключать. Сейчас переменная 6 тоже

318: Плохая, потому что она играет практически на все 3 фактора. Однозначно не определяется каким-то 1 фактором. И тоже самое. Если не исключили на этапе с общностями. Можете исключить сейчас и теперь, что означают для нас минусы? Минус это противополо.

319: Полюс переменной. Если я спрашиваю у человека, любит ли он вечеринки, а в факторную структуру этот вопрос входит с минусом, то это означает, что он просто не любит вечеринки, да, то есть обратный.

320: Полюс переменной, также со шкалой лайкерта, например, от 1 до 7 оцените что-то, если вошло с минусом, это значит не 7, a1, и это всегда надо учитывать. Например, когда вы впоследствии делаете анализ надёжности при помощи альфа.

321: Перевёрнутые вопросы переворачивать, иначе никакой надёжности не получится, но об этом тоже. Когда будем делать практическую часть в целом, мы уже почти скоро будем её делать. Может быть, даже прямо сейчас. Я пролисты.

322: Сейчас, чтоб посмотреть, ничего я не забыла вам рассказать, ничего не забыла, да, в общем то, резюмируя про простую и устойчивую факторную структуру, принцип простой факторной структуры про

323: Это программа минимум, если структура непростая. Как правило, мы удаляем переменные, которые делают её непростой. То есть у вас, может быть, изначально 100 переменных, а вошли в ваш опросник, допустим, переме.

324: 80 потому что 20 на каких-то этапах выпадали, например, на этапе определения общности или на этапе определения уже простой или устойчивой факторной структуры, и осталось у вас этих 80 вопросов.

325: Например, у нас со студенткой 1 опросник разрабатывался, там было 30 вопросов, осталось 18, но 18 прекрасно работающих, да, то есть не нужны лишние вопросы. Плюс ко всему постоянно при апробациях, адаптациях и так далее. Вы

326: Видели наверняка там опросник такой-то, дальше опросник, такой-то сокращённая версия, как он получился сначала, допустим, вот этот опросник апробировали на пятиста людях, дальше взяли и набрали, допустим, ещё 500 человек.

327: Получилась уже 1000 и немножко структура поменялась, уже не те вопросы не в те факторы вошли. И вот она сокращённая версия. Дальше набрали 5000 человек. Вот она, 2 сокращённая версия и так далее. То есть это может ещё меня

328: В процессе добора выборки. Поэтому некоторые адаптаторы, значит, не выкладывают ключи к своим методикам. Это тоже, ну, 1 из причин, почему они этого не делают, но при этом, когда им

329: Пишешь, они говорят, пришлите мне данные, я сама вам типа посчитаю шкалы и пришлю файл, то есть ваши данные дополняют её или его выборку, да, этого учёного. Соответственно, вы получаете свои шкалы, ну,

330: И отдаёте как бы свою выборку для того, чтобы человек мог переадаптироваться й опросник. Но опять же это 1 из причин, но, пожалуй, самая распространённая, значит, дальше соотношение с исходными данными.

331: А важную вещь я забыла вам рассказать. Вот все-таки, все-таки не все. Значит, сейчас скажу, найду где, где этот график, важные определения, которые вы должны знать, что используется

332: Произведённые и фактические корреляции, то есть факторный анализ ещё пытается и подтвердить то, что он нашёл. И это очень здорово, потому что изначально, если вспомните начало

333: Сегодняшнего нашего вещания, да, это речь шла о том, что изначально внутри сама считается корреляционная матрица и эта корреляционная матрица, когда она считается

334: Она, в общем то вот изначальная, фактическая, какая есть дальше факторный анализ 1000000 преобразований производит, да, мы там что-то делаем, и нам нужно посчитать воспроизведённые корреляции. Это такая корреляционная матрица.

335: Оригинальных пунктов, то есть оригинальных вопросов, которая бы получилась, если бы мы предположили, что рассчитанные факторы правильные и единственные, и дальше из воспроизведённой матрицы корреляции можно вычесть изначальную или наоборот,

336: Там не суть важно и остатки воспроизведённых корреляций или матрица остатков корреляций это матрица разности между воспроизведёнными и реальными корреляциями. Чем больше эта разница, тем хуже факторная структура понятно, что идеальная.

337: Факторная структура должна вообще сохранять в себе вот эту корреляционную корреляционную матрицу, её соразмерность, да, то есть она должна быть в тех же пунктах, в той же дисперсии, там и так далее. Там всегда очень хоро.

338: Хорошо следить по диагонали. То есть диагональ это же стопроцентная связь между переменными, а значит, переменная сама с собой, которая коррелирует, она коррелирует на 100%. Там всегда коэффициент корреляции, единица. И вот в воспроизведённых матрицах.

339: Произведённых никогда не будет чёткой единицы. Но, может быть, типа 0 970, например, это хорошо, но если там 0 700, это уже заставляет задуматься. То есть я всегда по диагонали отслеживаю эту историю, но вообще, на самом деле то, что я вам сей,

340: Сейчас рассказала, это прям супер идеальная, приторная такая структура, которую надо бы соблюдать, конечно, но очень редко, когда уже человек, который проводит этот факторный анализ несколько лет подряд, редко

341: Наблюдает это вот прям в таком, просто в такой последовательности, как я назвала, мы сейчас будем решать, не решать, а делать лабораторную работу. Собственно, по всей этой структуре мы пройдёмся 2 разными способами.

342: Да, после чего вещание закончится и останется время на ваши вопросы, значит, но вы должны опять же понимать, что я тоже не всегда так делаю. Да, я обычно там уже какие-то этапы сокращаю, но до момента сокра,

343: Течение этапов были моменты, да, когда я корреляционные матрицы полностью сравнивала, анализировала и так далее. До того, как эта схема свернулась, да, она сначала была очень сильно развёрнутой, поэтому, с 1 стороны, не пугайтесь, что она такая развёрнутая.

344: С другой стороны, ну, уделите ей должное внимание, сейчас буду открывать джамоле.

345: И он уже сразу файлик со всеми шкалами выстроенными. Значит, большая пятёрка это 60 вопросов устроены они, ну, то есть это версия с 60 вопросами. Есть и другие. Устроены, они таким образом, что

346: В шкалы они идут через 5, то есть 1, 6, да, 6 + 5 11 и так далее. Вопросы. То есть 12 вопросов по 5, 5 шкал, соответственно, по 12 вопросов, да, из за того, что вопросов

347: Они идут 1 в 1 шкалу, 2 во 2, 3 в 3, 4 в 4, 5 в 5 и так далее. 6 в 1, 7, во 2. То есть мы в целом можем делать какие-то уже выводы.

348: О том, как они должны бы распределиться, захожу в анализ главных компонент, молюсь, чтоб тут ничего не скакало.

349: Все 60 вопросов переношу, че то происходит.

350: Значит, вот это вот что-то происходит. Значит изначально по умолчанию, че тут произошло? Мы получили 1 матрицу с нагрузкой компонент, она ещё до вращения, до выбора количества факторов, да, тут, в принципе сразу

351: С вращением обычно в jumbo происходит, но пока не подготовленная, скажем так, не чистенькая, значит, нам тут важно посмотреть на уникальность, это будет общность наша, то есть из за того, что 60 вопросов, конечно, это не супер, чисто мы не будем тут играть.

352: Ничего удалять. Мы будем работать как есть, но проанализировать. Проанализируем, да, например, не вижу, чтобы были какие-то супер низкие общности, конечно.

353: Там 0 4, я видела, какая-то была. Ну в целом, если это так, если я не проглядела, а оно действительно вот такое хорошенькое, чистенькое, то прекрасно. Значит можем дальше делать, можем разбираться с тем, сколь

354: У нас факторов следующий вопрос. 1 из самых важных, ну, по умолчанию. Вот это 1, что он сделал, он выделил 6 факторов, но это, во первых, не входит в большую пятёрку, потому что большой пятёрки 5, да, и мы можем, в принципе,

355: От руки 5, но хотелось бы посмотреть сколько все-таки на нашей выборке. Кстати, про количество человек в выборке. Боюсь здесь как-то это нарушить структуру всего. Поэтому

356: Пытаюсь открыть отдельно, чтобы как-то просмотреть.

357: Не, ладно, нарушится структура так нарушится, значит, захожу в данные.

358: А не тот. Вот тут захожу в данные, сейчас пролистаю.

359: 597 человек на 60 вопросов выше крыши. Я говорила, что должно быть

360: Около в 2. Ну, минимум в 2 раза превышающее количество вопросов. То есть минимум 120 у нас 590. Проходим. Значит, здесь важно нам посмотреть с вами сразу подготовительные вещи. Во первых,

361: Тест на сферичность и co да, то есть насколько подходит у нас выборка и насколько у нас корреляции отличаются от нуля тест, значит, на сферичность бартлетта у нас получается значимость значимая, да, то есть все.

362: Порядке корреляции от нуля отличаются прекрасно. И ко мера адекватности здесь рассчитывается для каждой переменной. Тоже смотрим, что она в принципе везде превышает 0 6 0 7, да, то есть она везде

363: Хорошая, то есть выборка тоже по каждой переменной вполне себе адекватная. Это даже хорошо, что делается по каждой в спсс какая-то усреднённая оценка происходит, а она, в общем, да, чувствительна к выбросам. Так опять.

364: Он живёт своей жизнью.

365: Пока он живёт своей жизнью, рассказываю, что будем делать дальше, мы с вами дальше будем смотреть на график каменистой осыпи и будем смотреть на сводку по компонентам.

366: Надеюсь привести его в чувство. Там пока что-то считается. Так вижу вопрос в чате.

367: Jah мови. Не очень понимаю, молодёжный сленг. Что значит мания это или это магия была?

368: Может быть, просто есть какое-то выражение, а я уже для него не 1 свежести не знаю.

369: Вот, значит, если это, собственно, про магию, да?

370: Сейчас попытаюсь опять привести в чувство Джами.

371: Че то с ним явно сегодня не то.

372: Угу.

373: Так открыли, значит, смотрим на дисперсию.

374: Нет у него свои причуды.

375: Пока он опять же приходит в себя, рассказываю про дисперсию по компонентам, значит, он нам извлёк 6 компонентов, считает по умолчанию, что их 6, основываясь на собственное значение в единицу, да, то есть по критерию кайзера.

376: Да угомонись ты уже, господи. Так все, значит, надеюсь, что это последняя была его конвульсии предсмертные, значит, накопленный процент дисперсии. Обратите внимание, пожалуйста, на 6 факторов. 38 про

377: Ну, почти 39 хорошим считается. Вот начало хорошего. Это от 50%, естественно. 48 49. То, что туда входит. То есть здесь нехорошо, да, выборка почти 600 человек, 60 вопросов.

378: Ну, не очень, как бы дисперсия, опять же, это большая пятёрка, которая работает совсем так. Это вот он сам все делает свои скачки, значит, давайте посмотрим на график каменистой особи, если он нам его

379: Вроде начал.

380: Да, построил нам график, вот бы ещё дал бы продемонстрировать. Хорошо было бы, видите, точка перегиба есть в 3 факторе. То есть можно и 3 извлечь. Можно, в принципе, сказать, что вот он, видите, взял 6, потому что

381: После 6 она такая не самая яркая точка, но после 6 оно вышло на прямую линию. Значит, теперь мы можем поступить несколькими способами. Во первых, мы можем прям конкретно задать фиксированный номер.

382: Факторов 5 компонент, да, у нас большая пятёрка, поэтому мы можем сказать, да, вот мы как бы собираемся извлекать 5 компонент в джамоле. Это стало действительно гораздо проще, чем это было в спсс. То есть то, что сейчас вот я

383: Вообще, это песня просто значит, но при всей этой песне на 5 факторов приходится 35% дисперсии. Сейчас мы, конечно, будем там играться с вопросами, будем смотреть, что удалять. И дисперсия будет тоже.

384: Меняться, но факт остаётся фактом. Да, у нас 35% большой пятёрке из шестиста человек, да, то есть, в общем, достаточно небольшой процент демонстрирует те связи, о которых идёт речь. То есть вот эти вопросы. 12, 2

385: 15, 12 для небольшого процента все-таки связаны между собой действительно.

386: Значит, что можно делать дальше? Дальше можно посмотреть, коррелируют ли компоненты, нажав галочку. Корреляция, компонент. Во первых, я, по моему, не проговорила, какие галочки. Я нажимала график собственных значений, график.

387: Особи, все понятно. А вот сводка по компонентам это про дисперсию. Значит, теперь я нажала на корреляцию компонент. Это чудовище опять что-то там ругается. Вы можете увидеть, напрячься. Как это?

388: Напряжением своего внимания и других высших психических функций. Вы можете увидеть, собственно, что корреляции это именно коэффициенты, да, это не уровни значимости, это коэффициенты корреляции отсутствуют, они нулевые, это

389: Говорит о том, что варимакс, ортогональный метод вращения остаётся в своём праве. Если бы здесь корреляции были бы не нулевые, а выше, там хотя бы 0 3, то мы бы перешли на облимин, то есть прямой облимин, который вы видели.

390: У меня там в демонстрации, в презентации.

391: Значит, собственно, теперь, после того, как я, допустим, пошла на сделку с совестью, сказала, ладно, 35%. Сейчас там мы в учебных целях что-то делаем, господи.

392: Мы можем с вами после этого анализировать. Ну вот этого куска нам достаточно для анализа. Надеюсь, когда сейчас прервётся зум, я что-нибудь пока будете подключаться, смогу здесь сделать. Нет у него вообще какие-то свои пожела.

393: На нашу с вами пару.

394: Угомонись, чувак, сейчас останавливаю опять совместное использование.

395: Вот с. Жамов так почему-то изначально было, что, когда zoom включается, я не хотела в этом разбираться, но никогда таких больших проблем оно не создавало.

396: Значит, хорошо. Смотрите.

397: Самые важные вещи, которые надо будет сделать сейчас, это облегчить себе какую-то умозрительность этой, этой процедуры. То есть вы видели сейчас таблицу и я надеюсь вы её увидите ещё раз все-таки, значит

398: Вы видели эту таблицу, в которой все перемешано? Какие-то факторы перемешаны, и для того, чтобы облегчить себе анализ, вы можете нажать так? Я так понимаю, я начинаю разгадывать его загадку.

399: Да что нам нужно нажать сразу на все кнопки, а потом что-то настраивать. Поэтому я нажимаю, значит на кнопки сортировать нагрузки по размеру. Вот вы сейчас видите, я это выделяю, сортировать нагрузки по размеру начнётся сортировочка, то есть все по фа.

400: Фактором все, которые входят там, условно в 1 фактор, они будут отсортированы по размеру. Все, которые во 2 фактор, дальше отсортированы и так далее. То есть вам будет гораздо проще анализировать, чем это просто на поле, на пространстве, значит,

401: И 2 момент скрыть нагрузки ниже. Здесь по умолчанию стоит 0 3. Вы можете быть строже, например, и поставить 0 4, но важно через точку. И тогда у вас просто не будут отображаться, они никуда не деваются, они просто не отображаются, все нагру.

402: Которые 0 4 и больше, а также можете, допустим, быть менее строгими и поставить 0 2. Если вспомните про простую, устойчивую факторную структуру, да, мы с вами говорили про то, что

403: По 1 фактору выше 0 5 или 0 7 нагрузка должна быть, а по другим факторам меньше чем 0 2. Поэтому можно и так. Я все-таки предпочитаю использовать 0 3.

404: Так, мы остановились на том, что я предпочитаю использовать 0 3, значит, не отображая другие нагрузки, и сейчас мы начинаем с вами анализировать ту структуру.

405: Факторную, которую мы получили с вами. Ну и дальше мы сможем с ней там что-то делать, её как-то корректировать. Не уверена, что мы будем это сейчас делать, но об этом мы явно будем говорить. Значит, во первых, про то, как анализируется

406: Матрица с нагрузками, компонент, опять же психотравма с спсс, значит там это все было в разных таблицах это надо было ещё как-то сопоставлять здесь это видите в общем достаточно

407: Удобно расположено. Так продолжаем запускать. Значит, что касается того, как анализируется эта матрица, она, в общем то просто анализируется, как правило, построчно сначала, а потом

408: Для дополнительного эффекта она анализируется уже по столбикам, то есть некоторые сразу идут по столбикам. Это ошибочно, потому что, анализируя сразу по столбикам, мы не можем говорить о простой или устойчивой структуре. Компонент, значит,

409: Когда мы анализируем по строчкам то, что мы видим в этих строчках, это и есть у нас с вами факторные нагрузки или факторные веса, то насколько фактором, да, насколько эта переменная определяется фактор.

410: Фактором определяется переменная. Соответственно, вот у нас 1 наш фактор. В него вошли вопросы номер 37. Да, сейчас мы опять запускаем номер 37 номер 2 номер 52 17:30.

411: 2 42, да. 22, 12 47, 34, 7 и 27. Сейчас посчитаем по количеству 2, 4, 6, 8, 10, 12. Вроде четенько. Да. Дальше, конечно, по мере того.

412: Мы будем оценивать это все, может быть мы что-то другое увидим здесь. Мы, конечно, не имеем текст вопросов, но мы знаем, как это должно быть, да, то есть что тут должен быть вопрос 2 + 5 + 5, + 5, значит, ну вроде в целом.

413: Все более или менее логично здесь распределилось. Значит, я анализирую, по строчно смотрю тут действительно, ну, ниже 0 3 все нагрузки, поэтому они и не отобразились, потому что я поставила не отображать.

414: Ниже 0 3. Вы в левой части экрана, ближе к середине можете это увидеть. Я не навожу туда курсор, потому что когда навожу, оно начинает скакать, значит,

415: Вот здесь, например, вопрос 42. Он вошёл с отрицательным знаком. Там действительно есть обратные шкалы, все в порядке. Значит, он вошёл с отрицательным знаком в 1 фактор. Но вот я продвигаюсь, и у него нагрузка выше 0 3, 0 300.

416: 15 и по 3 фактору тоже. То есть это и непростая структура, и неустойчивая, потому что по 1 фактору нагрузка действительно 0 5, а вот по 2 превышает 0 3. Это претендент на то, чтобы его убирать из анализа

417: Да, то есть такой вопрос. Также у нас вот 27 вопрос. Он вообще тут - 0 3, да, и, а тут + 0 3, он прям вот разно разными полюсами, да ещё и недостаточно принадлежит и 1, и 4.

418: Фактору. Это, наверное, более главный даже претендент, чтобы его убирать из анализа. Соответственно, если мы уберём, например, там 27 вопрос, я чуть позже попробую это сделать. У нас может поменяться и наша с вами дисперсия, значит,

419: Собственно, вся вот эта вот история так и продолжается. Вы смотрите построчно, какие вопросы вошли, в какой фактор. И дальше делаете выводы о том, как-то вам надо менять структуру, не надо в данном слу.

420: Конечно, адаптированный опросник это большая пятёрка, в которой, в общем то, уже все сделано, но на самом деле есть такая история, что многие люди говорили о том, что они большую пятёрку воспроизвести не могут, и это возможно.

421: Связано с тем, что были какие-то конфирматорный штуки проведены, да, то есть какие-то ёшки там, то, что я в начале говорила, уникальные идентификационные вот эти индивидуальные, извините, факторы, которые

422: Там в том числе, характеризуют характерность каждой переменной. То есть вполне вероятно, что они как-то включались с ними, какая-то работа проводилась, которую воспроизвести так на шару особо невозможно, да, то есть вы эту историю должны

423: Прям либо чётко знать, либо очень долго как-то там че то проводить. Это не нарушение, да, то есть, но в любом случае есть такое правило научного исследования, что вы должны его проводить и описывать так, чтобы любой учёный при желании мог его воспроизвести.

424: Поэтому, если уж вы там какие-то устанавливаете связи, да, вы, по идее должны бы это описывать. Ну не конкретно вы, а любой человек, который это проводит, значит и дальше весь этот анализ выглядит вот так. То есть очень здорово помогает история.

425: С сортировкой, со скрытием нагрузок, потому что если этой сортировки и скрытия нагрузок не будет, то вопросы будут идти от 1 до 60 там или до 100 по порядку. Сколько у вас там вопросов?

426: И, соответственно, эти вопросы уже по нагрузочка будут там как-то ложиться в факторы, и всегда это будет там через какое-то пространство. Значит следующий момент, о котором нам с вами нужно погово.

427: Говорить, да, это, во первых, исключить 27 вопрос, попытаться это сделать с минимальными потерями.

428: Угу.

429: С минимальными потерями не получилось. 27 вопрос был, видимо, принципиально важным. Тут на самом деле, скорее всего, не с этим связано, а видимо, он перегрузился количеством всего. Давайте уберём сводку по компонентам. Корреляцию компонент

430: График каменистой осыпи ему станет полегче.

431: Камо тоже уберу как раз, пока кто-то из коллег подключается.

432: Пускай считает.

433: Не все передумал считать. Давай мой золотой. Да, посчитал. И теперь попробуем 27 вопрос убрать.

434: Посмотрим, что там с ним произойдёт.

435: Да, и теперь сделать сводку по компонентам.

436: Угу. Нет, дисперсия особо сильно не изменилась, да, то есть ничего такого супер высокого не произошло. Ну вот у нас ещё 8 вопрос. Такой же. На 2 фактора играет. Видите? 0 316 0 342.

437: 8 вопрос. Допустим, его убираем. Вообще история с факторным анализом может быть очень, очень долгой. То есть вы можете там что-то убирать, добавлять. Вот смотрите, вот здесь мы увидели ситуацию, когда дисперсия подросла 36 и 3. Понятно, что

438: От 35. Небольшая разница все-таки, как она подросла, но в любом случае вы видите, что изменения то происходят. 9 можно выкинуть. Спасибо, Антон. 9. Давайте выкинем 9, посмотрим, что

439: С ним, в общем, так, кромсать то готовый опросник, не особенно кромсать готовый опросник. Так сильно мы не можем, конечно, да, мы сейчас это делаем в учебных целях, но если это ваш опросник, вполне себе можете, но

440: Как это будет выглядеть? Да, вы должны будете читать эти вопросы, понимать, насколько вы можете поступиться этими вопросами. Я сейчас 49 удалю. Видите, он тоже прям ровнёхонько на 2 фактора.

441: И куда его дела? Конец? Так смотрим, что случится, когда 49 от нас уйдёт.

442: Похоже, что он тоже принципиально важен.

443: Возвращаем.

444: Это на самом деле вся история с перегрузкой просто нашего средства работы. Это не что-то, что может действительно быть там таким каким-то принципиальным из дисперсией. Вот, значит, убрала 49 вопрос, он перееду.

445: Star нам считать тоже самое, да, то есть никакого большого роста прироста в дисперсии не произошло. Ну, в общем, это капля в море такой действительно пшик, но при этом все равно сохраняется вот это вот, вот в данном случае

446: Магия большой пятёрки, да, что большая пятёрка работает и даёт корреляции реально всего со всем. Но при том, что я, наверное, 3 раз, что ли, пробую воспроизводить вот эту факторную структуру большой пятёрки, она самая интересная, причём

447: 1 раз это было просто из за того, что я думала, что она, вот уж она то точно распадётся, и она не распадается, да, то есть действительно не распадается. Не знаю, с чем это связано, но при этом, когда ты там формируешь

448: Как есть, да, там экстраверсия, нейротизм, там, доброжелательность и так далее. Они работают, то есть все в порядке, они работают. Значит, следующий момент мы можем с вами сохранить оценки. Компонент я нажимаю сохранить.

449: Положим, я согласилась с факторной структурой, что у нас 5 компонент дисперсия какая есть, и, нажав кнопочку сохранить оценки компонент, я на свой страх и риск перехожу в данные. И вот у нас остались наши 5 компонент, сохранились.

450: Это не шкалы в нашем понимании, в нашем понимании шкала. Это вот мы взяли 1 вопрос, плюс 6 вопрос, плюс там 11 вопрос и так далее. Это не шкалы в нашем понимании, это

451: Компоненты, полученные при помощи регрессионного коэффициента, коэффициента множественной корреляции, и в том числе суммирования, это более сложная формула. И я считаю, что более, наверное, оправданная, что ли, то есть вот в да,

452: В данном случае с этим тоже можно дальше работать. То есть это можно, допустим, если бы у нас тут были мужчины, женщины, да, переменная, пол, я имею ввиду, мы могли бы посмотреть различия по полу, да, но это достаточно сложная история.

453: Для того, чтобы мы её всем советовали делать, я не знаю. Предполагаю сейчас это необоснованное предположение. Абсолютно почему не используется. Вот это да, почему шкалы все-таки суммируются. Вот, например, в чем моя претензия.

454: Да, в том, что при дисперсии в 35%, я и так, в общем то, ну, работаю не на всю выборку, скажем так, так, ещё и используя не факторную нагрузку, не факторную.

455: Оценку, а используя сумму, просто я и отсюда теряю дисперсию, даже не знаю сколько. То есть вот претензия в этом, то, что я не немножко не согласна с использованием там простого суммирования, но, возможно, я че то не

456: Понимаю, оно оправдано, как бы, значит, вот эти оценки, че они опять поскакали то у нас, которые получаются, это по сути, да? Вот, алин, по моему, вы спрашивали ещё раз, что такое факторная нагрузка? Вот здесь факторная нагрузка. Ну, условно.

457: Усреднённая для всех вопросов. А вот здесь конкретно для каждого человека. Но это тоже факторная нагрузка, да, то есть для каждого человека по выборке у каждого есть своя вот это по компоненте данный, да.

458: Имеет оценку минус полтора, а этот по данной компоненте имеет оценку 1 100, например, да, то есть все разные, все различаются в данном случае. Вот это следующий такой этап, который можно сделать, его почти никог.

459: Когда не делают. А вот теперь последняя вещь, которую будем сейчас считать, это альфа кронбаха. Как раз-таки то, что делают сейчас. Вот вообще по поводу и без, значит, собственно, вот сюда помещаются элементы, которые во

460: Шли в шкалу, например, мы сейчас для 1 шкалы посчитаем. Я смотрю, какие вопросы вошли. Да. 37, 52, 17, 2. Ищу их 2. Сейчас по порядку. 17, 3.

461: 7. Какой там, я сказала, 52.

462: Дальше. 32, 42, 12, 22, то есть 12.

463: 22 32 42.

464: Так, дальше у нас 47, 34, 7, 53, 7.

465: 34.

466: 47, 53, 46, 47, 53, 46, 47, 53. Короче, я набрала вот все вот эти вопросы, которые были здесь, в этот фактор вошли и поместила их в альфа крон.

467: Посчитать или я могу сделать, в общем, обычную сейчас 2 раз, когда будем делать, сделаю, как заявили авторы, да, 1 там, 6 и так далее. Вопросы. И вот у меня посчиталась альфа кронбаха, базовая, вообще просто базовая.

468: История 0 614 0 6. Это допустимо. Чем выше, тем лучше. В общем, 0 8. Уже все радуются. 0 9 там и выше. Это вообще супер пупер. Это же аналог коэффициента корреляции. Чем ближе он к

469: Единицы, тем лучше.

470: Лежит он только в положительной плоскости, потому что это множественная корреляция, потому что они все друг с дружкой вот эти в данном случае, сколько их? 12 штук. Значит, здесь очень интересным является. Ну вот, во первых, альфа кронбаха мы видели, да, значит,

471: Значит, дабл ю макдональдс. Это у нас макдональдс. Да, должно быть. Почему тут? Ну, в общем, не важно. Оно у нас не дабл ю, извините, омега, это омега макдональда, она, значит, должна

472: Как аналог альфа кронбаха тоже самое. В общем то, все пользуются альфа кронбаха, но кто-то, кто хочет, в общем, выделиться, ну, в общем, одно и то же на самом деле, давайте даже проверим, она просто менее

473: Жёсткая, значит, убираю омегу, оставляю альфу. Здесь самое интересное, альфа кронбаха. Если элемент выпал. То есть если убрать этот элемент, какой будет альфа кронбаха, и на

474: Значит, здесь 0 614, как правило, мы ищем, где она возрастёт и возрастает, если убрать 12 0 717 или 42. Вот я убираю 42, например, где он у нас?

475: Я его только что видела. Вот убираю 42, 0 729 стало теперь, если уберу 12, станет 0 817. То есть даже на этом этапе мы можем тоже убирать какие-то вопросы, потому

476: Потому что они не согласованы, согласованы. Здесь, значит, высоко коррелируют. Так, ну, здесь тоже можно, но в целом уже до маразма лучше не доходить. Да, выше 0 8 вполне себе приемлемо. Значит, если они высоко

477: Коррелируют у них и согласованность выше. Если переводить на человеческий язык, это означает, что вопросы измеряют одно и то же. Если они высоко коррелируют, значит, они измеряют одно и то же, и на математическом языке они согласованы, да, то есть высокое

478: Согласованность вопросов, ну даже не на математическом, наверное, просто на научном, значит, что-то на научном. Значит также здесь есть прекрасная возможность. Так, можно ещё про элемент выпал, да, можно ещё

479: Элемент выпал. Это означает, что если мы его уберём, какой станет альфа кронбаха? Вот я, собственно, убрала 2, и альфа кронбаха у меня возросла, я обращаю внимание только на возрастание. И также у нас здесь есть обратно масштаб.

480: Элементы очень простая вещь, да, то есть, если вдруг здесь среди вопросов были отрицательные, а они были как раз 42, 12, поэтому они нам и портили факторную структуру. Поэтому я их, пожалуй, верну.

481: Обратно и сделаю следующее, так как мы понимаем элемент, в смысле, что такое элемент вопрос.

482: Вот они элементы переменные в нашем случае. Или, как мы понимаем, какой здесь номер написан? Алин, конкретизируйте вопрос, если я ещё не ответила. Сейчас я 12, 42 возвращаю.

483: Элемент выпал. А как мы понимаем, а это шутка, я извиняюсь, сложно воспринимать шутки, когда речь идёт о факторном анализе. Значит, смотрите, я сейчас

484: Значит.

485: Ну, я надеюсь, что вы все-таки не выпали, что все-таки у вас как-то это сохранится ещё Вера в то, что вы можете это понять. Действительно 1 из самых сложных методов. Так, 12 42 переношу в обра.

486: Масштабированные элементы, то есть они переворачиваются. Единица становится пятёркой, если это пятибалльная шкала, пятёрка единицей о том, что их надо перевернуть, мы можем судить по знаку. Вот видите, здесь был минус, значит, она обратно

487: И полюс переменной, и поэтому я их перевернула, и альфа кронбаха стала 0 845. И я поняла, что в общем и целом это самый высокий вариант. Вот мы смотрим, если элемент выпал, да, мы, в общем то, нигде

488: Больше, чем 0 845 не получаем. Поэтому, в общем, дело все было в том, что вопрос обратный. И до этого мы дошли. Вот я в данном случае, честно скажу, я забыла про отрицательную историю. То есть, когда я нажала на элемент выпал, я б так их

489: Спокойно удалила бы потом взгляд упал на обратно масштабированные элементы, и, в общем, все как-то вспомнилось само собой, но, в общем, это тоже очень важная часть, что обратные шкалы, обратные вопросы прежде

490: Чем считать по ним надёжность надо переворачивать, потому что иначе никакой надёжности получено не будет. Вот на этом я думаю, что часть с записью можно прекратить. Я заканчиваю, завершаю запись, а дальше?

491: Какие у вас есть вопросы?