我与威斯布鲁克和奥利弗关于1991年消费情绪反应的数据一起练习全民教育。
> data
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 1.00 NA NA NA NA NA NA NA NA NA
2 0.20 1.00 NA NA NA NA NA NA NA NA
3 0.08 0.30 1.00 NA NA NA NA NA NA NA
4 0.13 -0.30 0.37 1.00 NA NA NA NA NA NA
5 0.27 -0.22 0.28 0.80 1.00 NA NA NA NA NA
6 0.22 -0.23 0.39 0.84 0.85 1.00 NA NA NA NA
7 0.22 -0.20 0.45 0.76 0.82 0.92 1.00 NA NA NA
8 0.33 -0.07 0.46 0.67 0.72 0.80 0.83 1.00 NA NA
9 0.31 -0.08 0.40 0.55 0.60 0.67 0.77 0.76 1.0 NA
10 0.25 -0.21 0.48 0.74 0.68 0.78 0.78 0.70 0.7 1
到目前为止，这是我的脚本：
data <- read.table("data.txt", fill=TRUE, col.names=1:no_col2)
corr <- xpnd( data[lower.tri(data, diag=T)] , no_col2)
corr.pc <- eigen(corr)
plot(corr.pc$values,type="o", pch=16)
abline(h=1,col="grey")
sum(corrB.pc$values>1)
视觉上看起来弯曲处于F3。但是，根据Kaiser的规则，我们只保留前两个因素，因为它们的差异大于1。我检查了原始研究，看来他们确定了三个因素。
但是当我检查三个因素是否足以使用factanal（）时，答案是需要三个以上的因素。事实上，五个似乎是最小数量的充分因素。
fa1<-factanal(covmat=corr, factors=3, n.obs=125, rotation="varimax")
fa1
fa2<-factanal(covmat=corr, factors=5, n.obs=125, rotation="varimax")
fa2
当用于减少维度的不同措施不同时，仅仅是个人偏好使用哪种措施？将因子的数量保持为3对我来说是有意义的，因为第五个因素只是对第一个因素中某些变量的不太全面的改变。
你接受了什么？