4.2. Factor analysisFactor analysis

4.2. Factor analysis

Factor analysis is a multivariate analytical technique, which derives a subset of uncorrelated variables called factors that explain the variance observed in the original dataset (Anazawa and Ohmori, 2005; Brown, 1998). Factor analysis is used to uncover the latent structure of a set of variables. In technical terms, common factor analysis represents the common variance of variables, excluding unique variance, and is thus a correlation-focused approach seeking to reproduce the intercorrelation among the variables. On the other hand, components (from PCA) reflect both common and unique variance of the variables and may be seen as a variance-focused approach that reproduces both the total variable variance with all components as well as the correlations. PCA is far more commonly used than principal factor analysis (PFA). However, it is common to use “factors” interchangeably with “components” in multivariate analysis.

Factor analysis can be performed on any kind of scientific data to establish a pattern of variation among variables or reduce large data sets into factors for easy handling and interpretation. The total number of factors generated from a typical factor analysis indicates the total number of possible sources of variation in the data. Factors are ranked in order of merit. The first factor or component has the highest eigenvector sum and represents the most important source of variation in the data. The last factor is the least important process contributing to the chemical variation. Factor loadings on the factor loadings tables are interpreted as correlation coefficients between the variables and the factors.

In this research, PCA was applied to chemical data from the Ankobra Basin to extract the principal factors corresponding to the different sources of variation in the data. Here, PCA was selected for the reasons stated above. In order to maximize the variation among the variables under each factor, the factor axes were subsequently varimax rotated.

ผลลัพธ์ (ไทย) 1:

4.2. ปัจจัยวิเคราะห์การวิเคราะห์ปัจจัยเป็นแบบหลายตัวแปรวิเคราะห์เทคนิค ที่มาชุดย่อยของตัวแปร uncorrelated ที่เรียกว่าปัจจัยที่อธิบายความแปรปรวนที่พบในชุดข้อมูลเดิม (Anazawa และอาร์ทโอโมริ 2005 สีน้ำตาล 1998) วิเคราะห์ปัจจัยที่ใช้ในการเปิดเผยโครงสร้างชุดของตัวแปรแฝง ในทางเทคนิค วิเคราะห์ปัจจัยทั่วไปหมายถึงผลต่างร่วมของตัวแปร ไม่รวมผลต่างที่ไม่ซ้ำกัน และดังนั้นวิธีการเน้นความสัมพันธ์กำลังสร้าง intercorrelation ระหว่างตัวแปร บนมืออื่น ๆ ส่วนประกอบ (จาก PCA) สะท้อนทั้งทั่วไป และเฉพาะความแปรปรวนของตัวแปร และอาจมองว่าเป็นวิธีที่ต่างมุ่งเน้นที่สร้างทั้งสองแปรผลต่างรวมกับส่วนประกอบทั้งหมดตลอดจนความสัมพันธ์ที่ PCA ใช้บ่อยยิ่งกว่าวิเคราะห์ปัจจัยหลัก (PFA) อย่างไรก็ตาม ก็ใช้ "ปัจจัย" สลับกับ "ส่วนประกอบ" ในการวิเคราะห์ตัวแปรพหุสามารถทำการวิเคราะห์ปัจจัยในใด ๆ ของรูปแบบของการเปลี่ยนแปลงในตัวแปร หรือลดชุดข้อมูลขนาดใหญ่เป็นปัจจัยสำหรับการจัดการง่ายและตีความข้อมูลทางวิทยาศาสตร์ จำนวนของปัจจัยที่สร้างขึ้นจากการวิเคราะห์ปัจจัยโดยทั่วไปหมายถึงมาของการเปลี่ยนแปลงในข้อมูลจำนวนรวม ปัจจัยที่มีอันดับในลำดับ ปัจจัยหรือองค์ประกอบแรกมีผล eigenvector สูง และแสดงถึงแหล่งที่มาสำคัญที่สุดของการเปลี่ยนแปลงในข้อมูล ตัวครั้งสุดท้ายเป็นกระบวนการอย่างน้อยสำคัญที่เอื้อต่อการเปลี่ยนแปลงทางเคมี รับน้ำหนักตัวคูณในตารางรับน้ำหนักตัวจะถูกแสดงเป็นค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างตัวแปรและปัจจัยในงานวิจัยนี้ PCA ใช้ข้อมูลสารเคมีจากอ่าง Ankobra การแยกปัจจัยหลักที่สอดคล้องกับแหล่งที่มาต่าง ๆ ของการเปลี่ยนแปลงในข้อมูล ที่นี่ PCA ที่เลือกเหตุผลที่ระบุไว้ข้างต้น เพื่อให้การเปลี่ยนแปลงในตัวแปรภายใต้แต่ละปัจจัย แกนปัจจัยได้มา varimax หมุน

ผลลัพธ์ (ไทย) 2:

4.2 การวิเคราะห์ปัจจัยการวิเคราะห์ปัจจัยเป็นเทคนิคการวิเคราะห์หลายตัวแปรซึ่งมาย่อยของตัวแปร uncorrelated เรียกว่าปัจจัยที่อธิบายความแปรปรวนที่สังเกตในชุดเดิม (Anazawa และ Ohmori 2005; บราวน์, 1998) การวิเคราะห์ปัจจัยที่ใช้ในการค้นพบโครงสร้างแฝงของชุดของตัวแปร ในด้านเทคนิคการวิเคราะห์ปัจจัยร่วมกันหมายถึงความแปรปรวนของตัวแปรทั่วไปไม่รวมความแปรปรวนไม่ซ้ำกันและจึงเป็นวิธีการที่มีความสัมพันธ์ที่มุ่งเน้นที่กำลังมองหาที่จะทำซ้ำ intercorrelation ระหว่างตัวแปร บนมืออื่น ๆ , ส่วนประกอบ (จาก PCA) สะท้อนให้เห็นถึงทั้งความแปรปรวนที่พบบ่อยและเป็นเอกลักษณ์ของตัวแปรและอาจถูกมองว่าเป็นวิธีการที่มุ่งเน้นความแปรปรวนที่ reproduces ทั้งความแปรปรวนของตัวแปรทั้งหมดที่มีส่วนประกอบทั้งหมดรวมทั้งความสัมพันธ์ PCA อยู่ไกลที่ใช้บ่อยกว่าการวิเคราะห์ปัจจัยหลัก (PFA) แต่มันเป็นเรื่องธรรมดาที่จะใช้ "ปัจจัย" สลับกันได้กับ "ชิ้นส่วน" ในการวิเคราะห์หลายตัวแปร. การวิเคราะห์ปัจจัยสามารถดำเนินการได้อยู่กับชนิดของข้อมูลทางวิทยาศาสตร์ใด ๆ ที่จะสร้างรูปแบบของการเปลี่ยนแปลงระหว่างตัวแปรหรือลดชุดข้อมูลขนาดใหญ่มาเป็นปัจจัยสำหรับการจัดการที่ง่ายและการตีความ . จำนวนรวมของปัจจัยที่เกิดจากการวิเคราะห์ปัจจัยทั่วไปบ่งชี้ว่าจำนวนรวมของแหล่งที่มาของการเปลี่ยนแปลงในข้อมูล ปัจจัยที่มีการจัดอันดับในคำสั่งของบุญ ปัจจัยแรกหรือส่วนประกอบที่มีผลรวมวิคเตอร์ที่สูงที่สุดและเป็นแหล่งที่สำคัญที่สุดของการเปลี่ยนแปลงในข้อมูล ปัจจัยสุดท้ายคือกระบวนการที่สำคัญอย่างน้อยที่เอื้อต่อการเปลี่ยนแปลงทางเคมี เติมปัจจัยในตารางปัจจัยแรงจะถูกตีความเป็นค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างตัวแปรและปัจจัย. ในงานวิจัยนี้ PCA ถูกนำไปใช้กับข้อมูลสารเคมีจาก Ankobra ลุ่มน้ำเพื่อดึงปัจจัยหลักที่สอดคล้องกับแหล่งที่มาที่แตกต่างกันของการเปลี่ยนแปลงในข้อมูล นี่ PCA ได้รับเลือกด้วยเหตุผลที่กล่าวข้างต้น เพื่อเพิ่มรูปแบบระหว่างตัวแปรในแต่ละปัจจัยที่แกนปัจจัยที่ถูกภายหลัง VariMax หมุน