Sağlam Faktör Analizi
Robust Factor Analysis · Ayrıca şöyle bilinir: robust factor analysis, outlier-resistant factor analysis, MCD-based factor analysis, Robust Faktör Analizi
Sağlam Faktör Analizi, çok değişkenli sürekli verilerin gizli faktör yapısını, aykırı değerlerin bozucu etkisine direnerek yeniden elde eder. Pison, Rousseeuw, Filzmoser ve Croux (2003) tarafından tanıtılan bu yöntem, faktörleri çıkarmadan önce klasik örnek kovaryansını Minimum Kovaryans Determinantı (MCD) veya S-tahmincisi gibi sağlam bir tahminci ile değiştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Aykırı değerlerden veya normal olmamaktan şüphelendiğinizde ve hala gizli bir faktör yapısını ortaya çıkarmak veya tanımlamak istediğinizde Sağlam Faktör Analizi'ni çok değişkenli sürekli verilerle kullanın. Sürekli değişkenleri varsayar ve tam olarak kirlilik veya ağır kuyrukların klasik bir çözümü bozacağı durumlar için tasarlanmıştır. Sağlam kovaryans tahmincisinin güvenilir olması gerektiğinden, makul derecede büyük bir örneklem gereklidir — en az yaklaşık 100 gözlem.
Güçlü yönler & sınırlılıklar
- Klasik faktör analizinin aksine, aykırı değerlere doğru çekilmeyen bir faktör yapısı çıkarır.
- Çok değişkenli normalite gerektirmez, bu da onu kirlenmiş veya ağır kuyruklu veriler için uygun hale getirir.
- Kanıtlanmış kırılma özelliklerine sahip ilkeli sağlam kovaryans tahmincilerine (MCD, S-tahmincileri) dayanır.
- Sağlam kovaryansın güvenilir olması için oldukça büyük bir örneklem (yaklaşık 100+) gerektirir.
- 30 gözlemden az olduğunda, sağlam kovaryans tahmini güvenilmez hale gelir ve klasik PCA tercih edilir.
- Aykırı değerlerin oranı çok yüksek olduğunda (kabaca %25'in üzerinde), MCD tabanlı kovaryans bile bozulabilir.
SSS
Bu, sıradan faktör analizinden nasıl farklıdır?
Model aynıdır, ancak çarpanlarına ayrıldığı kovaryans sağlam bir şekilde tahmin edilir. Klasik faktör analizi sıradan örnek kovaryansını kullanır, bu da birkaç aykırı değer tarafından bozulabilir; Sağlam Faktör Analizi, verinin yoğun kısmından hesaplanan bir MCD veya S-tahmincisi kovaryansı kullanır, böylece çıkarılan faktörler aşırı vakalar tarafından yönlendirilmez.
MCD tahmincisi nedir?
Minimum Kovaryans Determinantı, konumu ve kovaryansı, kovaryansı en küçük determinantı olan gözlem alt kümesine uyar — etkili bir şekilde verinin en yoğun, en tipik çekirdeği. Aykırı değerler bu çekirdekten hariç tutulduğu için, sonuçta elde edilen kovaryans ve ondan türetilen faktörler kirliliğe direnir.
Ne kadar büyük bir örneğe ihtiyacım var?
En az yaklaşık 100 gözlem planlayın. Kabaca 30'un altında, sağlam kovaryans tahmini güvenilir değildir ve bu küçük örneklem durumunda klasik PCA önerilen geri dönüş yoludur.
Verilerimin büyük bir kısmı aykırı değer ise ne olur?
Aykırı değer oranı yaklaşık %25'in üzerine çıktığında, MCD tabanlı kovaryans bile bozulabilir. Bu rejimde, yapıları yeniden elde etmek için sağlam PCA tercih edilen alternatiftir.
Kaynaklar
- Pison, G., Rousseeuw, P. J., Filzmoser, P., & Croux, C. (2003). Robust factor analysis. Journal of Multivariate Analysis, 84(1), 145-172. DOI: 10.1016/S0047-259X(02)00007-6 ↗
- Hubert, M., Rousseeuw, P. J., & Vanden Branden, K. (2005). ROBPCA: A new approach to robust principal component analysis. Technometrics, 47(1), 64-79. DOI: 10.1198/004017004000000563 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Robust Factor Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-factor-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Faktör AnaliziAraştırma istatistiği↔ karşılaştır
- Etki Tanılamaları (Cook Mesafesi, DFFITS, Kaldıraç)İstatistik↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Sağlam Kovaryans Tahmini (MCD)İstatistik↔ karşılaştır
- Sağlam Temel Bileşen Analizi (RPCA)İstatistik↔ karşılaştır