Die Aktion faNFactors analysiert eine Korrelationsmatrix oder Rohdaten, um die Anzahl der zu extrahierenden Faktoren zu bestimmen. Sie unterstützt verschiedene Kriterien zur Entscheidungsfindung, darunter das Eigenwert-Kriterium, die MAP-Methode (Minimum Average Partial Correlation) und die Parallelanalyse. Diese Aktion ist besonders nützlich im explorativen Stadium der Faktoranalyse, um die Dimensionalität der Daten zu verstehen.
| Parameter | Beschreibung |
|---|---|
| attributes | Ändert die Attribute der Variablen, die in dieser Aktion verwendet werden. |
| corrOut | Gibt eine Ausgabetabelle an, die die Korrelationsmatrix, zusammenfassende Statistiken und die Anzahl der Beobachtungen enthält. |
| criteria | Gibt ein oder mehrere Kriterien zur Bestimmung der Anzahl der Faktoren an (z. B. 'EIGENVALUE' oder 'PARALLEL'). |
| display | Gibt eine Liste von Ergebnistabellen an, die zur Anzeige an den Client gesendet werden sollen. |
| freq | Gibt eine numerische Variable an, die die Häufigkeit des Auftretens jeder Beobachtung enthält. |
| inputs | Gibt die für die Analyse zu verwendenden Eingabevariablen an. Wenn nicht angegeben, werden alle numerischen Variablen verwendet. |
| nFactors | Gibt an, wie die endgültige Anzahl der Faktoren aus den aktiven Kriterien bestimmt werden soll (z. B. 'MIN', 'MAX', 'MEAN'). Standard ist 'MIN'. |
| outputTables | Listet die Namen der Ergebnistabellen auf, die als CAS-Tabellen auf dem Server gespeichert werden sollen. |
| priors | Gibt die Methode zur Berechnung der Prior-Kommunalitätsschätzungen an (z. B. 'SMC' für Squared Multiple Correlations). |
| table | Gibt die Einstellungen für die Eingabetabelle an, einschließlich des Tabellennamens und der CAS-Bibliothek. |
| varianceDivisor | Gibt den Varianzdivisor für die Berechnung von Varianzen und Kovarianzen an (z. B. 'DF' für Freiheitsgrade oder 'N' für Anzahl der Beobachtungen). |
| weight | Gibt eine numerische Variable an, die als Gewichtung für eine gewichtete Analyse der Daten verwendet wird. |
Erstellt eine Tabelle 'myTable' mit fiktiven Daten zur Demonstration der Faktoranalyse.
| 1 | DATA mycas.myTable; INPUT x1 x2 x3 x4 x5 x6; DATALINES; |
| 2 | 1.0 2.0 3.0 4.0 5.0 6.0 |
| 3 | 2.0 3.0 4.0 5.0 6.0 7.0 |
| 4 | 1.5 2.5 3.5 4.5 5.5 6.5 |
| 5 | 3.0 4.0 5.0 6.0 7.0 8.0 |
| 6 | ; RUN; |
Verwendet das Eigenwert-Kriterium, um die Anzahl der Faktoren zu bestimmen.
| 1 | |
| 2 | PROC CAS; |
| 3 | factorAnalysis.faNFactors / TABLE={name="myTable"}, criteria={{type="EIGENVALUE", threshold=1.0}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Führt eine detaillierte Analyse durch, die sowohl das Eigenwert-Kriterium als auch die Parallelanalyse verwendet, Prior-Kommunalitäten mittels SMC berechnet und die Ergebnisse speichert.
| 1 | |
| 2 | PROC CAS; |
| 3 | factorAnalysis.faNFactors / TABLE={name="myTable"}, criteria={{type="EIGENVALUE", threshold=1.0}, {type="PARALLEL", alpha=0.05, nSimulations=1000}}, priors={type="SMC"}, nFactors="MAX", outputTables={names={"Eigenvalues", "ParallelAnalysis"}}; |
| 4 | |
| 5 | RUN; |
| 6 |