factor_analysis
Differences
This shows you the differences between two versions of the page.
Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
factor_analysis [2018/12/05 13:13] – [Factor solution among many . . .] hkimscil | factor_analysis [2018/12/22 01:55] – hkimscil | ||
---|---|---|---|
Line 74: | Line 74: | ||
\end{equation} | \end{equation} | ||
- | 위 식 [1]에서 e는 error term을 말하고, F1, F2 는 각각 잠재적인 요인이다. finance, marketing, policy 점수는 F1과 F2의 기여로 만들어지는 점수이다. F1과 F2가 observation에 기초한 변인이 아니므로 데이터를 이용한 regression을 구하는 방법은 적당치 | + | 위 식 [1]에서 e는 error term을 말하고, F1, F2 는 각각 잠재적인 요인이다. finance, marketing, policy 점수는 F1과 F2의 기여로 만들어지는 점수이다. F1과 F2가 observation에 기초한 변인이 아니므로 데이터를 이용한 regression을 구하는 방법은 적당치 |
한편, $\beta_{ij}$ 는 표준화된 correlation coefficient 값을 말한다 (regression에서 beta값) -- factor analysis에서는 흔히 factor loading이라고 부른다. beta를 해석하는 방법과 마찬가지로 factor loading 값은 F1이나 F2의 인자가 finance (혹은 다른 변인 점수) 점수에 얼마나 기여하는지를 나타내 주는 지표라고 하겠다. | 한편, $\beta_{ij}$ 는 표준화된 correlation coefficient 값을 말한다 (regression에서 beta값) -- factor analysis에서는 흔히 factor loading이라고 부른다. beta를 해석하는 방법과 마찬가지로 factor loading 값은 F1이나 F2의 인자가 finance (혹은 다른 변인 점수) 점수에 얼마나 기여하는지를 나타내 주는 지표라고 하겠다. | ||
Line 91: | Line 91: | ||
위의 요인이 포함된 regression공식이 갖는 가정은 다음과 같다. | 위의 요인이 포함된 regression공식이 갖는 가정은 다음과 같다. | ||
- $E(e_{i}) = 0, \quad Var(e_{i}) = \sigma^2_{i}$ | - $E(e_{i}) = 0, \quad Var(e_{i}) = \sigma^2_{i}$ | ||
+ | * error의 분포에 관한 내용이다. | ||
* expected value = mean of error terms = 0, with standard deviation = $\sigma_{i}$ | * expected value = mean of error terms = 0, with standard deviation = $\sigma_{i}$ | ||
* 에러는 평균 0을 중심으로 무작위로 펼쳐져 있는 상태가 가정되므로 위와 같은 성격을 갖는다. | * 에러는 평균 0을 중심으로 무작위로 펼쳐져 있는 상태가 가정되므로 위와 같은 성격을 갖는다. | ||
- $E(F_{j}) = 0, \quad Var(F_{j}) = 1 $ | - $E(F_{j}) = 0, \quad Var(F_{j}) = 1 $ | ||
+ | * F는 표준화된 coefficient로 | ||
* Factors are standardized with mean =0, standard deviation = 1. Hence, Var(F) = 1. | * Factors are standardized with mean =0, standard deviation = 1. Hence, Var(F) = 1. | ||
* factors의 계수를 내기 전의 data는 표준점수 처리가 된 것을 가정한다. 따라서, F의 mean과 standard deviation값은 각각 0과 1이어야 하고, 따라서 F의 variance값 또한 1이 된다. | * factors의 계수를 내기 전의 data는 표준점수 처리가 된 것을 가정한다. 따라서, F의 mean과 standard deviation값은 각각 0과 1이어야 하고, 따라서 F의 variance값 또한 1이 된다. |
factor_analysis.txt · Last modified: 2023/11/06 02:53 by hkimscil