फैक्टर विश्लेषण कमांड इन stata विदेशी मुद्रा

सूचना: आईडीआरई सांख्यिकी परामर्श समूह वेबसाइट को वर्डप्रेस सीएमएस में फरवरी में माइग्रेट कर देगा ताकि नई सामग्री के रख-रखाव और सृजन की सुविधा मिल सके। हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि वे अब बनाए रखा नहीं जा सकें। हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिजिटल रिसर्च एंड एजुकेशन में आपका स्वागत है स्टेट कंसल्टिंग ग्रुप को उपहार देने के लिए स्टेट कंसल्टिंग ग्रुप द्वारा सहायता देना। मैं कैसे स्पष्ट (या स्पष्ट और निरंतर) चर के साथ एक कारक विश्लेषण कैसे कर सकता हूं? कारक विश्लेषण करने के मानक तरीकों (अर्थात मैट्रिक्स के आधार पर Pearsons सहसंबंध) मान है कि चर निरंतर हैं और एक बहुभिन्नरूपी सामान्य वितरण का पालन करें। यदि मॉडल में वेरिएबल्स शामिल हैं जो डिकोटामस या ऑर्डिनल हैं तो एक पॉलिकिक सहसंबंध मैट्रिक्स का उपयोग करके एक कारक विश्लेषण किया जा सकता है। स्टेटा में हम उपयोगकर्ता-लिखित कमांड पॉलिजिकल का उपयोग करके पार्षोपीय संबंधों का मैट्रिक्स उत्पन्न कर सकते हैं। आप स्टेटा कमांड विंडो में खोजक पॉलिकरिक टाइप करके और स्क्रीन के निर्देशों का पालन करके पॉलिकरिक कमांड को ढूंढ और स्थापित कर सकते हैं। उपयोगकर्ता द्वारा लिखित कमांडों को ढूंढने और स्थापित करने के बारे में अधिक जानकारी के लिए हमारे अकसर किये गए सवाल देखें: मैं प्रोग्राम को अतिरिक्त खोज और खोज के लिए कैसे खोज करता हूं? ध्यान दें कि पॉलिजिकल के साथ उपयोग किए जाने वाले वेरिएबल बाइनरी (01), ऑर्डिनल या निरंतर हो सकते हैं, लेकिन नाममात्र (अनारोर्ड श्रेणियां) नहीं हो सकते। यह भी ध्यान दें कि पोलिकरिक कमांड द्वारा उत्पादित मैट्रिक्स में सहसंबंध सभी पोलिकी संबंधी सहसंबंध नहीं हैं। जब दोनों चर में 10 या उससे कम मूल्यों को देखा जाता है, तो एक पोलिकरिक संबंध की गणना की जाती है, जब केवल एक चर में 10 या उससे कम मूल्य (यानी एक चर निरंतर और अन्य स्पष्ट) होता है, तो एक पॉलिर्शियल सहसंबंध की गणना होती है, और यदि दोनों चर 10 से अधिक मूल्यों पर एक Pearsons सहसंबंध की गणना की जाती है। एक बार जब हम एक पोलकोरिक सहसंबंध मैट्रिक्स निकालते हैं, तो हम फोरमैट कमांड का उपयोग कर मैट्रिक्स का प्रयोग करके कच्ची वैरिएबल के बजाय निवेश के लिए खोजी कारक विश्लेषण कर सकते हैं। इस उदाहरण के लिए डेटासेट में 1428 कॉलेज के छात्रों और उनके प्रशिक्षकों के डेटा शामिल हैं। उदाहरण के विश्लेषण में संकाय लिंग (फैक्स) और संकाय राष्ट्रीयता (अमेरिकी नागरिक या विदेशी नागरिक, facnat) सहित द्विपातिक चर, संकाय रैंक (facrank), छात्र रैंक (स्टड्रैंक) और ग्रेड (ए, बी, सी, आदि ग्रेड) और निरंतर चर संकाय वेतन (वेतन), वर्ष टेक्सास विश्वविद्यालय (yrsut) में शिक्षण, और इस विश्लेषण में कक्षा (nstud) में छात्रों की संख्या। इन वेरिएबल्स को विभिन्न प्रकार के वेरिएबल्स (अर्थात् द्विगोष्ट, आदेश दिया गया, स्पष्ट और निरंतर) का प्रतिनिधित्व करने के लिए चुना गया था, और जरूरी नहीं कि वे पर्याप्त अर्थपूर्ण कारक बनाए। नीचे हम डेटासेट खोलते हैं और हमारे विश्लेषण में आठ वैरिएबल के लिए पोलिकरिक सहसंबंध मैट्रिक्स उत्पन्न करते हैं। आप यह देख सकते हैं कि कोरैसकोर से संबंधित और पीडब्ल्यूसीओआर कमांड की तुलना में पॉलिसीक कमांड कुछ हद तक धीरे धीरे चलाता है, यह सामान्य है। पॉलीकरिक कमांड मैट्रिक्स उत्पन्न करने के लिए इस्तेमाल की जाने वाली मामलों की संख्या (सूचीगत हटाने के साथ) प्रदर्शित नहीं करता है, लेकिन यह आर आर (sumw) को स्टोर करता है ताकि हम इसे देखने के लिए डिस्प्ले कमांड का उपयोग कर सकें। इसके बाद हम मैट्रिक्स कमांड का इस्तेमाल पॉलिकोरिक सहसंबंध मैट्रिक्स (आरओ (आर) में आरओ के रूप में आरओ) को संग्रहित करने के लिए करते हैं। ताकि हम इसे फ़ार्मैट कमांड के साथ उपयोग कर सकें। फ़ैक्टमैट कमांड के बाद मैट्रिक्स का नाम हम विश्लेषण (यानी आर) के लिए उपयोग करना चाहते हैं। एन (।) Quotoptionquot नमूना आकार देता है, और आवश्यक है। हमने कारकों (।) विकल्प का उपयोग करने के लिए यह इंगित किया है कि हम तीन कारक बनाए रखना चाहते हैं। उपरोक्त कारक विश्लेषण आउटपुट को मानक कारक विश्लेषण मॉडल के समान ढंग से व्याख्या किया जा सकता है, जिसमें व्याख्यात्मकता बढ़ाने के लिए रोटेशन विधियों के उपयोग शामिल हैं। नोट: आईडीआरई सांख्यिकीय परामर्श समूह वेबसाइट को फरवरी में वर्डप्रेस सीएमएस के लिए माइग्रेट करेगा, ताकि रखरखाव की सुविधा मिल सके। और नई सामग्री का निर्माण हमारे कुछ पुराने पृष्ठों को हटा दिया जाएगा या संग्रहीत किया जाएगा ताकि वे अब बनाए रखा नहीं जा सकें। हम रीडायरेक्ट बनाए रखने का प्रयास करेंगे ताकि पुरानी यूआरएल हम जितनी अच्छी तरह काम कर सकें उतना काम जारी रहेगा। डिजिटल रिसर्च और एजुकेशन फॉर डिजिटल इंस्टीट्यूट फॉर स्टेट कंसल्टिंग ग्रुप को उपहार देने के लिए आपका स्वागत है स्ताटा एनाटेटेड आउटपुट फैक्टर विश्लेषण यह पेज आउटपुट समझा फ़ुटनोट के साथ एक उदाहरण कारक विश्लेषण दिखाता है। हम एसएमसी के साथ एक चलने वाले प्रमुख अक्ष (आईपीएफ विकल्प) कर देंगे क्योंकि प्रारंभिक सांप्रदायिकता तीन कारक (कारक (3) विकल्प को बनाए रखेगी) इसके बाद वैरिमैक्स और प्रोमैक्स रोटेशन। इन आंकड़ों को 1428 कॉलेज के छात्रों (1365 टिप्पणियों पर पूरा डेटा) पर एकत्र किया गया था और एक सर्वेक्षण पर वस्तुओं के जवाब दिए गए हैं। हम आइटम 13 में मद 24 के माध्यम से हमारे विश्लेषण में उपयोग करेंगे। ए। Eigenvalue: एक eigenvalue कारक के विचरण है। शुरुआती कारक समाधान में, सबसे पहले कारक सबसे अधिक भिन्नता के लिए खाता होगा, दूसरा विचलन के अगले उच्चतम राशि के लिए खाता होगा, और इसी तरह। कुछ ईगेंवल्यूज़ नकारात्मक हैं क्योंकि मैट्रिक्स पूर्ण रैंक की नहीं है, अर्थात यह 12 चर है, लेकिन कारक स्पेस की आयामीता बहुत कम है इसमें सबसे अधिक सात कारक संभव होते हैं ख। अंतर: वर्तमान और निम्नलिखित ईगेंवल्यू के बीच के मतभेद देता है। सी। अनुपात: विचरण का अनुपात कारक के लिए जिम्मेदार होता है। घ। संचयी: विचलन के संचयी अनुपात को इस कारक से और पिछले सभी वाले के लिए जिम्मेदार माना जाता है। ई। फैक्टर लोडिंग: इस ऑर्थोगोनल समाधान के लिए कारक लोडिंग दोनों का प्रतिनिधित्व करती है कि कैसे चर प्रत्येक कारक के लिए भारित हैं, लेकिन वेरिएबल्स और कारक के बीच के संबंध। च। विशिष्टता: कारकों से जुड़े चर के सामान्य विचरण का अनुपात नहीं देता है। विशिष्टता 1 के बराबर है - कम्युनिकेशन जी। घुमाए गए फैक्टर लोडिंग: वेरिमॅक्स ऑर्थोगोनल रोटेशन के लिए कारक लोडिंग दोनों का प्रतिनिधित्व करती है कि कैसे चर प्रत्येक पहलू के लिए भारित हैं, लेकिन वेरिएबल्स और कारक के बीच के संबंध। कॉलम के स्क्वेर्ड लोडिंग को अधिकतम करने के लिए एक वैरिमैक रोटेशन प्रयास करता है। एच। विशिष्टता: ई के रूप में समान मूल्य ऊपर क्योंकि यह अभी भी एक तीन कारक समाधान है। रिक्त विकल्प केवल एक विशेष मूल्य (0.3 कहते हैं) से ज्यादा कारक भार प्रदर्शित करता है। मैं। घुमाए गए फैक्टर लोडिंग: प्रोमॅक तिरछा रोटेशन के लिए कारक लोडिंग दर्शाती है कि कैसे प्रत्येक चर प्रत्येक कारक के लिए भारित होता है। नोट: इन चर और कारकों के बीच संबंध नहीं हैं प्रोमैक्स रोटेशन की वजह से कारकों को बेहतर अनुमानित सरल संरचना के प्रयास में सहसंबद्ध किया जा सकता है। मैं। विशिष्टता: ई के रूप में समान मूल्य और वह। ऊपर क्योंकि यह अभी भी एक तीन कारक समाधान है। एस्टाट कॉमन कमांड एक पोस्टस्टेमिशन कमांड है जो एक तिरछा रोटेशन के कारकों के बीच सहसंबंध प्रदर्शित करता है। इस वेब साइट की सामग्री को कैलिफोर्निया विश्वविद्यालय द्वारा किसी विशेष वेब साइट, किताब या सॉफ़्टवेयर उत्पाद के समर्थन के रूप में नहीं समझा जाना चाहिए।