[問題] 常態非常態樣本界定與因素分析使用時機

看板Statistics作者時間10年前 (2015/04/17 17:00), 10年前編輯推噓0(0推 0噓 39→)
留言39則, 4人參與, 最新討論串1/1
大家好，我現在有來自不同產地的樣品 我的研究是尋找兩種不同類型的測定之間的關聯性 因為我的樣本數不高(<30)，進行常態性檢定結果不符合常態 因此我選用spearman進行相關性檢定，也的確看到非常多具有顯著性的結果 然而我發現我的數值之間存在共線性，因為我雖然是以各種方式測定 但仍然不可避免許多可能相似的測定（且我將兩性質直接跑相關性，有許多值本身有顯著） 為了將測定值結果精簡，且為了想要找到是否存在我無法測定但隱含在變數中的因素 因此我選用因素分析而非主成份 事後找到共同變數後我再進行spearman一次，最終也的確找到兩個極具顯著的對應 但因為我發現我的依變數（也就是物性的測定）本身也非常態 因此我似乎根本不該進行回歸測定 我想請教版友我該如何解決此問題，謝謝 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.78.232 ※ 文章網址: https://www.ptt.cc/bbs/Statistics/M.1429261207.A.DDF.html ※ 編輯: mitkaffee (140.112.78.232), 04/17/2015 17:02:35
→
04/17 17:16, , 1F
其實我不完全理解你的問題 也許你該詳細的說明一下
04/17 17:16, 1F
→
04/17 17:17, , 2F
但直觀上 我認為應該不是做因素分析 而是主成份分析
04/17 17:17, 2F
→
04/17 17:18, , 3F
抱歉，我重新編輯一下我的情況和問題
04/17 17:18, 3F
※ 編輯: mitkaffee (140.112.78.232), 04/17/2015 17:26:33
→
04/17 17:18, , 4F
粹取主成份來跑迴歸...主成份≠因素 很多人亂用....
04/17 17:18, 4F
→
04/17 17:20, , 5F
或許看晚點有沒有生統方面專長的大大能幫忙回答
04/17 17:20, 5F
→
04/17 17:26, , 6F
我重新編輯好了 請問這樣清楚嗎
04/17 17:26, 6F
→
04/17 17:27, , 7F
我是萃取因素後才跑回歸 我沒有用主成份
04/17 17:27, 7F
→
04/17 19:03, , 8F
一般線性迴歸的常態性前題是指殘差，而非反應變數。
04/17 19:03, 8F
→
04/17 19:22, , 9F
另外，你或許也可以考慮使用典型相關分析。
04/17 19:22, 9F
→
04/17 19:30, , 10F
因素分析的話，或許有其它證據指出你提出的因素是洽當的
04/17 19:30, 10F
→
04/17 19:31, , 11F
會比較有說服力。畢竟因素分析的軸是可以轉的。
04/17 19:31, 11F
→
04/17 20:10, , 12F
喔喔 所以只要檢定殘差符合常態性即可嗎？
04/17 20:10, 12F
→
04/17 20:10, , 13F
另外我有想過用典型分析 但所學有限 那個對我有點難Ｑ
04/17 20:10, 13F
→
04/17 20:10, , 14F
我是研究所做論文才開始接觸多變量分析 以前只有生統
04/17 20:10, 14F
→
04/17 20:11, , 15F
但我想請問做典型的話有什麼前提嗎 我是否也需要做維度
04/17 20:11, 15F
→
04/17 20:11, , 16F
縮減？
04/17 20:11, 16F
→
04/17 21:21, , 17F
檢驗典型相關係數要注意是否存在多變量常態。
04/17 21:21, 17F
→
04/17 21:23, , 18F
但樣本量大時可能沒太要緊。
04/17 21:23, 18F
→
04/18 00:18, , 19F
但我的樣本數只有最多24個 這樣依然有辦法嗎？
04/18 00:18, 19F
→
04/18 01:40, , 20F
根據經驗，這樣的樣本數很難驗證變數之分配。
04/18 01:40, 20F
→
04/18 01:41, , 21F
無論如何，你還可以試著對變數做轉型，看會不會更像常態
04/18 01:41, 21F
→
04/18 23:58, , 22F
所以你的意思是如果樣本非常態 仍然必須經過轉換後才能
04/18 23:58, 22F
→
04/18 23:58, , 23F
做迴歸分析嗎？ 還是能有不用此限制的方法
04/18 23:58, 23F
→
04/19 00:01, , 24F
迴歸殘差如果偏離常態，可以試著對應變數轉型。
04/19 00:01, 24F
→
04/19 00:02, , 25F
這件事大多數統計教科書都有。三言兩語說不完。
04/19 00:02, 25F
→
04/19 00:03, , 26F
如果要避開此限制就要找robust分析。例如permutation之
04/19 00:03, 26F
→
04/19 00:04, , 27F
類的。怎麼挑選適當方法也要視情況而定。
04/19 00:04, 27F
→
04/19 21:21, , 28F
其實, 因素分析隱含假設原資料是符合多變量常態的, 典型相
04/19 21:21, 28F
→
04/19 21:22, , 29F
關其實就是兩組(多個)變量之間隱含之因素之間的相關, 也是
04/19 21:22, 29F
→
04/19 21:22, , 30F
在多變量常態的思維下的產物.
04/19 21:22, 30F
→
04/19 21:23, , 31F
主成分, 其實可以看成只是變數的重組.
04/19 21:23, 31F
→
04/19 21:24, , 32F
如果解釋變項不動, 對反應變項進行主成分或因素分析, 再用
04/19 21:24, 32F
→
04/19 21:25, , 33F
結果之主成分或因素分數為反應變數進行分析, 其意義是有些
04/19 21:25, 33F
→
04/19 21:25, , 34F
不同的. 前者是對 "組合變數" 之分析, 後者是對 "內含因素"
04/19 21:25, 34F
→
04/19 21:27, , 35F
也就是隱藏於所考慮之諸多原反應變數背後之因子進行的分析.
04/19 21:27, 35F
→
04/19 21:28, , 36F
如果是對解釋變數而非反應變數進行主成分或因素分析, 再以
04/19 21:28, 36F
→
04/19 21:30, , 37F
結果為解釋變數, 最後主成分解釋變數可還原成原變數, 而用
04/19 21:30, 37F
→
04/19 21:31, , 38F
原變數來解釋結果; 而因素分數為解釋變數, 是在分析原考慮
04/19 21:31, 38F
→
04/19 21:31, , 39F
之解釋變數背後之共同因素對反應變數的影響.
04/19 21:31, 39F
※ 編輯: mitkaffee (219.68.139.142), 12/09/2015 22:36:12 ※ 編輯: mitkaffee (219.68.139.142), 12/09/2015 22:36:45
‣ 更多 mitkaffee 的文章
文章代碼(AID): #1LCCkNtV (Statistics)