KM 2014, Lektion 6

Transilvanische Universität Brasov
Master-Studiengang Angewandte Informatik (in deutscher Sprache)
Prof. Dr. Hans Peter Litz
Computergestützte Analyse ein- und zwei-

dimensionaler statistischer Daten
(Knowledge Management)
Lektion 6: Reduktion der Komplexität -

Die Faktorenanalyse
A) Die Hauptkomponentenanalyse
Teil 1 Strukturen im Datensatz
Sommersemester 2014
Faktorenanalyse Teil 1 Strukturen in einem Datensatz:
a) Die Operationalisierung theoretischer Begriffe
Theorie theoretischer Begriff Soziale Schicht
Partizipation
Faktor 1
Fragenkomplexe
Dimensionen .
.
.
Faktor n
Daten Indikatoren statistische Variablen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 2
b) Die graphische Itemanalyse
(1) Vergleich
der
Mittelwerte:

(2) Die Anforderung mit SPSS

(3) Die Spezifizierung in SPSS
1.
3. Darstellungsoptionen
festlegen
2.

Faktorenanalyse Teil I-1 Strukturen in einem Datensatz:
(4) Die Bearbeitung des Ergebnisses mit SPSS
Die Graphik im
Editor um 90°
drehen

c) Die Zusammenhänge zwischen den Variablen
(1) Die Korrelationsmatrix R der Beteiligungen

(2) Die Korrelationsmatrix R der Beteiligungswünsche

(3) Die graphische Darstellung der Korrelationskoeffizienten

(4) Die Dimensionen im Datensatz
Dispositive
Dimension
Operative
Dimension


Lektion 6: Reduktion der Komplexität -

Die Faktorenanalyse
A) Die Hauptkomponentenanalyse
Teil 2 Das Modell der Hauptkomponenten

Sommersemester 2014
Faktorenanalyse Teil 2 Die Hauptkomponentenanalyse:
a) Die Hauptkomponenten (Faktoren)
als Linearkombinationen der Ausgangsvariablen
- Definition
a) Die Definition einer Linearkombination (LK) eines
Variablensatzes xj:
LK (x j ) = w1 x 1 + w 2 x 2 + . .. wq x q
b) Die Komponenten:
x1 , x 2 , . .. x q
c) Die Gewichte
w1 , w2 , .. . w q

a) Die Faktoren als Linearkombinationen
- Die Bedeutung der Linearkombinationen
➔ Eine Linearkombination fasst Informationen eines
Variablensatzes zusammen.
➔ z. B. fasst die Variable Partprof verschiedenen Aspekte einer
realen Beteiligung zusammen:
Partprof = v01 + v02 + v03 + v04 + v05
➔ In dieser LK sind die es Gewichten von „1“
➔ Bei einer unterschiedlichen Relevanz der Variablen können diese
unterschiedliche Gewichte erhalten.
➔ Über einem Variablensatz können mehrere Linearkombinationen
gebildet werden.
➔ Diese drücken dann die unterschiedlichen Dimensionen der
Informationen im Datensatz aus

a) Die Faktoren als Linearkombinationen
- Beispiele für zwei Dimensionen
Dispositive
Dimension
Operative
Dimension

Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse
b) Die Konstruktion der Faktoren aus den Variablen
- Die Ausgangsvariablen
Ausgangspunkt: standardisierte Variablen zj
1. Die Variablen zj haben Mittelwerte von „0“ und

Standardabweichungen bzw. Varianzen von „1“:
z̄j = 0 und VAR(z j ) = 1
2. Der Faktor F J wird als Linearkombination (Dimension) der
standardisierten Variablen z j eines Satzes gebildet:
F J = LK (z j ) = w1J z 1 + w2J z 2 + .. . wqJ z q

b) Die Konstruktion der Faktoren aus den Variablen
- Das Konstruktionsprinzit
➔ Die Gewichte der Faktoren F J werden so gewählt,

dass sie einen Mittelwert von „0“ und eine
Standardabweichung/Varianz von „1“ erhalten:
F̄J = 0 ; VAR(F J ) = 1
➔ Ergebnis: standardisierte Faktoren

c) Die Aussage der Faktoren
– der Ausgangspunkt
Ausgangspunkt: Die Regressionsbeziehungen zwischen den
Faktoren und den Ausgangsvariablen:
➔ die Variablen werden aus den Faktoren erklärt:
zcj = f (F J ) = r jJ ⋅ F J
➔ die Korrelationskoeffizienten zwischen den Faktoren und den

Variablen sind eine Funktion der Gewichte und der
Korrelationskoeffizienten in R :
Gewichte in der LK
r jJ = w1J r j1+w2J r j2 +... wqJ r jq

Koeffizienten von R

c) Die Aussage der Faktoren
- Interpretationsansätze
➔ die Faktorladung: Die Korrelationskoeffizienten zwischen
den Faktoren und den Ausgangsvariablen werden als Fak-
torladungen bezeichnet:
a jJ = r jJ
➔ Die Interpretation des Faktors: Die inhaltliche Bedeutung
des Faktors ergibt sich aus den Variablen mit den höchsten
Faktorladungen.
➔ der Eigenwert des Faktors ist die Summe der quadrierten
Faktorladungen: q
VA = ∑ jA
a 2
j=1
➔ Die Relevanz des Faktors: Die Größe des Eigenwertes

d) Die Konstruktion der Hauptkomponenten:
- der erste Faktor
Der Modellansatz der Hauptkomponentenanalyse
a) die Konstruktionsprinzipien des 1. Faktors FA

q
➢ Maximierung der Eigenwerte VA = ∑ a 2jA = max !
(Summe der Faktorladungen): j=1
n
➢ unter den Nebenbedingungen: S 2
A =
1
∑ F 2Ai =1
n i=1
➢ Lagrange-Funktion:
q n
1
V A = f  w Aj  = ∑ a 2jA − λ ∑
n i=1
F 2Ai −1  = max !
j=1

e) Eine graphische Veranschaulichung der Konstruktion
2. Graphische Darstellung des Modellansatzes der Hauptkomponentenanalyse
a) die Maximierung der Varianz des Faktors

n
1
S A = ∑ F A =max!
2 2
n i=1 i
b) Die Ausschöpfung derVarianz der Variablen
1 1 1 1
∑ z ji + ∑ z ki = ∑ F Ai + ∑ F̃ Bi =2
2 2 ̃ 2 2
n n n n
c) Die Standardisierung der Faktoren
VAR F A 1  F Ji = F Ji / S J

f) Die Konstruktion der Hauptkomponenten:
der zweite Faktor
b) die Ermittlung des 2. Faktors FB

➢ die Auspartialisierung von FA
z j− A = z j −z cj = z j −a jA F A mit : S 2j− A =1−a 2jA
➢ die LK der Partialvariablen:
F B =w(1− A) B z 1− A+w(2−a) B z 2− A+w (q−A) B z q−A
➢ die Lagrange-Funktion:
q n
1
VB = ∑ a 2jB− λ( ∑ F Bi
2
−1) = max!
j=1 n i=1

Faktorenanalyse Teil 2: Die Hauptkomponentenanalyse:
g) Die Modelleigenschaften der Hauptkomponenten:
➢ die Anzahl der Faktoren:

über einem Satz von q linear unabhängigen Variablen
lassen sich Q = q linear unabhängige Faktoren bilden.
➢ die Abstufung der Eigenwerte: V A ⩾ V B ⩾…⩾V Q
➢ die Orthogonalität der Faktoren: r AB =r AC =. .. r PQ =0

Q
➢ die Extraktion der Gesamtvarianz: ∑VJ = Q
J=A

h) Die Rückbindung der Faktoren auf die Variablen
1. die Variablen sind Funktionen der Faktoren:
z j = f (F A , F B. F C …F Q ) + u
2. die einfache Regressionsgleichung lautet deshalb:
z j = f (F J ) + u = a j , J⋅F J + u
3. die a jJ bezeichnet man als Faktorladungen. Es gilt:
r jJ = a jJ

i) Die Basismatrizen der Variablen
a) die standardisierte Datenmatrix {Z} b) die Korrelationsmatrix {R}
Z= R=

j) Die Basismatrizen der Faktoren
Die Basismatrizen der Faktoren

c) die Faktorwerte- d) die Faktorgwichte- e) die Faktorladungs-
Matrix F Matrix W Matrix A

k) Signifikanz und Relevanz des Modells
1. Die statistische Signifikanz des Gesamtmodells
a) der Sphärentest von Bartlett:
getestet wird: H 0 : ρ12 …ρ(q−1)q = 0,
d.h.: ρ= I
Diese Hypothese wird abgelehnt, wenn:
2 (2Q+11) 2
χ = (n−
ϕ )(−ln Λ) ⩾ χα
6 0
Q
Q (Q−1)
bei : ϕ = und : Λ =∣R∣= ∏ V J
2 J =A

l) Signifikanz und Relevanz des Modells
1. Die statistische Signifikanz des Gesamtmodells
b) das Kaiser-Meyer-Olkin-Maß einfache Korrelationskoeffizienten
k k
∑ ∑ r 2jj*
j=1 j*=1
KMO = k k k k
( j ≠ j∗)
∑∑ r 2jj* +∑∑ r 2jj∗−1.. . k
j=1 j*=1 j=1 j*=1
partielle Korrelationskoeffizienten
Anmerkung:
- KMO <= 0,5 : die Datenbasis ist für eine Faktorenanalyse ungenügend,
- KMO >= 0,9: die Datenbasis ist für eine Faktorenanalyse hervorragend

m) Signifikanz und Relevanz des Modells
2. Die Relevanz der einzelnen Faktoren

a) das Eigenwertkriterium: Die Faktoren F J* sind statistisch relevant,
wenn der Eigenwert der Faktoren V J* >1
b) der Screetest:
Die Faktoren sind empirisch
relevant, wenn ihre Ladung
im Scree-plot über
der Geraden liegen

n) Signifikanz und Relevanz des Modells
3. Die Erklärung der Variablen aus Q (bzw. M) Faktoren:
z j = f ( F A .. . F Q ) = a jA⋅F A+a jB⋅F B+...a jM⋅F M +… a jQ⋅F Q

T
In Matrixschreibweise: Z = FA
4. Die Kommunalität der Variablen xj:

M M
h 2j = R2jA ... M = ∑ r 2jJ = ∑ a 2jJ
J=A J =A
(wie weit erklären die Faktoren eine einzelne Variable)

o) Signifikanz und Relevanz des Modells
5. Die von den Faktoren erklärte Gesamtvarianz des Datensatzes:

(wie weit erklären die Faktoren den gesamten Variablensatz)
q M
V = ∑ h 2j = ∑ V J mit : 0 ⩽ V /q ⩾ 1
j=1 J=A
6. Das Fundamentaltheorem der Faktorenanalyse:

(die Rekonstruktion der Korrelationsmatrix aus der Ladungsmatrix)
T 1 T 1 T
Z = FA → R (= Z Z = AF FAT = AIAT ) = AAT
n n


Lektion 6: Die Faktorenanalyse
Teil III Das Modell der Hauptkomponenten mit SPSS
Sommersemester 2014
Faktorenanalyse Teil 3:
Die Hauptkomponentenanalyse mit SPSS
a) Die Anforderung von FJ = LK (V01...V05, V11...V15)

b) Tests der Relevanz

c) Die Extraktion der Hauptkomponenten

d) Mit SPSS den Output strukturieren

e) Die Speicherung der Faktorenwerte

f) Ergebnisse der Analyse: die Tests

g) Die Anzahl der extrahierten Faktoren

h) Die Kommunalitäten h2j
Die Kommunalitäten
sind die multiplen De-
terminationskoeffizienten
Sie geben an, wie weit
die extrahierten Fakoren
die Variablen erklären.
M M
h = R2jA ... M =
2
j ∑ r 2jJ = ∑ a 2jJ
J=A J =A

i) Der Screetest

j) Die Faktorladungen
a jJ = r jJ
Der erste
Faktor ist i.A. ein „gener-
eller Faktor“, weil er in allen
Variablen hohe Ladungen
aufweist.

k) Das Komponentendiagramm
Der erste
Faktor:
ein „genereller
Faktor“


Lektion 6: Die Faktorenanalyse
Teil IV Die Rotation der Hauptkomponenten
Sommersemester 2014
Die Rotation der Hauptkomponenten
a) Die Vorgehensweise
1. Die Rotation der Hauptkomponenten:  F A … F M    F a … F m 
2. Die graphische Veranschaulichung:
3. Die Rotationsbedingung:
- Die Konstanz der Kommunalitäten:
M m
h 2j = R2jA . .. M = R2ja . . . m = ∑ a 2jJ = ∑ a 2jj
J =A J =a
q M
- Die Konstanz der erklärten Gesamtvarianz: V =∑ h 2j = ∑ VJ

j=1 J=A
¿

b) Die Varianten
1. die ortogonalen Rotationen

➢ die Quartimax-Rotation: maximale Unterschiedlichkeit innerhalb
der Zeilen der Faktorladungsmatrix
➢ die Varimax-Rotation: maximale Unterschiedlichkeit der Spalten
der Faktor-Ladungsmatrix
➢ die Equamax-Rotation: ein Kompromiss zwischen beiden
Verfahren
2. die schiefwinkeligen Rotationen
➢ die Oblimin-Rotation: entspricht der Quartimax-Rotation ohne
Faktor-Orthogonaliät
➢ die Promax-Rotation: entspricht der Varimax-Rotation ohne
Faktor-Orthogonaliät

c) Das Ergebnis
1. Eine eindeutigere Zuordnung der Variablen zu den Faktoren

und damit:
2. Eine bessere Interpretierbarkeit der Faktoren
3. Die Veränderung der Eigenwerte der Faktoren:
V a ≠ V A , V b ≠ V B ,…V m ≠ V M
(Die Eigenwerte der starken Faktoren nehmen ab, die der
schwachen Faktoren nehmen zu.)

Die Rotation der Hauptkomponenten mit SPSS
d) Die orthogonale Rotation
Orthogonale
Verfahren:
➔ Varimax,
➔ Quartimax,
➔ Equamax

e) Die erklärte Gesamtvarianz nach der
orthogonalen Rotation

f) Das Ergebnis der Varimax-Rotation
Die Interpretation der Faktoren
basiert auf den Faktorladungen,
d.h. den Korrelationskoeffizienten
zwischen einem Faktor und den
Ausgangsvariablen.
Der erste Faktor

erfasst
die operativen
Dimensionen

g) Graphische Veranschaulichung der Varimax-Rotation

h) Die schiefwinkelige Rotation
Schiefwinkelige
Verfahren:
➔ Oblimin,
➔ Promax

Die schiefwinkelige Rotation mit SPSS
i) Die erklärte Gesamtvarianz nach der Rotation

j) Die Korrelationsbeziehungen zwischen den Komponenten

k) Die Strukturmatrix
Die Strukturmatrix enthält die

Korrelationskoeffizienten der
Korrelation zwischen den Fak-
toren und den Variablen
(Faktorladungen) (r jJ = a jJ ) .
Da die Faktoren bei einer
schiefwinkeligen Rotation von
einander abhängen, ist die
Strukturmatrix nicht geeignet,
die Faktoren zu interpretieren.

l) Die Analyse der Faktorladungen in der Mustermatrix (patternmatrix)
Die Mustermatrix enthält die parti-
ellen Korrelationskoeffizienten der
Korrelation zwischen den Faktoren
und den Variablen, deshalb ist sie
Grundlage der Faktorinterpretation.
Der erste Faktor
erfasst die operative
Dimension deutlicher
Der zweite Faktor

erfasst die disposi-
tive Dimension.
Problem: er ist
negativ geladen
m) Diagramm der schiefwinkelig rotierten Faktoren

Die weitere Analyse der Faktoren
a) Die Abspeicherung der orthogonal rotierten Faktorwerte

b) Die Varianzanalyse der orthogonalen Faktoren

c) Die deskriptive Statistik der orthogonalen Faktoren

c) Der Vergleich der einfaktoriellen ANOVA
Der zweite Faktor erfasst die

dispositive Dimension

d) Der Vergleich der Mittelwertdiagramme

KM 2014, Lektion 6

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

KM 2014, Lektion 6

Hochgeladen von

Copyright:

Verfügbare Formate

Transilvanische Universität Brasov

Master-Studiengang Angewandte Informatik (in deutscher Sprache)

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-

Lektion 6: Reduktion der Komplexität -

Teil 1 Strukturen im Datensatz

Daten Indikatoren statistische Variablen

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 3

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 4

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 5

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 6

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 7

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 8

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 9

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 10

Prof. Dr. Hans Peter Litz

Computergestützte Analyse ein- und zwei-

Lektion 6: Reduktion der Komplexität -

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 11

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 12

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 13

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 14

Ausgangspunkt: standardisierte Variablen zj

1. Die Variablen zj haben Mittelwerte von „0“ und

F J = LK (z j ) = w1J z 1 + w2J z 2 + .. . wqJ z q

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 15

➔ Die Gewichte der Faktoren F J werden so gewählt,

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 16

➔ die Korrelationskoeffizienten zwischen den Faktoren und den

r jJ = w1J r j1+w2J r j2 +... wqJ r jq

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 17

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 18

Der Modellansatz der Hauptkomponentenanalyse

a) die Konstruktionsprinzipien des 1. Faktors FA

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 19

2. Graphische Darstellung des Modellansatzes der Hauptkomponentenanalyse

a) die Maximierung der Varianz des Faktors

b) Die Ausschöpfung derVarianz der Variablen

c) Die Standardisierung der Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 20

b) die Ermittlung des 2. Faktors FB

➢ die LK der Partialvariablen:

F B =w(1− A) B z 1− A+w(2−a) B z 2− A+w (q−A) B z q−A

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 21

➢ die Anzahl der Faktoren:

➢ die Abstufung der Eigenwerte: V A ⩾ V B ⩾…⩾V Q

➢ die Orthogonalität der Faktoren: r AB =r AC =. .. r PQ =0

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 22

1. die Variablen sind Funktionen der Faktoren:

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 23

a) die standardisierte Datenmatrix {Z} b) die Korrelationsmatrix {R}

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 24

Die Basismatrizen der Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 25

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 26

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 27

2. Die Relevanz der einzelnen Faktoren

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 28

3. Die Erklärung der Variablen aus Q (bzw. M) Faktoren:

z j = f ( F A .. . F Q ) = a jA⋅F A+a jB⋅F B+...a jM⋅F M +… a jQ⋅F Q

4. Die Kommunalität der Variablen xj:

Universität Brasov, SoSe 2014 H. P. Litz: Knowledge Management, Lektion 6 29

5. Die von den Faktoren erklärte Gesamtvarianz des Datensatzes:

6. Das Fundamentaltheorem der Faktorenanalyse: