Warum maximiert die erste Hauptkomponente nicht die Standardabweichung der Erträge?
Was ist eine Hauptkomponente?
Die Hauptkomponentenanalyse besteht darin, eine orthogonale Transformation der ursprünglichen Variablen in eine neue Menge unkorrelierter Variablen, die Hauptkomponenten (Englisch: principal components) genannt werden. Die Hauptkom- ponenten werden nacheinander in absteigender Bedeutung konstruiert.
Wann ist hauptkomponentenanalyse sinnvoll?
für Principal Component Analysis, PCA) wendest Du an, wenn Du einen großen Datensatz strukturieren bzw. vereinfachen möchtest. Dabei versuchst Du die Gesamtzahl Deiner gemessenen Variablen zu reduzieren und trotzdem einen möglichst großen Anteil der Varianz aller Variablen zu erklären.
Wie funktioniert die hauptkomponentenanalyse?
Bei der Hauptkomponentenanalyse geht man davon aus, dass die gesamte Varianz deiner Variablen gemeinsame Varianz ist. In der Folge kann die Information deiner Variablen perfekt durch die Hauptkomponenten abgebildet werden, wenn du genauso viele Hauptkomponenten wie Variablen hast.
Wann Faktorenanalyse?
Die explorative Faktorenanalyse (EFA) ist ein Verfahren zur Datenanalyse, das angewendet wird, wenn in einem Datensatz nach einer noch unbekannten korrelativen Struktur gesucht werden soll. Die EFA gehört somit in die Gruppe der strukturent-deckenden Verfahren.
Warum macht man eine Faktorenanalyse?
Die Faktorenanalyse oder Faktoranalyse ist ein Verfahren der multivariaten Statistik. Es dient dazu, aus empirischen Beobachtungen vieler verschiedener manifester Variablen (Observablen, Statistische Variablen) auf wenige zugrundeliegende latente Variablen („Faktoren“) zu schließen.
Warum Varimax Rotation?
Das beliebteste Rotationsverfahren ist Varimax, ein orthogonales Verfahren. Ziel von Varimax ist es, die Varianz innerhalb eines Faktors zu maximieren, sodass große Ladungen noch größer werden und kleine Ladungen noch kleiner.
Warum Dimensionsreduktion?
Dies bedeutet, dass die Unterschiede zwischen den Daten immer geringer werden, sodass man diese schwer auseinander halten kann. Um diesem Problem entgegenzuwirken wurden Verfahren zur Dimensionsreduktion entwickelt, welche in der Lage sind Attribute ohne Informationsverlust zu entfernen.