多级CFA模型（MLV CFA）建模通过检查因子结构，因子加载和不同层次级别的错误之间的关系，可以进行更复杂的结构有效性研究。 在MLV CFA模型中，一个或多个潜在变量具有两种元素：1）组间元素（级别2或更高级别）和2）组内元素（低级别1）。 组间元素代表模型的一般部分，组内元素代表模型的单独部分。 级别内变化包括单个级别的测量误差方差，这通常将级别内变化的影响扩展到类内相关。 因此，多级CFA生成的结果与通过完全可靠的措施生成的结果相对应。 如果跨级别指定了相同的度量模型，则通过将每个项目的负载定义为跨级别对应项不变，研究人员就可以将跨级别的因子标度等同起来。 因此，不同水平的因素方差可以直接比较。 可以通过将受限制的MLV CFA模型与在每个级别上自由估计的因子负载指定的不受限制的模型进行比较，来评估此受约束的MLV CFA模型的拟合。 在本工作中，将对上述过程的步骤进行全面描述，并详细讨论与MLV CFA的使用有关的其他问题。
2022-07-13 11:00:20
859KB
1
因子分析是主成分分析的推广和发展，它也是将具有错综复杂关系的变量（或样品）综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类，它也是属于多元分析中处理降维的一种统计方法。
2022-06-18 20:25:21
648KB
1
狂热分析
fanalysis是用于三项BSD许可下分发的用于因子分析的Python模块。
借助此fanalysis软件包，您可以执行以下操作：
简单对应分析
多重对应分析
主成分分析
这些统计方法可以通过两种方式使用：
作为描述性方法（“数据挖掘方法”）
作为scikit学习管道中的简化方法（“机器学习方法”）
安装
依存关系
狂热分析要求：
Python 3
NumPy >= 1.11.0
Matplotlib >= 2.0.0
Scikit-learn >= 0.18.0
Pandas >= 0.19.0
用户安装
您可以使用pip安装fanalysis：
pip install fanalysis
运行测试
安装后，您可以从源目录外部启动测试套件：
python -m unittest
单元测试的原理在于将狂热分析的输出（具有各种参数组合）与R FactoMine
2022-06-12 14:52:28
2.25MB
1