付費限定
探索性因素分析介紹
探索性因素分析 (Exploratory Factor Analysis, EFA) 是一種統計學方法，用於識別隱藏在一組變量中的因素（或潛在結構）。它通常用於對調查問卷或其他測量工具進行數據分析，以確定測量工具中的主要維度。EFA通過對變量之間的相關性進行分析來識別隱藏的因素，並使用因子載荷矩陣來確定變量與每個因素的相關性。
EFA的假設
Bartlett球面性考驗(Bartlett test of sphericity): 統計考驗， 需達.05顯著水準(拒絕H0，H0假設你的數據矩陣是identity matrix，如下圖)，表示我們的數據矩陣不是identity matrix，題目選項之間有相關。
•KMO (Kaiser-Meyer-Olkin measure of sampling adequacy ): 公式如下圖。數值介於1~0之間。越大表示試題間相關的程度高，但淨相關小，其代表有另一個因素可以解釋兩題之間關連程度的很大部分。最好不要低於.60。KMO值越高代表資料適合進行因素分析
樣本數量要求
探索性因素分析 (EFA) 是一種用於識別一組變量中的潛在因素或結構的方法。 有幾個因素會影響 EFA 所需的樣本量，例如，觀察變量(題目)的數量：分析中包含的變量越多，所需的樣本量就越大；因子數：提取的因子越多，需要的樣本量越大。一般而言，建議 EFA 的樣本量至少為 100，推薦200或以上，儘管這可能因分析的具體情況而異。 然而，需要注意的是，擁有更大的樣本量並不能保證結果的穩健性，數據的基本假設（例如資料呈現常態分佈、題目以及估計方法的適當性）也起著至關重要的作用。
以行動支持創作者！付費即可解鎖
本篇內容共 2136 字、0
則留言，僅發佈於統計分析 × 學術生涯你目前無法檢視以下內容，可能因為尚未登入，或沒有該房間的查看權限。
你的見面禮 Premium 閱讀權限
只剩下0 小時 0 分
224會員
124內容數
文章內容以圖像式和步驟化方式，教您如何在各種統計軟體中(例如:SPSS、R和Mplus)，執行多種統計方法。此外，我還會分享一些學術和科技新知，幫助您在學術之路上走得更順利。
留言0
查看全部
你可能也想看
Google News 追蹤
最近國泰世華CUBE App推出的「美股定期定額」功能，讓使用者可以方便地進行跨境理財（但讀者仍需根據自身需求審慎考量），除了享有美股定期定額的新功能，也同時享有台股定期定額的功能，可以一站滿足我們理財的需求！
透過國泰世華CUBE App線上開台股證券戶+複委託戶，流程最快僅需要5分鐘。
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
社會計量測試最基本的功能在揭示團體成員及帶領者自己的資訊，尤其關注成員間的連結及連結的理由。社會計量測試通常而言，會經歷暖身、行動、分享、分析、未來計畫與處遇等階段
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現
最近國泰世華CUBE App推出的「美股定期定額」功能，讓使用者可以方便地進行跨境理財（但讀者仍需根據自身需求審慎考量），除了享有美股定期定額的新功能，也同時享有台股定期定額的功能，可以一站滿足我們理財的需求！
透過國泰世華CUBE App線上開台股證券戶+複委託戶，流程最快僅需要5分鐘。
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
在資料分析過程中，透過衡量變數之間的線性或非線性關係，能有效探索數據集，篩選出重要特徵，並進行預測建模。本文介紹瞭如何理解數據、使用相關矩陣找出變數關聯性，以及利用互資訊評估變數之間的依賴程度，幫助資料科學家在建模過程中選擇適當的變數，提升模型效果。
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
社會計量測試最基本的功能在揭示團體成員及帶領者自己的資訊，尤其關注成員間的連結及連結的理由。社會計量測試通常而言，會經歷暖身、行動、分享、分析、未來計畫與處遇等階段
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現