Анализ социологических данных с применением пакета SPSS. Пошаговая исследовательская модель анализа данных, страница 15

160 ô      м                                                     ô

ó      м                                                     ó

ó      н                                                     ó

Ч        ó      н                                                     ó

А    120 ô н    н                                                     ô

С        ó н    н                           м                         ó

Т        ó н    н                           м                         ó

О        ó н    н                           м                         ó

Т     80 ô н    н                           м                         ô

А        ó н    н                  м        м                         ó

ó нн   н                  м        м                         ó

ó нн н н                  м        н                         ó

40 ô нн н н    м             н        н                         ô

ó нн н н    н             н        н                         ó

ó нннн н    н       м     н        н                         ó

ó нннн н    н       н     н        н                         ó

Predicted òòòòòòòòòòòòòòôòòòòòòòòòòòòòòôòòòòòòòòòòòòòòôòòòòòòòòòòòòòòò

Prob:   0            ,25            ,5             ,75             1

(Предсказываемая пропорция)

Ожидаемое значение:         ннннннммммммммммммммммммммммммммммммммммммммммммммм

The Cut Value is 0,25 (Разделительное значение – 0,25)

Symbols (Символы): н - нужно быть осторожным;  м - можно доверять

Each Symbol Represents 10 Cases. (Каждый символ отражает 10 случаев)

Факторный анализ/ Метод главных компонент 

(Процедура DATA REDUCTION/ FACTOR/ PRINCIPAL COMPONENTS)

Одним из методов свертывания признакового пространства является метод главных компонент. Пример: исходные признаки – характеристики восприятия Новосибирска, полученные с помощью метода семантического дифференциала (1 – «отрицательный» полюс, 5 – «положительный»). Табл. 1 содержит коэффициенты корреляции для каждой пары исходных признаков. Некоторую информацию о качестве модели Вы можете получить, проанализировав статистики КМО и Бартлетта (табл. 2). Значения начальных и модельных общностей дают представление о доли дисперсии исходных признаков, объясненной моделью (табл. 3). Табл. 4 содержит данные об общей дисперсии, собственных значениях факторов и о количестве выделенных главных компонент. Табл. 6 является основанием для интерпретации полученных факторов (новых признаков). В табл. 5 приведены факторные нагрузки до вращения, что объясняет их меньшую контрастность. На рис. 1 представлено размещение исходных признаков в пространстве главных компонент. Рис. 2 является дополнительным основанием для принятия решения о количестве главных компонент (критерий «каменистой осыпи»). Значения новых признаков могут быть рассчитаны с помощью коэффициентов значений факторов (табл. 7). Однако процедура дает возможность автоматического сохранения новых признаков и их значений.