Дорогие друзья! Подскажите, пожалуйста, можно ли как-то увеличить долю объясненной дисперсии. Ситуация следующая: провожу факторный анализ, и доля объясненной дисперсии всего лишь 51%. Год назад на др. выборке по этой же самой методике уровень общей дисперсии был выше-65%. Причем тогда выборка была всего лишь 100 чел, а сегодня уже 1500. И вот такое безобразие. Шкала трехчленная, порядковая (знаю, что шкала не слишком подходит). Полагаю, что какие-то объекты "портят" общую картину, их можно было бы исключить (к тому же выборка не претендует на репрезентативность). Только как узнать, что это за объекты. Простите - если что - за глупый вопрос. Да, все остальные критерии хороши - КМО, значимость. И интерпретируемость факторов идеальная (с вращением Варимакс).

А какой метод факторного анализа вы делаете? Метод главных компонент наверное?

Поскольку у вас порядковая шкала, обычный метод главных компонент не очень хорошо для этого подходит. Попробуйте не обычный факторный анализ, а категориальный факторный анализ, который специально для таких вещей был разработан: Categorial Principal Components или CatPCA. Процент объясненной дисперсии будет выше (не в разы, конечно, но все же).

Вы работаете в SPSS? Он доступен там в блоке Data Reduction / Optimal Scaling, если у вас установлен модуль SPSS Categories.

Shef, спасибо за совет! Да, метод главных компонент и действительно работаю в SPSS. Попробовала сделать категориальный ФА. Поразительно, но объяснительная сила всех факторов подросла лишь на единицу. Хотя, может, дело в моем незнании CatPCA.

Читал о таком рецепте.
Подозрительными на экстремальность наблюдениями считаем те, для которых абсолютные значения последних факторов большие...

1) То, что на то же количество m первых компонент у вас в этот раз пришлось меньше дисперсии, не обязательно плохой признак. Возможно, в нынешнем исследовании на лучшей выборке у вас ослабился первый, генеральный фактор, другими словами - общий уровень корреляций снизился, - на фоне чего могли выступить четче островки корреляций, соответствующие более младшим факторам. Опять, иными словами: scree plot стал менее крутой. Рекомендую вам выделить больше факторов, чем в прошлый раз.

2) осмотрите предварительно переменные на предмет выбросов. Также, закажите в в ФА матрицу антиобразов: рекомендую убрать из анализа переменные с индивидуальными значениями KMO (они там на диагонали) ниже 0.5.

3) Странно, что вы взялись вращать и интерпретировать m компонент. Зачем? Ведь они не объясняют достаточно хорошо корреляции (но лишь дисперсию). Модель главных компонент - не факторная модель.

Спасибо, KO!
1)Выделила 6 факторов, против прошлых 4-х. Суммарная дисперсия, понятно, стала выше.
2) Я не знала, что модель гл. компонент - не факторная. во всех учебниках советуют применять именно этот метод. А что Вы посоветуете?
3)Я провожу CatPCA, но, к сожалению, не знаю, что означает тамошняя термнология. Например, что такое вес переменной (в окошке, где надо задать вид шкалы)?