40561

Факторный Анализ

Лабораторная работа

Информатика, кибернетика и программирование

Основной задачей лабораторной работы является выделение наиболее показательных системных счётчиков которые косвенно могут давать нам информацию об остальных параметрах системы Теоретическая часть: Факторный анализ совокупность методов многомерного статистического анализа применяемых для изучения взаимосвязей между значениями переменных. Цели факторного анализа: сокращение числа переменных; определение взаимосвязей между переменными их классификация. Методики факторного анализа: Анализ главных компонент.

Русский

2013-10-17

35.5 KB

26 чел.

Лабораторная работа № 10

Факторный Анализ.

Основной задачей лабораторной работы является выделение наиболее показательных системных счётчиков, которые косвенно могут давать нам информацию об остальных параметрах системы

Теоретическая часть:

Факторный анализ — совокупность методов многомерного статистического анализа, применяемых для изучения взаимосвязей между значениями переменных.

Цели факторного анализа:

  •  сокращение числа переменных;
  •  определение взаимосвязей между переменными, их классификация.

Корреляционная матрица – это квадратная таблица, в которой на пересечении строк и столбцов располагаются коэффициенты корреляции между соответствующими параметрами.  

Методики факторного анализа:  

  1.  Анализ главных компонент.

После того, как мы получили несколько групп переменных, объединенных одним фактором, мы можем повторить процедуру регрессии данных. Таким образом, факторы последовательно выделяются один за другим. Так как, каждый последующий фактор, определяется так, чтобы максимизировать изменчивость, оставшуюся от предыдущих, то факторы оказываются независимыми друг от друга. Другими словами, некоррелированными или ортогональными.

Существует два критерия для вычисления количества главных компонентов:

  •  критерий Кайзера;
    •  критерий «каменистой осыпи».
  1.  Анализ главных факторов

В анализе главных компонент предполагается, что должна быть использована вся изменчивость переменных, тогда как в анализе главных факторов вы используете только изменчивость переменной, общую и для других переменных. В большинстве случаев эти два метода приводят к весьма близким результатам. Однако анализ главных компонент часто более предпочтителен как метод сокращения данных, в то время как анализ главных факторов лучше применять с целью определения структуры данных.

  1.  Факторные нагрузки.

Факторными нагрузками называются  корреляции между переменными и несколькими факторами (или «новыми» переменными, которые выделены по умолчанию).

  1.  Вращение факторной структуры.

Можно изобразить факторные нагрузки в виде диаграммы рассеяния. На такой диаграмме каждая переменная представлена точкой, а её координаты равны факторным нагрузкам. Можно повернуть оси в любом направлении без изменения относительного положения точек; однако действительные координаты точек, то есть факторные нагрузки, должны, без сомнения, меняться. Если поворачивать оси относительно начала координат, то можно достичь ясного представления о нагрузках, определяющих группы переменных.

Типичными методами вращения являются стратегии варимакс, квартимакс, и эквимакс.

  1.  Косоугольные факторы.
  2.  Иерархический факторный анализ.


Порядок выполнения работы:

Для получения исходных данных необходимо:

1. Открыть сайт rp5.ru

2. Выбрать регион и населенный пункт, по согласованию с преподавателем.

3. Воспользовавшись ссылкой подробнее получить данные по любым 10 параметрам погоды за период не менее 6 месяцев. Выделить один отсчет в сутки.

4. Создать таблицу данных в  MS Excel.

Обработка исходных данных:

Необходимо заменить не числовые данные. Для этого вводится любая шкала соответствия, на выбор студента, с обязательным внесением в отчет легенды по шкале.

Следует удалить из анализа переменные, дисперсия которых равна нулю.

Постройте корреляционную матрицу и сделайте соответствующие выводы.

Факторный анализ:

Откройте программу STATISTICA

Создайте новую таблицу данных (Файл – >Создать).

Откройте модуль факторного анализа (Анализ –>  Многомерный разведочный анализ –> Факторный анализ). (Переменные все, максимальное число факторов = 2)

Постройте график каменистой осыпи и сделайте соответствующие выводы о конечном количестве факторов.

Постройте  График нагрузок. На получившемся графике наглядно можно увидеть взаимосвязь исследуемых параметров: сильно зависящие друг от друга параметры сконцентрированы в одной группе. Исследуйте каждую группу таких параметров и выведите главный – наиболее показательный. Удалите остальные переменные группы из дальнейшего рассмотрения. При удалении переменных стоит ориентироваться на их пояснение в журнале производительности: в нем описывается значение и важность каждой. Повторяйте данный пункт до тех пор, пока не останется необходимого количества переменных.

Если на графике из-за наложения сложно разобрать названия переменных, то стоит обратиться к таблице факторных нагрузок из того же окна факторного анализа. В ней в числах выражена зависимость переменных от факторов. Группируя переменные по наиболее схожим показателям, мы можем понять, какие из них образуют группу на графике.

В отчет:

  1.  Описание принципа выбора счетчиков для наблюдения. Краткие описания каждого из них.
  2.  Описание условий, при которых снимались показания (запущенные действия и программы).
  3.  Исходная таблица данных в Excel.
  4.  Оценка дисперсии исследуемых параметров. Описание первого этапа сокращения данных.
  5.  Корреляционная матрица. Смысловое объяснение выявленных по матрице сильных зависимостей.
  6.  Результаты факторного анализа

6.1 Описание каждого этапа сокращения данных:  графики, таблицы собственных значений факторов, удаляемые переменные.

6.2 График каменистой осыпи.

  1.  Вывод.


 

А также другие работы, которые могут Вас заинтересовать

49128. Использование нейронных сетей при определении поведения личности в конфликтной ситуации 2.97 MB
  Искусственные нейронные сети Нейронные сети и нейрокомпьютеры - это одно из направлений компьютерной индустрии в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Своей популярностью искусственные нейронные сети ИНС обязаны уникальному свойству заложенных в них идей: они способны обучаться на множестве примеров впоследствии узнавая в потоке информации черты ранее встреченных образов и ситуаций. По своей природе искусственные нейронные сети напоминают деятельность...
49129. Основы электротехники и электроники. Методическое пособие 376 KB
  В первой из них необходимо рассчитать токи и напряжения в ветвях заданной электрической цепи использую методы контурных токов и узловых напряжений. В третьей части работы расчеты выполняются с применением ЭВМ путем моделирования заданной цепи с помощью программы Electronics Workbench EWB которая определяет частотные характеристики исследуемой цепи. Расчет цепи необходимо определить токи в ветвях напряжения на сопротивлениях и соответствующие этим сопротивлениям номинальные значения пассивных...
49130. ПОВЫШЕНИЕ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЯ (НА ПРИМЕРЕ ВАГОННОГО ДЕПО) 591 KB
  Умение профессионально руководить организацией, эффективно строить свои взаимоотношения с подчиненными, начальниками, другими сотрудниками организации или даже просто чувствовать себя в ней комфортно требует определенного набора знаний и практических навыков.
49131. Устройство сбора телеметрической информации 761 KB
  Конструктивная реализация устройства включает в себя ряд коммутаторов с подключенными к ним дешифраторами аналогово-цифровой преобразователь АЦП и микропроцессорный блок включающий в себя сам микропроцессор тактовый генератор и память ПЗУ и ОЗУ Принцип работы схемы: Основными устройствами системы являются: коммутатор усилитель АЦП микропроцессорный блок микропроцессор ПЗУ ОЗУ шинные формирователи. Количество разрядов АЦП необходимых для ввода информации по формуле равно: ; АЦП следует выбирать с разрядностью не менее 4....
49133. ОПРЕДЕЛЕНИЕ ТИПА ЛИЧНОСТИ ПО ПРИНЦИПУ «ЛИДЕР ЛИ ТЫ» 726 KB
  Искусственные нейронные сети Многослойные искусственные нейронные сети. А уже в 1943 году Маккалок и Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности. Кохоненом представлена модель сети решающей задачу кластеризации и обучающейся без учителя самоорганизующаяся карта Кохонена.
49134. Прогнозирование исхода выборов президента 887.5 KB
  Искусственные нейронные сети Нейронные сети возникли из исследований в области искусственного интеллекта а именно из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки моделируя низкоуровневую структуру мозга. Целью моей курсовой работы является построение такой нейронной сети которая бы с наибольшей точностью прогнозировала исход выборов президента нашей страны. Искусственные нейронные сети Искусственные нейронные сети НС совокупность моделей биологических нейронных сетей.
49135. Использование нейронных сетей для определения темперамента человека 564.5 KB
  При обучении на вход нейросети один за другим подаются исходные данные и сеть генерирует свои ответы. Цель: показать можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при определении человеческого темперамента. Искусственный интеллект и нейросетевые технологии Нейронные сети и нейрокомпьютеры это одно из направлений компьютерной индустрии в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Искусственные нейронные сети подобно...
49136. Здійснення економічної діагностики підприємства 160.63 KB
  Ключовими елементами системи діагностики діяльності підприємства є: власники, керівники, тематичні фахівці підприємства, інвестори, кредитори підприємства, споживачі, постачальники, контрагенти, державні органи влади тощо. окремі сфери, напрями діяльності, підрозділи, працівники, елементи внутрішнього та зовнішнього середовищ, підприємство в цілому.