【发布时间】：2018-12-07 18:12:59
【问题描述】：
我已经完成了 PCA，结果如下所示：
RC1 RC14 RC2 RC5 RC3 RC9 RC6 RC7 RC16 RC11 RC19 RC12 RC26 RC8 RC10 RC4 RC20 …
SS loadings 3.199 3.161 3.001 2.958 2.928 2.908 2.793 2.786 2.727 2.723 2.696 2.558 2.544 2.540 2.515 2.499 2.494 …
Proportion Var 0.005 0.005 0.005 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 0.004 …
Cumulative Var 0.005 0.010 0.014 0.019 0.023 0.027 0.032 0.036 0.040 0.044 0.048 0.052 0.056 0.060 0.063 0.067 0.071 …
如您所见，因子（RC1、RC14 等）的顺序不正确。
要获得特征值，我可以使用fit$values，我会得到这样的列表
[1] 4.9880983 4.3804479 3.4831868 3.4637441 3.1826873 2.9171613 2.7109790 2.7069910 2.6505181 2.5475078 2.5339040
[12] 2.5167436 2.4434298 2.4023438 2.3648536 2.3065183 2.2927025 2.2779793 2.2523245 2.2436222 2.2073776 2.1823970
[23] 2.1626319 2.1487751 2.1274126 2.0963421 2.0918373 2.0728735 2.0603362 2.0470462 2.0355974 2.0202679 2.0170792
[34] 2.0013015 1.9891380 1.9874788 …
现在我想要这些因子的特征值。问题是——因为因子没有排序——我怎样才能匹配因子和它们各自的特征值？我猜 RC1 的特征值为 4.9880983，但 RC14 的特征值为 4.3804479 还是 2.4023438？
【问题讨论】：
-
你用的是什么 R 函数？
-
我正在使用 psych 库中的 principal() 函数。
fit <- principal(d_cor, nfactors=21, rotate="varimax", normalize=FALSE)d_cor是一个相关矩阵。 -
如果有错误，请有人纠正我。由于您的
principal components按重要性顺序列出，并且它们是eigenvalues和eigenvector组件的产物，我假设您的eigenvalues与您的PC 的顺序相同。所以你的第二个principal component(RC14) 应该是你的第二个eigenvalue(4.3804479)。如果这是一个因素分析，我对此并不乐观。 -
这也是我的假设，但我想确定是否真的如此。
标签： r pca factor-analysis