- Autor
- Kapłon Robert (Politechnika Wrocławska)
- Tytuł
- O liczbie klas w modelu analizy czynnikowej z dwoma zmiennymi ukrytymi
Determining the Number of Clusters in Factor Analysis with Two Latent Variables - Źródło
- Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (14), 2007, nr 1169, s. 253-260, tab., bibliogr. 12 poz.
- Tytuł własny numeru
- Klasyfikacja i analiza danych - teoria i zastosowania
- Słowa kluczowe
- Analiza czynnikowa, Dobór zmiennych, Eksperyment badawczy, Metody samowsporne
Factor analysis, Variables selection, Scientific experiment, Bootstrap - Uwagi
- summ.
- Abstrakt
- Choć badań w zakresie przydatności syntetycznych mierników oceny jest dużo, i to w głównej mierze dotyczą one modeli opartych na mieszankach rozkładów normalnych. Przedmiotem zainteresowania, jak do tej pory, nie był model analizy czynnikowej z dwoma zmiennymi ukrytymi. Dlatego celem niniejszego opracowania jest przeprowadzenie badań symulacyjnych, które staną się podstawą do sformułowania rekomendacji dotyczących wiarygodności rozważanych mierników. (fragment tekstu)
When the number of components in mixture models is not known, the problem arise. The most natural and obvious approach seems to be testing a hypothesis. Un fortunately with mixture models regularity conditions do not hold therefore minus twice the log likelihood ratio test statistic does not follow the usual chi-squared distribution. Some authors suggest using bootstrap for assessing the null distribution of that statistic. But this method is computationally very intensive. For the reasons synthetic measures are often used. So far, many empirical comparisons have been made of these various criteria to compare the performance of the selection of the number of components in Gaussian mixture. Because factor analysis with two latent variables has not been in these comparisons therefore the aim of this paper is to fill the gap. (original abstract) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu - Bibliografia
-
- Akaike H. (1973), Information Theory and an Extension of the Maximum Likelihood Principle, [w:] B.N. Petrov, F. Csaki (red.), Second International Symposium on Information Theory (pp.), Academiai Kiado, Budapest, s. 267-281.
- Biernacki C., Celeux G., Govaert G. (2000), Assessing a Mixture Model for Clustering with the Integrated Completed Likelihood, "IEEE Transactions on Pattern Analysis and Machine Intelligence" 22 (7), s. 719-725.
- Biernacki C., Govaert G., (1999) Choosing Models in Model-Based Clustering and Discriminant Analysis, "Journal of Statistical Computation and Simulation" 14, s. 49-71.
- Bozdogan H. (1987), Model Selection and Akaike's Information Criterion (AIC): The General Theory and its Analytical Extensions, "Psychometrika" 52, s. 345-370.
- Bozdogan H. (2000), Akaike's Information Criterion and Recent Developments in Information Complexity, "Journal of Mathematical Psychology" 44, s. 62-91.
- Celeux G., Soromenho G. (1996), An Entropy Criterion for Assessing the Number of Clusters in a Mixture Model, "Classification Journal" 13, s. 195-212.
- Kapłon R. (2004), Estymacja parametrów modelu czynnikowego wykorzystującego klasy ukryte, [w:] K. Jajuga, M. Walesiak (red.), Klasyfikacja i analiza danych - teoria i zastosowania, "Prace Naukowe AE we Wrocławiu", Taksonomia 11, nr 1022, AE, Wrocław.
- Kass R.E., Raftery A.E. (1995), Bay es Factors, "Journal of the American Statistical Association" 90, s. 773-795.
- McLachlan G.J. (1987), On Bootstrapping the Likelihood Ratio Test Statistic for the Number of Components in a Normal Mixture, "Journal of the Royal Statistical Society Series С (Applied Statistics)" 36, s. 318-324.
- McLachlan G.J., Peel D. (2000), Finite Mixture Models, Wiley, New York.
- Raftery A.E. (1999), Bayes Factors and BIC - Comment on 'A Critique of the Bayesian Information Criterion for Model Selection', "Sociological Methods and Research" 27, s. 411-427.
- Weakliem D.L. (1999), A Critique of the Bayesian Information Criterion for Model Selection, "Sociological Methods and Research" 27, s. 359-397.
- Cytowane przez
- ISSN
- 0324-8445
1505-9332 - Język
- pol
