− Main aim of PCA: data reduction (summarize total amount of information contained in
the data)
− E.g. getting sub-groups of questionnaire items that are relatively strongly correlated
with each other
> subgroups of observable variables have same underlying dimension
> components (factors in FA) = hypothetical constructs
− Often used in scale construction because item subgroups can then be combined into
scales which can be used as variables in other techniques
2 what PCA does
− Used for data reduction in multivariate situations (where many variables are varying
simultaneously)
− Technique for converting a large number of observes variables (p) into small
number of components (k)
− Aim is to find and name components that describe the structure of relationships as
accurately & concisely as possible
− Is a purely mathematical technique in which set of correlated variables is represented
by a set of uncorrelated components
− Can be described algebraically and geometrically
> Geometric: two correlated variables (X1 & X2) represented by 2 components
uncorrelated components (F1 & F2) can be rotated so F’s form the axis
o Ellipse = positive correlation
o Longest axis (F1) = most important direction because we can find
largest variance (dispersion) between points
o Next longest axis (F2) = next most important direction that is
completely independent/uncorrelated with first because it is orthogonal
to it
o Data points = respondents, can be interpreted in terms of original
scores on correlated variables (X1 & X2) or as scores on uncorrelated
components (F1 & F2)
2
, > Algebraic: conventionally show observed variables with squares and non-
observed (component) variables as circles
o Components are supposed to represent most important variance in 5
observed variables
o components (F) are computed as linear combinations (weighed sums)
of the observes variables (X)
o !"# = component loading, weight that relates variable Xi to component
Fj (i always refers to observed variable & j refers to component
involved)
o Thus: $% = !%% '% + !)% ') + !*% '* + !+% '+ + !,% ',
Thus: $) = !%) '% + !)) ') + !*) '* + !+) '+ + !,) ',
o the weight for F1 is chosen in a way that maximizes its correlation with
all X-variables
o weight for F2 is then in a way that it is also maximally correlated with
all X-variables but also that its completely uncorrelated (orthogonal)
with F1 -> the information summarized in F2 is thus completely new &
different from F1
o Now components (F) can themselves be seen as variables = every
person has a component score that is put together from observed
variables
3
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper reneelipka161. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €6,49. Je zit daarna nergens aan vast.