Principal Component Analysis (PCA)
Analyze → Dimension Reduction → Factor. Drag all variables into the window
Enable following options:
- KMO and Bartlett’s test of sphericity in Descriptive.
- Extraction menu: Principal Components and Scree Plot
- Options menu → Sorted by Size and Suppress Small Coefficients (value below 0.3)
Example:
FACTOR /VARIABLES v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239 v240 v241 v242
/MISSING LISTWISE /ANALYSIS v225 v226 v227 v228 v229 v230 v231 v232 v233 v234 v235 v236 v237 v238 v239 v240 v241 v242
/PRINT INITIAL KMO EXTRACTION
/FORMAT SORT BLANK(.30)
/PLOT EIGEN
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PC /ROTATION NOROTATE
/METHOD=CORRELATION.
Assumptions of PCA
Two tests that indicate suitability of our date for running PCA:
- KMO: A high value (close to 1.0) indicates that it is reasonable to run a PCA (the
higher the value, the better). A rule of thumb is that this value should be equal to at
least 0.6.
- Bartlett’s test of sphericity: When significant (e.g. p-value < 0.05), it indicates that
it is reasonable to run a PCA.
Communalities = The communality of an item is the amount of variance in that item that is
explained by all components. It is a measure of how well the components explain people’s
answers to that item.
→ You can find this in table communalities → column extraction
Eigenvalues = The eigenvalue of a component indicates how much variance is explained by
that component. The eigenvalue is equal to
the sum of the explained variance of all
items on the relevant component.
→ you can find this in table Total
Variance Explained → Column total
Component loading = component loading
represents the correlation between an item and a component. For example, if item 1 has a
component loading of 0.50 on component 1, this means that they correlate to +0.50
→ You can find this in table Component Matrix
Choosing the number of components for PCA rule of thumb
- Kaiser Guttman (Kaiser’s rule): the number of components that should be chosen
is equal to the number of components with an eigenvalue >1.
- Based on scree plot: elbow point; ook for an abrupt change in the slope, known as
the elbow point, and choose the number of principal components before that point.
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 sergevingerhoeds. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €5,32. Je zit daarna nergens aan vast.