منابع پایان نامه با موضوع تحلیل عاملی اکتشافی، روش تحلیل عاملی، تحلیل عاملی

دانلود پایان نامه ارشد

بارش
corlation
PRjan
PRfeb
PRmar
PRapr
PRmay
PRjun
PRjul
PRaug
PRsep
PRoct
PRnov
PRdec
PRjan
1
.723**
.809**
.521**
-0.06
0.027
-0.117
-0.235
0.011
.406*
.697**
.918**
PRfeb
.723**
1
.665**
.750**
0.367
0.147
-0.222
-0.149
.400*
0.081
.825**
.570**
PRmar
.809**
.665**
1
.733**
0.229
0.291
0.073
-0.014
0.13
.593**
.719**
.812**
PRapr
.521**
.750**
.733**
1
.638**
.547**
-0.103
-0.042
0.186
0.298
.613**
.559**
PRmay
-0.06
0.367
0.229
.638**
1
.781**
-0.13
0.074
0.362
-0.046
0.318
-0.066
PRjun
0.027
0.147
0.291
.547**
.781**
1
0.175
0.281
-0.092
0.182
0.061
0.078
PRjul
-0.117
-0.222
0.073
-0.103
-0.13
0.175
1
.820**
-0.009
.408*
-0.112
-0.075
PRaug
-0.235
-0.149
-0.014
-0.042
0.074
0.281
.820**
1
-0.011
0.312
-0.179
-0.214
PRsep
0.011
.400*
0.13
0.186
0.362
-0.092
-0.009
-0.011
1
-0.073
.515**
-0.109
PRoct
.406*
0.081
.593**
0.298
-0.046
0.182
.408*
0.312
-0.073
1
0.239
.552**
PRnov
.697**
.825**
.719**
.613**
0.318
0.061
-0.112
-0.179
.515**
0.239
1
.638**
PRdec
.918**
.570**
.812**
.559**
-0.066
0.078
-0.075
-0.214
-0.109
.552**
.638**
1
** Correlation is significant at the 0.01 level (2-tailed).* Correlation is significant at the 0.05 level (2-tailed)

جدول (4-13): پارامترهای اقلیمی بدست آمده با روش همبستگی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
پارامترهای اقلیمی
PRjan
RD5mar
ALTfeb
TRHmay
AHUMAXmay
PRfeb
RD5nov
ALTmar
TRHjun
AHUMAXjun
PRmar
RD5dec
ALTapr
TRHjul
AHUMAXjul
PRapr
RD5ann
ALTnov
TRHagu
AHUMAXnov
PRnov
RD10jan
ALTdec
TRHSEP
AHUMAXann
PRdec
RD10feb
ALTann
TRHOCT
AHUMINapr
PRann
RD10mar
ALTwinter
TRHANN
AHUMINmay
PRwinter
RD10apr
ALTautumn
ICDjan
AHUMINjun
PRspring
RD10nov
AHTmar
ICDfeb
AHUMINjul
PRautumn
RD10dec
AHTmay
ICDmar
AHUMINaug
RDjan
RD10ann
AHTjun
ICDnov
AHUMINnov
RDfeb
ATjan
AHTjul
ICDdec
AHUMINANN
RDmar
ATfeb
AHTaug
ICDann
AWmar
RDapr
ATmar
AHTann
AHUmar
AWapr
RDANN
ATapr
AHTspring
AHUapr
AWmay
RD1feb
ATnov
AHTsummer
AHUmay
AWjun
RD1mar
ATdec
TRLjan
AHUjun
AWjul
RD1apr
Atann
TRLfeb
AHUjul
AWoct
RD1may
ATwinter
TRLmar
AHUnov
AWnov
RD1nov
ATspring
TRLapr
AHUdec
AWann
RD1DEC
ATsummer
TRLnov
AHUANN

RD1ann
ATautumn
TRLdec
AHUMAXmar

RD5feb
ALTjan
TRLann
AHUMAXapr

روش کرزانوفسکي
اين روش تشابهات بين دادههاي انتخابي و دادههاي اصلي را بررسي ميکند. ابتدا کل دادههاي هواشناسي که به طريقي در اقليم منطقه تاثير بسزايي دارند و در همه ايستگاهها ثبت شده بودهاند، شامل 188 متغير اقليمي که با P نمايش داده شد و چهار سري داده انتخابي 1) دادههاي که توسط ساير افراد انتخاب شده بودند شامل 102 متغير اقليمي که با z1 نمايش داده شد 2) 106 متغير اقليمي که بر اساس پوشش گياهي منطقه انتخاب شده بودند که با z2 نمايش داده شد. 3) متغيرهاي که با استفاده از روش گام به گام بدست آمده شامل 96 متغير اقليمي که با z3 نمايش داده شد 4) متغيرهاي با بيشترين همبستگي با هم شامل 112 متغير اقليمي که با z4 نمايش داده شد. اين متغيرها مهمترين متغيرهاي هستند که بيشترين تاثير را بر روي اقليم منطقه و همچنين بيشترين ارتباط را با هدف تحقيق دارند که تعداد متغير آنها، با q نمايش داده شد. اين پارامترها با استفاده از آناليز تجزيه به مولفه های اصلي49 به 5 فاکتور يا مولفه اصلي کاهش يافت که با k نمايش داده شدند. تعداد مولفه اصلي در 622 نقطه که با n نمايش داده شدند، 90 درصد واريانس دادهها را به خود اختصاص ميدهند و در واقع مهمترين مولفهها به شمار ميروند [18،72،96]. چرخه انتخاب متغيرها با روش پروكراستس در زیر نمايش داده شده است. براي محاسبه M2 دوشرط q≤p و ≤ q k بايد برقرار باشد.
انتخاب
X(n×p) X(n×q)

PCA PCA

Y(n×k) Z(n×k)
پروکراستس
ضريب پروکراستس از رابطه (3-4) محاسبه شد:
رابطه 3-4 M2=Trace{YY´+ZZ´-2ZQ´Y´}
Q از رابطه (3-5) محاسبه می شود:
رابطه3-5 Q=VU´
با تجزيه مقدار منفرد50 ماتريس Z´Y به ابعاد k×k مقدار U و V محاسبه شد و مقدار Q بدست آمد. همچنين با مربعي نمودن ماتريسهاي Y و Z و قرار دادن آن در رابطه 3-4 مقدار M2 محاسبه گرديد. هر کدام از سري دادههاي انتخابي که داراي کمترين ضريب M2 باشد يعني بيشترين شباهت را با دادههاي کل دارد و به عنوان مناسبترين سري پارامتر انتخاب ميشود. تعريف فاکتورهاي لازم براي بدست آوردن مقدار M2 و تجزیه مقدار منفرد در جدول (3-14) آورده شده است. براي محاسبه ترانهاده ماتريسها، تجزيه مقادير منفرد و مقدار M2 براي هر کدام از ماتريسهاي Z1, Z2, Z3, Z4 از نرم افزار Matlab 2012 استفاده شد.
جدول (3-14): فاکتورهاي مورد نياز براي بدست آوردن مقدار M2
فاکتور
توضیحات
فاکتور
توضیحات
X(n×p)
ماتريس تمامي متغيرها
Z
ماتريس تجزبه به مولفههاي متغيرهاي انتخاب شده (آرايش تقريبي51)
X(n×q)
ماتريس متغيرهاي انتخابي

ترانهاده ماتريس Y
p
تعداد کل متغيرها

ترانهاده ماتريس Z
q
تعداد متغيرهاي انتخابي
U
ماتريس m در n روي ميدان K
n
تعداد نقاط داراي داده

ماتريس قطري m در n با درايههاي نامنفي حقيقي بر روي قطر
Y
ماتريس تجزبه به مولفههاي کل متغيرها (آرايش واقعي52)
V*
ترانهاده مزدوج V يک ماتريس يکاني n در n روي K

تحليل عاملي
تجزيه عاملها يا تحليل عاملي53 يكي از روشهاي آماري است که براي تجزية اطلاعات موجود در مجموعة دادهها استفاده میشود.كارل پيرسون54 1901و چارلز اسپيرمن551904براي اولين بار هنگام اندازه گيري هوش این روش را مطرح نمودند. این روش براي تعيين تأثيرگذارترين متغيرها در زمانيكه تعداد متغيرهاي اولیه مورد بررسي زياد بوده و روابط بين آنها ناشناخته باشد، استفاده ميشود. در اين روش متغيرها در عاملهايي قرار ميگيرند، و درصد واریانس از عامل اول به عاملهاي بعدي كاهش مييابد، بر همین اساس متغيرهايي كه در عاملهاي اولي قرار ميگيرند، تأثيرگذارترين متغیرها هستند. تجزية عاملي در واقع گسترش تجزية مؤلفههاي اصلي است. هدف تجزية عاملي و تجزية مؤلفههاي اصلي تقریب ماتریس کواریانس است، اما اين تقريب در مدل تحليل عاملي از دقت و ظرافت بيشتري برخوردار است. به طور كلي هدف از تجزية عاملها به شرح زير خلاصه ميشود:
تفسير وجود همبستگي دروني بين تعدادي صفت قابل مشاهده از طريق عواملي كه قابل مشاهده نيستند و آنها را عامل گويند. در واقع اين عوامل غيرقابل مشاهده دليل مشترك همبستگي بين متغيرهاي اصلي هستند.
ارائه روش تركيب و خلاصه كردن تعداد زيادي از متغيرها در تعدادي گروه متمايز.
از بين متغيرهاي مختلف تأثير گذارترين آنها تعيين شده و در پژوهشهاي بعدي به طور جزيي تر متغيرهاي تأثيرگذار را با تكرار بيشتري بررسي ميكنند.
با توجه به این نکات، اصلیترین هدف استفاده از تحليل عاملي، كاهش حجم دادهها و تعيين مهمترين متغيرهاي موثر در شكل گيري پديدههاست. از آنجا كه پژوهشهاي منابع طبيعي اغلب در عرصه مراتع و جنگلها انجام ميشود و شرايط محيط تحت كنترل پژوهشگر نيست، از اينرو معمولا با تعداد زيادي از متغيرها روبرو هستيم. در نتيجه براي كاهش حجم متغيرها ميتوان از تحليل عاملي به عنوان يك روش مناسب استفاده كرد. اين روش در دهههاي اخير به ويژه با پيشرفت استفاده از برنامههاي آماري در رايانه در سطح وسيع مورد استفاده پژوهشگران قرار گرفته است.
تحليل عاملي بر دو نوع تحليل عاملي اكتشافي56 و تحليل عاملي تأييدي57 است. در تحليل عاملي اكتشافي، پژوهشگر در صدد كشف ساختار زيرنبايي مجموعه نسبتا بزرگي از متغيرهاست و پيش فرض اوليه آن است كه هر متغيري ممكن است با هر عاملي ارتباط داشته باشد. به عبارت ديگر پژوهشگر در اين روش هيچ نظرية اوليهاي ندارد.
پيش فرض اساسي در تحليل عاملي تأييدي آن است كه هر عاملي با زيرمجموعة خاصي از متغيرها ارتباط دارد. حداقل شرط لازم براي تحليل عاملي تأييدي اين است كه پژوهشگر در مورد تعداد عاملهاي مدل، قبل از انجام تحليل، پيش فرض معيني داشته باشد، ولي در عين حال پژوهشگر ميتواند انتظارات خود مبني بر روابط بين متغيرها و عاملها را نيز در تحليل وارد كند. كاربردهاي ديگر تحليل عاملي تأييدي عبارتند از:
تعيین اعتبار يك مدل عاملي.
مقايسة توان دو مدل متفاوت كه از دادهها مشابه ساخته شدهاند.
آزمون معنيداري يك بار عاملي ويژه.
آزمون اينكه آيا مجموعة عاملها با يكديگر همبستگي دارند يا خير.
آزمون رابطة بين دو يا چند بار عاملي.
دستور تحليل عاملي تأييدي برخلاف تحليل عاملي اكتشافي در نرم افزار SPSS وجود ندارد. اين روش در نرم افزار ليزرل58 قابل انجام است.
برخي از مفاهيم كليدي روش تحلیل عاملی اکتشافی به شرح زیر میباشد:
میزان اشتراك59: اشتراك عبارت از ميزان واريانس مشترك بين يك متغير با ديگر متغيرهاي بكار گرفته شده در تحليل است.
مقدار ويژه60: مقدار ويژه ميزان واريانس تبيين شده به وسيلة هر عامل را بيان ميكند.
عامل61: عبارت است از تركيب خطي متغيرهاي اصلي كه نشان دهندة جنبههاي خلاصه شدهاي از متغيرهاي مشاهده شده است. به عامل متغير پنهان62 نيز گفته ميشود.
عامل مشترك63: عاملي كه دو يا چند متغير بر روي آن بار ميشوند. عامل مشترك عاملي است كه حداقل بين دو متغير مشاهده شده مشترك است، بنابراين، عامل مشترك در تعيين دو يا چند متغير دخالت مستقيم دارد. به فرآيند تعيين عامل مشترك و تفسير آن، تحليل عاملي مشترك64 ميگويند كه نوعي روش آماري است كه از همبستگيهاي بين متغيرهاي مشاهده شده براي برآورد عاملهاي مشترك و روابط ساختاري استفاده ميكند.
بار عاملي65: عبارت است از همبستگي بين متغيرهاي اصلي و عوامل اگر مقادير بار عاملي مجذور شوند، نشان ميدهند كه چند درصد از واريانس در يك متغير توسط آن عامل تبيين ميشود.
ماتريس عاملي66: جدولي است كه بارهاي عاملي كلية متغيرها را در هر عامل نشان ميدهد.
چرخش عاملي67: فرايندي براي تعديل محور عاملي به منظور دستيابي به عاملهاي معنيدار و ساده است.
نمرة عاملي68: يك مقدار ويژه براي يك عامل است كه براي يك واحد نمونه گيري خاص محاسبه ميشود. نمرة عاملها از حاصل جمع وزني مقدار متغيرها براي آن واحد نمونه گيري بخصوص به دست ميآيد.
استخراج عاملها
همانطور كه در قبل نيز گفته شد هدف تحليل عاملي خلاصه كردن متغيرها در تعدادي عامل است. پس براي انجام تحليل عاملي بايد روش استخراج عاملها و معيار تعيين آنها مشخص شود.
روش استخراج عاملها: براي استخراج عاملها روشهاي مختلفي وجود دارد كه برحسب مقدار و نوع واريانسي كه توسط متغيرهاي هر عامل در مدل توجيه ميشود، متفاوتند. اساسي ترين اين روشها تجزية مؤلفههاي اصلي است. ذكر اين نكته ضروري است كه در تحليل عاملي

پایان نامه
Previous Entries منابع پایان نامه با موضوع استان کرمان، رطوبت نسبی، استان کرمانشاه Next Entries منابع پایان نامه با موضوع سلسله مراتب، تحلیل عاملی، تحلیل عامل