인자 분석에 대한 모든 통계량 및 그래프 해석

인자 분석과 함께 제공되는 모든 통계 및 그래프에 대한 정의 및 해석 방법을 확인해 보십시오.

인자 적재

인자 적재는 인자가 변수를 설명하는 정도를 나타냅니다. 적재의 범위는 -1에서 1까지입니다.

분석을 위해 회전 방법을 선택하는 경우 Minitab에서는 비회전 인자 적재와 회전 인자 적재를 사용합니다.

해석

각 변수에 가장 많은 영향을 미치는 인자를 확인하려면 적재 패턴을 조사합니다. 적재가 -1이나 1에 가까우면 요인이 변수에 많은 영향을 준다는 것을 나타냅니다. 적재가 0에 가까우면 인자가 변수에 미미한 영향을 주고 있음을 나타냅니다. 여러 인자에 많이 적재하는 변수도 있습니다.

비회전 인자 적재를 해석하는 것은 일반적으로 어렵습니다. 인자 회전을 통해 적재 구조가 단순화되며 일반적으로 인자를 더 명확하게 구분하고 더 쉽게 해석할 수 있습니다. 그러나 어떤 회전 방법도 모든 경우에 최고 효과를 낼 수는 없으므로, 여러 가지 회전을 시도해보고 가장 해석하기 쉬운 결과를 산출하는 회전을 사용해야 합니다. 회전 적재를 정렬하여 인자 내에서 적재를 더 명확하게 평가할 수 있습니다.

다음 비회전 인자 표에서는 요인 1에 대한 적재 대부분의 값이 서로 가까우며, 따라서 인자를 해석하기가 어렵습니다. 다른 인자에 대한 비회전 적재도 해석하기 어렵습니다. 데이터에 대해 Varimax 회전이 수행된 후 회전 인자 적재가 계산됩니다. 이제 인자를 더욱 쉽게 해석할 수 있습니다.
  • 회사 적합성(0.778), 업무 적합성(0.844) 및 잠재력(0.645)이 인자 1에 큰 양의 적재가 되므로 이 인자는 직원 적합성과 회사 내 성장 잠재력을 설명합니다.
  • 용모(0.730), 호감도(0.615) 및 자신감(0.743)은 인자 2에 큰 양의 적재가 되므로 이 인자는 개인적 자질을 설명합니다.
  • 정보 전달력(0.802)과 친화력(0.889)은 인자 3에 큰 양의 적재가 되므로 이 인자는 업무 기술을 설명합니다.
  • 입사 동기서(0.947)와 이력서(0.789)는 인자 4에 큰 양의 적재가 되므로 이 인자는 작문 기술을 설명합니다.
비회전 인자 적재 및 공통성 변수 요인1 요인2 요인3 요인4 공통성 학업 성적 0.380 0.455 0.340 0.259 0.534 용모 0.359 0.530 -0.040 0.523 0.685 정보 전달력 0.465 0.660 -0.377 -0.023 0.795 회사 적합성 0.523 0.677 0.266 -0.253 0.866 경험 0.508 0.194 0.450 0.232 0.553 업무 적합성 0.532 0.632 0.415 -0.201 0.895 입사 동기서 0.992 -0.094 -0.012 -0.007 0.994 호감도 0.412 0.529 0.032 0.377 0.593 친화력 0.406 0.761 -0.424 -0.055 0.926 잠재력 0.446 0.548 0.431 0.172 0.714 이력서 0.850 0.040 0.096 0.283 0.814 자신감 0.293 0.575 0.083 0.506 0.679 분산 3.6320 3.3193 1.0883 1.0095 9.0491 % 변동 0.303 0.277 0.091 0.084 0.754
회전 인자 적재 및 공통성 Varimax 회전 변수 요인1 요인2 요인3 요인4 공통성 학업 성적 0.481 0.510 0.086 0.188 0.534 용모 0.140 0.730 0.319 0.175 0.685 정보 전달력 0.203 0.280 0.802 0.181 0.795 회사 적합성 0.778 0.165 0.445 0.189 0.866 경험 0.472 0.395 -0.112 0.401 0.553 업무 적합성 0.844 0.209 0.305 0.215 0.895 입사 동기서 0.219 0.052 0.217 0.947 0.994 호감도 0.261 0.615 0.321 0.208 0.593 친화력 0.217 0.285 0.889 0.086 0.926 잠재력 0.645 0.492 0.121 0.202 0.714 이력서 0.214 0.365 0.113 0.789 0.814 자신감 0.239 0.743 0.249 0.092 0.679 분산 2.5153 2.4880 2.0863 1.9594 9.0491 % 변동 0.210 0.207 0.174 0.163 0.754

공통성

공통성은 인자에 의해 설명되는 각 변수의 변동성 비율입니다. 공통성 값은 분석에 비회전 인자 적재를 사용하거나 회전 인자 적재를 사용하거나 관계없이 같습니다.

해석

각 변수가 인자에 의해 얼마나 잘 설명되는지 평가하려면 공통성 값을 조사합니다. 공통성이 1에 가까울수록 인자들이 변수를 더욱 잘 설명합니다. 인자가 특정 변수의 적합에 유의하게 기여하는 경우 인자를 추가하는 것을 결정할 수 있습니다.

비회전 인자 적재 및 공통성 변수 요인1 요인2 요인3 요인4 공통성 학업 성적 0.380 0.455 0.340 0.259 0.534 용모 0.359 0.530 -0.040 0.523 0.685 정보 전달력 0.465 0.660 -0.377 -0.023 0.795 회사 적합성 0.523 0.677 0.266 -0.253 0.866 경험 0.508 0.194 0.450 0.232 0.553 업무 적합성 0.532 0.632 0.415 -0.201 0.895 입사 동기서 0.992 -0.094 -0.012 -0.007 0.994 호감도 0.412 0.529 0.032 0.377 0.593 친화력 0.406 0.761 -0.424 -0.055 0.926 잠재력 0.446 0.548 0.431 0.172 0.714 이력서 0.850 0.040 0.096 0.283 0.814 자신감 0.293 0.575 0.083 0.506 0.679 분산 3.6320 3.3193 1.0883 1.0095 9.0491 % 변동 0.303 0.277 0.091 0.084 0.754

이 결과에서는 4개의 인자가 12개의 변수에서 추출되었습니다. 모든 변수에 대한 공통성 값이 일반적으로 높으며, 이는 4개의 인자가 변수를 잘 나타낸다는 것을 보여줍니다. 예를 들어, 4개의 인자가 업무 적합성 변동의 0.895 또는 89.5%를 설명합니다.

분산

각 인자에 의해 설명되는 데이터의 변동성입니다. 주성분 추출 방법을 사용하고 적재를 회전하지 않은 경우 각 인자의 분산은 고유값과 같습니다. 모든 인자에 의해 설명되는 총 변동이 변경되지 않는 경우에도 회전에 따라 각 인자에 의해 설명되는 분산 비율의 분포가 달라집니다.

해석

각 인자에 대한 분산을 조사합니다. 분산이 클수록 인자가 데이터의 변동성을 더 많이 설명합니다. 분석에서 몇 개의 인자를 추출해야 할지 모르는 경우 먼저 기본 인자 수를 예비 평가로 사용하여, 회전 없이 (최대 수의 인자를 추출하는) 주성분 추출 방법을 사용할 수 있습니다. 그런 다음 중요한 인자를 분산(고유값)이 특정 값보다 큰 인자로 정의합니다. 예를 들어, 한 가지 기준은 고유값이 1 이상인 모든 인자를 포함하는 것입니다. 또 다른 방법은 Scree 그림의 고유값을 시각적으로 평가하여 어느 점에서 고유값이 전혀 변하지 않고 0에 가까워지는지 확인하는 것입니다. 자세한 내용은 Scree 그림에 대한 항목을 참조하십시오.

비회전 인자 적재 및 공통성 변수 요인1 요인2 요인3 요인4 요인5 요인6 요인7 요인8 학업 성적 0.726 0.336 -0.326 0.104 -0.354 -0.099 0.233 0.147 용모 0.719 -0.271 -0.163 -0.400 -0.148 -0.362 -0.195 -0.151 정보 전달력 0.712 -0.446 0.255 0.229 -0.319 0.119 0.032 0.088 회사 적합성 0.802 -0.060 0.048 0.428 0.306 -0.137 -0.067 0.105 경험 0.644 0.605 -0.182 -0.037 -0.092 0.317 -0.209 -0.102 업무 적합성 0.813 0.078 -0.029 0.365 0.368 -0.067 -0.025 -0.032 입사 동기서 0.625 0.327 0.654 -0.134 0.031 0.025 0.017 -0.113 호감도 0.739 -0.295 -0.117 -0.346 0.249 0.140 0.353 -0.142 친화력 0.706 -0.540 0.140 0.247 -0.217 0.136 -0.080 -0.105 잠재력 0.814 0.290 -0.326 0.167 -0.068 -0.073 0.048 -0.112 이력서 0.709 0.298 0.465 -0.343 -0.022 -0.107 0.024 0.170 자신감 0.719 -0.262 -0.294 -0.409 0.175 0.179 -0.159 0.230 분산 6.3876 1.4885 1.1045 1.0516 0.6325 0.3670 0.3016 0.2129 % 변동 0.532 0.124 0.092 0.088 0.053 0.031 0.025 0.018 변수 요인9 요인10 요인11 요인12 공통성 학업 성적 0.097 -0.142 -0.026 -0.031 1.000 용모 0.082 0.016 0.020 -0.038 1.000 정보 전달력 0.023 0.204 0.012 -0.100 1.000 회사 적합성 -0.019 -0.067 0.188 -0.021 1.000 경험 0.121 0.039 0.077 0.009 1.000 업무 적합성 0.146 0.066 -0.176 0.008 1.000 입사 동기서 -0.079 -0.130 -0.043 -0.127 1.000 호감도 0.051 0.022 0.064 0.012 1.000 친화력 -0.020 -0.162 -0.032 0.136 1.000 잠재력 -0.290 0.100 -0.023 0.028 1.000 이력서 0.008 0.090 0.010 0.156 1.000 자신감 -0.098 -0.061 -0.065 -0.047 1.000 분산 0.1557 0.1379 0.0851 0.0750 12.0000 % 변동 0.013 0.011 0.007 0.006 1.000

이 분석은 주성분 방법과 기본 설정(회전 없음)을 사용하여 수행되었습니다. 처음 네 인자의 분산(고유값)이 1보다 크며, 고유값은 7개 이상의 인자가 사용되는 경우 고유값이 덜 두드러지게 변합니다. 따라서 4개의 인자가 대부분의 데이터 변동성을 설명합니다. 이 예비 결과를 기반으로 인자 분석을 반복하고 4개의 인자만 추출하며 여러 회전을 사용하여 실험합니다.

% Var

분산의 백분율(% Var)은 각 인자에 의해 설명되는 데이터 변동성의 비율입니다. % Var 값의 범위는 0(0%)에서 1(100%) 사이입니다.

해석

각 인자에 대한 % Var 값을 조사합니다. % Var 값이 클수록 인자가 더 많은 변동성을 설명한다는 것을 나타냅니다. 따라서 % Var 값을 사용하여 어느 인자가 가장 중요한지 확인할 수 있습니다.

% Var의 공통성 값은 총 변동이 분석의 모든 인자에 의해 설명된다는 것을 나타냅니다. 이 값을 사용하면 분석에 사용되는 인자들이 데이터의 총 변동을 충분히 설명하는지 여부를 확인할 수 있습니다.

비회전 인자 적재 및 공통성 변수 요인1 요인2 요인3 요인4 공통성 학업 성적 0.380 0.455 0.340 0.259 0.534 용모 0.359 0.530 -0.040 0.523 0.685 정보 전달력 0.465 0.660 -0.377 -0.023 0.795 회사 적합성 0.523 0.677 0.266 -0.253 0.866 경험 0.508 0.194 0.450 0.232 0.553 업무 적합성 0.532 0.632 0.415 -0.201 0.895 입사 동기서 0.992 -0.094 -0.012 -0.007 0.994 호감도 0.412 0.529 0.032 0.377 0.593 친화력 0.406 0.761 -0.424 -0.055 0.926 잠재력 0.446 0.548 0.431 0.172 0.714 이력서 0.850 0.040 0.096 0.283 0.814 자신감 0.293 0.575 0.083 0.506 0.679 분산 3.6320 3.3193 1.0883 1.0095 9.0491 % 변동 0.303 0.277 0.091 0.084 0.754

이 결과에서 데이터 변동의 0.303 또는 30.3%는 인자 1에 의해 설명됩니다. 네 인자가 모두 함께 데이터 변동의 0.754 또는 75.4%를 설명합니다.

인자 점수 계수

인자 계수는 인자 분석에서 성분에 포함된 각 변수의 상대적인 가중치를 나타냅니다. 계수의 절대값이 클수록 성분을 구성할 때 해당 변수의 중요성도 커집니다. Minitab에서는 인자 계수를 사용하여 인자의 추정된 값인 인자 점수를 계산합니다. Minitab은 척도화되고 평균을 빼서 중심화된 데이터를 인자1, 인자2 등의 밑에 나열된 인자 점수 계수와 곱하여 인자 점수를 계산합니다.

해석

인자 점수를 사용하여 다음 작업을 수행할 수 있습니다.
  • 관측 개체의 움직임 조사
  • 회귀 분석이나 다변량 분산 분석과 같은 다른 분석에서 사용
참고

추정된 계수를 사용하여 인자 점수를 계산하려면 변수를 표준화해야 합니다.

Scree 그림

Scree 그림은 인자의 번호와 해당 고유값을 표시합니다. Scree 그림은 고유값을 가장 큰 값에서 가장 작은 값의 순서로 정렬합니다. 회전이 수행되지 않는 경우 상관 행렬의 고유값은 인자의 분산과 같습니다.

Scree 그림을 표시하려면 분석을 수행할 때 그래프을 클릭하고 Scree 그림을 선택해야 합니다.

해석

Scree 그림을 사용하면 고유값의 크기를 기반으로 인자 수를 선택할 수 있습니다. 이상적인 패턴은 기울기가 큰 곡선 다음에 완만한 곡선이 나오고 직선이 이어지는 형태입니다. 선 형태가 시작되는 첫 번째 점 이전의 기울기가 큰 곡선에 있는 인자를 사용하십시오.

이 Scree 그림은 처음 네 인자가 (고유값에 의해 주어지는) 전체 데이터 변동성의 대부분을 설명한다는 것을 보여줍니다. 처음 네 인자에 대한 고유값은 모두 1보다 큽니다. 나머지 요인은 매우 작은 비율의 변동을 설명하며 중요하지 않을 가능성이 높습니다.

점수 그림

점수 그림은 두 번째 인자의 점수 대 첫 번째 인자의 점수를 그래프로 나타낸 것입니다.

점수 그림을 표시하려면 분석을 수행할 때 그래프을 클릭하고 점수 그림을 선택해야 합니다.

해석

처음 두 인자가 데이터에서 분산의 대부분을 설명하는 경우에는 점수 그림을 사용해도 데이터 구조를 평가할 수 있고 군집, 특이치 및 추세를 탐지할 수 있습니다. 그림의 데이터 그룹은 데이터에 둘 이상의 개별 분포가 존재한다는 것을 나타낼 수도 있습니다. 데이터가 정규 분포를 따르고 특이치가 없는 경우 점들은 0 주위에 랜덤하게 분포합니다.

이 점수 그림에서 데이터는 정규 분포를 따르는 것으로 보이며 아무런 극단 특이치도 나타나지 않습니다. 그러나 그림의 오른쪽 하단에 표시된, 다른 데이터 값에서 더 멀리 떨어져 있는 데이터 값을 조사할 수도 있습니다.

각 관측치에 대해 계산된 점수를 보려면 포인터를 그래프의 데이터 점 위에 놓으십시오. 다른 인자에 대한 점수 그림을 생성하려면 점수를 저장하고 그래프 > 산점도을 사용하십시오.

적재 그림

적재 그림은 첫 번째 인자에 대한 각 변수의 회전 인자 적재 대 두 번째 인자의 회전 인자 적재를 그래프로 표시합니다.

적재 그림을 표시하려면 분석을 수행할 때 그래프을 클릭하고 적재 그림을 선택해야 합니다.

해석

적재 그림을 사용하면 인자에 가장 큰 영향을 미치는 변수를 식별할 수 있습니다. 적재 범위는 -1에서 1까지이며, 적재가 -1이나 1에 가까우면 요인이 변수에 많은 영향을 미친다는 것을 나타냅니다. 적재가 0에 가까우면 인자가 변수에 미미한 영향을 주고 있음을 나타냅니다. 또한 적재를 평가하면 각 인자를 변수의 관점에서 특성화하는 데 도움이 됩니다. 인자 수를 선택한 다음 인자 적재를 더욱 쉽게 해석하기 위해 다른 회전을 시도할 수 있습니다.

이 적재 그림의 경우 데이터에 Varimax 회전이 수행되었으로 처음 두 인자를 더 쉽게 해석할 수 있습니다. 업무 적합성과 회사 적합성의 인자 1에 큰 양의 적재가 되므로, 이 인자는 일자리에 대한 지원자의 적합성을 설명합니다. 용모, 호감도 및 자신감은 인자 2에 큰 양의 적재가 되므로 이 인자는 지원자의 개인적 자질을 설명합니다.

행렬도

행렬도는 점수 그림과 적재 그림을 겹쳐서 표시합니다.

행렬도를 표시하려면 분석을 수행할 때 그래프을 클릭하고 행렬도를 선택해야 합니다.

해석

행렬도를 사용하여 데이터 구조와 처음 두 인자의 적재를 한 그래프에 나타낼 수 있습니다. Minitab에서는 두 번째 인자 점수 대 첫 번째 인자 점수는 물론 두 인자의 적재도 표시합니다.

이 행렬도를 통해 다음 내용을 알 수 있습니다.
  • 데이터는 정규 분포를 따르는 것으로 보이며 아무런 극단 특이치도 나타나지 않습니다. 그러나 그림의 오른쪽 하단에 표시된, 다른 데이터 값으로부터 더 멀리 떨어져 있는 데이터 값을 조사할 수도 있습니다.
  • 업무 적합성과 회사 적합성의 인자 1에 큰 양의 적재가 되므로, 이 인자는 일자리에 대한 지원자의 적합성을 설명합니다.
  • 용모, 호감도 및 자신감은 인자 2에 큰 양의 적재가 되므로 이 인자는 지원자의 개인적 자질을 설명합니다.

이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오