小弟有一笔统计资料 是100个受测者对16台车 以14个形容词项目做评分 要分析的对象是那14个形容词的因素或主成份 因此为重要的资料是那14个形容词的Covariance矩阵(或是Correlation) 因为有16台车100个人 要产生这个矩阵的原始资料应该是长怎样呢? (1)是要用全部人 100*16台车对一形容词的资料来算 (n*p=1600*14 n个资料p个变数) 形容词1 形容词2 ... 形容词14 车1 人1 X X X ... X 人2 X X X ... X : : : : : : 人100 X X X ... X 车2 人1 X X X ... X 人2 X X X ... X : : : : : : 人100 X X X ... X 车16 人1 X X X ... X : : : : : : 人100 X X X ... X(1600,14) (2) 还是用16台车每台得到的平均分数来算 (n*p=16*14)? 形容词1 形容词2 ... 形容词14 车1平均100人分数 X X ... X 车2平均100人分数 X X ... X : : : : 车16平均100人分数 X X ... X 感觉好像对单一台车时，形容词对多个人的资料(100n*14p)间才是多元常态?? 那把所有资料都列出(1600n*14p)那1600个向量是会多元常态吗? 第一个方法对一形容词来说资料量最多，如果做因素分析或主成份 *可以解释为「人类对一堆车的看法 有多少背後因素」 但文献看到好似都是用第二个方法 他应该是假设车对形容词是多元常态? 那这样等於只有16个独立向量，要去做14变数的多变量分析 似乎是不够让形容词做因素或主成份分析? *但这样的结果可以解释为「有多少背後因素足够解释这16台车」 但如果对仅一台车来说，14个形容词有100人次的观测且每个观测向量是独立又多元常态\ ，可以轻易做因素分析。 *但这样的结果是「人类对某一台车的形容词 有背後几种主要因素就够解释这台车」 仅以一台车的资料而已 到底要怎麽做才是较正确的呢?? 而我如果是要探究「人类对车的形容词可能有几种因素」而不是「有哪些主要形容词背後\ 因素足够解释这16台车」 感觉是要用第一种方法 (人对一堆车的观感的背候因素)? 但文献好像都用第二种 不晓得我得解读是否正确? 我可以使用第一种来做吗? 另外 虽然我的问卷每个答案都是李克特5点尺度，不用标准化不同形容词间的量级 但是不是用correlation矩阵会比covariance矩阵来算主成份或因素会好点?? 问题有点繁杂，真是不好意思! 感谢各位大大阅读! --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.15.147