ขนาดวิดีโอ: 1280 X 720853 X 480640 X 360
แสดงแผงควบคุมโปรแกรมเล่น
เล่นอัตโนมัติ
เล่นใหม่
動画ありがとうございます。途中で動画を止めても続きが気になって戻ってきてしまうような統計の動画はなかなかないと思います。作成頑張ってください！
ご視聴コメントありがとうございます！！そんなに楽しんでいただけると私もとても嬉しいです！😊まだまだこれからもたくさん動画を生成しますので、ぜひお楽しみに！🎉
面白い上に分かりやすくて、最後まで見ちゃいました！腹落ちして理解できました。ありがとうございます。
わーい！そう言っていただけると何より！😍😍主成分分析との比較もあるので、気が向いたらどうぞ😋
ありがとうございます！
ご支援に炊きましてありがとうございます！！！🎉🎉🎉今後も価値ある動画を生成できるようがんばりますので、応援いただけると嬉しいです！よろしくお願いします！！！🔥
いつもとても分かりやすくて、説明を聞くのが楽しいです！ 主成分分析は、学生時代に謎に求めさせられた分散共分散行列と固有値問題の２つが繋がって感動した記憶があります！理解していた事が正しかったのかの確認するためにも、次回の動画が楽しみです！
ご視聴コメントありがとうございます😍🎉🎉🎉次回もお楽しみに！🎉そこも感動ポイントですよね！！！そのうち、主成分分析の数式とかにも踏み込む動画を作ろうかと思っています。その時もぜひご覧くださいね😋
統計検定準1級受験に向け勉強中のものです。大変わかりやすく重宝しています。ありがとうございます。
それは良かったです！(^o^)ぜひご活用ください😍😍😍🎉🎉
分かりやすかったです。勉強になりました。
それはとてもよかったです！(^o^)🎉
今後も楽しみです!!
ぜひ！楽しみにしていてください！😍😍😍🎉
すみません、誤ってコメント消してしまいました。今回は何とか解決できました。ここまで丁寧な解説は他に見られないので重宝しております。ありがとうございます。
それはよかったです！活用いただき嬉しいです😊
すごくわかりやすかったです！「いろんな分析」シリーズ楽しみにしています。共分散構造分析が謎すぎて困っていまして、いつか動画作っていただけたら嬉しいです！
SEM は扱う予定です！このシリーズで軽く概要触れたあと、そのうち SEM の連続動画をだします。乞うご期待！！そして、そんな田中さんには、次回の動画もおすすめです！ぜひ次回もご覧ください！😍
わかりやすくて、助かる〜！
でしょー！😍そういっていただけると何よりです！🎉
わかりやすい！
でしょ！😎✌️
分析の入門にピッタリでした。ありがとうございます
それは良かった！(^o^)便利な分析なので是非活用してあげてください😍🎉
分かりやすかったです！
ご視聴コメントありがとうございます！それは良かった🎉是非この理解をご活用ください！(^o^)因子の回転の動画などもありますので、興味があれば是非！
@@AIcia_Solid チャンネル登録しました！将来データサイエンス系の仕事に就きたいと考えてるので、勉強させていただきます！
ありがとうございます！その挑戦、応援しています。ぜひご活用ください！！
テストデータの科目読み上げるシーンで画面の文字を絶妙にかわしたところが可愛かった（説明がわかりやすくて、設定する因子の数は試行錯誤なの？設定した因子の数が不十分だと一つの因子に総合力的な感じで寄せられる仕組みなの？どれだけ恣意的に計算できるの？など疑問が湧いて楽しかった。詳細の動画が楽しみです）/* 統計（分析？）って結果と同じくらい使った分析メソッドとパラメータが大事だと思う。製薬会社のスポンサードな学者の薬のレポートが信じられるか、みたいなとき特に。*/
ありがとうございます😍因子分析はそこら辺深いんですよ😎いつかまとめてだします！！CI ある場合のレポートはそこら辺見るのは必須ですよね。読む場合は、統計的な中身に加えて、その団体自体をどれだけ信頼できるかも大事そうですね、、😮
すごい！スッキリした！爽快感半端ない！教科書にします！！
でしょ！😍🎉ぜひご活用くださいませ😋
神動画ありがとうございます！Pythonで実際に因子分析する動画が見たいです。
ご視聴コメントありがとうございます！実践の動画をやる予定は残念ながら今はありませんが、動画で用いたコードはこちらにありますので、もしよければ参考にしてください！github.com/sugiyama34/AIciaSolidProject/tree/master/049.factor%20analysis%20-%20%E5%9B%A0%E5%AD%90%E5%88%86%E6%9E%90
「因子分析は因子の決め方が恣意的だ」という人もいるよ、という噂を聞きました。実際、そこら辺どうなんでしょう？次回に予定されてる主成分分析は（うろ覚えの記憶では）相関行列の固有値からシステマティックに主成分が導かれるんですよね？？
その意見も分かります。因子分析も手段なので、目的に合わせて利用すればいいと思います😋主成分分析は、、、次回のお楽しみ！😍
（まだまだ勉強中なので、間違っているところがあればご指摘いただけると大変ありがたいです。）因子分析について質問させてください！因子分析は相関行列を用いているのですよね？アンケートなどで因子分析がよく用いられていることは知っているのですが、アンケート項目は5件法など、順序尺度の離散値だと思います。相関行列を用いているのに、連続値を基に(?)考えられた相関係数をそのまま使うことに抵抗があります。順序尺度を連続値として扱ったとして、相関行列を算出して因子分析を行うのか、それとも連関係数を用いて、それを相関行列の代わりに用いるべきなのか、ぜひご教授いただければと思います！
5件くらいあれば、順序尺度を連続値として扱ってもよいかと思います。（もちろんデータ次第なので一概には言えませんが）原理主義的には項目反応理論などを使うべきとは思いますが、そこまでしなくてもいいことの方が多いと思います。（項目作成をする論文ならそこまですべきですが、項目の解釈をするのであれば不要かと）3件以下となれば、離散変数として扱う方がいいと思います。その場合の動画もそのうち出しますので、お楽しみに😋
@@AIcia_Solid 早速ありがとうございます！項目反応理論は勉強不足で知りませんでした...。勉強になります！項目作成まではしないのですが...笑こういうことを聞くことが出来るのは物凄く助かっています。また楽しみにしています～！
サンプルコードまで頂き、ありがとうございます。df_sampleのところは、実務では1σの範囲を0、2σの範囲を1とかにする感じでしょうか？他にもやり方（というか考え方）ありますでしょうか？
因子分析自体は、スケールは自由にとることが出来ます。データに合わせて考えるのがいいと思います。今回の場合、因子分析に投入しているデータは正規化されているので、1, 2 などの数値を用いています。
参考になる動画ばかりで、脱帽しています。尊敬します。質問なのですが、pythonで因子分析を実行後、回転をさせることはできるのでしょうか？コードを拝見する限りそのような記載がなく、また調べても分からなかったので、ご回答いただけたらうれしいです。
鋭い質問ですね！😎✌️回転も含めてやるのであれば、 python では ETS がだしている factor-analyzer がおすすめです(^o^)回転についての動画もそのうちだしますので、その時にお話しします😋
素晴らしい！ありがとうございます！質問させてください。連続型数値とカテゴリ型数値、両方が混じって入っている場合、前処理はどうすればいいでしょうか。
データによりけりでいろんな方法があります！カテゴリカル因子分析というのがあるので、連続型が少なければ、連続型を離散に変換してしまって使うのも手です。逆に、離散でも、順序尺度で、刻みが0～10とかあれば、そのまま連続変数として扱ってしまうのもよくあります。それが難しい場合は、項目反応理論なんかで潜在変数を取り出す方法もあります。また、目的によっては、そもそも因子分析はせず、分散分析や回帰分析（数量化I類）なんかも使えるかも知れません🎉
@@AIcia_Solid ご回答ありがとうございます。勉強になりました。
ぜひ色々試してみてくださーい！
凄く分かりやすかったです！！1点質問させてくださいm(_ _)m因子分析って、計算された因子（今回のfactor_0、factor_1、factor_2）をどう解釈するか（今回の学力、文系、理系）は、やはり人の勘・経験によるのでしょうか？
ご視聴コメントありがとうございます！😍🎉おっしゃる通り、今のところは、解釈は人間の仕事です😎
@@AIcia_Solid ありがとうございます！！やはりそうなんですね。勉強になりました！！
非常にわかりやすかったです。まさに今、研究の統計で悩んでいました。リッカート尺度(4件法)を得点化して、SPSSで因子分析をすることは可能でしょうか？アンケートの結果から、統計をする前の段階で、共通した部分があるとわかる結果でした。相関関係をみて因子分析があてはまると思うのですが、無知ですみません。
因子分析を行うだけなら、定量データ相手ならだいたいできると思います。大事なのは可能不可能ではなく、目的と手法があっているかどうかだと思います。目的が、動画にあるように、データの背景にある（因子）構造を理解することなのであれば、まず試すべき分析手法だと思います！4件法だと、連続の尺度として扱うことに抵抗があるかもしれませんが、とりあえずやってみる分にはとても良いかと思います。（精密な分析が必要になったら、目的に合わせて別の分析を試してみるのもありかと思います😋）
統計初学者です。なんかとっつきにくくて、敬遠してたのですが、適度に数式もあってめっちゃわかりやすかったです！！ありがとうございました！！ひとつ質問があるのですが、この動画で例に挙げていたテスト結果やアンケート結果みたいに、「どんな因子があるかよくわからない」ものの分析をするときと、「ある程度因子の見当がついていて、どれくらい影響度があるのかを知りたい（例えば、土地価格に影響がありそうな人口密度、犯罪率、鉄道の駅からの距離などの影響度がどれくらいか、など）」ときは、解釈は異なってくるのでしょうか？？この動画のパターンでは、因子の影響度（因子負荷行列）を解釈して背後の”何らかの”共通項を解釈してましたが、私が質問したい例では、出てくるf(0),f(1)...は人口密度、犯罪率、駅からの距離のどれかということはわかっているわけですよね？この場合のf(0),f(1)はどのように具体的な事象に紐づければよいのでしょうか？？公開コメントで質問するには、具体的すぎる気もしますが、よろしくお願いいたします！！
ある程度因子の見当がついていて、それが測定できていて、何らかの変数への影響を知りたい場合は、まずか回帰分析などを試すのが一般的だと思いますが、いかがでしょう？なにか、因子分析を使いたい事情があるのですか？？
分からなくて教えて頂きたいのですが、8:04くらいの行列でf1、f2はf0、f1の理解で正しいのでしょうか？
あ、ほんとだ、版書ミスってますね😮その通りです！ご指摘ありがとうございます！
@@AIcia_Solid 返信ありがとうございます。普通に考えるとそうだと思ったのですがお陰で確実に理解でしました。少し話は変わりますがプロマックス回転とプロクラステスベッドサイズ回転、バリマックス回転までのソースコードも見せていただけると幸いなのですが、どこかございませんでしょうか？動画を拝見させて頂いき、学習意欲が1000倍くらいに膨れ上がりましたw
それはうれしいです😍🎉🎉🎉ぜひ楽しんでください！ソースコードは実はここにあります！github.com/sugiyama34/AIciaSolidProject/blob/master/049.factor%20analysis%20-%20%E5%9B%A0%E5%AD%90%E5%88%86%E6%9E%90/rotation.ipynb
@@AIcia_Solid いろいろやってみます！助かりました！
pythonのコードで手を動かせるのありがたいです!
超簡単ですが！ぜひ動かしてみてください😋
これはもうアイシアちゃんがIT担当大臣になるべき！
私が IT 担当大臣になったら、全国民からたくさんデータを吸い上げて美味しく料理していただきます🤤🤤🤤🤤🤤
いつも参考にしていますこの動画のコードについて質問があります！因子を決めるときに n_factors = 3 となっていますがこの因子の数はどうやって決めるべきなんですか？ n_factors = 5 でもいいと思うんですよね。(5にする意味は特にないですが…)データに対する因子の数ってどう判断するんですか？？
データに対する因子数の判断は、スクリープロットをはじめ、様々な手法があります。「スクリープロット」で検索し、関連のページを見てみてください。わたしのチャンネルでもそのうち因子分析のシリーズをやるのでそこでまた扱いますね😍
@@AIcia_Solid わかりました~ありがとうございます!
もう、感動しかない。ありがとうございますm(__)m
こちらそこ！😍たくさん楽しんでくれて嬉しいです(^^)
いつもお世話になっております。さて、妙な質問で恐縮なのですが、サンプルデータをどのように作成されているのかと思いまして･･･。実は今、解析用のサンプルデータ作成で行き詰っております。かなり意図的に仕組んでいるのですが、どうも狙い通りの結果にならないのです。そこでGitHubのソースなど拝見しているのですが、因子分析に直接かけているのは、標準化した後のものなのでしょうか？とすれば、その元になるN=1000の得点データは、どのように作成されているのでしょうか？（各変数はどれも正規分布していて、散布図もいい具合に散らばっています･･･、これを地道に手入力したとはとても思えず）お手隙の折、アドバイスを頂けますと幸いです。よろしくお願い致します。
ご視聴コメントありがとうございます！😍😍今回のデータは、背後に適当な因子構造（構造方程式）を仮定して作成した人工データを利用しました。教育用のダミーデータであれば、例えば因子分析用のものを作るなら、因子分析の数式が真のモデルとし、乱数で誤差を乗せて作成すれば良いかなーと思います。いかがでしょう？？
ちなみに、私のデータでよければ、出典を適当に記したりしていただければ自由に使ってもらって構わないです！✌️
@@AIcia_Solid 早速のご助言、ありがとうございます！因子分析のモデル式ありきで、誤差として乱数をのせてやる･･･、納得です！今さっきまで、いまいちプリミティブなやり方で、配点のパターン組みをして乱数でかけて･･･とか試そうとしていました。本当に助かりました！因子分析には親しんできたつもりだったのですが、いざ逆転の発想（データの再現）となると呆気なくつまずいてしまい、こうやって理解を深めていくしかないかな、と思っています。
@@AIcia_Solid 重ねてありがとうございます！ 投稿などもしているので、その際には予めご一報させていただきます。
お陰様で、解決いたしました。最終的にはExcel VBAでツールを作成し、結果を見ながら数式を微調整していくというアプローチになりました。どうもありがとうございました！
とてもわかりやすい動画をありがとうございます。因子分析において、因子が線形に結果に影響を与えるという仮定って結構強いと感じています。非線形な影響を及ぼす因子（例えば相乗効果があるような因子）では、線形の影響を仮定する因子分析だとうまく抽出できないのではないかな？ と思ったりするのですが、普通の因子分析でもうまく結果が出てくるのでしょうか？それとも非線形な影響を及ぼす因子の分析には他の方法が用いられたりするのでしょうか？
ご視聴コメントありがとうございます！鋭い質問ですね！おっしゃるとおり、因子分析は線形のモデルで、非線形は不得意です。非線形を加味したいのであれば、一般化線形モデルや混合モデル、その発展の階層ベイズなど、ベイズ系の理論を探るのが一つの身近と思います！例えばこの動画で、（簡単ですが）非線形な関係を想定した分析をしているので、もしご興味あれば！th-cam.com/video/DOnSapmaev4/w-d-xo.html
@@AIcia_Solid コメントありがとうございます！発展的な手法のご紹介も誠にありがとうございます！ 拝見させていただきます。素晴らしい動画の数々をありがとうございます！
こちらこそ、素敵なコメントありがとうございます！ぜひ、いろんな分析を味方につけ、データの持つ力を解き放ってください！(^o^)
わかりやすい動画ありがとうございます！1つ質問させてください。なんとなくBはC.Dよりも文系教科に強そうですが、そこの比較は因子得点では見られないのでしょうか。
ご視聴コメントありがとうございます！🎉素敵な仮説ですね！じつは、factor_1 を見ればその仮説を確かめることができます。factor_1 の因子負荷量を見ると、文系科目でプラス、理系科目でマイナスになっています。なので、factor_1 の値が小さいほど理系科目の得点が高い傾向があるわけですが、実際、B, C, D さんで比較すると、B さんが一番小さくなっています。このあたりは、因子の回転をやったほうが明確に見ることができます。このシリーズを見ると、より深く理解できるかもです！th-cam.com/video/vx9-4xJ-VRo/w-d-xo.html&pp=gAQBiAQB
データの次元の下げ方が主成分分析と似てる気がしますけど、違いがわかりません！
ふふふ、いい質問ですね。それはすぐ、説明する動画を出します。チャンネル登録して通知ONにしてお待ちを！😎
因子負荷の推定法は主因子法/最尤法/最小二乗法などあると思うんですけどsklearnでは何でやってるんですかね、、そういうのも気にしたほうがいいんですかね？
さすが！詳しいですね！😍🎉🎉🎉正直なところ、私はそこにあまり感度がなく、気にして分析したことはありません🙇♀️（テーマ的にも、そこまで神経質になるべきものはありませんでした）なので、よくわからないというのが実態です🙇♀️私の感覚では、分析結果が伴う意思決定の重さに応じて、気にする / しないを決めるのが良いかと思っています！
ベイズ最適化の動画お願いします！獲得関数の作り方よくわかんないです
いずれやりたいと思っています！のんびりお待ち下さい！🤩
最近、python使ってるのでうれしいですっ！！(^^)
Python 原理主義で突き進みます、乞うご期待！！😎
ハローワールドー！
ハローワールド！😍🎉
Крутое видео!
Спасибо!!Виртуальный TH-camr - это вся ярость Японии! Надеюсь, что и в России это тоже приживется!
Aicia Solid Project これは私たちにとって新しいものです。 とてもかっこいいですね。 感謝！
わかりやすすぎる…無料でいいんですか…
ご視聴コメントありがとうございます！どうぞ！是非ご活用ください！😋
因子分析の説明も分かりやすいですし、実際のデータを用いて説明してくださるので自分でもできそうです‼︎ありがとうございます＾＾
楽しんでいただけたようで何より！ 是非活用してみてください(^^)
動画ありがとうございます。途中で動画を止めても続きが気になって戻ってきてしまうような統計の動画はなかなかないと思います。作成頑張ってください！
ご視聴コメントありがとうございます！！
そんなに楽しんでいただけると私もとても嬉しいです！😊
まだまだこれからもたくさん動画を生成しますので、ぜひお楽しみに！🎉
面白い上に分かりやすくて、最後まで見ちゃいました！腹落ちして理解できました。ありがとうございます。
わーい！
そう言っていただけると何より！😍😍
主成分分析との比較もあるので、気が向いたらどうぞ😋
ありがとうございます！
ご支援に炊きましてありがとうございます！！！🎉🎉🎉
今後も価値ある動画を生成できるようがんばりますので、応援いただけると嬉しいです！
よろしくお願いします！！！🔥
いつもとても分かりやすくて、説明を聞くのが楽しいです！ 主成分分析は、学生時代に謎に求めさせられた分散共分散行列と固有値問題の２つが繋がって感動した記憶があります！理解していた事が正しかったのかの確認するためにも、次回の動画が楽しみです！
ご視聴コメントありがとうございます😍🎉🎉🎉
次回もお楽しみに！🎉
そこも感動ポイントですよね！！！
そのうち、主成分分析の数式とかにも踏み込む動画を作ろうかと思っています。
その時もぜひご覧くださいね😋
統計検定準1級受験に向け勉強中のものです。大変わかりやすく重宝しています。ありがとうございます。
それは良かったです！(^o^)
ぜひご活用ください😍😍😍🎉🎉
分かりやすかったです。勉強になりました。
それはとてもよかったです！(^o^)🎉
今後も楽しみです!!
ぜひ！
楽しみにしていてください！😍😍😍🎉
すみません、誤ってコメント消してしまいました。
今回は何とか解決できました。
ここまで丁寧な解説は他に見られないので重宝しております。
ありがとうございます。
それはよかったです！
活用いただき嬉しいです😊
すごくわかりやすかったです！「いろんな分析」シリーズ楽しみにしています。共分散構造分析が謎すぎて困っていまして、いつか動画作っていただけたら嬉しいです！
SEM は扱う予定です！
このシリーズで軽く概要触れたあと、そのうち SEM の連続動画をだします。
乞うご期待！！
そして、そんな田中さんには、次回の動画もおすすめです！
ぜひ次回もご覧ください！😍
わかりやすくて、助かる〜！
でしょー！😍
そういっていただけると何よりです！🎉
わかりやすい！
でしょ！😎✌️
分析の入門にピッタリでした。ありがとうございます
それは良かった！(^o^)
便利な分析なので是非活用してあげてください😍🎉
分かりやすかったです！
ご視聴コメントありがとうございます！
それは良かった🎉
是非この理解をご活用ください！(^o^)
因子の回転の動画などもありますので、興味があれば是非！
@@AIcia_Solid チャンネル登録しました！将来データサイエンス系の仕事に就きたいと考えてるので、勉強させていただきます！
ありがとうございます！
その挑戦、応援しています。ぜひご活用ください！！
テストデータの科目読み上げるシーンで画面の文字を絶妙にかわしたところが可愛かった
（説明がわかりやすくて、設定する因子の数は試行錯誤なの？設定した因子の数が不十分だと一つの因子に総合力的な感じで寄せられる仕組みなの？どれだけ恣意的に計算できるの？など疑問が湧いて楽しかった。詳細の動画が楽しみです）
/* 統計（分析？）って結果と同じくらい使った分析メソッドとパラメータが大事だと思う。製薬会社のスポンサードな学者の薬のレポートが信じられるか、みたいなとき特に。*/
ありがとうございます😍
因子分析はそこら辺深いんですよ😎
いつかまとめてだします！！
CI ある場合のレポートはそこら辺見るのは必須ですよね。読む場合は、統計的な中身に加えて、その団体自体をどれだけ信頼できるかも大事そうですね、、😮
すごい！
スッキリした！爽快感半端ない！
教科書にします！！
でしょ！😍🎉
ぜひご活用くださいませ😋
神動画ありがとうございます！Pythonで実際に因子分析する動画が見たいです。
ご視聴コメントありがとうございます！
実践の動画をやる予定は残念ながら今はありませんが、
動画で用いたコードはこちらにありますので、もしよければ参考にしてください！
github.com/sugiyama34/AIciaSolidProject/tree/master/049.factor%20analysis%20-%20%E5%9B%A0%E5%AD%90%E5%88%86%E6%9E%90
「因子分析は因子の決め方が恣意的だ」という人もいるよ、という噂を聞きました。実際、そこら辺どうなんでしょう？
次回に予定されてる主成分分析は（うろ覚えの記憶では）相関行列の固有値からシステマティックに主成分が導かれるんですよね？？
その意見も分かります。
因子分析も手段なので、目的に合わせて利用すればいいと思います😋
主成分分析は、、、次回のお楽しみ！😍
（まだまだ勉強中なので、間違っているところがあれば
ご指摘いただけると大変ありがたいです。）
因子分析について質問させてください！
因子分析は相関行列を用いているのですよね？
アンケートなどで因子分析がよく用いられていることは知っているのですが、
アンケート項目は5件法など、順序尺度の離散値だと思います。
相関行列を用いているのに、連続値を基に(?)考えられた相関係数を
そのまま使うことに抵抗があります。
順序尺度を連続値として扱ったとして、相関行列を算出して因子分析を行うのか、
それとも連関係数を用いて、それを相関行列の代わりに用いるべきなのか、
ぜひご教授いただければと思います！
5件くらいあれば、順序尺度を連続値として扱ってもよいかと思います。（もちろんデータ次第なので一概には言えませんが）
原理主義的には項目反応理論などを使うべきとは思いますが、そこまでしなくてもいいことの方が多いと思います。
（項目作成をする論文ならそこまですべきですが、項目の解釈をするのであれば不要かと）
3件以下となれば、離散変数として扱う方がいいと思います。
その場合の動画もそのうち出しますので、お楽しみに😋
@@AIcia_Solid
早速ありがとうございます！
項目反応理論は勉強不足で知りませんでした...。勉強になります！
項目作成まではしないのですが...笑
こういうことを聞くことが出来るのは物凄く助かっています。
また楽しみにしています～！
サンプルコードまで頂き、ありがとうございます。df_sampleのところは、実務では1σの範囲を0、2σの範囲を1とかにする感じでしょうか？他にもやり方（というか考え方）ありますでしょうか？
因子分析自体は、スケールは自由にとることが出来ます。
データに合わせて考えるのがいいと思います。
今回の場合、因子分析に投入しているデータは正規化されているので、1, 2 などの数値を用いています。
参考になる動画ばかりで、脱帽しています。
尊敬します。
質問なのですが、pythonで因子分析を実行後、
回転をさせることはできるのでしょうか？
コードを拝見する限りそのような記載がなく、また調べても分からなかったので、
ご回答いただけたらうれしいです。
鋭い質問ですね！😎✌️
回転も含めてやるのであれば、 python では ETS がだしている factor-analyzer がおすすめです(^o^)
回転についての動画もそのうちだしますので、その時にお話しします😋
素晴らしい！ありがとうございます！
質問させてください。連続型数値とカテゴリ型数値、両方が混じって入っている場合、前処理はどうすればいいでしょうか。
データによりけりでいろんな方法があります！
カテゴリカル因子分析というのがあるので、連続型が少なければ、連続型を離散に変換してしまって使うのも手です。
逆に、離散でも、順序尺度で、刻みが0～10とかあれば、そのまま連続変数として扱ってしまうのもよくあります。
それが難しい場合は、項目反応理論なんかで潜在変数を取り出す方法もあります。
また、目的によっては、そもそも因子分析はせず、分散分析や回帰分析（数量化I類）なんかも使えるかも知れません🎉
@@AIcia_Solid ご回答ありがとうございます。勉強になりました。
ぜひ色々試してみてくださーい！
凄く分かりやすかったです！！
1点質問させてくださいm(_ _)m
因子分析って、計算された因子（今回のfactor_0、factor_1、factor_2）をどう解釈するか（今回の学力、文系、理系）は、やはり人の勘・経験によるのでしょうか？
ご視聴コメントありがとうございます！😍🎉
おっしゃる通り、今のところは、解釈は人間の仕事です😎
@@AIcia_Solid ありがとうございます！！やはりそうなんですね。勉強になりました！！
非常にわかりやすかったです。まさに今、研究の統計で悩んでいました。リッカート尺度(4件法)を得点化して、SPSSで因子分析をすることは可能でしょうか？アンケートの結果から、統計をする前の段階で、共通した部分があるとわかる結果でした。相関関係をみて因子分析があてはまると思うのですが、無知ですみません。
因子分析を行うだけなら、定量データ相手ならだいたいできると思います。
大事なのは可能不可能ではなく、目的と手法があっているかどうかだと思います。
目的が、動画にあるように、データの背景にある（因子）構造を理解することなのであれば、まず試すべき分析手法だと思います！
4件法だと、連続の尺度として扱うことに抵抗があるかもしれませんが、とりあえずやってみる分にはとても良いかと思います。
（精密な分析が必要になったら、目的に合わせて別の分析を試してみるのもありかと思います😋）
ありがとうございます！
統計初学者です。
なんかとっつきにくくて、敬遠してたのですが、適度に数式もあってめっちゃわかりやすかったです！！ありがとうございました！！
ひとつ質問があるのですが、
この動画で例に挙げていたテスト結果やアンケート結果みたいに、「どんな因子があるかよくわからない」ものの分析をするときと、
「ある程度因子の見当がついていて、どれくらい影響度があるのかを知りたい（例えば、土地価格に影響がありそうな人口密度、犯罪率、鉄道の駅からの距離などの影響度がどれくらいか、など）」ときは、解釈は異なってくるのでしょうか？？
この動画のパターンでは、因子の影響度（因子負荷行列）を解釈して背後の”何らかの”共通項を解釈してましたが、
私が質問したい例では、出てくるf(0),f(1)...は人口密度、犯罪率、駅からの距離のどれかということはわかっているわけですよね？この場合のf(0),f(1)はどのように具体的な事象に紐づければよいのでしょうか？？
公開コメントで質問するには、具体的すぎる気もしますが、よろしくお願いいたします！！
ある程度因子の見当がついていて、それが測定できていて、何らかの変数への影響を知りたい場合は、まずか回帰分析などを試すのが一般的だと思いますが、いかがでしょう？
なにか、因子分析を使いたい事情があるのですか？？
分からなくて教えて頂きたいのですが、8:04くらいの行列でf1、f2はf0、f1の理解で正しいのでしょうか？
あ、ほんとだ、版書ミスってますね😮
その通りです！
ご指摘ありがとうございます！
@@AIcia_Solid
返信ありがとうございます。
普通に考えるとそうだと思ったのですがお陰で確実に理解でしました。
少し話は変わりますがプロマックス回転とプロクラステスベッドサイズ回転、バリマックス回転までのソースコードも見せていただけると幸いなのですが、どこかございませんでしょうか？動画を拝見させて頂いき、学習意欲が1000倍くらいに膨れ上がりましたw
それはうれしいです😍🎉🎉🎉
ぜひ楽しんでください！
ソースコードは実はここにあります！
github.com/sugiyama34/AIciaSolidProject/blob/master/049.factor%20analysis%20-%20%E5%9B%A0%E5%AD%90%E5%88%86%E6%9E%90/rotation.ipynb
@@AIcia_Solid いろいろやってみます！助かりました！
pythonのコードで手を動かせるのありがたいです!
超簡単ですが！
ぜひ動かしてみてください😋
これはもうアイシアちゃんがIT担当大臣になるべき！
私が IT 担当大臣になったら、全国民からたくさんデータを吸い上げて美味しく料理していただきます🤤🤤🤤🤤🤤
いつも参考にしています
この動画のコードについて質問があります！
因子を決めるときに n_factors = 3 となっていますが
この因子の数はどうやって決めるべきなんですか？
n_factors = 5 でもいいと思うんですよね。(5にする意味は特にないですが…)
データに対する因子の数ってどう判断するんですか？？
データに対する因子数の判断は、スクリープロットをはじめ、様々な手法があります。
「スクリープロット」で検索し、関連のページを見てみてください。
わたしのチャンネルでもそのうち因子分析のシリーズをやるので
そこでまた扱いますね😍
@@AIcia_Solid
わかりました~
ありがとうございます!
もう、感動しかない。
ありがとうございますm(__)m
こちらそこ！😍
たくさん楽しんでくれて嬉しいです(^^)
いつもお世話になっております。
さて、妙な質問で恐縮なのですが、サンプルデータをどのように作成されているのかと思いまして･･･。
実は今、解析用のサンプルデータ作成で行き詰っております。かなり意図的に仕組んでいるのですが、どうも狙い通りの結果にならないのです。
そこでGitHubのソースなど拝見しているのですが、
因子分析に直接かけているのは、標準化した後のものなのでしょうか？
とすれば、その元になるN=1000の得点データは、どのように作成されているのでしょうか？
（各変数はどれも正規分布していて、散布図もいい具合に散らばっています･･･、これを地道に手入力したとはとても思えず）
お手隙の折、アドバイスを頂けますと幸いです。よろしくお願い致します。
ご視聴コメントありがとうございます！😍😍
今回のデータは、背後に適当な因子構造（構造方程式）を仮定して作成した人工データを利用しました。
教育用のダミーデータであれば、例えば因子分析用のものを作るなら、
因子分析の数式が真のモデルとし、乱数で誤差を乗せて作成すれば良いかなーと思います。
いかがでしょう？？
ちなみに、私のデータでよければ、出典を適当に記したりしていただければ自由に使ってもらって構わないです！✌️
@@AIcia_Solid 早速のご助言、ありがとうございます！
因子分析のモデル式ありきで、誤差として乱数をのせてやる･･･、納得です！
今さっきまで、いまいちプリミティブなやり方で、配点のパターン組みをして乱数でかけて･･･とか試そうとしていました。
本当に助かりました！
因子分析には親しんできたつもりだったのですが、いざ逆転の発想（データの再現）となると呆気なくつまずいてしまい、
こうやって理解を深めていくしかないかな、と思っています。
@@AIcia_Solid 重ねてありがとうございます！ 投稿などもしているので、その際には予めご一報させていただきます。
お陰様で、解決いたしました。
最終的にはExcel VBAでツールを作成し、結果を見ながら数式を微調整していくというアプローチになりました。
どうもありがとうございました！
とてもわかりやすい動画をありがとうございます。
因子分析において、因子が線形に結果に影響を与えるという仮定って結構強いと感じています。
非線形な影響を及ぼす因子（例えば相乗効果があるような因子）では、線形の影響を仮定する因子分析だとうまく抽出できないのではないかな？ と思ったりするのですが、普通の因子分析でもうまく結果が出てくるのでしょうか？
それとも非線形な影響を及ぼす因子の分析には他の方法が用いられたりするのでしょうか？
ご視聴コメントありがとうございます！
鋭い質問ですね！
おっしゃるとおり、因子分析は線形のモデルで、非線形は不得意です。
非線形を加味したいのであれば、一般化線形モデルや混合モデル、その発展の階層ベイズなど、ベイズ系の理論を探るのが一つの身近と思います！
例えばこの動画で、（簡単ですが）非線形な関係を想定した分析をしているので、もしご興味あれば！
th-cam.com/video/DOnSapmaev4/w-d-xo.html
@@AIcia_Solid コメントありがとうございます！
発展的な手法のご紹介も誠にありがとうございます！ 拝見させていただきます。
素晴らしい動画の数々をありがとうございます！
こちらこそ、素敵なコメントありがとうございます！
ぜひ、いろんな分析を味方につけ、データの持つ力を解き放ってください！(^o^)
わかりやすい動画ありがとうございます！1つ質問させてください。なんとなくBはC.Dよりも文系教科に強そうですが、そこの比較は因子得点では見られないのでしょうか。
ご視聴コメントありがとうございます！🎉
素敵な仮説ですね！
じつは、factor_1 を見ればその仮説を確かめることができます。
factor_1 の因子負荷量を見ると、文系科目でプラス、理系科目でマイナスになっています。
なので、factor_1 の値が小さいほど理系科目の得点が高い傾向があるわけですが、
実際、B, C, D さんで比較すると、B さんが一番小さくなっています。
このあたりは、因子の回転をやったほうが明確に見ることができます。このシリーズを見ると、より深く理解できるかもです！
th-cam.com/video/vx9-4xJ-VRo/w-d-xo.html&pp=gAQBiAQB
データの次元の下げ方が主成分分析と似てる気がしますけど、違いがわかりません！
ふふふ、いい質問ですね。
それはすぐ、説明する動画を出します。
チャンネル登録して通知ONにしてお待ちを！😎
因子負荷の推定法は主因子法/最尤法/最小二乗法などあると思うんですけどsklearnでは何でやってるんですかね、、そういうのも気にしたほうがいいんですかね？
さすが！詳しいですね！😍🎉🎉🎉
正直なところ、私はそこにあまり感度がなく、気にして分析したことはありません🙇♀️
（テーマ的にも、そこまで神経質になるべきものはありませんでした）
なので、よくわからないというのが実態です🙇♀️
私の感覚では、分析結果が伴う意思決定の重さに応じて、気にする / しないを決めるのが良いかと思っています！
ベイズ最適化の動画お願いします！獲得関数の作り方よくわかんないです
いずれやりたいと思っています！
のんびりお待ち下さい！🤩
最近、python使ってるのでうれしいですっ！！(^^)
Python 原理主義で突き進みます、乞うご期待！！😎
ハローワールドー！
ハローワールド！😍🎉
Крутое видео!
Спасибо!!
Виртуальный TH-camr - это вся ярость Японии! Надеюсь, что и в России это тоже приживется!
Aicia Solid Project これは私たちにとって新しいものです。 とてもかっこいいですね。 感謝！
わかりやすすぎる…無料でいいんですか…
ご視聴コメントありがとうございます！
どうぞ！
是非ご活用ください！😋
因子分析の説明も分かりやすいですし、実際のデータを用いて説明してくださるので自分でもできそうです‼︎ありがとうございます＾＾
楽しんでいただけたようで何より！ 是非活用してみてください(^^)