中人网

标题: 分类变量如何进行因子分析与相关分析 [打印本页]
作者: zhongmin5788    时间: 2012-7-17 20:33
标题: 分类变量如何进行因子分析与相关分析
Kenny，3 u$ g0 D7 y/ j* f- X' p$ L
      你好，我目前在做一个研究，其中自变量（X）和因变量(Y)是连续型变量，而2个调节变量中有一个是连续型变量（M1），另一个是分类型变量(M2)。其中M2是采用李克特量表进行测量，在原构思中有3个维度，但是研究主要是将其变成虚拟变量（M'2）,即将大于某一临界值的设定为1，低于临界值的设定为0，按照你的说法是属于“假”的分类变量。
: k+ q9 X) L; ^$ w3 P8 i      而目前的主要问题是：0 Y: j- T# _$ ^2 l0 X
（1）对于M2的因子分析仍是如同连续型变量一样，还是采用不同的方法？
/ w( m0 c3 F1 ?（2）在进行相关分析中，自变量、因变量、2个调节变量间究竟该采用什么方法进行相关分析？我也看过相关书籍，有的说可以采用Pearson，还有的书籍说可以用Spearman。但是理由都较为模糊。/ [' u3 O5 s$ |; Z4 H& p+ D1 ]
（3）如果要进行如性别等人口统计变量对M2（事实上究竟应该用M2，还是M'2，我都感觉有点糊涂了）影响，是直接做回归还是做T检验？
. M6 ?6 P4 A& i" d( U（4）在圈里，你认可将调节变量一同放入回归模型来检验调节效应，那么不同类型的调节变量（如我的，一个是连续型变量，一个是分类型变量）也应该一同放入回归模型来检验调节效应吗？
- }, t$ W! b6 D3 ]; U) x, D2 N5 a: g3 h0 \) W& r. y  r7 Q5 S
thanks
作者: Kenneth    时间: 2012-7-18 15:49
zhongmin5788,& J% t- L6 _5 V9 s
（1）因子分析只可以对你原来的连续变量来做。你人工的改变了它，再做因子分析就没有意思了。$ E7 _% v' s. [2 A8 u+ V
（2） 承上面的答案，没有用其他相关的问题。只要用Pearson，但是是用在原来的变量，不是改变了的变量。
6 C  ]3 Y" t8 u+ M（3） 人口统计变量本来就是 categorical 的 （比如性别），把他们看成是连续就可以了。; g/ K* J- Y" @
（4） 如果变量本来是categorical的，就把它们看成是连续的，与其他的调节变量一同分析。如果它们本来是连续的，你硬要把它们变成 categorical，那对我来说，用什么方法都不对的。
作者: chaoswang    时间: 2012-7-19 16:12
Kenneth 发表于 2012-7-18 15:49
: P% K$ [; V' Y( Szhongmin5788,
8 I  H$ k6 v% H0 e8 T- g+ y$ ~（1）因子分析只可以对你原来的连续变量来做。你人工的改变了它，再做因子分析就没有意思了 ...

5 e$ V- u8 s$ s0 T7 I% Z$ }kenny，您好，请问您说的“（3） 人口统计变量本来就是 categorical 的 （比如性别），把他们看成是连续就可以了。”是什么意思啊？我不是很理解，是因为性别本身只有男和女，所以可以处理成连续变量么，还是指lz的模型中的M2本身就是用李克特量表测量，所以可以当做连续变量处理呢？
作者: chaoswang    时间: 2012-7-19 16:47
我试着回答一下pearson相关系数和spearman相关系数的区别：7 `9 y0 T% T/ j: d: ?
1.连续变量，数据符合正态分布，变量间是线性关系，三者都符合的时候用pearson相关系数最合适，当然也可以用spearman相关系数（似乎pearson相关更好，我也不确定）；二者的计算公式基本相同，只是spearman是用数据的ranking来计算相关系数。. X# ~5 i+ s! T3 x  n. M8 J
2.以上三个条件有任意一个不满足那么就需要用spearman相关系数。- p, _- c/ p. K5 |+ G5 C
不知道说得对不对，请指教。
作者: Kenneth    时间: 2012-7-20 20:10
（3） 人口统计变量本来就是 categorical 的 （比如性别），把他们看成是连续就可以了。、8 _# }" n: U- Q* X
性别本来是男女的，你把这个变量男的叫1，女的叫2。就把这个SEX变量当成一个普通的连续变量，我不觉得有什么问题。自然，这个变量到最后还是一个啞变量（或叫虚拟变量），它除了1和2以外，就没有其他数值了。 0 m# O! S. t1 g" k) u- q
5 D8 u% ~2 }0 \$ A9 V5 j& m
但是你叫 30岁以下做1； 30岁到40岁做2； 40到50岁叫3； 大于50岁叫4 的话，年龄本来不是categorical，你硬把它变成ordinal，还在特定的地方冠以1，2，3，4，那就是很大的问题了。因为这样计算出来的相关，可以随着你选择的cutoff point而改变。简单来说，就是你喜欢是什么就什么。8 o7 _8 g$ A2 d: ^
作者: chaoswang    时间: 2012-7-21 17:03
Kenneth 发表于 2012-7-20 20:10 : s, `, t/ N) U" y7 {# S
（3） 人口统计变量本来就是 categorical 的 （比如性别），把他们看成是连续就可以了。、0 C7 v3 W# H7 V/ J& @
性别本来是男女 ...

% |+ S8 Z7 q4 G4 ]$ @; Y4 T0 m谢谢您的回答，我同意您说的内容，但我似乎还是不能理解您这句话的意思，“如果变量本来是categorical的，就把它们看成是连续的，与其他的调节变量一同分析。”，类别变量除了构造哑变量之外难道也有方法直接看成连续变量么？还是您仅仅指的是类别变量可以和连续变量同时处理？（可能我有点钻牛角尖了，还请见谅。）
作者: Kenneth    时间: 2012-7-22 02:23
chaoswang 发表于 2012-7-21 17:03
; ^$ G% ?$ S5 q6 D2 N6 \谢谢您的回答，我同意您说的内容，但我似乎还是不能理解您这句话的意思，“如果变量本来是categorical的， ...
1 f5 O/ _" T; t7 @) r# d
我猜我们讲的一样的东西。只是你不喜欢我的用语而已。
- l. u. Z, k4 u
/ F. N% H8 X0 t8 n9 g- V性别 sex 是0（男）或者是女（1）的啞变量， 工作满足  x  是连续的。当你计算性别月工作满足的相关时，你是如何的做的？不就是把 Sex 这个 dummy 直接与 X 相关，就是把 sex 看成是一个普通的连续变量吗？
作者: chaoswang    时间: 2012-7-23 17:44
Kenneth 发表于 2012-7-22 02:23
5 C" q; S& M- z我猜我们讲的一样的东西。只是你不喜欢我的用语而已。
" y4 `+ S% W$ W; _* |! h  }% v6 E. t# o& r9 _6 T8 ?
性别 sex 是0（男）或者是女（1）的啞变量， 工作 ...

3 A" u* |$ B8 m! @我明白了，我一直误以为您这句话是可以针对一般的类型变量来说的，原来只针对性别，那就没有什么问题了。, ^9 _9 K1 B. _9 Q
学得不扎实导致总是怀疑有自己没有学过的东西，所以想追根究底，让您见笑了。



欢迎光临 中人网 (http://bbs.chinahrd.net/) Powered by Discuz! X2.5