¿Qué se debe de entender por impresiones? cuando dicen que "el propósito de buscar el número mínimo de dimensiones capaces de explicar el máximo de impresiones", gracias.
Creo que se refiere al número máximo de elementos en la muestra que quedan representados con la elección de los factores o componentes principales. Es decir si tenemos una muestra de tamaño 100 y 10 variables por ejemplo, al realizar el AF o PCA puedes conseguir el 60% de la explicación de la variabilidad con 4 factores o componente principales. Ahora, si le añades 1 factor más, el porcentaje de variabilidad sube muy poco, quizás a un 62%. No merece la pena un factor más para ese resultado. Quizás también puede ocurrir que quieras quitar un factor para trabajar con 3 variables (así poder representarlo gráficamente en un espacio 3d) y el porcentaje explicado sea de 52%... a lo mejor es mejor quedarse con 4 factores. Esto se puede comprender mejor con los gráficos de sedimentación, ya que te indica el valor óptimo de factores que necesitas.
no es claro la puntuación de los factores, esos son los valores promedio de los resultados que están en las encuestas? , tampoco se menciona el factor que no es explicado dentro del modelo, es decir, el error propio de cada variable observable que por componentes principales seria la varianza de los datos. En fin supongo que esto nunca lo verán o responderán los que publicaron esto pero bueno. Podría ser mejor, no esta mal.
ua-cam.com/video/RD-m23Gq6V4/v-deo.html Creo que hay un error en la explicación del valor propio, ya que el nivel de significancia (p-value) no puede ser nunca mayor que 1. Tengo la impresión que al trabajar con matrices el valor propio se refiere al autovalor de la matriz de correlación.
¿Qué se debe de entender por impresiones? cuando dicen que "el propósito de buscar el número mínimo de dimensiones capaces de explicar el máximo de impresiones", gracias.
Creo que se refiere al número máximo de elementos en la muestra que quedan representados con la elección de los factores o componentes principales. Es decir si tenemos una muestra de tamaño 100 y 10 variables por ejemplo, al realizar el AF o PCA puedes conseguir el 60% de la explicación de la variabilidad con 4 factores o componente principales. Ahora, si le añades 1 factor más, el porcentaje de variabilidad sube muy poco, quizás a un 62%. No merece la pena un factor más para ese resultado. Quizás también puede ocurrir que quieras quitar un factor para trabajar con 3 variables (así poder representarlo gráficamente en un espacio 3d) y el porcentaje explicado sea de 52%... a lo mejor es mejor quedarse con 4 factores. Esto se puede comprender mejor con los gráficos de sedimentación, ya que te indica el valor óptimo de factores que necesitas.
buen video grupo, si fuera profesor, nota maxima
Muchas felicidades, muy buen trabajo chicos
Dr. Timaná excelente docente. También fue mi profesor
no es claro la puntuación de los factores, esos son los valores promedio de los resultados que están en las encuestas? , tampoco se menciona el factor que no es explicado dentro del modelo, es decir, el error propio de cada variable observable que por componentes principales seria la varianza de los datos. En fin supongo que esto nunca lo verán o responderán los que publicaron esto pero bueno. Podría ser mejor, no esta mal.
Hola puedes pasarme los datos de la encuesta se se realiza a las famiias de aplicación del método factorial
ua-cam.com/video/RD-m23Gq6V4/v-deo.html Creo que hay un error en la explicación del valor propio, ya que el nivel de significancia (p-value) no puede ser nunca mayor que 1. Tengo la impresión que al trabajar con matrices el valor propio se refiere al autovalor de la matriz de correlación.
Muy bueno, gracias.
Se nota que leen diapositivas, se nota que no manejan bien el tema, supongo que el instituto es de garaje.
Estás bien?