1. 분석 모델 개요

• 방법론
  • 통계 모델: 모형과 해석을 중요하게 생각하며, 오차와 불확정성을 강조함.
  • 기계 학습: 대용량 데이터를 활용하여 예측의 정확도를 높이는 것을 중요하게 생각함.

• 데이터 분석 방법론 개요

2. 주성분 분석(PCA)

• 여러 개의 독립변수들을 잘 설명해 줄 수 있는 주된 성분을 추출하는 방법

→ 차원을 줄임으로써 차원의 저주를 방지할 수 있음.

• 차원의 저주: 변수가 늘어남에 따라 차원이 커지면서 분석을 위한 최소한의 필요 데이터 건수가 늘어나면서 예측이 불안정해지는 문제

자세한 내용은 혼공머신.. 공부 정리한 곳에

3. 공통요인분석(CFA)

• PCA는 모든 독립 변수들의 총 분산을 기반으로 요인을 추출하기 떄문에 전체 변수를 가장 잘 설명해주는 순으로 주성분의 우위가 결정됨. 반면 CFA는 공통분산만을 기반으로 하여 요인을 추출!

  → CFA로 생성한 주성분들은 서로 간에 무엇이 더 중요한 변수라는 우위 개념이 없음.

• 요인 분석을 하기 위해서는 독립 변수들 간의 상관성이 요인분석에 적합한지 검증을 해야 함.

  • 바틀렛 테스트: 행렬식을 이용하여 카이제곱값을 구하여 각 변수들 사이의 상관계수의 적합성을 검증하는 방법. 유의확률 p값으로 나타냄. p < 0.05 → 분석에 적합하다고 판단.
  • KMO 검정: 독립변수들 간의 상관계수 제곱들과 편상관계수들을 모두 더한 값에서 상관계수 제곱의 합이 차지하는 비율 값.

• 적합성을 검증한 후에는 요인분석을 통해 생성되는 주성분 변수들의 고윳값을 확인하여 요인의 개수를 결정. 고유값이 1 이상인 요인만 선택하며, 총 분산의 60% 이상을 설명해 주는 요인까지 선정함.

  

• 스크리 도표: 요인 수에 따른 고유치 변화를 그래프로 나타낸 것.

  그래프의 경사가 낮아지는 지점 → elbow point