Después de hacer PCA, el primer componente describe la mayor parte de la variabilidad. Esto es importante, por ejemplo, en el estudio de mediciones corporales donde se sabe comúnmente (Jolliffe, 2002) que el eje PC1 captura la variación de tamaño. Mi pregunta es si las puntuaciones de PCA después de la rotación varimax conservan las mismas propiedades o son diferentes como se menciona en este tema .
Dado que necesito puntajes de PCA para análisis estadísticos adicionales, me pregunto si se necesita varimax y, de hecho, ¿interrumpe la representación de la variabilidad de la muestra real para que los puntajes individuales en los ejes rotados no sean informativos o conduzcan a una interpretación errónea de la realidad?
¿Alguien podría sugerir otras referencias sobre este tema?
Flujos de trabajo en R:
- PCA (
FactoMineR
oprcomp
) -> Extraer puntajes individuales -> Ingresar puntajes en ellm
- PCA (
FactoMiner
oprcomp
) -> Varimax en la matriz de cargas -> calcular los puntajes individuales -> ingresar puntajes en ellm
- FA (
psych
, método de extracción varimax y pca) -> extraer puntajes individuales -> Ingresar puntajes en ellm
Ahora, sin rotación (1.), los porcentajes de variabilidad explicada son, por ejemplo, 29.32, 5.6, 3.2, en los primeros tres ejes. 2. y 3. las soluciones producen porcentajes similares en los primeros tres factores, es decir, 12.2, 12.1, 8.2. Por supuesto, la solución 1. tiende a empujar todas las cargas variables altas en el primer eje, mientras que 2. y 3. tienden a distribuir las cargas entre los ejes (que es la razón de la rotación). ¿Quería saber si estos tres flujos de trabajo son esenciales, ya que las puntuaciones individuales son diferentes en los ejes rotados y no rotados?