Starpība starp kopu un faktoru analīzi

Klasteru analīze un faktoru analīze ir divas statistikas datu analīzes metodes. Šīs divas analīzes formas tiek plaši izmantotas dabas un uzvedības zinātnēs. Gan klasteru analīze, gan faktoru analīze ļauj lietotājam grupēt datu daļas "kopās" vai "faktoros" atkarībā no analīzes veida. Daži pētnieki, kas jauni klasteru un faktoru analīzes metodēs, var uzskatīt, ka šie divi analīzes veidi kopumā ir līdzīgi. Lai gan klasteru analīze un faktoru analīze šķiet līdzīga uz virsmas, tās daudzējādā ziņā atšķiras, ieskaitot vispārējos mērķus un pielietojumu.

Klasteru analīzei un faktoru analīzei ir atšķirīgi mērķi. Faktoru analīzes parastais mērķis ir izskaidrot korelāciju datu kopā un saistīt mainīgos savukārt kopu analīzes mērķis ir pievērsties neviendabīgumam katrā datu kopā. Būtībā klasteru analīze ir kategorizēšanas forma, savukārt faktoru analīze ir vienkāršošanas forma.

Sarežģītība ir viens jautājums par faktoru analīzi un kopu analīzi: datu lielums katru analīzi ietekmē atšķirīgi. Pieaugot datu kopai, klasteru analīze kļūst skaitļošanas ziņā neatrisināma. Tas ir taisnība, jo datu punktu skaits klasteru analīzē ir tieši saistīts ar iespējamo klastera risinājumu skaitu. Piemēram, divdesmit objektu sadalīšana 4 vienāda lieluma kopās ir vairāk nekā 488 miljoni. Tas padara neiespējamas tiešas skaitļošanas metodes, ieskaitot metožu kategoriju, kurai pieder faktoru analīze.

Lai gan faktoru analīzes, gan klasteru analīzes problēmu risinājumi zināmā mērā ir subjektīvi, faktoru analīze ļauj pētniekam “labākais” risinājums tādā nozīmē, ka pētnieks var optimizēt noteiktu risinājuma aspektu (ortogonalitāte, interpretācijas vieglums un tā ieslēgts). Tas neattiecas uz klasteru analīzi, jo visi algoritmi, kas, iespējams, varētu dot labāko klasteru analīzes risinājumu, ir skaitļošanas ziņā neefektīvi. Tādējādi pētnieki, kas izmanto klasteru analīzi, nevar garantēt optimālu risinājumu.

Faktoru analīze un klasteru analīze atšķiras pēc to piemērošanas reālajiem datiem. Tā kā faktoru analīzei ir iespēja samazināt apgrūtinošo mainīgo kopu līdz daudz mazākam faktoru kopumam, tā ir piemērota sarežģītu modeļu vienkāršošanai. Faktoru analīzei ir arī apstiprinošs pielietojums, kurā pētnieks var izstrādāt hipotēžu kopumu par to, kā datu mainīgie ir saistīti. Pēc tam pētnieks var veikt datu kopas faktoru analīzi, lai apstiprinātu vai noraidītu šīs hipotēzes. Savukārt klasteru analīze ir piemērota objektu klasificēšanai pēc noteiktiem kritērijiem. Piemēram, pētnieks var izmērīt dažus nesen atklātu augu grupas noteiktus aspektus un iedalīt šos augus sugu kategorijās, izmantojot kopu analīzi.