数据简化技术简介

森之张卫东

      数据化简技术：主成分分析、对应分析、典型相关分析、多维量表法等 。因素分析主要针对等距尺度变量。
心理学研究中的一些心理特质（如自我、人格、智力等）往往都是一些“潜在变量”，只能通过对一些可观测的“外显变量”的测量间接反应之。用一般的多元统计方法往往使得对数据的分析和描述陷入混乱。不仅如此，变量间的高度相关还会极大地削弱某些统计方法的效果。

其主要目的：
1.通过寻找或确定几个较少的假想“因子”来反映多个观测变量中蕴含的大部分信息，从而浓缩或化简观测数据。
2.浓缩后的因子代表了数据间的基本结构，通过得到的因子估计值使研究者更方便地掌握数据的本质特质以及因子和观测变量之间的关系。

思想基础：
包括启蒙运动（ the Enlightenment ）在内的思潮对绝对论（ absolutism ）的批判：任何实体都可能不是它表现出的模样，而是对其潜在现象的反映；符号主义（ Symbolism ）、表现主义（ Expressionism）。19世纪兴起的对机械唯物主义的批判，提倡宏观论。
发展历程：
最早由Karl Pearson (1901) 引入；
最早由Charles Spearman在创立其智力理论时应用；
Thurstone (1931)发展的“common factor theory”是其重要的理论基础，1940’s-1960’s是其发展的辉煌期。

三种主要应用观点：
特质理论（ Trait theory ）： Spearman, Thurstone, Cattell
    回答：一组观测变量背后潜在的基本特质是什么？
Dust bowl empiricism： Godfrey Thompson, Henry Kaiser
    回避了内容和理论，而关注应用
聚类分析（Cluster analysis）： Holzinger, Tyron, & Bailey
    相信较低水平的观测（如项目）可以被整合成较高水平的具有理论价值的构念。