Action faExtract SAS Viya : Extraction de Facteurs Latents

Description

L'action factorAnalysis.faExtract est votre détective privé pour débusquer les structures cachées (facteurs) dans vos données. Elle permet d'effectuer une analyse factorielle exploratoireMéthode statistique (proc FACTOR) identifiant les variables latentes (facteurs) non observées expliquant les corrélations entre variables mesurées, pour simplifier la structure des données. en extrayant des facteurs communs à partir d'un ensemble de variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage.. C'est l'outil idéal pour simplifier la complexité d'un grand nombre de variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage. corrélées en les regroupant sous forme de concepts latents. Que vous cherchiez à comprendre la psychologie humaine ou les tendances du marché, cette action fait le gros du travail statistique pour vous.

Syntaxe Officielle

                                factorAnalysis.faExtract / 

  table={name="nom_table", caslib="nom_caslib", where="expression"}

  inputs={"variable1", "variable2"}

  nFactors={nombre_de_facteurs}

  method={name="ALPHA" | "ML" | "PRINCIPAL" | "PRINIT" | "ULS"}

  rotate={type="VARIMAX" | "PROMAX" | ...}

  priors={type="SMC" | "MAX" | ...}

  corrOut={name="nom_table_sortie"}

  fuzz=0.3

Paramètres Clés

Nom du paramètre	Description
table	Définit la table d'entrée (CASTable) à analyser. On peut y ajouter un filtre 'where'.
nFactors	Paramètre obligatoire ! Définit le nombre de facteurs à extraire pour chaque groupe. Si vous ne savez pas combien, demandez à un ami... ou utilisez l'action faNFactors d'abord.
inputs	La liste des variables numériques sur lesquelles l'analyse doit porter.
method	L'algorithme d'extraction : PRINCIPAL (composantes principales), ML (maximum de vraisemblance), ALPHA (analyse alpha), etc. Par défaut, c'est PRINCIPAL.
priors	Spécifie les estimations de communalité à priori (SMC, MAX, ONE...). Essentiel pour différencier l'ACP de l'analyse factorielle.
rotate	La méthode de rotation pour rendre les facteurs plus 'lisibles' (VARIMAX pour l'orthogonal, PROMAX pour l'oblique).
corrOut	Crée une table de sortie contenant la matrice de corrélation et les statistiques sommaires.
fuzz	Un seuil de pudeur : les valeurs de chargement inférieures à ce seuil seront affichées comme manquantes pour ne pas encombrer les résultats.
reorder	Si 'true', réorganise les variables pour que celles qui chargent sur le même facteur soient côte à côte. Très pratique pour la lecture !
attributes	Permet de modifier les labels ou formats des variables pendant l'exécution.

Préparation des données

Création de données simulées pour analyse factorielle

Génération d'une table avec 5 variables corrélées formant potentiellement deux facteurs.

1	PROC CAS;
2	datastep.runCode / code="
3	data casuser.test_fa;
4	do i = 1 to 1000;
5	F1 = rannor(123);
6	F2 = rannor(456);
7	v1 = F1 + 0.2*rannor(0);
8	v2 = F1 + 0.1*rannor(0);
9	v3 = F1 + 0.3*rannor(0);
10	v4 = F2 + 0.1*rannor(0);
11	v5 = F2 + 0.2*rannor(0);
12	output;
13	end;
14	run; ";
15	RUN;

Exemples d'utilisation

Extraction de base par composantes principales

Extraction de 2 facteurs sur nos variables v1 à v5 sans fioritures.

1	PROC CAS;
2	factorAnalysis.faExtract /
3	TABLE={name="test_fa"},
4	inputs={"v1", "v2", "v3", "v4", "v5"},
5	nFactors={2};
6	RUN;

Résultat Attendu :

                                                    Affichage des valeurs propres et de la matrice des composantes non rotatées.                                                

Analyse Factorielle Complète avec Rotation et Seuil

Extraction par Maximum de Vraisemblance (ML), rotation VARIMAX pour plus de clarté, et masquage des petits coefficients (fuzz).

1	PROC CAS;
2	factorAnalysis.faExtract /
3	TABLE={name="test_fa"},
4	inputs={"v1", "v2", "v3", "v4", "v5"},
5	nFactors={2},
6	method={name="ML"},
7	rotate={type="VARIMAX"},
8	priors={type="SMC"},
9	fuzz=0.4,
10	reorder=true,
11	outputTables={names={PreFactorLoading="pattern_non_rotate", RotFactorLoading="pattern_final"}};
12	RUN;

Résultat Attendu :

                                                    Rapport détaillé incluant les tests de validité du modèle ML, la structure des facteurs rotatés (plus facile à interpréter grâce au fuzz et au reorder), et sauvegarde des résultats dans des tables CAS.                                                

faExtract

Description

Paramètres Clés

Préparation des données

Création de données simulées pour analyse factorielle

Exemples d'utilisation

Extraction de base par composantes principales

Résultat Attendu :

Analyse Factorielle Complète avec Rotation et Seuil

Résultat Attendu :

Sommaire

FAQ