Pairwise Target Rotation for Factor Models
本文提出了一种新的解释性指数以及相应的成对目标旋转方法，该方法有效地结合了先验语义信息，以提高探索性因子分析模型中潜在结构的恢复能力及其意义。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
心理学家和社会科学家经常试图理解人类心灵中那些无形的特质，例如焦虑、智力或人格特质。他们无法直接测量这些事物，因此依赖于填写了许多具体问题的调查问卷。当人们回答这些问题时，这些答案被称为“显变量”。因子分析这一统计工具的目标是寻找连接这些答案的隐藏模式。它将倾向于以相似方式被回答的问题归为一组，假设每一组都揭示了一个单一的潜在特质。然而，一个长期困扰这种方法的大问题在于：数学上允许对同一组问题进行多种不同的分组方式，且所有这些方式在数据拟合度上都同样出色。这创造了一个谜题：计算机可以生成十几张关于同一领土的不同地图，但其中只有一张能让读者理解其逻辑意义。几十年来，研究人员一直在努力决定哪一张才是真实的地图，通常依赖于关于哪种分组在逻辑上感觉最合理的直觉判断。
来自菲律宾大学和德克萨斯大学奥斯汀分校的一个研究小组提出了一种利用问题中词汇实际含义来解决这一谜题的新方法。他们认为，如果两个问题询问的是相似的概念，那么它们理应自然地属于同一个隐藏组。为了测试这一点，他们开发了一种新方法，将问题的含义视为一种引导。该方法不仅仅观察人们是如何回答的，而是观察词语本身。他们使用计算机程序来衡量句子的语义相似度，从而创建一个“意义图谱”。然后，他们将这张图谱与由数据生成的统计图谱进行对比。如果两张图谱一致——即语义相似的问题也最终落入同一个统计组中——研究人员则认为该结果具有高度的可解释性和意义。
研究人员引入了一个新的评分标准来衡量这种一致性。他们称之为“可解释性指数”。这个分数不仅检查数学运算是否成立，还检查结果是否符合现实世界。如果统计组与语义组相契合，得分就高；如果各组发生混杂，得分就低。利用这一分数，他们创建了一种新的旋转方法，这是一种通过重新排列分组来寻找最佳拟合度的数学过程。他们将这一过程命名为“成对目标旋转”，或称作“priorimax”。不同于以往试图将问题强行塞入整齐、孤立的方框中的方法，这种新方法会轻轻推动这些分组，直到它们与研究人员基于措辞所预期的分组情况相匹配。
为了验证这个想法是否奏效，团队进行了数千次计算机模拟。他们创建了具有已知隐藏结构的伪数据，然后尝试使用他们的新方法和几种传统的标准方法来恢复这些结构。模拟结果显示，他们的新方法在寻找真实隐藏结构方面表现更好，尤其是在问题具有复杂关系（即一个问题可能与多个隐藏特质相关）的情况下。当“意义图谱”准确时，该方法的表现尤为出色。当研究人员在意义图谱中加入噪声或误差时，该方法的性能有所下降，这证实了该方法依赖于语义信息的质量。然而，当信息清晰时，新方法始终优于传统方法，能够更频繁且更稳定地找到正确的分组。
随后，研究人员在来自两个知名心理学调查的真实数据上测试了他们的方法。第一个是衡量抑郁、焦虑和压力的测试，包含42个问题；第二个是衡量五大人格特质的测试，包含50个问题。在这两种情况下，他们都应用了新的旋转方法，并将结果与心理学家多年来使用的标准方法进行了对比。新方法在两种情况下都产生了更高的可解释性得分，这表明它们发现的分组与问题的实际含义更为一致。结果显示出明显的正向联系：在统计分析中，语义相似的问题倾向于聚集在一起。这提供了强有力的证据，证明人们在纸面上读到的词语与它们所测量的心理特质之间有着深层的联系。
该研究得出结论，这种方法提供了一种更直观且更灵活的数据分析方式。它允许研究人员将自己对主题的知识直接融入数学运算中，而无需预先猜测具体的数值。虽然该方法在语义信息能够真实反映现实时效果最好，但它为理解复杂数据提供了一个强大的工具。通过架起词汇含义与数字模式之间的桥梁，研究人员确保了数据中发现的隐藏结构不仅仅是数学上的产物，而是对人类经验的有意义的呈现。这项工作表明，在未来，我们设计问题的方式与我们分析问题的方式可以更加紧密地结合，从而为理解人类心灵中那些无形的部分提供更清晰的洞察。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。