因子分析(factor analysis)とは、観測変数の相関を少数の共通因子で説明する方法で、確率変数のベクトルを $\boldsymbol X=\mu+\Lambda\boldsymbol F+\boldsymbol\varepsilon$(因子は無相関で分散 $1$、独自因子は無相関)と表し、共分散行列を $\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$($\Psi$ は対角)に分ける。因子負荷行列 $\Lambda$ は直交行列 $R$ を掛けた $\Lambda R$ との違いを除いてしか決まらないが、どの行を除いても残りから正則な $q$ 行の組を互いに素に 2 つ選べるなら、$\Psi$ と $\Lambda\Lambda^{\mathsf T}$ は $\Sigma$ から一意に決まる。主成分分析とは独自分散を分ける点で異なる。
国語・英語・数学・理科の 4 つの試験の点数は、どの 2 つをとっても正の相関をもつことが多い。「4 つの点数は、共通の 1 つの見えない量(学力の因子)と、試験ごとの固有のばらつきの和である」と考えると、相関行列の 6 つの成分を 4 つの係数で説明できる。このように、多くの観測変数の相関を少数の見えない 共通因子 で説明するのが 因子分析 である。
因子分析では、共分散行列が「低い階数の行列」と「対角行列」の和 $\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$ に分かれると仮定する。この記事では、この分解が因子の回転を除いて一意に決まるための十分条件(主定理)と、回転の不定性が避けられないことを証明する。1 因子の場合の 3 つ組の公式、因子得点、主成分分析 との違いを例題で計算し、負の独自分散(Heywood の場合)などの反例を示す。
$\boldsymbol X=(X_1,\dots,X_p)^{\mathsf T}$ を各成分の分散が有限な確率変数のベクトル、$\mu=E[\boldsymbol X]$、$\Sigma=\operatorname{Cov}(\boldsymbol X)$ とする。$q< p$ とし、$I_q$ を $q$ 次の単位行列と書く。
$p\times q$ の実行列 $\Lambda=(\lambda_{ik})$ と、$q$ 次元の確率変数のベクトル $\boldsymbol F$、$p$ 次元の確率変数のベクトル $\boldsymbol\varepsilon$ によって
$$
\boldsymbol X=\mu+\Lambda\boldsymbol F+\boldsymbol\varepsilon
$$
と書け、次の (i)–(iii) が成り立つとき、$\boldsymbol X$ は $q$ 因子の 因子分析モデル(直交因子モデル)に従うという。
正規因子分析モデルでは、無相関の成分は独立である(多変量正規分布 の定理「無相関なら独立」)。データから因子分析を行うときは、標本共分散行列 $S$(または標本相関行列)を $\Lambda\Lambda^{\mathsf T}+\Psi$ の形で近似する $\Lambda,\Psi$ を求める。
因子分析を使ってよい条件と、主定理の仮定は次のとおりである。
| 量 | 公式 | 条件 | 根拠 |
|---|---|---|---|
| 共分散の構造 | $\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$、$\operatorname{Cov}(\boldsymbol X,\boldsymbol F)=\Lambda$ | (i)–(iii) | prop-fa-cov |
| 分散の分解 | $\sigma_{ii}=h_i^2+\psi_i$、$i\ne j$ なら $\sigma_{ij}=\sum_k\lambda_{ik}\lambda_{jk}$ | (i)–(iii) | prop-fa-cov |
| 回転 | $(\Lambda,\boldsymbol F)\mapsto(\Lambda R,R^{\mathsf T}\boldsymbol F)$ でモデルは不変 | $R$ は $q$ 次の直交行列 | prop-fa-rotation |
| 1 因子の 3 つ組 | $\lambda_i^2=\dfrac{\sigma_{ij}\sigma_{ik}}{\sigma_{jk}}$ | $q=1$、$i,j,k$ は相異なり $\lambda_j\lambda_k\ne0$ | cor-fa-one-factor |
| 1 因子の 4 つ組 | $\sigma_{12}\sigma_{34}=\sigma_{13}\sigma_{24}=\sigma_{14}\sigma_{23}$ | $q=1$ | どれも $\lambda_1\lambda_2\lambda_3\lambda_4$ |
| 単位の変換 | $\boldsymbol X'=D\boldsymbol X$ なら $\Lambda'=D\Lambda$、$\Psi'=D\Psi D$ | $D$ は正の対角行列 | $\boldsymbol X'=D\mu+(D\Lambda)\boldsymbol F+D\boldsymbol\varepsilon$ |
| 因子得点(回帰法) | $\hat{\boldsymbol F}=(I_q+\Lambda^{\mathsf T}\Psi^{-1}\Lambda)^{-1}\Lambda^{\mathsf T}\Psi^{-1}(\boldsymbol X-\mu)$ | $\psi_i>0$ | prop-fa-score |
| 自由度 | $d=\dfrac{(p-q)^2-(p+q)}2$ | — | 下の注意 |
| 最尤法の不一致度 | $\log\det\Sigma+\operatorname{tr}(S\Sigma^{-1})-\log\det S-p\ \ (\ge0)$ | 正規、$S$ は正定値 | 下の畳んだ計算 |
自由度:$\Sigma$ の独立な成分は $p(p+1)/2$ 個、母数は $\Lambda$ の $pq$ 個と $\Psi$ の $p$ 個だが、回転($q$ 次の直交行列の全体は $q(q-1)/2$ 次元)の分だけ重複するので、差は $\frac{p(p+1)}2-pq-p+\frac{q(q-1)}2=\frac{(p-q)^2-(p+q)}2$。これは方程式と未知数の数の比較であり、$d\ge0$ は識別の証明ではない。不一致度:正規分布の $n$ 個のデータの対数尤度を $\mu$ について最大にすると $-\frac n2(\log\det\Sigma+\operatorname{tr}(S\Sigma^{-1}))$ に定数を足したものになる($S$ は $n$ で割った標本共分散行列)。$A=\Sigma^{-1/2}S\Sigma^{-1/2}$ の固有値を $a_1,\dots,a_p>0$ とすると不一致度は $\sum_i(a_i-\log a_i-1)$ で、$a-\log a-1\ge0$(等号は $a=1$)から $0$ 以上、$0$ になるのは $\Sigma=S$ のときに限る。$\square$
$\boldsymbol X$ が def-fa-model のモデルに従うなら、$\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$ かつ $\operatorname{Cov}(\boldsymbol X,\boldsymbol F)=E[(\boldsymbol X-\mu)\boldsymbol F^{\mathsf T}]=\Lambda$ である。
$\boldsymbol X-\mu=\Lambda\boldsymbol F+\boldsymbol\varepsilon$ だから、(i)–(iii) により $E[(\boldsymbol X-\mu)(\boldsymbol X-\mu)^{\mathsf T}]=\Lambda E[\boldsymbol F\boldsymbol F^{\mathsf T}]\Lambda^{\mathsf T}+\Lambda E[\boldsymbol F\boldsymbol\varepsilon^{\mathsf T}]+E[\boldsymbol\varepsilon\boldsymbol F^{\mathsf T}]\Lambda^{\mathsf T}+E[\boldsymbol\varepsilon\boldsymbol\varepsilon^{\mathsf T}]=\Lambda\Lambda^{\mathsf T}+\Psi$。同様に $E[(\boldsymbol X-\mu)\boldsymbol F^{\mathsf T}]=\Lambda E[\boldsymbol F\boldsymbol F^{\mathsf T}]+E[\boldsymbol\varepsilon\boldsymbol F^{\mathsf T}]=\Lambda$。$\square$
したがって、どんなデータからも $\Lambda$ は回転の違いを除いてしか決まらない。決められるのは $\Lambda\Lambda^{\mathsf T}$ と $\Psi$ である。次の主定理は、それらが $\Sigma$ から一意に決まる十分条件を与える。$\Lambda$ の第 $i$ 行を $\Lambda_i$($1\times q$)、行の番号の集合 $J$ について $J$ の行を並べた行列を $\Lambda_J$、$\Sigma$ の行 $I$・列 $J$ の小行列を $\Sigma_{IJ}$ と書く。
$\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$($\Lambda$ は $p\times q$、$\Psi$ は対角)とし、次の 行を消す条件 を仮定する:各 $i=1,\dots,p$ について、$i$ を含まない互いに素な $J_1,J_2\subset\{1,\dots,p\}$($\lvert J_1\rvert=\lvert J_2\rvert=q$)で、$\Lambda_{J_1}$ と $\Lambda_{J_2}$ がともに正則なものがある。
このとき、$\Sigma=MM^{\mathsf T}+\Psi'$($M$ は $p\times q$、$\Psi'$ は対角)と書ける任意の組について、$\Psi'=\Psi$ であり、$M=\Lambda R$ となる直交行列 $R$ がある。さらに $\Lambda\Lambda^{\mathsf T}$ の対角成分は
$$
(\Lambda\Lambda^{\mathsf T})_{ii}=\Sigma_{\{i\}J_1}\,\Sigma_{J_2J_1}^{-1}\,\Sigma_{J_2\{i\}}
$$
で与えられる。
段 1(非対角成分):$\Psi,\Psi'$ は対角なので、$i\ne j$ なら $\sigma_{ij}=(\Lambda\Lambda^{\mathsf T})_{ij}=(MM^{\mathsf T})_{ij}$ である。
段 2(対角成分):$i$ を固定し、仮定の $J_1,J_2$ をとる。$J_1\cap J_2=\emptyset$ なので $\Sigma_{J_2J_1}$ は非対角成分だけからなり、段 1 から
$$
\Sigma_{J_2J_1}=\Lambda_{J_2}\Lambda_{J_1}^{\mathsf T}=M_{J_2}M_{J_1}^{\mathsf T}
$$
である。左辺は正則行列 2 つの積なので正則で、$q$ 次の正方行列の積 $M_{J_2}M_{J_1}^{\mathsf T}$ が正則だから $M_{J_1},M_{J_2}$ も正則である。$i\notin J_1\cup J_2$ なので、同じく $\Sigma_{\{i\}J_1}=\Lambda_i\Lambda_{J_1}^{\mathsf T}=M_iM_{J_1}^{\mathsf T}$、$\Sigma_{J_2\{i\}}=\Lambda_{J_2}\Lambda_i^{\mathsf T}=M_{J_2}M_i^{\mathsf T}$ である。よって
$$
\Sigma_{\{i\}J_1}\Sigma_{J_2J_1}^{-1}\Sigma_{J_2\{i\}}
=\Lambda_i\Lambda_{J_1}^{\mathsf T}(\Lambda_{J_1}^{\mathsf T})^{-1}\Lambda_{J_2}^{-1}\Lambda_{J_2}\Lambda_i^{\mathsf T}
=\Lambda_i\Lambda_i^{\mathsf T}=(\Lambda\Lambda^{\mathsf T})_{ii}
$$
で、同じ計算を $M$ で行うと($M_{J_1},M_{J_2}$ は正則)左辺は $(MM^{\mathsf T})_{ii}$ にも等しい。これで対角の公式と $(\Lambda\Lambda^{\mathsf T})_{ii}=(MM^{\mathsf T})_{ii}$ が示された。
段 3(まとめ):段 1・2 から $\Lambda\Lambda^{\mathsf T}=MM^{\mathsf T}$ で、$\Psi'=\Sigma-MM^{\mathsf T}=\Sigma-\Lambda\Lambda^{\mathsf T}=\Psi$。$\Lambda_{J_1}$ は正則なので $\Lambda$ の階数は $q$、段 2 から $M$ の階数も $q$ である。prop-fa-rotation の (2) により $M=\Lambda R$ となる直交行列 $R$ がある。$\square$
行を消す条件では、$i$ 以外の行から $q$ 行ずつ 2 組とるので $p-1\ge2q$、すなわち $p\ge2q+1$ が必要である。各変数が 1 つの因子だけに負荷をもつ 単純構造 の $\Lambda$ では、どの因子にも 0 でない負荷をもつ変数が 3 つ以上あれば条件が成り立つ。
$q=1$ で、$\Lambda=(\lambda_1,\dots,\lambda_p)^{\mathsf T}$ のうち 0 でないものが 3 つ以上あるとする。このとき $\Psi$ と $\lambda_i$(全体の符号を除く)は $\Sigma$ から一意に決まり、相異なる $i,j,k$ で $\lambda_j\lambda_k\ne0$ なら $\lambda_i^2=\sigma_{ij}\sigma_{ik}/\sigma_{jk}$ である。
$q=1$ では $\Lambda_J$ は $1\times1$ で、正則とは $\lambda_j\ne0$ のことである。0 でない負荷が 3 つ以上あれば、どの $i$ を除いても 0 でない負荷が 2 つ以上残るので、行を消す条件が成り立つ。thm-fa-identify で $J_1=\{j\}$、$J_2=\{k\}$ とすれば対角の公式は $\lambda_i^2=\sigma_{ij}\sigma_{kj}^{-1}\sigma_{ki}$ で、1 次の直交行列は $\pm1$ である。$\square$
$\Psi$ が正則(すべての $\psi_i>0$)とする。$q\times p$ 行列 $B$ のうちで $E\|\boldsymbol F-B(\boldsymbol X-\mu)\|^2$ を最小にするものはただ 1 つで
$$
B^*=\Lambda^{\mathsf T}\Sigma^{-1}=(I_q+\Lambda^{\mathsf T}\Psi^{-1}\Lambda)^{-1}\Lambda^{\mathsf T}\Psi^{-1}
$$
である。正規因子分析モデルでは $E[\boldsymbol F\mid\boldsymbol X]=B^*(\boldsymbol X-\mu)$ である。
$\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$ は正定値で正則である。$\boldsymbol Y=\boldsymbol X-\mu$ とすると prop-fa-cov から $E[\boldsymbol F\boldsymbol Y^{\mathsf T}]=\Lambda^{\mathsf T}$ で、$C:=\Lambda^{\mathsf T}\Sigma^{-1}$ とおくと $E\|\boldsymbol F-B\boldsymbol Y\|^2=\operatorname{tr}(I_q-B\Lambda-\Lambda^{\mathsf T}B^{\mathsf T}+B\Sigma B^{\mathsf T})=\operatorname{tr}\bigl((B-C)\Sigma(B-C)^{\mathsf T}\bigr)+\operatorname{tr}(I_q-C\Lambda)$。第 1 項は $0$ 以上で、$\Sigma$ が正定値なので $0$ になるのは $B=C$ のときに限る。また $(I_q+\Lambda^{\mathsf T}\Psi^{-1}\Lambda)\Lambda^{\mathsf T}=\Lambda^{\mathsf T}\Psi^{-1}(\Psi+\Lambda\Lambda^{\mathsf T})=\Lambda^{\mathsf T}\Psi^{-1}\Sigma$ の両辺に左から $(I_q+\Lambda^{\mathsf T}\Psi^{-1}\Lambda)^{-1}$、右から $\Sigma^{-1}$ を掛けると 2 つ目の等号を得る($I_q+\Lambda^{\mathsf T}\Psi^{-1}\Lambda$ は正定値で正則)。正規の場合は $(\boldsymbol F,\boldsymbol X)$ が同時に正規分布に従うので、多変量正規分布 の定理「条件付き分布」により $E[\boldsymbol F\mid\boldsymbol X]=\Lambda^{\mathsf T}\Sigma^{-1}(\boldsymbol X-\mu)$。$\square$
2 つ目の表し方では、逆行列をとるのが $p$ 次でなく $q$ 次の行列で済む。
4 つの試験の点数の相関行列が、非対角成分 $r_{12}=0.72$、$r_{13}=0.63$、$r_{14}=0.54$、$r_{23}=0.56$、$r_{24}=0.48$、$r_{34}=0.42$ である。1 因子モデルの因子負荷量(正にとる)と独自分散、回帰法の因子得点の重みを求める。使う公式:cor-fa-one-factor、prop-fa-score。
答え:$\lambda=(0.9,0.8,0.7,0.6)$、$\psi=(0.19,0.36,0.51,0.64)$。4 つ組の条件 $r_{12}r_{34}=r_{13}r_{24}=r_{14}r_{23}=0.3024$ も成り立つ。因子得点は $\hat F\approx0.55310z_1+0.25948z_2+0.16027z_3+0.10947z_4$($z_i$ は標準化した点数)で、$z=(1,0.5,0,-0.5)$ なら $\hat F\approx0.62810$。
$\lambda_1^2=r_{12}r_{13}/r_{23}=0.72\cdot0.63/0.56=0.81$、$\lambda_2^2=r_{12}r_{23}/r_{13}=0.64$、$\lambda_3^2=r_{13}r_{23}/r_{12}=0.49$、$\lambda_4^2=r_{14}r_{24}/r_{12}=0.36$。標準化しているので $\psi_i=1-\lambda_i^2$。$s:=\Lambda^{\mathsf T}\Psi^{-1}\Lambda=\sum_i\lambda_i^2/\psi_i=\frac{0.81}{0.19}+\frac{0.64}{0.36}+\frac{0.49}{0.51}+\frac{0.36}{0.64}\approx7.56422$ で、重みは $\frac{\lambda_i/\psi_i}{1+s}$。相関行列 $P$ について $\Lambda^{\mathsf T}P^{-1}$ を直接計算した値と一致する。得点の分散は $\Lambda^{\mathsf T}P^{-1}\Lambda=s/(1+s)\approx0.88324$ で、$1$ より小さい(因子を完全には復元できない)。
6 つの変数の因子負荷行列を、行ごとに $(0.8,0)$、$(0.7,0)$、$(0.6,0)$、$(0,0.7)$、$(0,0.6)$、$(0,0.5)$ とする(独自分散は $\psi_i=1-h_i^2$)。$30^\circ$ の回転 $R=\begin{pmatrix}\cos30^\circ&-\sin30^\circ\\ \sin30^\circ&\cos30^\circ\end{pmatrix}$ を施した $\Lambda R$ と、varimax 基準の値を比べる。使う公式:prop-fa-rotation、thm-fa-identify。
答え:$\Lambda R$ の行は $(0.69282,-0.4)$、$(0.60622,-0.35)$、$(0.51962,-0.3)$、$(0.35,0.60622)$、$(0.3,0.51962)$、$(0.25,0.43301)$ で、$\Lambda R(\Lambda R)^{\mathsf T}=\Lambda\Lambda^{\mathsf T}$、共通性 $(0.64,0.49,0.36,0.49,0.36,0.25)$ も変わらない。データからは区別できないが、varimax 基準は $\Lambda$ で $V\approx0.10664$、$\Lambda R$ で $V\approx0.03250$ で、各変数が一方の因子だけに負荷をもつ $\Lambda$ の方が大きい。
どの行を消しても、第 1 因子の行と第 2 因子の行が少なくとも 2 つずつ残るので、「第 1 因子の行 1 つと第 2 因子の行 1 つ」の正則な組を互いに素に 2 つ作れる。よって行を消す条件が成り立ち、$\Psi$ と $\Lambda\Lambda^{\mathsf T}$ は一意である。例えば $i=1$、$J_1=\{2,4\}$、$J_2=\{3,5\}$ で $\Sigma_{\{1\}J_1}\Sigma_{J_2J_1}^{-1}\Sigma_{J_2\{1\}}=0.64=h_1^2$。$V$ は各列の $\lambda^{*2}_{ik}$ の平均と 2 乗の平均から計算する。
図: 左は例題 ex-fa-rotation の 6 つの変数の因子負荷量を平面上の点で描いたもので、点は 2 本の座標軸の上に並ぶ。右は同じ点を 30 度回転した座標で描いたもので、点が軸から離れ、どちらの因子にも負荷をもつように見える。
$X_1,X_2,X_3$ が共通の因子 $F$ と分散 $1$ の独自因子の和 $X_i=F+\varepsilon_i$ で、$X_4$ はこれらと無相関で分散 $10$ とする。共分散行列 $\Sigma$ の第 1 主成分と、1 因子モデルの解を比べる。使う公式:cor-fa-one-factor、主成分分析 の定理「分散を最大にする方向」。
答え:$\Sigma$ の固有値は $10,4,1,1$ で、第 1 主成分の方向は $(0,0,0,1)$、つまり $X_4$ だけである。1 因子モデルでは $\lambda=(1,1,1,0)$、$\psi=(1,1,1,10)$ で、共通因子は $X_1,X_2,X_3$ の相関を表す。相関行列で主成分分析をすると固有値は $2,1,0.5,0.5$、第 1 主成分は $(1,1,1,0)/\sqrt3$ となり、結果は尺度で変わる。
$\Sigma$ は左上 $3\times3$ が $I_3+\mathbf 1\mathbf 1^{\mathsf T}$(固有値 $4,1,1$)、右下が $10$ のブロック対角。$X_1,X_2,X_3$ の負荷は 3 つ組の公式で $\lambda_i^2=1\cdot1/1=1$。0 でない負荷が 3 つあるので cor-fa-one-factor の仮定が成り立ち、$X_4$ の負荷は $\lambda_4^2=\sigma_{41}\sigma_{42}/\sigma_{12}=0$、独自分散は $\psi_4=10$ と一意に決まる。主成分分析は分散の大きさに引かれ、因子分析は変数の間の共分散だけを共通因子で説明する。
各行は主定理の仮定か、モデルが意味をもつための条件を 1 つだけ外す。
| 外す条件 | 反例 | 成り立たなくなること |
|---|---|---|
| 行を消す条件 | $p=4$、$q=2$、$\Lambda$ の行が $(0.8,0),(0.7,0),(0,0.6),(0,0.5)$、$\Psi=I_4-\operatorname{diag}(\Lambda\Lambda^{\mathsf T})$ | $t\in(0.56,1)$ について第 1 列を $(t,0.56/t,0,0)$ に替えても同じ $\Sigma$ を与え、$\Psi$ が一意でない($t=0.8$ で $\psi_1=0.36$、$t=0.9$ で $\psi_1=0.19$) |
| 行を消す条件($q=1$ で負荷が 2 つ) | $p=2$、$r_{12}=0.48$ | $\lambda_1\lambda_2=0.48$ を満たす $(0.6,0.8)$ と $(0.8,0.6)$ がともに解で、独自分散も $(0.64,0.36)$ と $(0.36,0.64)$ に分かれる |
| (a) $\Psi$ が対角 | 任意の $\Sigma$ で $\Lambda=0$、$\Psi=\Sigma$ | 分解が何でも許され、$\Lambda$ は何も決まらない |
| (b) $\psi_i\ge0$ | ex-fa-heywood の相関行列 | 1 因子の分解はただ 1 つで $\psi_1=-0.28< 0$ を要する。(b) を外せば当てはまるが分散として意味をもたず、(b) を課すと 1 因子の分解は存在しない |
相関行列の非対角成分を $r_{12}=r_{13}=0.8$、$r_{23}=0.5$ とする。行列は正定値(固有値 $\approx2.40866,0.5,0.09134$)だが、1 因子の分解 $P=\lambda\lambda^{\mathsf T}+\Psi$($P$ は相関行列)は $\lambda_1^2=0.8\cdot0.8/0.5=1.28$、$\lambda_2^2=\lambda_3^2=0.5$ を要し、$\psi_1=1-1.28=-0.28$ となる。負荷はすべて 0 でないので cor-fa-one-factor によりこれが唯一の分解で、$\psi_i\ge0$ を満たす 1 因子の分解は存在しない。$\psi_i\ge0$ のもとで最尤法の不一致度を最小にすると、数値計算では $\psi_1=0$ に張り付き、$\lambda=(1,0.8,0.8)$、$\psi_2=\psi_3=0.36$ となって $r_{23}$ は $0.64$ と当てはめられる。
| 誤り | 正しくは | なぜ |
|---|---|---|
| 因子分析と主成分分析を同じものとみなす | 因子分析は独自分散を分けてから共通部分を説明する | ex-fa-pca で第 1 主成分と共通因子が別物になる |
| 得られた $\Lambda$ を一意の答えとして解釈する | $\Lambda R$ も同じ当てはまり。回転の基準を明記する | prop-fa-rotation |
| 変数 2 つで 1 因子を推定する | 1 因子なら負荷が 0 でない変数が 3 つ以上要る | 反例の表の 2 行目 |
| 負の独自分散をそのまま報告する | 境界の解として扱い、モデルを見直す | ex-fa-heywood |
| 因子得点を因子そのものとみなす | 得点は予測値で、分散は $1$ より小さい | ex-fa-one-factor の $s/(1+s)$ |
因子分析は心理学の試験の研究から生まれ、共分散の構造 $\Sigma=\Lambda\Lambda^{\mathsf T}+\Psi$ と回転の不定性は ESL17 §14.7.1(pp. 558–560)にもまとめられている。そこでは独自分散がすべて等しいとき、特異値分解の上位 $q$ 個の成分が $\Lambda$ の列空間を与えることにも触れている。因子の間の相関を許す 斜交因子モデル($\operatorname{Cov}(\boldsymbol F)=\Phi$)では、$\Lambda\mapsto\Lambda T$、$\Phi\mapsto T^{-1}\Phi T^{-\mathsf T}$($T$ は正則)で不定性がさらに大きくなる。
因子を正規分布に従うとする限り回転の不定性は消えない。因子が独立で正規分布に従わないと仮定すると、回転まで決まることがある。これを使うのが 独立成分分析 である。
Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する