ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆ

ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆ

ಪೆಂಡಾಹುಲುವಾನ್
ಅನೇಕ ಅಧ್ಯಯನಗಳಲ್ಲಿ, ಸಂಶೋಧಕರು ಸಾಮಾನ್ಯವಾಗಿ ಎರಡು ಸೆಟ್‌ಗಳ ಅಸ್ಥಿರಗಳಿರುವ ಸಂದರ್ಭಗಳನ್ನು ಎದುರಿಸುತ್ತಾರೆ, ಪ್ರತಿಯೊಂದೂ ಹಲವಾರು ಸೂಚಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಶಿಕ್ಷಣ ಕ್ಷೇತ್ರದಲ್ಲಿ, ನಾವು ಕಲಿಕೆಯ ಅಂಶಗಳ ಬಗ್ಗೆ (ಪ್ರೇರಣೆ, ಅಧ್ಯಯನದ ಸಮಯಗಳು, ಕುಟುಂಬ ಬೆಂಬಲ, ಇಂಟರ್ನೆಟ್ ಪ್ರವೇಶ) ಮತ್ತು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಬಗ್ಗೆ (ಗಣಿತ ಶ್ರೇಣಿಗಳು, ಭಾಷಾ ಶ್ರೇಣಿಗಳು, ವಿಜ್ಞಾನ ಶ್ರೇಣಿಗಳು ಮತ್ತು ಗ್ರೇಡ್ ಪಾಯಿಂಟ್ ಸರಾಸರಿಗಳು) ಒಂದು ಸೆಟ್ ಅನ್ನು ಹೊಂದಿರಬಹುದು. ಮುಖ್ಯವಾದ ಪ್ರಶ್ನೆಯೆಂದರೆ "ಪ್ರೇರಣೆ ಗಣಿತ ಶ್ರೇಣಿಗಳಿಗೆ ಸಂಬಂಧಿಸಿದೆಯೇ?" ಬದಲಿಗೆ "ಕಲಿಕೆಯ ಅಂಶಗಳ ಸೆಟ್ ಮತ್ತು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಸೆಟ್ ನಡುವಿನ ಒಟ್ಟಾರೆ ಸಂಬಂಧ ಎಷ್ಟು ಪ್ರಬಲವಾಗಿದೆ?" ಈ ರೀತಿಯ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು, ಕ್ಯಾನೊನಿಕಲ್ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆ (CCA) ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾದ ಬಹು-ವೇರಿಯೇಟ್ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ಎರಡು ಅಸ್ಥಿರ ಗುಂಪುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಅಳೆಯಲು ಮತ್ತು ವಿವರಿಸಲು ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, CCA ಸರಳ ಪರಸ್ಪರ ಸಂಬಂಧದ ಪರಿಕಲ್ಪನೆಯನ್ನು (ಎರಡು ಅಸ್ಥಿರಗಳ ನಡುವೆ) ಎರಡು ಅಸ್ಥಿರ ಗುಂಪುಗಳ ಎರಡು ರೇಖೀಯ ಸಂಯೋಜನೆಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ. ಈ ಲೇಖನವು CCA ಯ ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು , ಉದ್ದೇಶಗಳು, ವಿಶ್ಲೇಷಣಾ ಹಂತಗಳು, ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ಚರ್ಚಿಸುತ್ತದೆ.

ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ
ಸಾಮಾನ್ಯ ಪರಸ್ಪರ ಸಂಬಂಧ (ಉದಾ. ಪಿಯರ್ಸನ್ ಪರಸ್ಪರ ಸಂಬಂಧ) ಎರಡು ಅಸ್ಥಿರಗಳ ನಡುವಿನ ರೇಖೀಯ ಸಂಬಂಧದ ಬಲವನ್ನು ಅಳೆಯುತ್ತದೆ, ಉದಾಹರಣೆಗೆ X ಮತ್ತು Y. CCA ಎರಡು ಹೊಸ ಅಸ್ಥಿರಗಳನ್ನು ರೇಖೀಯ ಸಂಯೋಜನೆಗಳಾಗಿ ರೂಪಿಸುವ ಮೂಲಕ ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ:

– ಸೆಟ್ X ಗಾಗಿ ಮೊದಲ ಅಂಗೀಕೃತ ರೂಪಾಂತರ:
ಯು = ಎ₁ಎಕ್ಸ್₁ + ಎ₂ಎಕ್ಸ್₂ + … + ಎₚಎಕ್ಸ್ₚ
– ಸೆಟ್ Y ಗಾಗಿ ಮೊದಲ ಅಂಗೀಕೃತ ರೂಪಾಂತರ:
ವಿ = ಬಿ₁ವೈ₁ + ಬಿ₂ವೈ₂ + … + ಬಿ_ಕ್ಯೂವೈ_ಕ್ಯೂ

U ಮತ್ತು V ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವು ಗರಿಷ್ಠವಾಗಿರುವಂತೆ a ಮತ್ತು b ಗುಣಾಂಕಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಗರಿಷ್ಠ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಮೊದಲ ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮೊದಲ ಜೋಡಿಯನ್ನು ಪಡೆದ ನಂತರ, CCA ಹಿಂದಿನ ಜೋಡಿಗೆ ಲಂಬಕೋನೀಯ (ಸಂಬಂಧವಿಲ್ಲದ) ವೇರಿಯೇಬಲ್‌ಗಳ ನಂತರದ ಜೋಡಿಗಳನ್ನು (ಎರಡನೇ, ಮೂರನೇ ಮತ್ತು ಹೀಗೆ) ರಚಿಸಬಹುದು.

ಸಂಭವನೀಯ ಅಂಗೀಕೃತ ರೂಪಾಂತರ ಜೋಡಿಗಳ ಸಂಖ್ಯೆ min(p, q), ಇದು ಎರಡು ಸೆಟ್‌ಗಳ ನಡುವಿನ ಚಿಕ್ಕ ಸಂಖ್ಯೆಯ ಅಸ್ಥಿರವಾಗಿದೆ.

ಉದ್ದೇಶ ಮತ್ತು ಬಳಕೆ
ಸಂಶೋಧನಾ ಉದ್ದೇಶಗಳು ಹೀಗಿದ್ದಾಗ CCA ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ:

1. ಒಟ್ಟಾರೆಯಾಗಿ ಎರಡು ಸೆಟ್‌ಗಳ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧದ ಬಲವನ್ನು ಅಳೆಯಿರಿ.
2. ಸೆಟ್ X ಮತ್ತು ಸೆಟ್ Y ನಲ್ಲಿ ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಚರಾಂಶಗಳ ಸಂಯೋಜನೆಯನ್ನು ಗುರುತಿಸಿ.
3. ಬಹುವಿಧ ಸಂಬಂಧಗಳ ಆಯಾಮಗಳನ್ನು ಅರ್ಥೈಸಲು ಸುಲಭವಾದ ಹಲವಾರು ಜೋಡಿ ಅಸ್ಥಿರಗಳಾಗಿ ಕಡಿಮೆ ಮಾಡಿ.
4. ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳ ಪರಿಶೋಧನೆ: ಯಾವ ಅಸ್ಥಿರಗಳು ಎರಡು ಡೊಮೇನ್‌ಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರಧಾನವಾಗಿ ವಿವರಿಸುತ್ತವೆ.

ಉದಾಹರಣೆ ಅಪ್ಲಿಕೇಶನ್ ಸಂದರ್ಭ:
- ಮನೋವಿಜ್ಞಾನ: "ವ್ಯಕ್ತಿತ್ವದ ಗುಣಲಕ್ಷಣಗಳು" ಮತ್ತು "ಮಾನಸಿಕ ಆರೋಗ್ಯ ಸೂಚಕಗಳ" ಗುಂಪಿನ ನಡುವಿನ ಸಂಬಂಧ.
– ಆರ್ಥಿಕತೆ: “ಸ್ಥೂಲ ಸೂಚಕಗಳು” ಮತ್ತು “ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆ ಸೂಚಕಗಳು” ಗುಂಪಿನ ನಡುವಿನ ಸಂಬಂಧ.
- ಆರೋಗ್ಯ ವಿಜ್ಞಾನ: "ಜೀವನ ಪದ್ಧತಿಗಳ" ಒಂದು ಸೆಟ್ ಮತ್ತು "ಕ್ಲಿನಿಕಲ್ ನಿಯತಾಂಕಗಳ" ಒಂದು ಸೆಟ್ ನಡುವಿನ ಸಂಬಂಧ.

ಡೇಟಾ ಊಹೆಗಳು ಮತ್ತು ಅವಶ್ಯಕತೆಗಳು
ಅನೇಕ ಬಹುವಿಧದ ವಿಧಾನಗಳಂತೆ, ಫಲಿತಾಂಶಗಳು ಸ್ಥಿರ ಮತ್ತು ಅರ್ಥೈಸಿಕೊಳ್ಳಲು CCA ಪರಿಗಣಿಸಬೇಕಾದ ಹಲವಾರು ಊಹೆಗಳನ್ನು ಹೊಂದಿದೆ:

1. ರೇಖೀಯ ಸಂಬಂಧ: CCA ಸೆಟ್‌ಗಳ ನಡುವಿನ ರೇಖೀಯ ಸಂಬಂಧವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಸಂಬಂಧವು ರೇಖೀಯವಲ್ಲದಿದ್ದರೆ, ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವು ಸಂಬಂಧದ ಬಲವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಬಹುದು.
2. ಬಹುರೂಪಿ ಸಾಮಾನ್ಯತೆ: ಆದರ್ಶಪ್ರಾಯವಾಗಿ, ಅಸ್ಥಿರಗಳು ಬಹುರೂಪಿ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಅನುಸರಿಸುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಮಹತ್ವ ಪರೀಕ್ಷೆಗಾಗಿ. ಆದಾಗ್ಯೂ, ಪ್ರಾಯೋಗಿಕವಾಗಿ, ದತ್ತಾಂಶವು ಸಂಪೂರ್ಣವಾಗಿ ಸಾಮಾನ್ಯವಾಗಿಲ್ಲದಿದ್ದರೂ ಸಹ CCA ಅನ್ನು ಹೆಚ್ಚಾಗಿ ಪರಿಶೋಧನಾತ್ಮಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
3. ಪ್ರತಿಯೊಂದು ಸೆಟ್‌ನಲ್ಲಿ ಯಾವುದೇ ತೀವ್ರ ಬಹು-ರೇಖೀಯತೆ ಇಲ್ಲ: ಹೆಚ್ಚು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಅಸ್ಥಿರಗಳು ಗುಣಾಂಕ ಅಂದಾಜುಗಳನ್ನು ಅಸ್ಥಿರಗೊಳಿಸಬಹುದು.
4. ಸಾಕಷ್ಟು ಮಾದರಿ ಗಾತ್ರ: ಸಾಮಾನ್ಯ ನಿಯಮವೆಂದರೆ ಪ್ರತಿ ವೇರಿಯೇಬಲ್‌ಗೆ ಕನಿಷ್ಠ 10–20 ವೀಕ್ಷಣೆಗಳು, ಆದರೂ ಸಂಶೋಧನಾ ಸಂದರ್ಭವು ಹೆಚ್ಚಿನದನ್ನು ಬಯಸಬಹುದು.

ಇದರ ಜೊತೆಗೆ, ಗುಣಾಂಕಗಳನ್ನು ಹೋಲಿಸಲು ಸುಲಭವಾಗುವಂತೆ ಅಸ್ಥಿರಗಳು ಹೋಲಿಸಬಹುದಾದ ಅಥವಾ ಪ್ರಮಾಣೀಕೃತ ಪ್ರಮಾಣದಲ್ಲಿ (z-ಸ್ಕೋರ್) ಇರಬೇಕು.

ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳು
ಸಾಮಾನ್ಯವಾಗಿ, CCA ನಡೆಸುವ ಹಂತಗಳು ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಒಳಗೊಂಡಿವೆ:

1. ಎರಡು ಸೆಟ್ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ನಿರ್ಧರಿಸಿ
ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ ಅಸ್ಥಿರಗಳನ್ನು ಆಧರಿಸಿ ಗುಂಪು ಮಾಡಲಾಗಿದೆ ಕೇವಲ ಪ್ರಯೋಗ ಮತ್ತು ದೋಷವಲ್ಲ, ಸಿದ್ಧಾಂತ ಅಥವಾ ಪರಿಕಲ್ಪನಾ ಚೌಕಟ್ಟು.

2. ಡೇಟಾ ಪರಿಶೀಲನೆ
ಕಾಣೆಯಾದ ಡೇಟಾ (ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು), ಹೊರಗಣಗಳು, ಸಾಮಾನ್ಯತೆಯ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಪ್ರತಿ ಸೆಟ್‌ನೊಳಗಿನ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು (ಬಹುಕೋಲಿನಿಯರಿಟಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು) ಒಳಗೊಂಡಂತೆ.

3. ಅಂಗೀಕೃತ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವುದು
U₁–V₁, U₂–V₂, ಇತ್ಯಾದಿಗಳ ವೇರಿಯೇಟ್ ಜೋಡಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

4. ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು
ಪ್ರತಿ kth ಜೋಡಿಗೆ U_k ಮತ್ತು V_k ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ.

5. ಮಹತ್ವದ ಪರೀಕ್ಷೆ
ಪಡೆದ ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವು ಶೂನ್ಯಕ್ಕಿಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಭಿನ್ನವಾಗಿದೆಯೇ ಎಂದು ಪರೀಕ್ಷಿಸುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಪರೀಕ್ಷೆಗಳು ವಿಲ್ಕ್ಸ್‌ನ ಲ್ಯಾಂಬ್ಡಾ, ಪಿಳ್ಳೈಯ ಟ್ರೇಸ್ (ಹೆಚ್ಚಾಗಿ MANOVA ನಲ್ಲಿ), ಹೋಟೆಲ್ಲಿಂಗ್‌ನ ಟ್ರೇಸ್ ಮತ್ತು ರಾಯ್‌ನ ಲಾರ್ಜೆಸ್ಟ್ ರೂಟ್. CCA ನಲ್ಲಿ, ವಿಲ್ಕ್ಸ್‌ನ ಲ್ಯಾಂಬ್ಡಾ ಹೆಚ್ಚಾಗಿ ಆದ್ಯತೆಯ ಆಯ್ಕೆಯಾಗಿದೆ.

6. ಫಲಿತಾಂಶಗಳ ವ್ಯಾಖ್ಯಾನ
ಪರಸ್ಪರ ಸಂಬಂಧದ ಪ್ರಮಾಣ, ಹೊರೆಗಳು, ತೂಕಗಳು ಮತ್ತು ವೇರಿಯಬಲ್ ಕೊಡುಗೆಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಒಳಗೊಂಡಿದೆ.

CCA ಔಟ್‌ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಓದುವುದು ಮತ್ತು ಅರ್ಥೈಸುವುದು
CCA ಔಟ್‌ಪುಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಹಲವಾರು ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:

1. ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧಗಳು
ಈ ಮೌಲ್ಯವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಜೋಡಿಯಲ್ಲಿ U ಮತ್ತು V ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧದ ಬಲವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, 0,80 ರ ಮೊದಲ ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವು ಮೊದಲ ಆಯಾಮದಲ್ಲಿ X ಅಸ್ಥಿರಗಳ ಸಂಯೋಜನೆ ಮತ್ತು Y ಅಸ್ಥಿರಗಳ ಸಂಯೋಜನೆಯ ನಡುವಿನ ಬಲವಾದ ರೇಖೀಯ ಸಂಬಂಧವನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧದ ವರ್ಗವಾದ ಅಂಗೀಕೃತ R² ಅನ್ನು ಸಹ ಹೆಚ್ಚಾಗಿ ವರದಿ ಮಾಡಲಾಗುತ್ತದೆ. r = 0,80 ಆಗಿದ್ದರೆ R² = 0,64, ಅಂದರೆ ಅಂಗೀಕೃತ ರೂಪಾಂತರ Y ಯಲ್ಲಿನ ಸರಿಸುಮಾರು 64% ವ್ಯತ್ಯಾಸವನ್ನು ಆ ಆಯಾಮದಲ್ಲಿ ಅಂಗೀಕೃತ ರೂಪಾಂತರ X (ಮತ್ತು ಪ್ರತಿಯಾಗಿ) ನಿಂದ ವಿವರಿಸಬಹುದು, ಮೂಲ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧದ ಅರ್ಥದಲ್ಲಿ ಅಲ್ಲ, ರೂಪಾಂತರಗಳ ನಡುವಿನ ಸಂಬಂಧದ ಅರ್ಥದಲ್ಲಿ.

2. ಅಂಗೀಕೃತ ತೂಕಗಳು (ಅಂಗೀಕೃತ ತೂಕಗಳು / ಗುಣಾಂಕಗಳು)
ತೂಕಗಳು a ಮತ್ತು b ಗುಣಾಂಕಗಳಾಗಿವೆ, ಅವು U ಮತ್ತು V ಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ತೂಕಗಳು ಹೆಚ್ಚಾಗಿ ಬಹುಕೋಲಿನಿಯರಿಟಿಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಸಬ್ಸ್ಟಾಂಟಿವ್ ವ್ಯಾಖ್ಯಾನವು ಸಾಮಾನ್ಯವಾಗಿ ತೂಕಗಳ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿತವಾಗಿರುವುದಿಲ್ಲ.

3. ಅಂಗೀಕೃತ ಲೋಡಿಂಗ್‌ಗಳು (ಅಂಗೀಕೃತ ಲೋಡಿಂಗ್‌ಗಳು / ರಚನೆ ಗುಣಾಂಕಗಳು)
ಲೋಡಿಂಗ್ ಎಂದರೆ ಮೂಲ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಅದರ ಕ್ಯಾನೊನಿಕಲ್ ವೇರಿಯೇಟ್ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ. ಉದಾಹರಣೆಗೆ, 0,70 ರ U₁ ಮೇಲೆ X₂ ಲೋಡ್ ಆಗುವುದರಿಂದ X₂ ಸೆಟ್ X ನ ಬದಿಯಲ್ಲಿರುವ ಮೊದಲ ಕ್ಯಾನೊನಿಕಲ್ ಆಯಾಮಕ್ಕೆ ಬಲವಾಗಿ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ ಎಂದರ್ಥ. ಲೋಡಿಂಗ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ತೂಕಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ ಮತ್ತು ಅರ್ಥೈಸಲು ಸುಲಭವಾಗಿರುತ್ತದೆ.

4. ಕ್ರಾಸ್-ಲೋಡಿಂಗ್‌ಗಳು
ಕ್ರಾಸ್-ಲೋಡಿಂಗ್ ಎಂದರೆ ಒಂದು ಗುಂಪಿನ ವೇರಿಯೇಬಲ್‌ಗಳು ಮತ್ತೊಂದು ಗುಂಪಿನ ಕ್ಯಾನೊನಿಕಲ್ ವೇರಿಯೇಬಲ್‌ಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ (ಉದಾ., X₁ ಮತ್ತು V₁ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ). ಕ್ರಾಸ್-ಸೆಟ್ ಸಂಬಂಧದ ಆಯಾಮಗಳಿಗೆ ಯಾವ ವೇರಿಯೇಬಲ್‌ಗಳು ಹೆಚ್ಚು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

5. ಪುನರುಕ್ತಿ ಸೂಚ್ಯಂಕ
ಪುನರಾವರ್ತನೆ ಸೂಚ್ಯಂಕವು ಒಂದು ಗುಂಪಿನಲ್ಲಿರುವ ಮೂಲ ಅಸ್ಥಿರಗಳ ವ್ಯತ್ಯಾಸವನ್ನು ಮತ್ತೊಂದು ಗುಂಪಿನಿಂದ ಅಂಗೀಕೃತ ಅಸ್ಥಿರಗಳಿಂದ ಎಷ್ಟು ವಿವರಿಸಬಹುದು ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಇದು ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಹೆಚ್ಚಿನ ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವು ಮೂಲ ಅಸ್ಥಿರಗಳಿಗೆ ಹೆಚ್ಚಿನ ವಿವರಣಾತ್ಮಕ ಶಕ್ತಿಯನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ. ಪುನರಾವರ್ತನೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ (ಕೇವಲ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಹತ್ವವಲ್ಲ).

ಸರಳ ವಿವರಣೆ
ಒಂದು ಅಧ್ಯಯನವು ಇವುಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸೋಣ:

– ಸೆಟ್ X (ಕೆಲಸದ ಪರಿಸ್ಥಿತಿಗಳು): X₁ = ಕೆಲಸದ ಹೊರೆ, X₂ = ಮೇಲ್ವಿಚಾರಕರ ಬೆಂಬಲ, X₃ = ಕೆಲಸದ ಸಮಯದ ನಮ್ಯತೆ
– ಸೆಟ್ Y (ಯೋಗಕ್ಷೇಮ): Y₁ = ಒತ್ತಡ, Y₂ = ಕೆಲಸದ ತೃಪ್ತಿ, Y₃ = ನಿದ್ರೆಯ ಗುಣಮಟ್ಟ

CCA r = 0,75 ರ ಮೊದಲ ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಕೆಲಸದ ಹೊರೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಕರ ಬೆಂಬಲವು U₁ ಅನ್ನು ಬಲವಾಗಿ ರೂಪಿಸುತ್ತದೆ ಎಂದು ಲೋಡ್‌ಗಳು ಸೂಚಿಸುತ್ತವೆ, ಆದರೆ ಒತ್ತಡ ಮತ್ತು ಕೆಲಸದ ತೃಪ್ತಿಯು V₁ ಅನ್ನು ಬಲವಾಗಿ ರೂಪಿಸುತ್ತದೆ. ಮುಖ್ಯವಾದ ವ್ಯಾಖ್ಯಾನ: ಕೆಲಸದ ಪರಿಸ್ಥಿತಿಗಳು ಮತ್ತು ಯೋಗಕ್ಷೇಮದ ನಡುವಿನ ಸಂಬಂಧದ ಮುಖ್ಯ ಆಯಾಮವೆಂದರೆ "ಕೆಲಸದ ಒತ್ತಡ vs. ಬೆಂಬಲ" ದ ಸಂಯೋಜನೆಯಾಗಿದ್ದು, ಇದು "ಒತ್ತಡ ಮತ್ತು ತೃಪ್ತಿ" ಗೆ ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿದೆ.

ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಯೋಜನಗಳು
1. ಸಮಗ್ರ: ಎರಡು ಸೆಟ್‌ಗಳ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಸೆರೆಹಿಡಿಯುತ್ತದೆ.
2. ಪುನರಾವರ್ತಿತ ಪರೀಕ್ಷೆಯ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡಿ: ಟೈಪ್ I ದೋಷದ ಸಾಧ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಅನೇಕ ಒಂದರಿಂದ ಒಂದರಂತೆ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ನಿರ್ವಹಿಸುವುದಕ್ಕೆ ಹೋಲಿಸಿದರೆ.
3. ಸುಪ್ತ ರಚನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ: ಏಕರೂಪದ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಗೋಚರಿಸದ ಸಂಬಂಧಗಳ ಆಯಾಮಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.

ಮಿತಿಗಳು ಮತ್ತು ಸವಾಲುಗಳು
1. ವ್ಯಾಖ್ಯಾನವು ಸಂಕೀರ್ಣವಾಗಿರಬಹುದು: ಅನೇಕ ಘಟಕಗಳನ್ನು (ತೂಕಗಳು, ಹೊರೆಗಳು, ಪುನರುಕ್ತಿಗಳು) ಒಟ್ಟಿಗೆ ನೋಡಬೇಕು.
2. ಮಲ್ಟಿಕೊಲಿನಿಯರಿಟಿ ಮತ್ತು ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳಿಗೆ ಸೂಕ್ಷ್ಮ: ಅಸ್ಥಿರ ಗುಣಾಂಕಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು.
3. ರೇಖೀಯ ಸ್ವಭಾವ: ರೂಪಾಂತರ ಅಥವಾ ಇತರ ವಿಧಾನವನ್ನು ನಿರ್ವಹಿಸದ ಹೊರತು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲಾಗುವುದಿಲ್ಲ.
4. ಸೈದ್ಧಾಂತಿಕ ಆಧಾರವನ್ನು ಅಗತ್ಯವಿದೆ: ಸ್ಪಷ್ಟವಾದ ಪರಿಕಲ್ಪನಾ ಚೌಕಟ್ಟು ಇಲ್ಲದೆ, ಅಂಗೀಕೃತ ಆಯಾಮಗಳ ವ್ಯಾಖ್ಯಾನವು ಊಹಾತ್ಮಕವಾಗಿರಲು ಒಲವು ತೋರುತ್ತದೆ.

ಪೆನುಟಪ್
ಅಂಗೀಕೃತ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯು ಎರಡು ಸೆಟ್‌ಗಳ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರಬಲವಾದ ಬಹು-ವೇರಿಯೇರಿಯೇಟ್ ವಿಧಾನವಾಗಿದೆ. ಅಡ್ಡ-ಸೆಟ್ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುವ ಅಂಗೀಕೃತ ಅಸ್ಥಿರಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ, CCA ಸಂಶೋಧಕರಿಗೆ ಸರಳ ಪರಸ್ಪರ ಸಂಬಂಧ ಅಥವಾ ಏಕ ಹಿಂಜರಿತಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಮಗ್ರ ಸಂಬಂಧಗಳ ಮಾದರಿಗಳನ್ನು ನೋಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಇದರ ಬಳಕೆಗೆ ಊಹೆಗಳು, ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಸೂಕ್ತವಾದ ವ್ಯಾಖ್ಯಾನ ತಂತ್ರಗಳಿಗೆ ಗಮನ ಬೇಕು (ವಿಶೇಷವಾಗಿ ಲೋಡಿಂಗ್‌ಗಳು, ಅಡ್ಡ-ಲೋಡಿಂಗ್‌ಗಳು ಮತ್ತು ಪುನರುಕ್ತಿಗಳ ಮೇಲೆ ಒತ್ತು ನೀಡಲಾಗುತ್ತದೆ). ಎರಡು ಪ್ರಾಥಮಿಕ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಬಹು ಸೂಚಕಗಳನ್ನು ಒಳಗೊಂಡ ಸಂಶೋಧನೆಯಲ್ಲಿ, ಸಂಕೀರ್ಣ ಸಂಬಂಧಗಳನ್ನು ಅರ್ಥಪೂರ್ಣ ಆಯಾಮಗಳಾಗಿ ಅನ್ವೇಷಿಸಲು ಮತ್ತು ಸಂಕ್ಷೇಪಿಸಲು CCA ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ.