ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ
ਪੇਂਡਹੁਲੁਆਨ
ਬਹੁਤ ਸਾਰੇ ਅਧਿਐਨਾਂ ਵਿੱਚ, ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਅਕਸਰ ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜਿੱਥੇ ਵੇਰੀਏਬਲ ਦੇ ਦੋ ਸੈੱਟ ਹੁੰਦੇ ਹਨ, ਹਰੇਕ ਵਿੱਚ ਕਈ ਸੂਚਕ ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਣ ਵਜੋਂ, ਸਿੱਖਿਆ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਸਾਡੇ ਕੋਲ ਸਿੱਖਣ ਦੇ ਕਾਰਕਾਂ (ਪ੍ਰੇਰਣਾ, ਅਧਿਐਨ ਦੇ ਘੰਟੇ, ਪਰਿਵਾਰਕ ਸਹਾਇਤਾ, ਇੰਟਰਨੈਟ ਪਹੁੰਚ) ਬਾਰੇ ਵੇਰੀਏਬਲਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ (ਗਣਿਤ ਦੇ ਗ੍ਰੇਡ, ਭਾਸ਼ਾ ਦੇ ਗ੍ਰੇਡ, ਵਿਗਿਆਨ ਦੇ ਗ੍ਰੇਡ, ਅਤੇ ਗ੍ਰੇਡ ਪੁਆਇੰਟ ਔਸਤ) ਬਾਰੇ ਵੇਰੀਏਬਲਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਹੋ ਸਕਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਸਿਰਫ਼ "ਕੀ ਪ੍ਰੇਰਣਾ ਗਣਿਤ ਦੇ ਗ੍ਰੇਡਾਂ ਨਾਲ ਸਬੰਧਤ ਹੈ?" ਇਹ ਨਹੀਂ ਹੈ, ਸਗੋਂ "ਸਿੱਖਣ ਦੇ ਕਾਰਕਾਂ ਦੇ ਸਮੂਹ ਅਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਸਮੂਹ ਵਿਚਕਾਰ ਸਮੁੱਚਾ ਸਬੰਧ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ਹੈ?" ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ, ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ (CCA) ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਮਲਟੀਵੇਰੀਏਟ ਅੰਕੜਾ ਵਿਧੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਦੋ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਮਾਪਣ ਅਤੇ ਸਮਝਾਉਣ ਲਈ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, CCA ਸਧਾਰਨ ਸਹਿ-ਸਬੰਧ (ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ) ਦੀ ਧਾਰਨਾ ਨੂੰ ਦੋ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸੈੱਟਾਂ ਦੇ ਦੋ ਰੇਖਿਕ ਸੰਜੋਗਾਂ ਵਿਚਕਾਰ ਇੱਕ ਸਬੰਧ ਤੱਕ ਵਧਾਉਂਦਾ ਹੈ। ਇਹ ਲੇਖ CCA ਦੇ ਮੂਲ ਸੰਕਲਪਾਂ , ਉਦੇਸ਼ਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਕਦਮਾਂ, ਵਿਆਖਿਆ, ਅਤੇ ਫਾਇਦਿਆਂ ਅਤੇ ਸੀਮਾਵਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।
ਮੁੱਢਲੇ ਸੰਕਲਪ ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ
ਆਮ ਸਹਿ-ਸਬੰਧ (ਜਿਵੇਂ ਕਿ ਪੀਅਰਸਨ ਸਹਿ-ਸਬੰਧ) ਦੋ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਰੇਖਿਕ ਸਬੰਧ ਦੀ ਮਜ਼ਬੂਤੀ ਨੂੰ ਮਾਪਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ X ਅਤੇ Y। CCA ਦੋ ਨਵੇਂ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਰੇਖਿਕ ਸੰਜੋਗਾਂ ਵਜੋਂ ਬਣਾ ਕੇ ਇਸ ਸੰਕਲਪ ਨੂੰ ਆਮ ਬਣਾਉਂਦਾ ਹੈ:
– ਸੈੱਟ X ਲਈ ਪਹਿਲਾ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ:
U = a₁X₁ + a₂X₂ + … + aₚXₚ
– ਸੈੱਟ Y ਲਈ ਪਹਿਲਾ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ:
V = b₁Y₁ + b₂Y₂ + … + b_qY_q
ਗੁਣਾਂਕ a ਅਤੇ b ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ U ਅਤੇ V ਵਿਚਕਾਰ ਸਬੰਧ ਵੱਧ ਤੋਂ ਵੱਧ ਹੋਵੇ। ਇਸ ਅਧਿਕਤਮ ਸਬੰਧ ਨੂੰ ਪਹਿਲਾ ਕੈਨੋਨੀਕਲ ਸਬੰਧ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਪਹਿਲਾ ਜੋੜਾ ਪ੍ਰਾਪਤ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ CCA ਪਰਿਵਰਤਨਸ਼ੀਲ (ਦੂਜਾ, ਤੀਜਾ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ) ਦੇ ਬਾਅਦ ਵਾਲੇ ਜੋੜੇ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਪਿਛਲੇ ਜੋੜੇ ਨਾਲ ਔਰਥੋਗੋਨਲ (ਅਸੰਬੰਧਿਤ) ਹੁੰਦੇ ਹਨ।
ਸੰਭਵ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ ਜੋੜਿਆਂ ਦੀ ਗਿਣਤੀ min(p, q) ਹੈ, ਜੋ ਕਿ ਦੋ ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਵੇਰੀਏਬਲਾਂ ਦੀ ਸਭ ਤੋਂ ਛੋਟੀ ਸੰਖਿਆ ਹੈ।
ਉਦੇਸ਼ ਅਤੇ ਵਰਤੋਂ
CCA ਦੀ ਵਰਤੋਂ ਉਦੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਖੋਜ ਉਦੇਸ਼ ਹੁੰਦੇ ਹਨ:
1. ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਵੇਰੀਏਬਲਾਂ ਦੇ ਦੋ ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਤਾਕਤ ਨੂੰ ਮਾਪੋ।
2. ਸੈੱਟ X ਅਤੇ ਸੈੱਟ Y ਵਿੱਚ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸਭ ਤੋਂ ਵੱਧ ਸੰਬੰਧਿਤ ਸੁਮੇਲ ਦੀ ਪਛਾਣ ਕਰੋ।
3. ਮਲਟੀਵੇਰੀਏਟ ਸਬੰਧਾਂ ਦੇ ਆਯਾਮਾਂ ਨੂੰ ਵੇਰੀਏਬਲਾਂ ਦੇ ਕਈ ਜੋੜਿਆਂ ਵਿੱਚ ਘਟਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਆਸਾਨ ਹੋਵੇ।
4. ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਪੜਚੋਲ: ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਮੁੱਖ ਤੌਰ 'ਤੇ ਦੋ ਡੋਮੇਨਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ।
ਉਦਾਹਰਨ ਐਪਲੀਕੇਸ਼ਨ ਸੰਦਰਭ:
- ਮਨੋਵਿਗਿਆਨ: "ਸ਼ਖਸੀਅਤ ਗੁਣਾਂ" ਦੇ ਸਮੂਹ ਅਤੇ "ਮਾਨਸਿਕ ਸਿਹਤ ਸੂਚਕਾਂ" ਦੇ ਸਮੂਹ ਵਿਚਕਾਰ ਸਬੰਧ।
- ਆਰਥਿਕਤਾ: "ਮੈਕਰੋ ਸੂਚਕਾਂ" ਦੇ ਸਮੂਹ ਅਤੇ "ਲੇਬਰ ਮਾਰਕੀਟ ਸੂਚਕਾਂ" ਦੇ ਸਮੂਹ ਵਿਚਕਾਰ ਸਬੰਧ।
- ਸਿਹਤ ਵਿਗਿਆਨ: "ਜੀਵਨ ਆਦਤਾਂ" ਦੇ ਇੱਕ ਸਮੂਹ ਅਤੇ "ਕਲੀਨਿਕਲ ਮਾਪਦੰਡਾਂ" ਦੇ ਇੱਕ ਸਮੂਹ ਵਿਚਕਾਰ ਸਬੰਧ।
ਡਾਟਾ ਧਾਰਨਾਵਾਂ ਅਤੇ ਜ਼ਰੂਰਤਾਂ
ਕਈ ਮਲਟੀਵੇਰੀਏਟ ਤਰੀਕਿਆਂ ਵਾਂਗ, CCA ਵਿੱਚ ਕਈ ਧਾਰਨਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਥਿਰ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਬਣਾਉਣ ਲਈ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
1. ਰੇਖਿਕ ਸਬੰਧ: CCA ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਰੇਖਿਕ ਸਬੰਧ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਸਬੰਧ ਗੈਰ-ਰੇਖਿਕ ਹੈ, ਤਾਂ ਕੈਨੋਨੀਕਲ ਸਬੰਧ ਸਬੰਧ ਦੀ ਮਜ਼ਬੂਤੀ ਨੂੰ ਘੱਟ ਸਮਝ ਸਕਦਾ ਹੈ।
2. ਮਲਟੀਵੇਰੀਏਟ ਸਾਧਾਰਨਤਾ: ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ, ਵੇਰੀਏਬਲ ਇੱਕ ਮਲਟੀਵੇਰੀਏਟ ਸਾਧਾਰਨ ਵੰਡ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਮਹੱਤਵ ਟੈਸਟਿੰਗ ਲਈ। ਹਾਲਾਂਕਿ, ਅਭਿਆਸ ਵਿੱਚ, CCA ਅਕਸਰ ਖੋਜੀ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਭਾਵੇਂ ਡੇਟਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਮ ਨਾ ਹੋਵੇ।
3. ਹਰੇਕ ਸੈੱਟ ਵਿੱਚ ਕੋਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬਹੁ-ਸਹਿ-ਰੇਖਿਕਤਾ ਨਹੀਂ ਹੈ: ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਹਿ-ਸਬੰਧਤ ਵੇਰੀਏਬਲ ਗੁਣਾਂਕ ਅਨੁਮਾਨਾਂ ਨੂੰ ਅਸਥਿਰ ਬਣਾ ਸਕਦੇ ਹਨ।
4. ਢੁਕਵਾਂ ਨਮੂਨਾ ਆਕਾਰ: ਇੱਕ ਆਮ ਨਿਯਮ ਪ੍ਰਤੀ ਵੇਰੀਏਬਲ ਘੱਟੋ-ਘੱਟ 10-20 ਨਿਰੀਖਣ ਹੈ, ਹਾਲਾਂਕਿ ਖੋਜ ਸੰਦਰਭ ਹੋਰ ਵੀ ਮੰਗ ਕਰ ਸਕਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵੇਰੀਏਬਲ ਇੱਕ ਤੁਲਨਾਤਮਕ ਜਾਂ ਪ੍ਰਮਾਣਿਤ ਪੈਮਾਨੇ (z-ਸਕੋਰ) 'ਤੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਤਾਂ ਜੋ ਗੁਣਾਂਕ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਆਸਾਨ ਹੋ ਸਕੇ।
ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਦਮ
ਆਮ ਤੌਰ 'ਤੇ, CCA ਕਰਵਾਉਣ ਦੇ ਪੜਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
1. ਵੇਰੀਏਬਲਾਂ ਦੇ ਦੋ ਸੈੱਟ ਨਿਰਧਾਰਤ ਕਰੋ
ਯਕੀਨੀ ਕਰ ਲਓ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਇਹਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਮੂਹਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ ਸਿਧਾਂਤ ਜਾਂ ਸੰਕਲਪਿਕ ਢਾਂਚਾ, ਸਿਰਫ਼ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਨਹੀਂ।
2. ਡਾਟਾ ਜਾਂਚ
ਗੁੰਮ ਡੇਟਾ (ਗੁੰਮ ਮੁੱਲ), ਆਊਟਲੀਅਰ, ਸਧਾਰਣਤਾ ਟੈਸਟ, ਅਤੇ ਹਰੇਕ ਸੈੱਟ ਦੇ ਅੰਦਰ ਸਹਿ-ਸੰਬੰਧ (ਬਹੁ-ਸਮਾਨਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ) ਸ਼ਾਮਲ ਹਨ।
3. ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟਸ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ
U₁–V₁, U₂–V₂, ਅਤੇ ਹੋਰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਜੋੜੇ ਤਿਆਰ ਕਰਦਾ ਹੈ।
4. ਕੈਨੋਨੀਕਲ ਸਬੰਧ ਦੀ ਗਣਨਾ ਕਰਨਾ
ਹਰੇਕ kth ਜੋੜੇ ਲਈ U_k ਅਤੇ V_k ਵਿਚਕਾਰ ਸਬੰਧ।
5. ਮਹੱਤਵ ਟੈਸਟ
ਇਹ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਜ਼ੀਰੋ ਤੋਂ ਵੱਖਰਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਟੈਸਟ ਵਿਲਕਸ ਲੈਂਬਡਾ, ਪਿੱਲਾਈ ਦਾ ਟਰੇਸ (ਜ਼ਿਆਦਾਤਰ MANOVA ਵਿੱਚ), ਹੋਟਲਿੰਗ ਦਾ ਟਰੇਸ, ਅਤੇ ਰਾਏ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਰੂਟ ਹਨ। CCA ਵਿੱਚ, ਵਿਲਕਸ ਦਾ ਲੈਂਬਡਾ ਅਕਸਰ ਪਸੰਦੀਦਾ ਵਿਕਲਪ ਹੁੰਦਾ ਹੈ।
6. ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ
ਇਸ ਵਿੱਚ ਸਹਿ-ਸੰਬੰਧ, ਲੋਡਿੰਗ, ਵਜ਼ਨ, ਅਤੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਯੋਗਦਾਨਾਂ ਦੀ ਮਾਤਰਾ ਦਾ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੈ।
CCA ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਵੇਂ ਪੜ੍ਹਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨੀ ਹੈ
CCA ਆਉਟਪੁੱਟ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਕਈ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸੇ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
1. ਕੈਨੋਨੀਕਲ ਸਬੰਧ
ਇਹ ਮੁੱਲ ਇੱਕ ਖਾਸ ਜੋੜੇ ਵਿੱਚ ਵੇਰੀਏਬਲ U ਅਤੇ V ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਮਜ਼ਬੂਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, 0,80 ਦਾ ਪਹਿਲਾ ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਪਹਿਲੇ ਆਯਾਮ ਵਿੱਚ ਵੇਰੀਏਬਲ X ਦੇ ਸੁਮੇਲ ਅਤੇ ਵੇਰੀਏਬਲ Y ਦੇ ਸੁਮੇਲ ਵਿਚਕਾਰ ਇੱਕ ਮਜ਼ਬੂਤ ਰੇਖਿਕ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਕੈਨੋਨੀਕਲ R², ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਦਾ ਵਰਗ, ਵੀ ਅਕਸਰ ਰਿਪੋਰਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ r = 0,80 ਹੈ ਤਾਂ R² = 0,64, ਭਾਵ ਕਿ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ Y ਵਿੱਚ ਲਗਭਗ 64% ਪਰਿਵਰਤਨ ਨੂੰ ਉਸ ਆਯਾਮ 'ਤੇ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ X (ਅਤੇ ਇਸਦੇ ਉਲਟ) ਦੁਆਰਾ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਵੇਰੀਏਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦੇ ਅਰਥਾਂ ਵਿੱਚ, ਮੂਲ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਨਹੀਂ।
2. ਕੈਨੋਨੀਕਲ ਵਜ਼ਨ (ਕੈਨੋਨੀਕਲ ਵਜ਼ਨ / ਗੁਣਾਂਕ)
ਵਜ਼ਨ ਉਹ ਗੁਣਾਂਕ a ਅਤੇ b ਹਨ ਜੋ U ਅਤੇ V ਵੇਰੀਏਟ ਬਣਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਵਜ਼ਨ ਅਕਸਰ ਬਹੁ-ਸਮਾਪਕਤਾ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ ਇਸ ਲਈ ਸਾਰਥਕ ਵਿਆਖਿਆ ਆਮ ਤੌਰ 'ਤੇ ਸਿਰਫ਼ ਵਜ਼ਨ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ।
3. ਕੈਨੋਨੀਕਲ ਲੋਡਿੰਗ (ਕੈਨੋਨੀਕਲ ਲੋਡਿੰਗ / ਬਣਤਰ ਗੁਣਾਂਕ)
ਲੋਡਿੰਗ ਮੂਲ ਵੇਰੀਏਬਲ ਅਤੇ ਇਸਦੇ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਟ ਵਿਚਕਾਰ ਸਬੰਧ ਹੈ। ਉਦਾਹਰਨ ਲਈ, 0,70 ਦੇ U₁ 'ਤੇ X₂ ਦੀ ਲੋਡਿੰਗ ਦਾ ਮਤਲਬ ਹੈ ਕਿ X₂ ਸੈੱਟ X ਦੇ ਪਾਸੇ ਪਹਿਲੇ ਕੈਨੋਨੀਕਲ ਆਯਾਮ ਵਿੱਚ ਜ਼ੋਰਦਾਰ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ। ਲੋਡਿੰਗ ਆਮ ਤੌਰ 'ਤੇ ਭਾਰ ਨਾਲੋਂ ਵਧੇਰੇ ਸਥਿਰ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹੁੰਦੇ ਹਨ।
4. ਕਰਾਸ-ਲੋਡਿੰਗ
ਕਰਾਸ-ਲੋਡਿੰਗ ਇੱਕ ਸੈੱਟ ਦੇ ਵੇਰੀਏਬਲਾਂ ਅਤੇ ਦੂਜੇ ਸੈੱਟ ਦੇ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਹੈ (ਜਿਵੇਂ ਕਿ, X₁ ਦਾ V₁ ਨਾਲ ਸਬੰਧ)। ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਕਰਾਸ-ਸੈੱਟ ਸਬੰਧ ਦੇ ਮਾਪਾਂ ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹਨ।
5. ਰਿਡੰਡੈਂਸੀ ਇੰਡੈਕਸ
ਰਿਡੰਡੈਂਸੀ ਇੰਡੈਕਸ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇੱਕ ਸੈੱਟ ਵਿੱਚ ਮੂਲ ਵੇਰੀਏਬਲਾਂ ਦੇ ਕਿੰਨੇ ਭਿੰਨਤਾ ਨੂੰ ਦੂਜੇ ਸੈੱਟ ਦੇ ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਬਲਾਂ ਦੁਆਰਾ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਉੱਚ ਕੈਨੋਨੀਕਲ ਸਬੰਧ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਮੂਲ ਵੇਰੀਏਬਲਾਂ ਲਈ ਉੱਚ ਵਿਆਖਿਆਤਮਕ ਸ਼ਕਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਨਹੀਂ ਹੈ। ਰਿਡੰਡੈਂਸੀ ਦੀ ਵਰਤੋਂ ਅਕਸਰ ਵਿਹਾਰਕ ਮੁੱਲ (ਸਿਰਫ ਅੰਕੜਾਤਮਕ ਮਹੱਤਵ ਨਹੀਂ) ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਸਧਾਰਨ ਦ੍ਰਿਸ਼ਟਾਂਤ
ਮੰਨ ਲਓ ਕਿ ਇੱਕ ਅਧਿਐਨ ਇਹਨਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ:
– ਸੈੱਟ X (ਕੰਮ ਕਰਨ ਦੀਆਂ ਸਥਿਤੀਆਂ): X₁ = ਕੰਮ ਦਾ ਭਾਰ, X₂ = ਸੁਪਰਵਾਈਜ਼ਰ ਸਹਾਇਤਾ, X₃ = ਕੰਮ ਕਰਨ ਦੇ ਘੰਟਿਆਂ ਦੀ ਲਚਕਤਾ
– ਸੈੱਟ Y (ਤੰਦਰੁਸਤੀ): Y₁ = ਤਣਾਅ, Y₂ = ਨੌਕਰੀ ਦੀ ਸੰਤੁਸ਼ਟੀ, Y₃ = ਨੀਂਦ ਦੀ ਗੁਣਵੱਤਾ
CCA ਨੂੰ r = 0,75 ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲਾ ਕੈਨੋਨੀਕਲ ਸਬੰਧ ਮਿਲ ਸਕਦਾ ਹੈ। ਲੋਡਿੰਗ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਕੰਮ ਦਾ ਬੋਝ ਅਤੇ ਸੁਪਰਵਾਈਜ਼ਰ ਸਮਰਥਨ ਸਭ ਤੋਂ ਵੱਧ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ U₁ ਬਣਾਉਂਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਤਣਾਅ ਅਤੇ ਨੌਕਰੀ ਦੀ ਸੰਤੁਸ਼ਟੀ ਸਭ ਤੋਂ ਵੱਧ ਜ਼ੋਰਦਾਰ ਢੰਗ ਨਾਲ V₁ ਬਣਾਉਂਦੇ ਹਨ। ਅਸਲ ਵਿਆਖਿਆ: ਕੰਮ ਕਰਨ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਤੰਦਰੁਸਤੀ ਵਿਚਕਾਰ ਸਬੰਧ ਦਾ ਮੁੱਖ ਪਹਿਲੂ "ਕੰਮ ਦੇ ਦਬਾਅ ਬਨਾਮ ਸਹਾਇਤਾ" ਦਾ ਸੁਮੇਲ ਹੈ ਜੋ "ਤਣਾਅ ਅਤੇ ਸੰਤੁਸ਼ਟੀ" ਨਾਲ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹੈ।
ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਫਾਇਦੇ
1. ਵਿਆਪਕ: ਇੱਕੋ ਸਮੇਂ ਦੋ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ।
2. ਵਾਰ-ਵਾਰ ਟੈਸਟਿੰਗ ਦੇ ਜੋਖਮ ਨੂੰ ਘਟਾਓ: ਕਈ ਇੱਕ-ਨਾਲ-ਇੱਕ ਸਬੰਧਾਂ ਨੂੰ ਕਰਨ ਦੇ ਮੁਕਾਬਲੇ ਜੋ ਟਾਈਪ I ਗਲਤੀ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।
3. ਗੁਪਤ ਬਣਤਰਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: ਸਬੰਧਾਂ ਦੇ ਉਨ੍ਹਾਂ ਮਾਪਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ ਜੋ ਇਕਸਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੇ।
ਸੀਮਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ
1. ਵਿਆਖਿਆ ਗੁੰਝਲਦਾਰ ਹੋ ਸਕਦੀ ਹੈ: ਬਹੁਤ ਸਾਰੇ ਹਿੱਸਿਆਂ (ਭਾਰ, ਭਾਰ, ਰਿਡੰਡੈਂਸੀ) ਨੂੰ ਇਕੱਠੇ ਦੇਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
2. ਬਹੁ-ਸਮਾਪਕਤਾ ਅਤੇ ਛੋਟੇ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ: ਅਸਥਿਰ ਗੁਣਾਂਕ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ।
3. ਰੇਖਿਕ ਪ੍ਰਕਿਰਤੀ: ਗੈਰ-ਰੇਖਿਕ ਸਬੰਧ ਉਦੋਂ ਤੱਕ ਕੈਪਚਰ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਜਦੋਂ ਤੱਕ ਕੋਈ ਪਰਿਵਰਤਨ ਜਾਂ ਹੋਰ ਪਹੁੰਚ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ।
4. ਇੱਕ ਸਿਧਾਂਤਕ ਆਧਾਰ ਦੀ ਲੋੜ ਹੈ: ਇੱਕ ਸਪੱਸ਼ਟ ਸੰਕਲਪਿਕ ਢਾਂਚੇ ਤੋਂ ਬਿਨਾਂ, ਕੈਨੋਨੀਕਲ ਮਾਪਾਂ ਦੀ ਵਿਆਖਿਆ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਾਲੀ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।
ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ
ਕੈਨੋਨੀਕਲ ਸਹਿ-ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕੋ ਸਮੇਂ ਦੋ ਵੇਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਲਟੀਵੇਰੀਏਟ ਵਿਧੀ ਹੈ। ਕੈਨੋਨੀਕਲ ਵੇਰੀਏਬਲਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਕੇ ਜੋ ਕਰਾਸ-ਸੈੱਟ ਸਹਿ-ਸੰਬੰਧਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦੇ ਹਨ, CCA ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸਧਾਰਨ ਸਹਿ-ਸੰਬੰਧ ਜਾਂ ਸਿੰਗਲ ਰਿਗਰੈਸ਼ਨ ਨਾਲੋਂ ਸਬੰਧਾਂ ਦੇ ਵਧੇਰੇ ਵਿਆਪਕ ਪੈਟਰਨ ਦੇਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸਦੀ ਵਰਤੋਂ ਲਈ ਧਾਰਨਾਵਾਂ, ਡੇਟਾ ਗੁਣਵੱਤਾ, ਅਤੇ ਢੁਕਵੀਂ ਵਿਆਖਿਆ ਰਣਨੀਤੀਆਂ (ਖਾਸ ਕਰਕੇ ਲੋਡਿੰਗ, ਕਰਾਸ-ਲੋਡਿੰਗ ਅਤੇ ਰਿਡੰਡੈਂਸੀ 'ਤੇ ਜ਼ੋਰ ਦੇ ਨਾਲ) ਵੱਲ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਦੋ ਪ੍ਰਾਇਮਰੀ ਡੋਮੇਨਾਂ ਵਿੱਚ ਕਈ ਸੂਚਕਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੀ ਖੋਜ ਵਿੱਚ, CCA ਗੁੰਝਲਦਾਰ ਸਬੰਧਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਅਤੇ ਅਰਥਪੂਰਨ ਮਾਪਾਂ ਵਿੱਚ ਸੰਖੇਪ ਕਰਨ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੋ ਸਕਦਾ ਹੈ।
