The second method for checking the

The second method for checking the appropriateness of data for factor analysis is known as “Kaiser-Meyer-OIkin (KMO) measure of overall sampling adequacy’Mhis is an index for comparing the magnitudes of the observed correlation coefficients to the magnitudes of the partial correlation coefficients. KMO value for the data set used in this article is 0.725, which by far meets the requirements of KMO.
Bartlett’s test of sphericity is another test to assess whether the correlation matrix is appropriate for factor analysis. In Bartlett’s test the null hypothesis is that correlation matrix which comes from a population of variables that are independent. If the null hypothesis can be rejected, then a factor analysis can be conducted. For our data set, Barlett Test of Sphericity is equal to 42.812, and it is significant for the p < 0,0000. So, the sample is suitable for the factor analysis.
The three methods used for checking the appropriateness of data for factor analysis
proved our data set to be suitable for performing this analysis.
The principal factor model is used in prediction of model parameters of Factor Analysis. In order to determine the number of common factors to be extracted, the talent root criterion was used. According to this rule, the number of common factors is equal to the number of factors having eigenvalue of greater than 1. In Table 2, it is seen that the number of factors having eigenvalue greater than 1 is four, so the number of common factors is four. Using the first four factors, 77.4 % of variance can be explained.
Communality can be defined as the proportion of the total variance of a variable accounted for and the common factors in a factor analysis. If the entire variance of a variable is explained by the common factors, the communality is equal to 1. Low communality for a variable indicates that that specific variable cannot be explained well using the common factors with respect to other financial ratios. However, looking at Table 3, communalities seem extremely high which means that common factors are successful in representing the financial ratios.
Table 4 presents the factor-loading matrix. Factor loading represents the correlation between the common factors and the financial ratios. The factor-loading matrix can be considered the beta weights of a multiple regression analysis. Thus, the empirical classification of the financial ratios was done using the loading in Table 4. Inspection of the matrix will show that certain variables have a high correlation, or high loading on a factor, whereas other variables do not. It then becomes possible to determine which financial ratios are best represented by the common factors. The financial ratios are generally placed under the factor having the highest factor loading for that variable. In this article, the factor-loading matrix was examined to classify the financial ratios.
In this step, each common factor is labeled to reflect the common characteristics of financial ratios having high loading on factors. The following financial ratios have high loading on factor one. All of them are profitability ratios and factor one can be named as Profitability Factor.

Kết quả (Việt) 1:

Phương pháp thứ hai cho việc kiểm tra sự phù hợp của dữ liệu để phân tích nhân tố được gọi là "Kaiser-Meyer-OIkin (KMO) biện pháp của tổng thể mẫu adequacy'Mhis là một chỉ số để so sánh magnitudes hệ số tương quan quan sát để magnitudes hệ số tương quan một phần. KMO giá trị cho dữ liệu được sử dụng trong bài viết này là 0.725, bởi đến nay đáp ứng các yêu cầu của KMO.Bartlett's test of sphericity là một thử nghiệm để đánh giá liệu ma trận tương quan là phù hợp với yếu tố phân tích. Ở Bartlett's test các giả thuyết null là là ma trận tương quan, xuất phát từ một dân số của các biến độc lập. Nếu giả thuyết null có thể bị từ chối, sau đó một phân tích yếu tố có thể được tiến hành. Để thiết lập dữ liệu của chúng tôi, Barlett Test of Sphericity là tương đương với 42.812, và nó là quan trọng cho p < 0,0000. Vì vậy, các mẫu là thích hợp cho việc phân tích nhân tố.Ba phương pháp được sử dụng cho việc kiểm tra sự phù hợp của dữ liệu để phân tích nhân tốchứng minh các thiết lập dữ liệu của chúng tôi để phù hợp với thực hiện phân tích này.Mẫu yếu tố chủ yếu được sử dụng trong dự báo của mô hình tham số của yếu tố phân tích. Để xác định số lượng các yếu tố phổ biến cần được trích xuất, tài năng gốc tiêu chuẩn được sử dụng. Theo quy tắc này, số lượng các yếu tố phổ biến là tương đương với số lượng các yếu tố có eigenvalue lớn hơn 1. Trong bảng 2, thấy rằng số lượng các yếu tố có eigenvalue lớn hơn 1 là bốn người, do đó, số lượng các yếu tố phổ biến là bốn. Sử dụng các yếu tố đầu tiên bốn, 77.4% phương sai có thể được giải thích.Communality có thể được định nghĩa là tỷ trọng của phương sai tổng số của một biến chiếm và những yếu tố phổ biến trong một phân tích yếu tố. Nếu toàn bộ phương sai của một biến được giải thích bởi các yếu tố thông thường, communality là bằng 1. Communality thấp đối với một biến chỉ ra rằng đó biến cụ thể không thể được giải thích tốt bằng cách sử dụng những yếu tố phổ biến đối với các tỷ lệ tài chính. Tuy nhiên, nhìn vào bảng 3, communalities có vẻ rất cao có nghĩa là yếu tố phổ biến được thành công trong việc đại diện cho các tỷ lệ tài chính.Bảng 4 giới thiệu ma trận nhân tố-tải. Factor loading đại diện cho các mối tương quan giữa các yếu tố phổ biến và tỷ lệ tài chính. Ma trận nhân tố-tải có thể được coi là trọng lượng beta trong một phân tích hồi qui nhiều. Vì vậy, việc phân loại thực nghiệm của các tỷ lệ tài chính đã được thực hiện bằng cách sử dụng nạp trong bảng 4. Kiểm tra của ma trận sẽ hiển thị rằng biến nhất định có một mối tương quan cao, hoặc áp lực trên một yếu tố, trong khi các biến khác thì không. Nó sau đó trở thành có thể để xác định tỷ lệ tài chính tốt nhất được đại diện bởi các yếu tố thông thường. Tỷ lệ tài chính nói chung được đặt dưới các yếu tố có cao nhất yếu tố nạp đối với biến đó. Trong bài này, Ma trận nhân tố-tải được kiểm tra để phân loại các tỷ lệ tài chính.Trong bước này, mỗi yếu tố thường được gắn nhãn để phản ánh các đặc trưng phổ biến của tỷ lệ tài chính có áp lực trên các yếu tố. Tỷ lệ tài chính sau đây có áp lực trên yếu tố một. Tất cả chúng là tỷ lệ lợi nhuận và các yếu tố một có thể được đặt tên như là yếu tố lợi nhuận.

Kết quả (Việt) 2:

Phương pháp thứ hai để kiểm tra sự phù hợp của dữ liệu để phân tích yếu tố được gọi là "Kaiser-Meyer-OIkin (KMO) biện pháp adequacy'Mhis lấy mẫu tổng thể là một chỉ số để so sánh độ lớn của hệ số tương quan sát với độ lớn của sự tương quan từng phần hệ số. KMO giá trị cho tập dữ liệu được sử dụng trong bài viết này là 0,725, mà đến nay đáp ứng các yêu cầu của KMO.
Kiểm tra các cầu thể Bartlett là một thử nghiệm để đánh giá xem liệu các ma trận tương quan là thích hợp cho phân tích nhân tố. Trong thử nghiệm Bartlett của giả thuyết là ma trận tương quan mà xuất phát từ một dân số của các biến độc lập. Nếu giả thuyết có thể bị từ chối, sau đó phân tích yếu tố có thể được tiến hành. Đối với bộ dữ liệu của chúng tôi, Barlett thử nghiệm của cầu thể là tương đương với 42,812, và nó có ý nghĩa đối với p <0,0000. Vì vậy, mẫu phù hợp cho việc phân tích nhân tố.
Ba phương pháp được sử dụng để kiểm tra sự phù hợp của dữ liệu để phân tích yếu tố
chứng minh dữ liệu của chúng tôi thiết lập cho phù hợp để thực hiện phân tích này.
Các mô hình nhân tố chủ yếu được sử dụng trong dự đoán của các thông số mô hình phân tích nhân tố . Để xác định số lượng các yếu tố thông thường được chiết xuất, các tiêu chí gốc tài năng đã được sử dụng. Theo quy định này, số lượng các yếu tố phổ biến là bằng với số yếu tố có eigenvalue lớn hơn 1. Trong bảng 2, ta thấy rằng số lượng các yếu tố có eigenvalue lớn hơn 1 là bốn, vì vậy số lượng các yếu tố thông thường là bốn. Sử dụng bốn yếu tố đầu tiên, 77,4% phương sai có thể được giải thích.
Tính cộng đồng có thể được định nghĩa là tỷ lệ của tổng phương sai của một biến chiếm và các yếu tố phổ biến trong phân tích nhân tố. Nếu toàn bộ phương sai của một biến được giải thích bởi các yếu tố phổ biến, tính cộng đồng là bằng 1. Low tính cộng đồng cho một biến cho thấy rằng biến cụ thể không thể giải thích nổi bằng cách sử dụng các yếu tố phổ biến đối với các chỉ tiêu tài chính khác với. Tuy nhiên, nhìn vào bảng 3, communalities vẻ cực kỳ cao có nghĩa là yếu tố thông thường là thành công trong việc đại diện các chỉ tiêu tài chính.
Bảng 4 trình bày ma trận hệ số nạp. Yếu tố tải đại diện cho mối tương quan giữa các yếu tố phổ biến và các chỉ tiêu tài chính. Ma trận yếu tố nạp có thể được coi là trọng lượng beta của một phân tích hồi quy đa biến. Vì vậy, việc phân loại theo kinh nghiệm của các tỷ lệ tài chính đã được thực hiện bằng cách sử dụng tải trong Bảng 4. Kiểm tra ma trận sẽ thấy rằng biến nhất định có một mối tương quan cao, hoặc tải cao trên một yếu tố, trong khi các biến số khác thì không. Sau đó nó trở thành có thể để xác định tỷ lệ tài chính được thể hiện tốt nhất bởi các yếu tố thông thường. Các chỉ tiêu tài chính thường được đặt dưới sự yếu tố có tải yếu tố cao nhất cho biến đó. Trong bài viết này, các ma trận hệ số nạp đã được kiểm tra để phân loại các chỉ tiêu tài chính.
Trong bước này, mỗi yếu tố phổ biến được dán nhãn để phản ánh đặc điểm chung của các tỷ lệ tài chính có tải cao trên các yếu tố. Các chỉ tiêu tài chính sau đây có tải cao về yếu tố một. Tất cả đều là tỷ suất lợi nhuận và yếu tố có thể được đặt tên là Khả năng sinh lời Factor.