Общие цели для факторного анализа:

1.      Идентифицировать набор переменных, которые Вы не можете легко наблюдать в большом наборе переменных

2.      Изобрести средства для объединения или сжатия больших объемов наблюдений в отчетливо различные группы в пределах большей совокупности данных.

Создать полностью новый набор меньшего числа переменных и частично или полностью заменить первоначальный набор переменных, который можно потом использовать в регрессе, корреляции, кластере, или дискриминантном анализе.

3.2.43. <Cluster Analysis>

Кластерный анализ в SG позволяет Вам идентифицировать иерархические кластеры наблюдений в наборе данных, используя один из шести методов или алгоритмов: Самый близкий, Соседний, Дальше всего, Центр тяжести, Медиана, Среднее число Группы.

В иерархических методах, каждое наблюдение начинается в его собственном кластере. Два кластера тогда объединяются, чтобы формировать новый кластер, который заменяет два старых кластера. Этот процесс повторяется до тех пока, остается только один кластер.

3.2.44. <Discriminant Analysis>

Сложные проблемы и результаты плохих измерений часто вынуждают исследователей искать более объективные пути, чтобы решить задачу предсказания результатов. Дискриминантный анализ - статистическая методика, которая обычно используется, чтобы решить проблемы этого типа. Его необходимо использовать, когда возможно классифицировать (разделить) данные на две или большее количество групп, и когда требуется найти одну или большее количество функций, которые могут помочь выявить различия среди известных групп.

3.2.45. <Canonical Correlations>

Канонический корреляционный анализ - методика, которая используется, для изучения отношения между двумя наборами переменных, каждая из которых могла бы содержать несколько переменных. Его цель состоит в том, чтобы объяснить отношения между двумя наборами переменных, находя меньшее число линейных комбинаций в каждом наборе переменных, которые имеют самую высокую корреляцию, возможную между наборами. Это первая каноническая корреляция. Коэффициенты этих комбинаций - канонические коэффициенты или канонические веса. Обычно канонические переменные нормализованы, так что каждая каноническая переменная имеет дисперсию 1. Процесс продолжается до тех пор, пока число пар не равняется числу переменных в самой малой группе.