Zawody
Wskaźniki dla każdej zawodu skróconego ISCO są utworzone jako średnia wszystkich odpowiadających temu zawodowi kategorii SOC. Średnich nie ważyłem.
Klastrowanie hierarchiczne
Work Styles - to z Work context: kwestionariusz
grupowanie pod względem bliskości: na początek tabela korelacji, potem dendrogramy 
Work Values - jak wyżej
to samo, tylko na work values (“wartości” nie są tu dobrym tłumaczeniem) 
How important is the activity to your current job? kwestionariusz
Tutaj pierwszy rysunek pokazuje, że istnieją itemy ujemnie skorelowane 
What level of the activity is needed to perform your current job?
Trochę mniej istotna wg mnie zmienna 
Klastrowanie k- średnich
W każdej zmiennej algorytm wskazuje, ze najlepsze są dwa klastry. Bierze się to stąd, że zmienne są wysoko skorelowane. Tak więc mamy grupę “wysokich wyników” i “niskich wyników”
# funkcja pamk ustala optymalną liczbę klastrów
pb<-pamk(scale(abil.im2[,2:53]))
pb$nc## [1] 2pb<-pamk(scale(abil.lv2[,2:53]))
pb$nc## [1] 2pb<-pamk(scale(style2[,2:17]))
pb$nc## [1] 2pb<-pamk(scale(wartosci2[,2:7]))
pb$nc## [1] 2km1<-kmeans(scale(wartosci2[,2:7]),2)
km1$centers## EX.Achievement EX.Working.Conditions EX.Recognition EX.Relationships
## 1 0.9820 0.9485 0.9869 0.5423
## 2 -0.7737 -0.7473 -0.7775 -0.4272
## EX.Support EX.Independence
## 1 0.01342 0.9050
## 2 -0.01057 -0.7131# to jest fuzzy clustering, widać, że podział na cztery klastry jest sztuczny: algorytm "wymusza" dwa klastry
fan1<-fanny(style2[,2:17],4,stand=T)
head(fan1$membership,5)## [,1]
## PRZEDSTAWICIELE WŁADZ PUBLICZNYCH I WYŻSI URZĘDNICY 0.3503
## DYREKTIRZY GENERALNI I WYKONAWCZY 0.3386
## Kierownicy do spraw obsługi biznesu i zarządzania 0.3587
## Kierownicy do spraw sprzedaży, marketingu i rozwoju 0.3530
## Kierownicy produkcji w rolnictwie, leśnictwie i rybołówstwie 0.3264
## [,2]
## PRZEDSTAWICIELE WŁADZ PUBLICZNYCH I WYŻSI URZĘDNICY 0.1497
## DYREKTIRZY GENERALNI I WYKONAWCZY 0.1614
## Kierownicy do spraw obsługi biznesu i zarządzania 0.1413
## Kierownicy do spraw sprzedaży, marketingu i rozwoju 0.1470
## Kierownicy produkcji w rolnictwie, leśnictwie i rybołówstwie 0.1736
## [,3]
## PRZEDSTAWICIELE WŁADZ PUBLICZNYCH I WYŻSI URZĘDNICY 0.1497
## DYREKTIRZY GENERALNI I WYKONAWCZY 0.1614
## Kierownicy do spraw obsługi biznesu i zarządzania 0.1413
## Kierownicy do spraw sprzedaży, marketingu i rozwoju 0.1470
## Kierownicy produkcji w rolnictwie, leśnictwie i rybołówstwie 0.1736
## [,4]
## PRZEDSTAWICIELE WŁADZ PUBLICZNYCH I WYŻSI URZĘDNICY 0.3503
## DYREKTIRZY GENERALNI I WYKONAWCZY 0.3386
## Kierownicy do spraw obsługi biznesu i zarządzania 0.3587
## Kierownicy do spraw sprzedaży, marketingu i rozwoju 0.3530
## Kierownicy produkcji w rolnictwie, leśnictwie i rybołówstwie 0.3264# wyjaśnienie, co oznaczają wartości 1,2 klastrów
km1$centers[1:2,1:3]## EX.Achievement EX.Working.Conditions EX.Recognition
## 1 0.9820 0.9485 0.9869
## 2 -0.7737 -0.7473 -0.7775km2$centers[1:2,1:3]## IM.Achievement.Effort IM.Persistence IM.Initiative
## 1 -0.8381 -0.8716 -0.8805
## 2 0.5952 0.6189 0.6253km3$centers[1:2,1:3]## IM.Oral.Comprehension IM.Written.Comprehension IM.Oral.Expression
## 1 0.7796 0.8211 0.7572
## 2 -0.7796 -0.8211 -0.7572km3$centers[1:2,1:3]## IM.Oral.Comprehension IM.Written.Comprehension IM.Oral.Expression
## 1 0.7796 0.8211 0.7572
## 2 -0.7796 -0.8211 -0.7572km4$centers[1:2,1:3]## LV.Oral.Comprehension LV.Written.Comprehension LV.Oral.Expression
## 1 0.7565 0.7895 0.7554
## 2 -0.7565 -0.7895 -0.7554Robimy najprostszą rzecz: analiza klas ukrytych
xtabs(~interaction(styl,wartosci,abilim,abillv), latte)## interaction(styl, wartosci, abilim, abillv)
## 1.1.1.1 2.1.1.1 1.2.1.1 2.2.1.1 1.1.2.1 2.1.2.1 1.2.2.1 2.2.2.1 1.1.1.2
## 1 47 3 8 0 0 0 0 0
## 2.1.1.2 1.2.1.2 2.2.1.2 1.1.2.2 2.1.2.2 1.2.2.2 2.2.2.2
## 0 0 0 0 4 45 10f <- cbind(styl,wartosci,abilim,abillv)~1
la2<- poLCA(f,latte,nclass=2,nrep=5)## Model 1: llik = -171.8 ... best llik = -171.8
## Model 2: llik = -171.8 ... best llik = -171.8
## Model 3: llik = -171.8 ... best llik = -171.8
## Model 4: llik = -171.8 ... best llik = -171.8
## Model 5: llik = -171.8 ... best llik = -171.8
## Conditional item response (column) probabilities,
## by outcome variable, for each class (row)
##
## $styl
## Pr(1) Pr(2)
## class 1: 0.7627 0.2373
## class 2: 0.0678 0.9322
##
## $wartosci
## Pr(1) Pr(2)
## class 1: 0.0678 0.9322
## class 2: 0.8136 0.1864
##
## $abilim
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
##
## $abillv
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
##
## Estimated class population shares
## 0.5 0.5
##
## Predicted class memberships (by modal posterior prob.)
## 0.5 0.5
##
## =========================================================
## Fit for 2 latent classes:
## =========================================================
## number of observations: 118
## number of estimated parameters: 9
## residual degrees of freedom: 6
## maximum log-likelihood: -171.8
##
## AIC(2): 361.5
## BIC(2): 386.4
## G^2(2): 19.14 (Likelihood ratio/deviance statistic)
## X^2(2): 22.78 (Chi-square goodness of fit)
## plot(la2)
la3<- poLCA(f,latte,nclass=3,nrep=5)## Model 1: llik = -165.5 ... best llik = -165.5
## Model 2: llik = -168.4 ... best llik = -165.5
## Model 3: llik = -168.4 ... best llik = -165.5
## Model 4: llik = -165.5 ... best llik = -165.5
## Model 5: llik = -165.5 ... best llik = -165.5
## Conditional item response (column) probabilities,
## by outcome variable, for each class (row)
##
## $styl
## Pr(1) Pr(2)
## class 1: 0.8357 0.1643
## class 2: 0.0678 0.9322
## class 3: 0.0000 1.0000
##
## $wartosci
## Pr(1) Pr(2)
## class 1: 0.0000 1.0000
## class 2: 0.8136 0.1864
## class 3: 0.7766 0.2234
##
## $abilim
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
## class 3: 0 1
##
## $abillv
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
## class 3: 0 1
##
## Estimated class population shares
## 0.4564 0.5 0.0436
##
## Predicted class memberships (by modal posterior prob.)
## 0.4661 0.5 0.0339
##
## =========================================================
## Fit for 3 latent classes:
## =========================================================
## number of observations: 118
## number of estimated parameters: 14
## residual degrees of freedom: 1
## maximum log-likelihood: -165.5
##
## AIC(3): 359
## BIC(3): 397.8
## G^2(3): 6.64 (Likelihood ratio/deviance statistic)
## X^2(3): 8.985 (Chi-square goodness of fit)
## plot(la3)
la4<- poLCA(f,latte,nclass=4,nrep=5)## Model 1: llik = -162.2 ... best llik = -162.2
## Model 2: llik = -162.2 ... best llik = -162.2
## Model 3: llik = -165.5 ... best llik = -162.2
## Model 4: llik = -165.5 ... best llik = -162.2
## Model 5: llik = -165.5 ... best llik = -162.2
## Conditional item response (column) probabilities,
## by outcome variable, for each class (row)
##
## $styl
## Pr(1) Pr(2)
## class 1: 0.0000 1.0000
## class 2: 0.9138 0.0862
## class 3: 0.0208 0.9792
## class 4: 0.8202 0.1798
##
## $wartosci
## Pr(1) Pr(2)
## class 1: 0.9667 0.0333
## class 2: 0.0014 0.9986
## class 3: 0.8587 0.1413
## class 4: 0.0000 1.0000
##
## $abilim
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
## class 3: 1 0
## class 4: 0 1
##
## $abillv
## Pr(1) Pr(2)
## class 1: 0 1
## class 2: 1 0
## class 3: 1 0
## class 4: 0 1
##
## Estimated class population shares
## 0.0351 0.0263 0.4737 0.4649
##
## Predicted class memberships (by modal posterior prob.)
## 0.0339 0.0254 0.4746 0.4661
##
## =========================================================
## Fit for 4 latent classes:
## =========================================================
## number of observations: 118
## number of estimated parameters: 19
## residual degrees of freedom: -4
## maximum log-likelihood: -162.2
##
## AIC(4): 362.4
## BIC(4): 415
## G^2(4): 1.371e-11 (Likelihood ratio/deviance statistic)
## X^2(4): 6.85e-12 (Chi-square goodness of fit)
##
## ALERT: negative degrees of freedom; respecify model
## plot(la4)
# jakie zawody przynależą do jakich klas:
latte$isco[la4$predclass==1]## [1] Mistrzowie produkcji w górnictwie, przemyśle przetwórczym i budownictwie
## [2] Pracownicy transportu morskiego, żeglugi śródlądowej i lotnictwa
## [3] Sportowcy, trenerzy i pokrewni
## [4] Pracownicy usług ochrony (strażacy, policjanci)
## 125 Levels: Agenci i pośrednicy handlowi ...latte$isco[la4$predclass==2]## [1] Operatorzy urządzeń biurowych
## [2] Sprzedawcy uliczni i bazarowi
## [3] Inni pracownicy sprzedaży i pokrewni
## 125 Levels: Agenci i pośrednicy handlowi ...latte$isco[la4$predclass==3]## [1] PRZEDSTAWICIELE WŁADZ PUBLICZNYCH I WYŻSI URZĘDNICY
## [2] DYREKTIRZY GENERALNI I WYKONAWCZY
## [3] Kierownicy do spraw obsługi biznesu i zarządzania
## [4] Kierownicy do spraw sprzedaży, marketingu i rozwoju
## [5] Kierownicy produkcji w rolnictwie, leśnictwie i rybołówstwie
## [6] Kierownicy w górnictwie, przemyśle, budownictwie i dystrybucji
## [7] Kierownicy do spraw technologii informatycznych
## [8] Kierownicy w instytucjach usług wyspecjalizowanych
## [9] Kierownicy w gastronomii i hotelarstwie
## [10] Kierownicy do spraw handlu detalicznego i hurtowego
## [11] Kierownicy do spraw innych typów usług
## [12] Fizycy, chemicy i specjaliści nauk o Ziemi
## [13] Matematycy, statystycy i pokrewni
## [14] Specjaliści nauk biologicznych i pokrewni
## [15] Inżynierowie (z wyłączeniem elektrotechnologii)
## [16] Inżynierowie elektrotechnologii
## [17] Architekci, geodeci, projektanci i pokrewni
## [18] Lekarze
## [19] Pielęgniarki
## [20] Specjaliści ratownictwa medycznego
## [21] Lekarze weterynarii
## [22] Lekarze dentyści
## [23] Nauczyciele akademiccy
## [24] Nauczyciele kształcenia zawodowego
## [25] Nauczyciele gimnazjów i szkół ponadgimnazjalnych
## [26] Nauczyciele szkół podstawowych
## [27] Inni specjaliści nauczania i wychowania
## [28] Specjaliści do spraw finansowych
## [29] Specjaliści do spraw administracji i zarządzania
## [30] Specjaliści do spraw sprzedaży, marketingu i public relations
## [31] Analitycy systemowi i programiści
## [32] Specjaliści do spraw baz danych i sieci komputerowych
## [33] Specjaliści z dziedziny prawa
## [34] Bibliotekoznawcy, archiwiści i muzealnicy
## [35] Specjaliści z dziedzin społecznych i religijnych
## [36] Literaci, dziennikarze i filolodzy
## [37] Twórcy i artyści
## [38] Technicy nauk fizycznych i technicznych
## [39] Technicy medyczni i farmaceutyczni
## [40] Dietetycy i żywieniowcy
## [41] Inny średni personel do spraw zdrowia
## [42] średni personel do spraw finansowych
## [43] Agenci i pośrednicy handlowi
## [44] Pośrednicy usług biznesowych
## [45] Pracownicy administracyjni i sekretarze wyspecjalizowani
## [46] Urzędnicy państwowi do spraw nadzoru
## [47] średni personel z dziedziny prawa, spraw społecznych i religii
## [48] Średni personel w zakresie działalności artystycznej, kulturalnej i kulinarnej
## [49] Technicy do spraw technologii teleinformatycznych
## [50] Pracownicy obsługi biurowej
## [51] Sekretarki (ogólne)
## [52] Pracownicy obrotu pieniężnego
## [53] Pracownicy do spraw informowania klientów
## [54] Pracownicy do spraw finansowo-statystycznych
## [55] Pracownicy do spraw ewidencji materiałowej i transportu
## [56] Pracownicy sprzedaży w sklepach
## 125 Levels: Agenci i pośrednicy handlowi ...latte$isco[la4$predclass==4]## [1] Kontrolerzy (sterowniczy) procesów przemysłowych
## [2] Technicy nauk biologicznych, rolniczych i technologii żywności
## [3] Technicy weterynarii
## [4] Pozostali pracownicy obsługi biura
## [5] Stewardzi, konduktorzy i przewodnicy
## [6] Kucharze
## [7] Kelnerzy i barmani
## [8] Fryzjerzy, kosmetyczki i pokrewni
## [9] Gospodarze obiektów
## [10] Pozostali pracownicy usług osobistych
## [11] Kasjerzy i sprzedawcy biletów
## [12] Opiekunowie dziecięcy i asystenci nauczycieli
## [13] Pracownicy opieki osobistej w ochronie zdrowia i pokrewni
## [14] Rolnicy produkcji roślinnej
## [15] Hodowcy zwierząt
## [16] Rolnicy produkcji roślinnej i zwierzęcej
## [17] Robotnicy leśni i pokrewni
## [18] Rybacy
## [19] Rolnicy pracujący na własne potrzeby
## [20] Rolnicy produkcji roślinnej i zwierzęcej pracujący na własne
## [21] Robotnicy budowlani robót stanu surowego i pokrewni
## [22] Robotnicy budowlani robót wykończeniowych i pokrewni
## [23] Malarze, pracownicy czyszczący konstrukcje budowlane i pokrewni
## [24] Formierze odlewniczy, spawacze, blacharze
## [25] Kowale, ślusarze i pokrewni
## [26] Mechanicy maszyn i urządzeń
## [27] Rzemieślnicy i inni robotnicy przemysłowi
## [28] Robotnicy poligraficzni
## [29] Elektrycy budowlani, elektromechanicy i elektromonterzy
## [30] Monterzy elektronicy
## [31] Robotnicy w przetwórstwie spożywczym i pokrewni
## [32] Robotnicy obróbki drewna, stolarze i pokrewni
## [33] Robotnicy produkcji odzieży i pokrewni
## [34] Operatorzy maszyn i urządzeń górniczych i pokrewni
## [35] Operatorzy maszyn i urządzeń do produkcji metalowej
## [36] Operatorzy urządzeń do produkcji chemicznej i fotograficznej
## [37] Operatorzy maszyn do produkcji wyrobów gumowych, tworzyw sztucznych i papierniczych
## [38] Operatorzy maszyn do produkcji wyrobów włókienniczych
## [39] Operatorzy maszyn i urządzeń do produkcji wyrobów spożywczych
## [40] Operatorzy maszyn i urządzeń do obróbki drewna i produkcji papieru
## [41] Operatorzy innych maszyn i urządzeń przetwórczych
## [42] Monterzy
## [43] Maszyniści kolejowi, dyżurni ruchu i pokrewni
## [44] Kierowcy samochodów osobowych, dostawczych i motocykli
## [45] Kierowcy ciężarówek i autobusów
## [46] Operatorzy pojazdów wolnobieżnych i pokrewni
## [47] Pomoce i sprząaczki domowe, biurowe, hotelowe
## [48] Myjący pojazdy, szyby, praczki i inni sprzątacze
## [49] Robotnicy pomocniczy w rolnictwie, leśnictwie i rybołówstwie
## [50] Robotnicy pomocniczy w górnictwie i budownictwie
## [51] Robotnicy przy pracach prostych w przemyśle
## [52] Robotnicy pomocniczy transportu i prac magazynowych
## [53] Pracownicy pomocniczy przygotowujący posiłki
## [54] Ładowacze nieczystości i pokrewni
## [55] Pozostali pracownicy przy pracach prostych
## 125 Levels: Agenci i pośrednicy handlowi ...Jeden z pomysłów jest taki, aby spróbować w tych klastrach wyróżnić “podklastry”, jak widać, w większości są to dwa podklastry
style21<-style2[style2$kluster==1,]
#head(style21[,1:2],10)
pb<-pamk(scale(style21[,2:17]))
pb$nc## [1] 2style22<-style2[style2$kluster==2,]
#head(style22[,1:2],10)
pb<-pamk(scale(style22[,2:17]))
pb$nc## [1] 3wartosci21<-wartosci2[wartosci2$kluster==1,]
#head(wartosci21[,1:2],10)
pb<-pamk(scale(wartosci21[,2:7]))
pb$nc## [1] 2wartosci22<-wartosci2[wartosci2$kluster==2,]
#head(wartosci22[,1:2],10)
pb<-pamk(scale(wartosci22[,2:7]))
pb$nc## [1] 2Moje propozycje:
utworzyć z abilities (importance) zmienne latentne opisujące dobrze strukturę, na obecną chwilę jest ich za dużo
to samo zrobić z work styles i values, poszukać czynników
zastanowić się, jakie zmienne dorzucić - knowledge kwestionariusz?
Z analizy na work styles przykładowo otrzymujemy 2 czynniki:
nastawienie na osiągnięcia i zdolności, indywidualizm
skupienie na innych, wspólnotowość
faa1 <- fa(style2[,2:17], nfactors=2,rotate="oblimin")
faa1## Factor Analysis using method = minres
## Call: fa(r = style2[, 2:17], nfactors = 2, rotate = "oblimin")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 MR2 h2 u2 com
## IM.Achievement.Effort 0.94 -0.02 0.87 0.128 1.0
## IM.Persistence 0.93 0.02 0.89 0.114 1.0
## IM.Initiative 0.91 0.09 0.93 0.073 1.0
## IM.Leadership 0.67 0.27 0.70 0.299 1.3
## IM.Cooperation 0.16 0.78 0.77 0.229 1.1
## IM.Concern.for.Others -0.08 0.96 0.84 0.156 1.0
## IM.Social.Orientation -0.11 0.95 0.80 0.205 1.0
## IM.Self.Control -0.05 0.99 0.92 0.078 1.0
## IM.Stress.Tolerance 0.29 0.71 0.81 0.192 1.3
## IM.Adaptability/Flexibility 0.54 0.49 0.80 0.198 2.0
## IM.Dependability 0.39 0.63 0.81 0.185 1.7
## IM.Attention.to.Detail 0.64 0.06 0.45 0.547 1.0
## IM.Integrity 0.54 0.45 0.77 0.235 1.9
## IM.Independence 0.54 0.27 0.52 0.483 1.5
## IM.Innovation 0.83 -0.09 0.63 0.374 1.0
## IM.Analytical.Thinking 0.98 -0.18 0.80 0.201 1.1
##
## MR1 MR2
## SS loadings 6.81 5.49
## Proportion Var 0.43 0.34
## Cumulative Var 0.43 0.77
## Proportion Explained 0.55 0.45
## Cumulative Proportion 0.55 1.00
##
## With factor correlations of
## MR1 MR2
## MR1 1.00 0.53
## MR2 0.53 1.00
##
## Mean item complexity = 1.2
## Test of the hypothesis that 2 factors are sufficient.
##
## The degrees of freedom for the null model are 120 and the objective function was 22.71 with Chi Square of 2517
## The degrees of freedom for the model are 89 and the objective function was 3.77
##
## The root mean square of the residuals (RMSR) is 0.04
## The df corrected root mean square of the residuals is 0.05
##
## The harmonic number of observations is 118 with the empirical chi square 49.77 with prob < 1
## The total number of observations was 118 with MLE Chi Square = 412.6 with prob < 3.8e-43
##
## Tucker Lewis Index of factoring reliability = 0.816
## RMSEA index = 0.184 and the 90 % confidence intervals are 0.159 0.193
## BIC = -11.97
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy
## MR1 MR2
## Correlation of scores with factors 0.99 0.99
## Multiple R square of scores with factors 0.98 0.97
## Minimum correlation of possible factor scores 0.95 0.94fa.diagram(faa1)
W przypadku values można wyróżnić słabszy, drugi czynnik
pierwszy: ogólny
słaby czynnik: support i częściowo relacje, czyli także czynnik bardziej “wspólnotowy”
faa2 <- fa(wartosci2[,2:7], nfactors=2,rotate="oblimin")
faa2## Factor Analysis using method = minres
## Call: fa(r = wartosci2[, 2:7], nfactors = 2, rotate = "oblimin")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 MR2 h2 u2 com
## EX.Achievement 0.99 -0.11 0.98 0.0192 1.0
## EX.Working.Conditions 0.96 0.19 0.99 0.0093 1.1
## EX.Recognition 0.98 0.01 0.96 0.0411 1.0
## EX.Relationships 0.53 -0.24 0.32 0.6826 1.4
## EX.Support 0.04 0.61 0.37 0.6250 1.0
## EX.Independence 0.95 -0.03 0.90 0.1043 1.0
##
## MR1 MR2
## SS loadings 4.04 0.47
## Proportion Var 0.67 0.08
## Cumulative Var 0.67 0.75
## Proportion Explained 0.90 0.10
## Cumulative Proportion 0.90 1.00
##
## With factor correlations of
## MR1 MR2
## MR1 1.00 0.09
## MR2 0.09 1.00
##
## Mean item complexity = 1.1
## Test of the hypothesis that 2 factors are sufficient.
##
## The degrees of freedom for the null model are 15 and the objective function was 8.07 with Chi Square of 921.5
## The degrees of freedom for the model are 4 and the objective function was 0.03
##
## The root mean square of the residuals (RMSR) is 0.02
## The df corrected root mean square of the residuals is 0.03
##
## The harmonic number of observations is 118 with the empirical chi square 1.04 with prob < 0.9
## The total number of observations was 118 with MLE Chi Square = 3.59 with prob < 0.46
##
## Tucker Lewis Index of factoring reliability = 1.002
## RMSEA index = 0 and the 90 % confidence intervals are NA 0.133
## BIC = -15.49
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy
## MR1 MR2
## Correlation of scores with factors 1.00 0.90
## Multiple R square of scores with factors 0.99 0.81
## Minimum correlation of possible factor scores 0.99 0.62fa.diagram(faa2)
Abilities: dwa czynniki bardzo wyraźne: zdolności intelektualne i fizyczne. Gdy wchodzi się w więcej czynników, czynnik fizyczny dzieli się na kilka bardziej specyficznych
faa2 <- fa(abil.im2[,2:53], nfactors=2,rotate="oblimin")
faa2## Factor Analysis using method = minres
## Call: fa(r = abil.im2[, 2:53], nfactors = 2, rotate = "oblimin")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 MR2 h2 u2 com
## IM.Oral.Comprehension -0.44 0.66 0.82 0.179 1.7
## IM.Written.Comprehension -0.42 0.72 0.90 0.100 1.6
## IM.Oral.Expression -0.41 0.68 0.81 0.186 1.6
## IM.Written.Expression -0.41 0.73 0.89 0.105 1.6
## IM.Fluency.of.Ideas -0.21 0.82 0.82 0.179 1.1
## IM.Originality -0.19 0.78 0.75 0.251 1.1
## IM.Problem.Sensitivity 0.12 0.91 0.78 0.222 1.0
## IM.Deductive.Reasoning -0.14 0.87 0.86 0.144 1.1
## IM.Inductive.Reasoning -0.14 0.86 0.83 0.169 1.1
## IM.Information.Ordering -0.14 0.78 0.69 0.306 1.1
## IM.Category.Flexibility -0.10 0.76 0.63 0.366 1.0
## IM.Mathematical.Reasoning -0.22 0.66 0.58 0.422 1.2
## IM.Number.Facility -0.12 0.65 0.49 0.511 1.1
## IM.Memorization -0.15 0.74 0.65 0.351 1.1
## IM.Speed.of.Closure 0.29 0.84 0.63 0.374 1.2
## IM.Flexibility.of.Closure 0.48 0.82 0.65 0.352 1.6
## IM.Perceptual.Speed 0.55 0.49 0.37 0.626 2.0
## IM.Spatial.Orientation 0.91 0.13 0.77 0.232 1.0
## IM.Visualization 0.68 0.47 0.47 0.527 1.8
## IM.Selective.Attention 0.28 0.69 0.43 0.572 1.3
## IM.Time.Sharing 0.38 0.74 0.50 0.497 1.5
## IM.Arm-Hand.Steadiness 0.77 -0.28 0.81 0.191 1.3
## IM.Manual.Dexterity 0.74 -0.36 0.86 0.142 1.5
## IM.Finger.Dexterity 0.60 -0.18 0.47 0.529 1.2
## IM.Control.Precision 0.86 -0.18 0.87 0.127 1.1
## IM.Multilimb.Coordination 0.89 -0.20 0.94 0.058 1.1
## IM.Response.Orientation 0.96 -0.03 0.93 0.071 1.0
## IM.Rate.Control 0.88 -0.16 0.88 0.116 1.1
## IM.Reaction.Time 0.92 -0.09 0.92 0.084 1.0
## IM.Wrist-Finger.Speed 0.63 -0.32 0.64 0.363 1.5
## IM.Speed.of.Limb.Movement 0.84 -0.24 0.89 0.106 1.2
## IM.Static.Strength 0.79 -0.33 0.89 0.109 1.3
## IM.Explosive.Strength 0.46 -0.02 0.22 0.778 1.0
## IM.Dynamic.Strength 0.76 -0.34 0.87 0.133 1.4
## IM.Trunk.Strength 0.65 -0.43 0.80 0.202 1.7
## IM.Stamina 0.74 -0.34 0.82 0.179 1.4
## IM.Extent.Flexibility 0.71 -0.41 0.87 0.132 1.6
## IM.Dynamic.Flexibility 0.45 -0.39 0.46 0.535 2.0
## IM.Gross.Body.Coordination 0.76 -0.31 0.82 0.177 1.3
## IM.Gross.Body.Equilibrium 0.80 -0.23 0.80 0.197 1.2
## IM.Near.Vision 0.04 0.59 0.34 0.663 1.0
## IM.Far.Vision 0.81 0.49 0.64 0.355 1.7
## IM.Visual.Color.Discrimination 0.80 0.23 0.57 0.426 1.2
## IM.Night.Vision 0.89 0.13 0.73 0.267 1.0
## IM.Peripheral.Vision 0.91 0.12 0.77 0.234 1.0
## IM.Depth.Perception 0.98 0.09 0.91 0.092 1.0
## IM.Glare.Sensitivity 0.90 0.02 0.80 0.200 1.0
## IM.Hearing.Sensitivity 0.92 0.25 0.76 0.240 1.1
## IM.Auditory.Attention 0.88 0.21 0.70 0.300 1.1
## IM.Sound.Localization 0.91 0.13 0.77 0.230 1.0
## IM.Speech.Recognition -0.43 0.60 0.72 0.282 1.8
## IM.Speech.Clarity -0.41 0.64 0.75 0.250 1.7
##
## MR1 MR2
## SS loadings 22.50 15.06
## Proportion Var 0.43 0.29
## Cumulative Var 0.43 0.72
## Proportion Explained 0.60 0.40
## Cumulative Proportion 0.60 1.00
##
## With factor correlations of
## MR1 MR2
## MR1 1.00 -0.32
## MR2 -0.32 1.00
##
## Mean item complexity = 1.3
## Test of the hypothesis that 2 factors are sufficient.
##
## The degrees of freedom for the null model are 1326 and the objective function was 136.2 with Chi Square of 13457
## The degrees of freedom for the model are 1223 and the objective function was 69.19
##
## The root mean square of the residuals (RMSR) is 0.08
## The df corrected root mean square of the residuals is 0.09
##
## The harmonic number of observations is 118 with the empirical chi square 2102 with prob < 1.8e-49
## The total number of observations was 118 with MLE Chi Square = 6746 with prob < 0
##
## Tucker Lewis Index of factoring reliability = 0.499
## RMSEA index = 0.219 and the 90 % confidence intervals are 0.191 0.2
## BIC = 911
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy
## MR1 MR2
## Correlation of scores with factors 1 1
## Multiple R square of scores with factors 1 1
## Minimum correlation of possible factor scores 1 1fa.diagram(faa2)
Aż przy 6 jest pojawiają się czynniki odpowiedzialne za kreatywność oraz zdolności matematyczne
faa6 <- fa(abil.im2[,2:53], nfactors=6,rotate="oblimin")
faa6## Factor Analysis using method = minres
## Call: fa(r = abil.im2[, 2:53], nfactors = 6, rotate = "oblimin")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 MR3 MR2 MR4 MR6 MR5 h2
## IM.Oral.Comprehension -0.25 -0.15 0.77 -0.03 -0.03 -0.01 0.95
## IM.Written.Comprehension -0.43 -0.10 0.54 0.04 0.18 0.01 0.94
## IM.Oral.Expression -0.11 -0.16 0.79 -0.15 0.02 0.01 0.95
## IM.Written.Expression -0.42 -0.02 0.59 -0.04 0.12 0.01 0.93
## IM.Fluency.of.Ideas -0.16 -0.11 0.41 -0.31 0.11 0.58 0.98
## IM.Originality -0.18 -0.09 0.37 -0.35 0.04 0.65 0.97
## IM.Problem.Sensitivity 0.06 0.00 0.69 0.13 0.38 0.07 0.88
## IM.Deductive.Reasoning -0.05 -0.07 0.53 -0.08 0.45 0.10 0.90
## IM.Inductive.Reasoning -0.05 -0.11 0.55 -0.04 0.37 0.15 0.88
## IM.Information.Ordering -0.24 -0.11 0.36 0.15 0.41 0.13 0.78
## IM.Category.Flexibility -0.17 -0.15 0.18 -0.02 0.41 0.39 0.76
## IM.Mathematical.Reasoning -0.20 -0.09 -0.10 -0.08 0.87 0.01 0.91
## IM.Number.Facility -0.09 -0.08 -0.13 -0.09 0.92 0.04 0.86
## IM.Memorization 0.08 -0.22 0.50 -0.10 0.32 0.22 0.73
## IM.Speed.of.Closure 0.20 0.00 0.48 0.12 0.47 0.19 0.73
## IM.Flexibility.of.Closure 0.07 0.11 0.24 0.23 0.50 0.35 0.80
## IM.Perceptual.Speed 0.04 0.12 0.02 0.58 0.55 0.00 0.73
## IM.Spatial.Orientation 0.04 0.99 -0.01 -0.10 0.00 0.02 0.97
## IM.Visualization -0.05 0.22 -0.20 0.16 0.06 0.83 0.90
## IM.Selective.Attention -0.10 0.00 0.39 0.46 0.27 0.14 0.61
## IM.Time.Sharing 0.14 0.21 0.84 0.17 -0.03 0.11 0.67
## IM.Arm-Hand.Steadiness 0.50 -0.03 -0.12 0.49 -0.21 0.20 0.96
## IM.Manual.Dexterity 0.40 0.05 -0.22 0.49 -0.21 0.12 0.96
## IM.Finger.Dexterity 0.12 -0.11 -0.31 0.66 -0.14 0.31 0.84
## IM.Control.Precision 0.17 0.33 -0.20 0.54 -0.12 0.09 0.97
## IM.Multilimb.Coordination 0.53 0.28 -0.07 0.24 -0.16 0.15 0.97
## IM.Response.Orientation 0.33 0.48 0.01 0.39 -0.01 -0.02 0.95
## IM.Rate.Control 0.20 0.46 -0.21 0.40 0.00 -0.01 0.93
## IM.Reaction.Time 0.27 0.48 -0.13 0.39 0.05 -0.03 0.95
## IM.Wrist-Finger.Speed 0.13 0.05 -0.29 0.67 -0.12 0.01 0.85
## IM.Speed.of.Limb.Movement 0.67 0.36 -0.07 0.04 0.04 -0.10 0.95
## IM.Static.Strength 0.80 0.11 -0.05 0.11 -0.07 -0.01 0.97
## IM.Explosive.Strength 0.70 0.12 0.30 -0.13 0.03 -0.14 0.42
## IM.Dynamic.Strength 0.85 0.08 -0.08 0.05 -0.05 0.02 0.96
## IM.Trunk.Strength 0.91 -0.08 -0.07 0.04 -0.12 0.02 0.94
## IM.Stamina 0.97 0.02 0.01 0.01 -0.04 -0.03 0.99
## IM.Extent.Flexibility 0.82 -0.02 -0.13 0.13 -0.07 0.01 0.96
## IM.Dynamic.Flexibility 0.69 0.05 -0.22 -0.28 -0.05 0.09 0.63
## IM.Gross.Body.Coordination 0.94 0.09 0.03 -0.01 -0.04 -0.04 0.98
## IM.Gross.Body.Equilibrium 0.81 0.18 0.03 0.04 -0.03 -0.01 0.90
## IM.Near.Vision -0.54 0.08 0.32 0.59 0.14 0.01 0.65
## IM.Far.Vision 0.22 0.52 0.14 0.02 0.23 0.31 0.67
## IM.Visual.Color.Discrimination 0.31 0.05 -0.08 0.41 0.05 0.51 0.84
## IM.Night.Vision -0.08 1.05 0.01 -0.06 -0.07 0.00 0.98
## IM.Peripheral.Vision 0.01 1.01 0.02 -0.07 -0.03 0.00 0.98
## IM.Depth.Perception 0.26 0.56 -0.14 0.19 0.07 0.24 0.93
## IM.Glare.Sensitivity 0.06 0.91 -0.07 -0.01 -0.02 -0.01 0.95
## IM.Hearing.Sensitivity 0.30 0.28 0.11 0.51 0.08 0.20 0.86
## IM.Auditory.Attention 0.31 0.30 0.14 0.51 0.10 0.06 0.79
## IM.Sound.Localization -0.06 0.99 -0.01 0.02 -0.03 0.01 0.95
## IM.Speech.Recognition -0.14 -0.17 0.79 -0.11 -0.08 -0.02 0.88
## IM.Speech.Clarity -0.10 -0.11 0.80 -0.21 -0.04 -0.01 0.92
## u2 com
## IM.Oral.Comprehension 0.054 1.3
## IM.Written.Comprehension 0.056 2.3
## IM.Oral.Expression 0.049 1.2
## IM.Written.Expression 0.066 1.9
## IM.Fluency.of.Ideas 0.018 2.8
## IM.Originality 0.033 2.4
## IM.Problem.Sensitivity 0.122 1.7
## IM.Deductive.Reasoning 0.096 2.1
## IM.Inductive.Reasoning 0.121 2.1
## IM.Information.Ordering 0.222 3.3
## IM.Category.Flexibility 0.241 3.0
## IM.Mathematical.Reasoning 0.092 1.2
## IM.Number.Facility 0.142 1.1
## IM.Memorization 0.271 2.8
## IM.Speed.of.Closure 0.272 2.8
## IM.Flexibility.of.Closure 0.204 3.0
## IM.Perceptual.Speed 0.269 2.1
## IM.Spatial.Orientation 0.032 1.0
## IM.Visualization 0.095 1.4
## IM.Selective.Attention 0.389 2.9
## IM.Time.Sharing 0.332 1.3
## IM.Arm-Hand.Steadiness 0.037 2.8
## IM.Manual.Dexterity 0.040 3.0
## IM.Finger.Dexterity 0.164 2.2
## IM.Control.Precision 0.031 2.4
## IM.Multilimb.Coordination 0.030 2.5
## IM.Response.Orientation 0.047 2.8
## IM.Rate.Control 0.072 2.8
## IM.Reaction.Time 0.048 2.8
## IM.Wrist-Finger.Speed 0.149 1.5
## IM.Speed.of.Limb.Movement 0.053 1.6
## IM.Static.Strength 0.033 1.1
## IM.Explosive.Strength 0.582 1.6
## IM.Dynamic.Strength 0.035 1.0
## IM.Trunk.Strength 0.056 1.1
## IM.Stamina 0.015 1.0
## IM.Extent.Flexibility 0.043 1.1
## IM.Dynamic.Flexibility 0.369 1.6
## IM.Gross.Body.Coordination 0.023 1.0
## IM.Gross.Body.Equilibrium 0.102 1.1
## IM.Near.Vision 0.351 2.7
## IM.Far.Vision 0.333 2.7
## IM.Visual.Color.Discrimination 0.161 2.7
## IM.Night.Vision 0.025 1.0
## IM.Peripheral.Vision 0.018 1.0
## IM.Depth.Perception 0.067 2.3
## IM.Glare.Sensitivity 0.047 1.0
## IM.Hearing.Sensitivity 0.142 2.8
## IM.Auditory.Attention 0.213 2.7
## IM.Sound.Localization 0.051 1.0
## IM.Speech.Recognition 0.119 1.2
## IM.Speech.Clarity 0.079 1.2
##
## MR1 MR3 MR2 MR4 MR6 MR5
## SS loadings 12.25 9.26 9.02 6.04 5.40 3.33
## Proportion Var 0.24 0.18 0.17 0.12 0.10 0.06
## Cumulative Var 0.24 0.41 0.59 0.70 0.81 0.87
## Proportion Explained 0.27 0.20 0.20 0.13 0.12 0.07
## Cumulative Proportion 0.27 0.47 0.67 0.81 0.93 1.00
##
## With factor correlations of
## MR1 MR3 MR2 MR4 MR6 MR5
## MR1 1.00 0.64 -0.45 0.43 -0.39 0.07
## MR3 0.64 1.00 -0.26 0.42 -0.15 0.13
## MR2 -0.45 -0.26 1.00 -0.21 0.50 0.23
## MR4 0.43 0.42 -0.21 1.00 0.04 0.24
## MR6 -0.39 -0.15 0.50 0.04 1.00 0.37
## MR5 0.07 0.13 0.23 0.24 0.37 1.00
##
## Mean item complexity = 1.9
## Test of the hypothesis that 6 factors are sufficient.
##
## The degrees of freedom for the null model are 1326 and the objective function was 136.2 with Chi Square of 13457
## The degrees of freedom for the model are 1029 and the objective function was 35.21
##
## The root mean square of the residuals (RMSR) is 0.03
## The df corrected root mean square of the residuals is 0.03
##
## The harmonic number of observations is 118 with the empirical chi square 200.1 with prob < 1
## The total number of observations was 118 with MLE Chi Square = 3339 with prob < 2e-241
##
## Tucker Lewis Index of factoring reliability = 0.743
## RMSEA index = 0.16 and the 90 % confidence intervals are 0.133 0.143
## BIC = -1570
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy
## MR1 MR3 MR2 MR4 MR6 MR5
## Correlation of scores with factors 1 1 1.00 1.00 1.00 1.00
## Multiple R square of scores with factors 1 1 1.00 0.99 0.99 0.99
## Minimum correlation of possible factor scores 1 1 0.99 0.99 0.98 0.98fa.diagram(faa6)