Si se utiliza el factor de análisis basado en binario de respuesta múltiple de datos?

Question

Tengo una encuesta en la que he preguntado a la gente qué tipo de juegos de ordenador que disfrutar y si se consideran a sí mismos un hardcore gamer. Yo le permitió a la gente para seleccionar varios géneros, pero ahora estoy seguro de qué hacer con mis datos.

Inicialmente se pensó que el análisis de factores, con la idea de si hay géneros que pertenecía a un tipo particular, iban a separar y yo sería capaz de ver un patrón. Sin embargo, ya que tengo los datos, si se consideran a sí mismos hardcore o no, me parece que se debe utilizar.

Si me hizo uso de ella, tendría sentido para probar cada género de forma individual, por ejemplo, RTS-hardcore vs RTS-no-hardcore, o debo buscar en combinaciones de géneros?

---

[EDITAR] @Srikant: Sí, yo tenía la intención de hacer que las respuestas binarias. No tenía sentido para mí puntuación de respuestas diferentes con valores dependiendo de decir el número de géneros que alguien eligió, porque pueden no necesariamente jugar a cada juego de manera uniforme, y yo no tendría ninguna manera de determinar qué proporción de juego de cada género, de modo binario parecía el más justo para mí.

@mbq & @chl: El objetivo es simplemente para ver si ciertos géneros tienden a ser más "hardcore" que en otros géneros. Yo estaba esperando a encontrar RTS, MOBA y los FPS del cluster hacia duro de ver, ya que tienden a tener una mayor curva de aprendizaje que decir de la música/juegos de ritmo.

Answer 1

El primer paso consiste en definir la pregunta de investigación.

Algunas posibles preguntas de investigación dado sus datos incluyen:

• ¿Cómo pueden los géneros del vídeo de los juegos se agrupan en un conjunto más pequeño?
• Cómo son los géneros de juegos de video o grupos de géneros relacionados con la auto-identificación como un hard gamer?

Entonces, usted podría presentar una tabla de frecuencias y porcentajes de género hard gamer estado.

También se podría dividir el análisis en dos pasos:

1. tipos de agrupación de los juegos de video; esto podría hacerse conceptual (por ejemplo, basado en el conocimiento previo de las formas de agrupación de juego géneros) o el uso de un enfoque impulsado por los datos, tales como la PCA, el análisis de factores (tal vez en las correlaciones tetracóricas)
2. examinar las diferencias en la aprobación de vídeo gramo tipos en hard gamer categoría.

Como se ha mencionado por Brandon el análisis de correspondencias también sería otra buena opción.

Answer 2

El análisis de correspondencias puede ser un buen ajuste. Creación de un gráfico que muestra la relación entre el Núcleo Duro de juegos de azar (o no) y los diferentes tipos de juegos que están jugando. El resultado sería la capacidad de decir con cautela la confianza de que el Núcleo Duro de los Jugadores de jugar a un determinado grupo de tipos de juego (o no).

Con respecto al factor de análisis, me gustaría recomendar la revisión de algunas de las respuestas a una pregunta que le hice anteriormente, sólo lo que está claro cuál es el objetivo:

¿Cuáles son las diferencias entre el Análisis de factores y Análisis de Componentes Principales

La interpretación y la creación de una correspondencia análisis de las parcelas que se discute aquí (con ejemplos sobre cómo crear las parcelas así, presta mucha atención a las diferencias en la toma de una inferencia a partir de eje horizontal y vertical de las distancias)

La interpretación de 2D el Análisis de Correspondencias Parcelas

Answer 3

Como una alternativa a la CA sugerido por @Brandon, también se podría tratar de Análisis de Correspondencias Múltiple que tiene la ventaja de considerar todos los tipos de juegos en el mismo tiempo (a diferencia de CA), que probablemente se anotó como variable binaria (en este caso, el MCA solución estará cerca de la PCA--factor de puntuaciones y valores propios están relacionadas linealmente). Básicamente, esto le dará una idea de cómo los juegos de grupo, si los hubiere. Al mismo tiempo, usted puede utilizar su "hardcore gamer" de estado (sí/no) como ilustrativos de la variable (es decir, esta variable no va a participar en la construcción de los ejes factoriales), que le ayudará a identificar cómo se relaciona con estos grupos de variables.

El FactoMineR paquete de R ofrece todo lo que se necesita para este tipo de análisis, consulte MCA().

Como no dijiste nada acerca de tu tamaño de la muestra, es difícil sugerir confirmatoria o enfoques basados en modelos, como la regresión logística o latente de la clase de regresión. Pero usted puede buscar en Bosques Aleatorios y tratar de identificar la "mejor" de las variables que permiten predecir su resultado con una mínima tasa de error de clasificación (véase el randomForest paquete).