基于长短期记忆网络的探索性因子分析因子保留方法OACHSSCD

心理学研究中,确定心理特质的维度及其特征极为重要。探索性因子分析(EFA)是识别潜在维度的一种重要统计方法。准确识别因子数量是EFA的关键技术之一,低估或者高估因子数量都会带来不良后果。为准确识别因子数量,本研究将特征根视作序列数据,采用长短期记忆(LSTM)网络构建的深度神经网络的各项评估指标(准确率、精确率、召回率、F1、Kappa)均在83%以上。通过大规模的模拟实验及实证研究,验证了LSTM在不同数据条件中的性能。结果表明:LSTM比CDF、EKC和PA方法具有更高的准确率,平均提升率为48.50%,最大提升率高达171.09%。而且, LSTM比CDF、EKC和PA方法具有更小偏差,表现出更好稳健性。研究者可使用R包LSTMfactors调用本研究所训练的LSTM分析实证数据。