复杂现实网络中心性指标的探索性因子分析
社会与信息网络
2024-03-07 v1
摘要
探索性因子分析 (EFA) 有助于识别能够主导代表数据集中特征的隐藏因子的数量及其映射。主成分分析 (PCA) 是执行 EFA 的两步过程的第一步，其中主导主成分的数量即为隐藏因子的数量，而对应特征向量中的特征条目则作为因子载荷的初始值。在本文中，我们对一套包含 80 个复杂网络的数据集进行了 EFA，以识别能够主导代表顶点相对于四个主要中心性指标（度：DEG，特征向量：EVC，介数：BWC 和接近度：CLC）所产生数值的隐藏因子的数量及其映射（预期少于四个）。
引用
@article{arxiv.2403.03525,
title = {Exploratory Factory Analysis of the Centrality Metrics for Complex Real-World Networks},
author = {Natarajan Meghanathan},
journal= {arXiv preprint arXiv:2403.03525},
year = {2024}
}
备注
8 pages, 4 figures