---
id: STAT-FACTOR-001
category: Dev
confidence_score: 1.0
tags: [[Statistics|[Statistics]], machine-learning, factor-[[Analysis|Analysis]], latent-variables, [[Dimensionality-Reduction|Dimensionality-Reduction]]]
last_reinforced: 2026-04-26
---

# Factor Analysis (요인 분석)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "수많은 겉모습 속에 숨겨진 공통의 근원을 찾아라" — 관측된 여러 변수들 사이의 상관관계를 분석하여, 배후에 존재하는 소수의 잠재 변수(Latent Variables) 혹은 요인(Factors)을 추출하는 통계적 기법.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 눈에 보이는 데이터(Manifest Variables)의 요동이 사실은 보이지 않는 핵심 동인(Latent Factors)에 의해 결정된다고 가정하고 그 구조를 파악하는 구조적 해석 패턴.
- **주요 목적:**
    - **Data Reduction:** 수많은 변수를 소수의 요인으로 압축하여 효율성 증대.
    - **Structure Discovery:** 변수들 간의 복잡한 관계 네트워크 파악.
    - **Scaling:** 추상적인 개념(예: 지능, 성격, 서비스 만족도)을 측정 가능한 지표로 변환.
- **작동 원리:** 변수들 간의 공통 분산(Common Variance)을 극대화하는 축을 탐색.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** PCA(주성분 분석)와 혼동하기 쉬우나, PCA는 정보 요약에 집중하고 요인 분석은 데이터가 생성된 '인과적 구조'를 설명하는 데 집중한다는 차이점이 명확해짐.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 성능 지표(응답 속도, 정확도, 토큰 사용량 등)를 분석할 때, 이들을 결정짓는 잠재 요인(예: 하드웨어 성능, 모델 복잡도, 네트워크 지연)을 분리하기 위해 요인 분석 기법을 활용함.

## 🔗 지식 연결 (Graph)
- [[Principal-Component-Analysis|Principal-Component-Analysis]]-PCA, [[Dimensionality-Reduction|Dimensionality-Reduction]], [[Exploratory-Data-Analysis|Exploratory-Data-Analysis]], Un[[Supervised-Learning-Foundations|Supervised-Learning-Foundations]]
- **Raw Source:** 10_Wiki/Topics/AI/Factor-Analysis.md