Definice faktorové analýzy

Faktorová analýza je technika analýzy, která se často používá v oblasti vývoje a ověřování testy, umožňuje prozkoumat, jak jsou faktory nebo latentní proměnné strukturovány z odpovědí na položky a test.

Pro získání adekvátních měřítek se výzkumníci uchýlili k technice známé jako faktoriální analýza, což umožňuje identifikovat strukturu, která je základem položek měřící stupnice. Tato technika zkoumá, jak latentní faktor, který bychom také mohli nazvat nepozorovaná proměnná Vysvětlují vzorec odpovědí na položky nebo položky v testu.

Dále bude poskytnut stručný úvod do faktorové analýzy, včetně mimo jiné: rozdílů mezi faktorovou analýzou a analýzou faktorů analýza hlavních komponent, explorativní a konfirmační faktorová analýza a konečně prvky, které je tvoří.

Faktorová analýza a analýza hlavních komponent

Při prohlížení literatury o vývoji a ověřování nástrojů si můžeme uvědomit, že mezi akademiky existují Existuje určitý zmatek kolem nerozlišujícího používání analýzy faktorů (FA) a analýzy hlavních komponent (PCA). Toto nerozlišující použití může být způsobeno skutečností, že po dlouhou dobu technologické zdroje znesnadňovaly aplikaci AF a aby to kompenzovaly, zahrnovaly AKT. Ačkoli jsou obě techniky podobné, protože redukují položky na menší rozměry (faktory a komponenty), představují také některé specifické rozdíly, které vedou k velmi odlišný.

FA se snaží identifikovat, kolik a jak jsou faktory (latentní proměnné) strukturovány, tyto faktory by vysvětlovaly společný rozptyl skupiny analyzovaných položek. Naopak, v PCA je určeno k určení, kolik komponent je nutné pro shrnutí skóre skupiny pozorovaných proměnných, to znamená vysvětlující největší množství rozptylu pozorováno. Dalším rozdílem je, že zatímco v AF jsou pozorované proměnné považovány za závislé proměnné, v ACP jsou to ty nezávislé.

Explorativní a konfirmační faktorová analýza

Jakmile se zjistí rozdíl v AF a ACP, je nutné provést nový rozdíl mezi Exploratory Factor Analysis (EFA) a Confirmatory Factor Analysis (AFC). Obě analýzy byly považovány za dvě části kontinuálního procesu. AFE se snaží určit, kolik faktorů tvoří naši škálu, zatímco AFC se vyznačuje potvrdit tyto faktory, ale také určit, jak faktory a položky měřítko. Dalším způsobem, jak je definovat, je, že AFE „buduje“ teorii, zatímco AFC by ji potvrdilo.

AF prvky

Velikost vzorku

Toto je jedno z nejdiskutovanějších témat nejen v FA, ale i v analýze dat obecně. Určení vhodné velikosti vzorku pro analýzu je diskuse, která se zdá nekonečná, klasická doporučení jsou že čím větší počet položek, tím větší počet účastníků v našem vzorku by měl být, přičemž minimálně 200 je nejvíce doporučeno. Klasická doporučení však postrádají jasný základ, dnes je třeba vzít v úvahu mnoho prvků, aby se určilo kolik účastníci jsou nezbytní, jako je počet položek na faktor, matice použitá pro analýzu a dokonce i to, kolik možností odpovědi mají účastníci. položky. Studie, které používají simulace za těchto podmínek, tedy určily, že minimálně 300 účastníků je adekvátní počet.

Počet položek, které mají být zahrnuty do analýzy a do každého faktoru

Co se týče počtu položek, které mají být do analýzy zahrnuty, je nutné je vybrat z teorie, je však nutné zdůrazněte, že tyto položky by neměly být nadbytečné, protože by to způsobilo, že by tyto položky sdílely rozptyl, a proto by byly špatné odhad. Proto je třeba dbát na to, abychom vybrali pouze ty položky, které skutečně představují konstrukt, který se snažíme posuzovat. Na druhou stranu se doporučuje mít u každého faktoru alespoň tři položky, toto množství však lze upravit v závislosti na použité matici a velikosti vzorku.

Použitá matrice

V klasických FA designech existuje předpoklad, že proměnné spolu souvisí lineárním způsobem, Představují také adekvátní indexy normality, takže Pearsonova korelační matice byla typicky ta pravá použitý. Dnes se navrhuje vzít v úvahu předpoklad normality a formát odpovědi položek. Kromě výše uvedeného vedl vývoj nových nástrojů pro rozvoj PA k použití nových technik, jako je matice polychorické a tetrachorické korelace, nicméně obě matrice vyžadují větší velikost vzorku ve srovnání s matricí pearson.

Odhad faktoru

Nejčastěji používané metody odhadu jsou 2:

• Maximální věrohodnost: Tato metoda je nejběžněji používaná díky svým výhodám oproti jiným metodám, jako je možnost kontrastu úpravy a kvantifikace chyb. Tato metoda však vyžaduje soulad s normalitou dat, mít spojitá měřítka a používat Pearsonovu korelační matici.

• Obyčejné nejmenší čtverce. Ve skutečnosti tato metoda odkazuje na rodinu metod odhadu. Tyto metody se ukázaly jako robustní, pokud nejsou splněny předpoklady normality a linearity. Stejně tak se osvědčila jeho aplikace ve spojení s polychorickou matricí.

Rotace položek

Tento krok se týká neustálého otáčení matice za účelem nalezení řešení, které je jednoduché a konzistentní. Dnes jsou nejpoužívanější metody ortogonální rotace, konkrétněji kritérium varimax a šikmou rotaci ve vaší metodě přímý oblimin. Dnes je tato metoda nejvíce doporučovanou metodou pro prezentaci spolehlivější a konzistentnější struktury.

Faktory k zachování

Rozhodujícím prvkem této analýzy je tvorba faktorů, ale jak víme, kolik faktorů bychom měli mít v naší škále? Klasickým doporučením bylo řídit se Kaiserovým pravidlem, které se týká udržování vlastních hodnot větších než 1, nicméně tato metoda má tendenci způsobovat nadhodnocování faktorů. V současné době se doporučuje řídit se doporučeními paralelní analýzy a dalších podobných metod, ale také se doporučuje vzít v úvahu interpretovatelnost výsledků a základní teorii.

Nakonec je nutné zdůraznit, že CFA má tendenci být odhadován pomocí modelů strukturních rovnic. (SEM), takže proces jeho provedení by měl být prováděn na základě kritérií vyvinutých pro tyto účely Modelky.

Reference

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Průzkumná faktorová analýza položek: praktická příručka, revidovaná a aktualizovaná Úvod Stanovení přiměřenosti analýzy. Annals of Psychology, 30(3), 1151–1169.