Definition af faktoranalyse

Faktoranalyse er en analyseteknik, der hyppigt anvendes inden for udvikling og validering af tests, gør det muligt at udforske, hvordan faktorerne eller latente variabler er struktureret ud fra svarene på elementerne i en prøve.

For at opnå passende måleskalaer har forskere tyet til den teknik, der er kendt som faktoriel analyse, hvilket gør det muligt at identificere den struktur, der ligger til grund for emnerne i en måleskala. Denne teknik udforsker, hvordan en latent faktor, som vi også kunne kalde uobserveret variabel De forklarer mønsteret af svar givet til emnerne eller emnerne på en test.

Dernæst vil der blive givet en kort introduktion til faktoranalyse, herunder men ikke begrænset til: forskellene mellem faktoranalyse og hovedkomponentanalyse, undersøgende og bekræftende faktoranalyse og endelig de elementer, der udgør disse.

Faktoranalyse og principiel komponentanalyse

Når vi gennemgår litteraturen omkring udvikling og validering af instrumenter, kan vi indse, at der blandt akademikere er Der er en vis forvirring omkring den vilkårlige brug af Faktoranalyse (FA) og Principal Component Analysis (PCA). Denne vilkårlige brug kan skyldes, at teknologiske ressourcer i lang tid gjorde anvendelsen af ​​AF vanskelig, og for at kompensere for dette inkluderede de ACP. Selvom begge teknikker ligner hinanden, da de reducerer genstandene til mindre dimensioner (faktorer og komponenter), præsenterer de også nogle specifikke forskelle, der fører til meget forskellige.

FA søger at identificere, hvor mange og hvordan faktorerne (latente variabler) er struktureret; disse faktorer vil forklare den fælles varians i gruppen af ​​analyserede elementer. Tværtimod er det i PCA tilsigtet at bestemme, hvor mange komponenter der er nødvendige for at opsummere scores af en gruppe af observerede variable, det vil sige, der forklarer den største mængde af varians observeret. En anden forskel er, at mens de observerede variabler i AF betragtes som de afhængige variabler, er disse i ACP de uafhængige.

Udforskende og bekræftende faktoranalyse

Når forskellen i AF og ACP er blevet fastslået, er det nødvendigt at gøre en ny forskel mellem Exploratory Factor Analysis (EFA) og Confirmatory Factor Analysis (AFC). Begge analyser er blevet betragtet som to dele af en kontinuerlig proces. AFE søger at bestemme, hvor mange faktorer der udgør vores skala, mens AFC er kendetegnet ved bekræfte disse faktorer, men også bestemme, hvordan faktorerne og elementerne i vægt. En anden måde at definere dem på er, at AFE "bygger" teorien, mens AFC bekræfter den.

AF elementer

Prøvestørrelse

Dette er et af de mest diskuterede emner, ikke kun i FA, men også i dataanalyse generelt. At bestemme den passende stikprøvestørrelse til analysen er en diskussion, der synes uendelig, er de klassiske anbefalinger at jo større antal emner, jo større skal antallet af deltagere i vores stik være, hvor minimum 200 er det mest anbefalede. De klassiske anbefalinger har dog en tendens til at mangle et klart grundlag, i dag skal mange elementer tages i betragtning for at bestemme hvor mange deltagere er nødvendige, såsom antallet af emner pr. faktor, matrixen brugt til analysen, og endda hvor mange svarmuligheder deltagerne har. genstande. Studier, der anvender simuleringer under disse forhold, har således fastslået, at minimum 300 deltagere er et passende antal.

Antal elementer, der skal inkluderes i analysen og i hver faktor

Med hensyn til antallet af emner, der skal indgå i analysen, skal disse udvælges fra teorien, dog er det nødvendigt at påpeg, at disse ikke bør være overflødige, da dette ville medføre, at disse elementer deler variansen og derfor har dårlige skøn. Derfor skal man passe på kun at vælge de elementer, der virkelig repræsenterer den konstruktion, vi forsøger at vurdere. På den anden side anbefales det at have mindst tre elementer for hver faktor, men denne mængde kan ændres afhængigt af den anvendte matrix og stikprøvestørrelsen.

Matrix brugt

I klassiske FA-designs er der en antagelse om, at variablerne er relaterede på en lineær måde, De præsenterer også passende normalitetsindekser, så Pearson-korrelationsmatricen var typisk den ene Brugt. I dag foreslås det at tage højde for antagelsen om normalitet og svarformatet for emnerne. Udover ovenstående har udviklingen af ​​nye værktøjer til udvikling af PA ført til brugen af ​​nye teknikker som f.eks. polykoriske og tetrakoriske korrelationer kræver dog begge matricer en større stikprøvestørrelse sammenlignet med matrixen af pearson.

Faktor estimering

De mest almindeligt anvendte estimeringsmetoder er 2:

• Maksimal sandsynlighed: Denne metode er den mest almindelige at bruge på grund af dens fordele i forhold til andre metoder, såsom evnen til at kontrastere justering og kvantificering af fejl. Denne metode kræver dog overholdelse af dataenes normalitet, at den har kontinuerlige skalaer og bruger Pearson-korrelationsmatrixen.

• Almindelige mindste kvadrater. Faktisk refererer denne metode til en familie af estimeringsmetoder. Disse metoder har vist sig at være robuste, når antagelserne om normalitet og linearitet ikke er opfyldt. På samme måde har dens anvendelse i forbindelse med den polychoric matrix vist sig at være effektiv.

Vare rotation

Dette trin refererer til kontinuerlig rotation af matrixen for at finde en løsning, der er enkel og konsistent. De mest udbredte metoder i dag er ortogonal rotation, nærmere bestemt kriteriet varimax og skrå rotation i din metode direkte oblimin. I dag er sidstnævnte den mest anbefalede metode til at præsentere en mere pålidelig og ensartet struktur.

Faktorer at bevare

Det afgørende element i denne analyse er faktordannelse, men hvordan ved vi, hvor mange faktorer vi skal have i vores skala? Den klassiske anbefaling var at følge Kaisers regel, som henviser til at opretholde egenværdier større end 1; denne metode har dog en tendens til at forårsage en overvurdering af faktorerne. I dag foreslås det at følge anbefalingerne fra parallelanalysen og andre lignende metoder, men det foreslås også at tage hensyn til resultaternes fortolkbarhed og den grundlæggende teori.

Endelig er det nødvendigt at fremhæve, at CFA har en tendens til at blive estimeret ved hjælp af strukturelle ligningsmodeller. (SEM), så processen til at udføre den bør udføres ud fra de kriterier, der er udviklet til disse Modeller.

Referencer

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Den udforskende faktoranalyse af emnerne: en praktisk vejledning, revideret og opdateret Indledning Bestemmelse af analysens tilstrækkelighed. Annals of Psychology, 30(3), 1151–1169.