Ορισμός της Παραγοντικής Ανάλυσης

Η παραγοντική ανάλυση είναι μια τεχνική ανάλυσης που χρησιμοποιείται συχνά στον τομέα της ανάπτυξης και επικύρωσης δοκιμές, επιτρέπει τη διερεύνηση του τρόπου με τον οποίο οι παράγοντες ή οι λανθάνουσες μεταβλητές δομούνται από τις απαντήσεις στα στοιχεία ενός δοκιμή.

Για να αποκτήσουν επαρκείς κλίμακες μέτρησης, οι ερευνητές έχουν καταφύγει στην τεχνική που είναι γνωστή ως παραγοντική ανάλυση, που καθιστά δυνατό τον προσδιορισμό της δομής που βρίσκεται κάτω από τα στοιχεία μιας κλίμακας μέτρησης. Αυτή η τεχνική διερευνά πώς ένας λανθάνοντας παράγοντας, τον οποίο θα μπορούσαμε επίσης να ονομάσουμε απαρατήρητη μεταβλητή Εξηγούν το μοτίβο των απαντήσεων που δίνονται στα στοιχεία ή τα στοιχεία μιας δοκιμής.

Στη συνέχεια, θα γίνει μια σύντομη εισαγωγή στην παραγοντική ανάλυση, συμπεριλαμβανομένων, ενδεικτικά, των διαφορών μεταξύ της παραγοντικής ανάλυσης και της ανάλυση του κύριου συστατικού, διερευνητική και επιβεβαιωτική παραγοντική ανάλυση και τέλος τα στοιχεία που τις απαρτίζουν.

Ανάλυση παραγόντων και ανάλυση κύριου συστατικού

Όταν εξετάζουμε τη βιβλιογραφία σχετικά με την ανάπτυξη και την επικύρωση των οργάνων, μπορούμε να συνειδητοποιήσουμε ότι μεταξύ των ακαδημαϊκών υπάρχουν Υπάρχει κάποια σύγχυση σχετικά με την αδιάκριτη χρήση της ανάλυσης παραγόντων (FA) και της ανάλυσης κύριου συστατικού (PCA). Αυτή η αδιάκριτη χρήση μπορεί να οφείλεται στο γεγονός ότι για μεγάλο χρονικό διάστημα οι τεχνολογικοί πόροι δυσκόλεψαν την εφαρμογή της AF και για να αντισταθμίσουν αυτό, συμπεριέλαβαν το ACP. Αν και και οι δύο τεχνικές είναι παρόμοιες, αφού μειώνουν τα αντικείμενα σε μικρότερες διαστάσεις (παράγοντες και συστατικά), παρουσιάζουν επίσης ορισμένες συγκεκριμένες διαφορές που οδηγούν σε πολύ διαφορετικός.

Το FA επιδιώκει να προσδιορίσει πόσοι και πώς είναι δομημένοι οι παράγοντες (λανθάνουσες μεταβλητές)· αυτοί οι παράγοντες θα εξηγούσαν την κοινή διακύμανση της ομάδας των στοιχείων που αναλύθηκαν. Αντίθετα, στο PCA, προορίζεται να καθοριστεί πόσα στοιχεία είναι απαραίτητα για τη σύνοψη του βαθμολογίες μιας ομάδας παρατηρούμενων μεταβλητών, που εξηγεί δηλαδή τη μεγαλύτερη ποσότητα διακύμανσης παρατηρήθηκε. Μια άλλη διαφορά είναι ότι ενώ στο AF οι παρατηρούμενες μεταβλητές θεωρούνται ως εξαρτημένες μεταβλητές, στο ACP αυτές είναι οι ανεξάρτητες.

Διερευνητική και επιβεβαιωτική παραγοντική ανάλυση

Μόλις καθοριστεί η διαφορά μεταξύ AF και ACP, είναι απαραίτητο να γίνει μια νέα διαφορά μεταξύ της Ερευνητικής Παράγοντης Ανάλυσης (EFA) και της Επιβεβαιωτικής Ανάλυσης Παραγόντων (AFC). Και οι δύο αναλύσεις θεωρήθηκαν ως δύο μέρη μιας συνεχούς διαδικασίας. Το AFE επιδιώκει να προσδιορίσει πόσους παράγοντες αποτελούν την κλίμακα μας, ενώ το AFC χαρακτηρίζεται από επιβεβαιώνουν αυτούς τους παράγοντες, αλλά και τον τρόπο με τον οποίο οι παράγοντες και τα στοιχεία του κλίμακα. Ένας άλλος τρόπος ορισμού τους είναι ότι η AFE «χτίζει» τη θεωρία ενώ η AFC θα την επιβεβαίωνε.

Στοιχεία AF

Το μέγεθος του δείγματος

Αυτό είναι ένα από τα πιο συζητημένα θέματα, όχι μόνο στο FA, αλλά και στην ανάλυση δεδομένων γενικότερα. Ο καθορισμός του κατάλληλου μεγέθους δείγματος για την ανάλυση είναι μια συζήτηση που φαίνεται ατελείωτη, οι κλασικές συστάσεις είναι ότι όσο μεγαλύτερος είναι ο αριθμός των στοιχείων, τόσο μεγαλύτερος θα πρέπει να είναι ο αριθμός των συμμετεχόντων στο δείγμα μας, με τουλάχιστον 200 να είναι οι πιο προτεινόμενοι. Ωστόσο, οι κλασικές συστάσεις τείνουν να μην έχουν σαφή βάση, σήμερα πρέπει να ληφθούν υπόψη πολλά στοιχεία για να καθοριστεί πόσα Οι συμμετέχοντες είναι απαραίτητοι, όπως ο αριθμός των στοιχείων ανά παράγοντα, ο πίνακας που χρησιμοποιείται για την ανάλυση, ακόμη και πόσες επιλογές απάντησης έχουν οι συμμετέχοντες. είδη. Έτσι, μελέτες που χρησιμοποιούν προσομοιώσεις υπό αυτές τις συνθήκες έχουν καθορίσει ότι ένας ελάχιστος αριθμός συμμετεχόντων είναι επαρκής αριθμός.

Αριθμός στοιχείων που πρέπει να συμπεριληφθούν στην ανάλυση και σε κάθε παράγοντα

Όσον αφορά τον αριθμό των στοιχείων που θα συμπεριληφθούν στην ανάλυση, αυτά πρέπει να επιλεγούν από τη θεωρία, ωστόσο, είναι απαραίτητο να επισημάνετε ότι αυτά δεν πρέπει να είναι περιττά, καθώς αυτό θα είχε ως αποτέλεσμα αυτά τα στοιχεία να μοιράζονται τη διακύμανση και επομένως να έχουν κακή εκτίμηση. Επομένως, πρέπει να ληφθεί μέριμνα ώστε να επιλέγονται μόνο εκείνα τα στοιχεία που αντιπροσωπεύουν πραγματικά την κατασκευή που προσπαθούμε να αξιολογήσουμε. Από την άλλη πλευρά, συνιστάται να υπάρχουν τουλάχιστον τρία στοιχεία για κάθε παράγοντα· ωστόσο, αυτό το ποσό μπορεί να τροποποιηθεί ανάλογα με τον πίνακα που χρησιμοποιείται και το μέγεθος του δείγματος.

Χρησιμοποιείται μήτρα

Στα κλασικά σχέδια FA υπάρχει η υπόθεση ότι οι μεταβλητές σχετίζονται με γραμμικό τρόπο, Παρουσιάζουν επίσης επαρκείς δείκτες κανονικότητας, επομένως ο πίνακας συσχέτισης Pearson ήταν συνήθως αυτός μεταχειρισμένος. Σήμερα προτείνεται να ληφθεί υπόψη η υπόθεση της κανονικότητας και η μορφή απάντησης των στοιχείων. Εκτός από τα παραπάνω, η ανάπτυξη νέων εργαλείων για την ανάπτυξη της ΠΑ οδήγησε στη χρήση νέων τεχνικών όπως η μήτρα του πολυχορικές και τετραχορικές συσχετίσεις, ωστόσο, και οι δύο πίνακες απαιτούν μεγαλύτερο μέγεθος δείγματος σε σύγκριση με τον πίνακα pearson.

Εκτίμηση συντελεστών

Οι πιο συχνά χρησιμοποιούμενες μέθοδοι εκτίμησης είναι 2:

• Μέγιστη πιθανότητα: Αυτή η μέθοδος είναι η πιο κοινή στη χρήση λόγω των πλεονεκτημάτων της σε σχέση με άλλες μεθόδους, όπως η δυνατότητα αντίθεσης της προσαρμογής και της ποσοτικοποίησης των σφαλμάτων. Ωστόσο, αυτή η μέθοδος απαιτεί συμμόρφωση με την κανονικότητα των δεδομένων, έχοντας συνεχείς κλίμακες και χρησιμοποιώντας τον πίνακα συσχέτισης Pearson.

• Συνήθη ελάχιστα τετράγωνα. Στην πραγματικότητα αυτή η μέθοδος αναφέρεται σε μια οικογένεια μεθόδων εκτίμησης. Αυτές οι μέθοδοι έχουν αποδειχθεί ισχυρές όταν δεν πληρούνται οι παραδοχές της κανονικότητας και της γραμμικότητας. Με τον ίδιο τρόπο, η εφαρμογή του σε συνδυασμό με την πολυχορική μήτρα έχει αποδειχθεί αποτελεσματική.

Περιστροφή αντικειμένου

Αυτό το βήμα αναφέρεται στη συνεχή περιστροφή του πίνακα για να βρεθεί μια λύση που είναι απλή και συνεπής. Οι πιο ευρέως χρησιμοποιούμενες μέθοδοι σήμερα είναι ορθογώνια περιστροφή, πιο συγκεκριμένα το κριτήριο varimax και λοξή περιστροφή στη μέθοδό σας άμεσος oblimin. Σήμερα η τελευταία είναι η πιο συνιστώμενη μέθοδος για την παρουσίαση μιας πιο αξιόπιστης και συνεπούς δομής.

Παράγοντες προς διατήρηση

Το κρίσιμο στοιχείο αυτής της ανάλυσης είναι ο σχηματισμός παραγόντων, αλλά πώς ξέρουμε πόσους παράγοντες πρέπει να έχουμε στην κλίμακα μας; Η κλασική σύσταση ήταν να ακολουθήσετε τον κανόνα του Kaiser, ο οποίος αναφέρεται στη διατήρηση ιδιοτιμών μεγαλύτερες από 1, ωστόσο, αυτή η μέθοδος τείνει να προκαλεί υπερεκτίμηση των παραγόντων. Στις μέρες μας προτείνεται να ακολουθούνται οι συστάσεις της παράλληλης ανάλυσης και άλλων παρόμοιων μεθόδων, αλλά και να λαμβάνεται υπόψη η ερμηνευσιμότητα των αποτελεσμάτων και η βασική θεωρία.

Τέλος, είναι απαραίτητο να τονιστεί ότι το CFA τείνει να εκτιμάται χρησιμοποιώντας μοντέλα δομικών εξισώσεων. (SEM) επομένως η διαδικασία για την πραγματοποίησή της θα πρέπει να πραγματοποιείται με βάση τα κριτήρια που έχουν αναπτυχθεί για αυτές Μοντέλα.

βιβλιογραφικές αναφορές

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Η διερευνητική παραγοντική ανάλυση των στοιχείων: πρακτικός οδηγός, αναθεωρημένος και ενημερωμένος Εισαγωγή Προσδιορισμός της επάρκειας της Ανάλυσης. Annals of Psychology, 30(3), 1151–1169.