Faktoranalüüsi definitsioon

Faktoranalüüs on analüüsitehnika, mida kasutatakse sageli arendamise ja valideerimise valdkonnas testid, võimaldab uurida, kuidas tegurid või varjatud muutujad on struktureeritud vastustest üksustele. test.

Piisavate mõõteskaalade saamiseks on teadlased kasutanud tehnikat, mida tuntakse kui faktorianalüüs, mis võimaldab tuvastada mõõteskaala üksuste aluseks oleva struktuuri. See tehnika uurib varjatud tegurit, mida võiksime ka nimetada jälgimata muutuja Need selgitavad testi üksustele või üksustele antud vastuste mustrit.

Järgmisena esitatakse faktoranalüüsi lühitutvustus, sealhulgas, kuid mitte ainult: erinevused faktoranalüüsi ja tegurianalüüsi vahel põhikomponentide analüüs, uurimuslik ja kinnitav faktorianalüüs ning lõpuks need elemendid.

Faktoranalüüs ja põhikomponentanalüüs

Instrumentide väljatöötamist ja valideerimist käsitlevat kirjandust vaadates saame aru, et akadeemikute seas on selliseid Faktoranalüüsi (FA) ja põhikomponentide analüüsi (PCA) valimatu kasutamise ümber on segadust. Selline valimatu kasutamine võib olla tingitud asjaolust, et tehnoloogilised ressursid muutsid pikka aega AF-i rakendamise keeruliseks ja selle kompenseerimiseks hõlmasid need ACP-d. Kuigi mõlemad tehnikad on sarnased, vähendavad need esemed väiksemaks (tegurid ja komponendid), on neil ka mõned spetsiifilised erinevused, mis põhjustavad väga erinev.

FA püüab tuvastada, kui palju ja kuidas tegureid (latentseid muutujaid) on struktureeritud; need tegurid selgitaksid analüüsitud üksuste rühma ühist dispersiooni. Vastupidi, PCA eesmärk on määrata kindlaks, kui palju komponente on vaja kokkuvõtte tegemiseks vaadeldud muutujate rühma hinded, st selgitavad suurimat dispersiooni täheldatud. Teine erinevus seisneb selles, et kui AF-is peetakse vaadeldud muutujaid sõltuvateks muutujateks, siis ACP-s on need sõltumatud.

Uurimuslik ja kinnitav faktorianalüüs

Kui AF ja ACP erinevus on kindlaks tehtud, on vaja teha uus erinevus uuriva faktori analüüsi (EFA) ja kinnitava teguri analüüsi (AFC) vahel. Mõlemat analüüsi on peetud pideva protsessi kaheks osaks. AFE püüab kindlaks teha, kui palju tegureid moodustavad meie skaala, samas kui AFC-d iseloomustab kinnitada neid tegureid, vaid ka määrata, kuidas tegurid ja elemendid kaal. Teine viis nende määratlemiseks on see, et AFE "ehitab" teooriat, samal ajal kui AFC kinnitab seda.

AF elemendid

Näidissuurus

See on üks enim arutatud teemasid mitte ainult FA-s, vaid ka andmeanalüüsis üldiselt. Analüüsi jaoks sobiva valimi suuruse määramine on arutelu, mis tundub lõputu, klassikalised soovitused on seda et mida suurem on üksuste arv, seda suurem peaks olema meie valimis osalejate arv, kusjuures kõige soovitatavam on vähemalt 200. Klassikalistel soovitustel kipub aga puuduma selge vundament, tänapäeval tuleb nende arvu määramisel arvesse võtta paljusid elemente osalejad on vajalikud, näiteks üksuste arv teguri kohta, analüüsiks kasutatav maatriks ja isegi see, kui palju vastusevariante osalejatel on. esemed. Seega on nendes tingimustes simulatsioone kasutavates uuringutes kindlaks tehtud, et vähemalt 300 osalejat on piisav arv.

Analüüsis ja igas teguris kaasatavate üksuste arv

Analüüsi kaasatavate üksuste arvu osas tuleb need valida teooriast, kuid siiski on vaja juhib tähelepanu sellele, et need ei tohiks olla üleliigsed, kuna see põhjustaks nende üksuste erinevuse jaotuse ja seetõttu halvasti hinnang. Seetõttu tuleb hoolikalt valida ainult need esemed, mis esindavad tõeliselt seda konstruktsiooni, mida proovime hinnata. Teisest küljest on soovitatav, et iga teguri kohta oleks vähemalt kolm üksust, kuid seda summat saab muuta sõltuvalt kasutatavast maatriksist ja valimi suurusest.

Kasutatud maatriksit

Klassikalistes FA kujundustes eeldatakse, et muutujad on seotud lineaarselt, Neil on ka piisavad normaalsusindeksid, nii et Pearsoni korrelatsioonimaatriks oli tavaliselt see kasutatud. Tänapäeval soovitatakse arvestada normaalsuse eeldusega ja kirjete vastuse vorminguga. Lisaks ülaltoodule on uute tööriistade väljatöötamine PA arendamiseks viinud uute tehnikate kasutamiseni, nagu näiteks maatriks polühoorilised ja tetrahoorsed korrelatsioonid, kuid mõlemad maatriksid nõuavad suuremat valimi suurust võrreldes maatriksiga pearson.

Faktorihinnang

Kõige sagedamini kasutatavad hindamismeetodid on 2:

• Maksimaalne tõenäosus: seda meetodit kasutatakse kõige sagedamini, kuna sellel on eelised teiste meetodite ees, näiteks võime võrrelda vigade korrigeerimist ja kvantifitseerimist. See meetod nõuab aga andmete normaalsuse järgimist, pidevate skaalade olemasolu ja Pearsoni korrelatsioonimaatriksi kasutamist.

• Tavalised vähimruudud. Tegelikult viitab see meetod hindamismeetodite perekonnale. Need meetodid on osutunud tugevateks, kui normaalsuse ja lineaarsuse eeldused ei ole täidetud. Samamoodi on selle kasutamine koos polükoorilise maatriksiga osutunud tõhusaks.

Kauba pööramine

See samm viitab maatriksi pidevale pööramisele, et leida lihtne ja järjepidev lahendus. Tänapäeval on kõige laialdasemalt kasutatavad meetodid ortogonaalne pöörlemine, täpsemalt kriteerium varimax ja kaldus pöörlemine teie meetodil otsene oblimin. Tänapäeval on viimane kõige soovitatavam meetod usaldusväärsema ja ühtsema struktuuri esitamiseks.

Tegurid, mida säilitada

Selle analüüsi ülioluline element on faktorite moodustamine, kuid kuidas me teame, kui palju tegureid peaks meie skaalal olema? Klassikaline soovitus oli järgida Kaiseri reeglit, mis viitab omaväärtuste hoidmisele, mis on suuremad kui 1, kuid see meetod kipub põhjustama tegurite ülehindamist. Tänapäeval soovitatakse järgida paralleelanalüüsi ja teiste sarnaste meetodite soovitusi, kuid samuti soovitatakse arvestada tulemuste tõlgendatavust ja põhiteooriat.

Lõpuks tuleb rõhutada, et CFA-d hinnatakse tavaliselt struktuurivõrrandi mudelite abil. (SEM), nii et selle läbiviimise protsess peaks toimuma nende jaoks välja töötatud kriteeriumide alusel Mudelid.

Viited

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A. ja Tomás-Marco, I. (2014). Üksuste uurimuslik faktoranalüüs: praktiline juhend, muudetud ja uuendatud Sissejuhatus Analüüsi adekvaatsuse määramine. Annals of Psychology, 30(3), 1151–1169.