Määritelmä tekijäanalyysi

Tekijäanalyysi on analyysitekniikka, jota käytetään usein kehitettäessä ja validoitaessa testit, mahdollistaa sen tutkimisen, kuinka tekijät tai piilevät muuttujat rakentuvat vastauksista testata.

Riittävien mitta-asteikkojen saamiseksi tutkijat ovat turvautuneet tekniikkaan, joka tunnetaan nimellä tekijäanalyysi, jonka avulla voidaan tunnistaa mitta-asteikon kohteiden taustalla oleva rakenne. Tämä tekniikka tutkii, miten piilevä tekijä, jota voisimme myös kutsua havaitsematon muuttuja Ne selittävät kokeen kohteille tai kohteille annettujen vastausten mallin.

Seuraavaksi annetaan lyhyt johdatus tekijäanalyysiin, mukaan lukien, mutta ei rajoittuen: erot tekijäanalyysin ja tekijäanalyysin välillä pääkomponenttianalyysi, tutkiva ja vahvistava tekijäanalyysi ja lopuksi elementit, jotka muodostavat nämä.

Tekijäanalyysi ja pääkomponenttianalyysi

Kun tarkastellaan instrumenttien kehittämistä ja validointia koskevaa kirjallisuutta, voimme huomata, että tutkijoiden joukossa on Tekijäanalyysin (FA) ja pääkomponenttianalyysin (PCA) umpimähkäinen käyttö aiheuttaa hämmennystä. Tämä mielivaltainen käyttö saattaa johtua siitä, että tekniset resurssit vaikeuttivat pitkän aikaa AF: n soveltamista ja tämän kompensoimiseksi niihin sisältyi ACP. Vaikka molemmat tekniikat ovat samanlaisia, koska ne pienentävät tuotteet pienempiin mittoihin (tekijät ja komponentit), niissä on myös joitain erityisiä eroja, jotka johtavat hyvin eri.

FA pyrkii tunnistamaan, kuinka monta ja miten tekijät (piilevät muuttujat) ovat rakenteeltaan, nämä tekijät selittäisivät analysoitavan kohderyhmän yhteisen varianssin. Päinvastoin, PCA: ssa on tarkoitus määrittää, kuinka monta komponenttia tarvitaan yhteenvedon tekemiseksi havaittujen muuttujien ryhmän pisteet, eli ne selittävät suurimman varianssin määrän havaittu. Toinen ero on se, että kun AF: ssä havaitut muuttujat katsotaan riippuviksi muuttujiksi, ACP: ssä nämä ovat riippumattomia muuttujia.

Tutkiva ja vahvistava tekijäanalyysi

Kun ero AF: n ja ACP: n välillä on todettu, on tarpeen tehdä uusi ero tutkivan tekijäanalyysin (EFA) ja vahvistustekijäanalyysin (AFC) välillä. Molempia analyyseja on pidetty jatkuvan prosessin kahtena osana. AFE pyrkii määrittämään, kuinka monta tekijää mittakaavamme muodostaa, kun taas AFC: lle on ominaista vahvistaa nämä tekijät, mutta myös määrittää, miten tekijät ja erät mittakaavassa. Toinen tapa määritellä ne on, että AFE "rakentaa" teorian, kun taas AFC vahvistaa sen.

AF-elementit

Otoskoko

Tämä on yksi keskusteltuimmista aiheista, ei vain FA: ssa, vaan myös data-analyysissä yleensä. Sopivan otoskoon määrittäminen analyysiä varten on keskustelua, joka näyttää loputtomalta, klassiset suositukset ovat että mitä suurempi määrä kohteita, sitä suurempi osallistujien lukumäärä otoksessamme tulisi olla, ja vähintään 200 on suosituin. Klassisista suosituksista ei kuitenkaan yleensä ole selkeää perustaa, nykyään monet tekijät on otettava huomioon määritettäessä kuinka monta osallistujat ovat välttämättömiä, kuten kohteiden lukumäärä tekijää kohden, analyysissä käytetty matriisi ja jopa kuinka monta vastausvaihtoehtoa osallistujilla on. kohteita. Siten näissä olosuhteissa simulaatioita käyttävät tutkimukset ovat osoittaneet, että vähintään 300 osallistujaa on riittävä määrä.

Analyysissä ja kuhunkin tekijään sisällytettävien kohteiden lukumäärä

Mitä tulee analyysiin sisällytettävien kohteiden määrään, ne on valittava teoriasta, mutta on välttämätöntä huomauttaa, että näiden ei pitäisi olla tarpeettomia, koska tämä saisi nämä kohteet jakamaan varianssin ja siten olemaan huonoja arvio. Siksi on valittava vain ne kohteet, jotka todella edustavat arvioitavaa rakennetta. Toisaalta on suositeltavaa, että jokaiselle tekijälle on vähintään kolme kohtaa, mutta tätä määrää voidaan muuttaa käytetyn matriisin ja otoskoon mukaan.

Matriisia käytetty

Klassisissa FA-malleissa oletetaan, että muuttujat liittyvät lineaarisesti, Niissä on myös riittävät normaalisuusindeksit, joten Pearson-korrelaatiomatriisi oli tyypillisesti se käytetty. Nykyään suositellaan ottamaan huomioon oletus normaalista ja erien vastausmuoto. Edellä mainitun lisäksi uusien työkalujen kehittäminen PA: n kehittämiseen on johtanut uusien tekniikoiden, kuten matriisin käyttöön. monikooriset ja tetrakooriset korrelaatiot, mutta molemmat matriisit vaativat suuremman otoskoon verrattuna matriisiin pearson.

Tekijäarvio

Yleisimmin käytettyjä arviointimenetelmiä ovat 2:

• Suurin todennäköisyys: Tämä menetelmä on yleisin käytettävä, koska sillä on etuja muihin menetelmiin verrattuna, kuten kyky verrata virheiden säätöä ja kvantifiointia. Tämä menetelmä edellyttää kuitenkin datan normaaliuden noudattamista, jatkuvaa asteikkoa ja Pearson-korrelaatiomatriisin käyttöä.

• Tavalliset pienimmän neliösumman. Itse asiassa tämä menetelmä viittaa estimointimenetelmien perheeseen. Nämä menetelmät ovat osoittautuneet vahvoiksi silloin, kun oletukset normaalista ja lineaarisuudesta eivät täyty. Samalla tavalla sen käyttö yhdessä monikerrosmatriisin kanssa on osoittautunut tehokkaaksi.

Kohteen kierto

Tämä vaihe viittaa matriisin jatkuvaan pyörittämiseen yksinkertaisen ja johdonmukaisen ratkaisun löytämiseksi. Nykyään yleisimmin käytetyt menetelmät ovat ortogonaalinen kierto, tarkemmin sanottuna kriteeri varimax ja vino kierto menetelmässäsi suora obliminointi. Nykyään jälkimmäinen on suosituin tapa esittää luotettavampi ja johdonmukaisempi rakenne.

Säilytettävät tekijät

Tämän analyysin keskeinen osa on tekijöiden muodostus, mutta mistä tiedämme, kuinka monta tekijää mittakaavassamme pitäisi olla? Klassinen suositus oli noudattaa Kaiserin sääntöä, joka viittaa ominaisarvojen säilyttämiseen suurempina kuin 1, mutta tällä menetelmällä on taipumus aiheuttaa tekijöiden yliarviointia. Nykyään suositellaan rinnakkaisanalyysin ja muiden vastaavien menetelmien suositusten noudattamista, mutta myös tulosten tulkittavuuden ja perusteorian huomioimista.

Lopuksi on korostettava, että CFA on taipumus arvioida käyttämällä rakenneyhtälömalleja. (SEM), joten sen toteuttamisprosessi tulisi toteuttaa näille kehitettyjen kriteerien perusteella Mallit.

Viitteet

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Kohteiden tutkiva tekijäanalyysi: käytännön opas, tarkistettu ja päivitetty Johdanto Analyysin riittävyyden määrittäminen. Annals of Psychology, 30(3), 1151–1169.