कारक विश्लेषण की परिभाषा

कारक विश्लेषण एक विश्लेषण तकनीक है जिसका उपयोग अक्सर विकास और सत्यापन के क्षेत्र में किया जाता है परीक्षण, यह पता लगाने की अनुमति देता है कि कारकों या अव्यक्त चर को किसी आइटम की प्रतिक्रियाओं से कैसे संरचित किया जाता है परीक्षा।

पर्याप्त माप पैमाने प्राप्त करने के लिए, शोधकर्ताओं ने उस तकनीक का सहारा लिया है जिसे कहा जाता है तथ्यात्मक विश्लेषण, जो माप पैमाने की वस्तुओं को रेखांकित करने वाली संरचना की पहचान करना संभव बनाता है। यह तकनीक पता लगाती है कि कैसे एक अव्यक्त कारक, जिसे हम भी कह सकते हैं न देखा गया चर वे परीक्षण में वस्तुओं या वस्तुओं पर दी गई प्रतिक्रियाओं के पैटर्न की व्याख्या करते हैं।

इसके बाद, कारक विश्लेषण का एक संक्षिप्त परिचय प्रदान किया जाएगा, जिसमें कारक विश्लेषण और के बीच अंतर शामिल हैं, लेकिन यह इन्हीं तक सीमित नहीं है प्रमुख कंपोनेंट विश्लेषण, खोजपूर्ण और पुष्टिकारक कारक विश्लेषण और अंत में वे तत्व जो इन्हें बनाते हैं।

कारक विश्लेषण और प्रमुख घटक विश्लेषण

उपकरणों के विकास और सत्यापन से संबंधित साहित्य की समीक्षा करते समय, हम यह महसूस कर सकते हैं कि शिक्षाविदों के बीच भी ऐसा ही है फैक्टर एनालिसिस (एफए) और प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) के अंधाधुंध उपयोग को लेकर कुछ भ्रम है। यह अंधाधुंध उपयोग इस तथ्य के कारण हो सकता है कि, लंबे समय तक, तकनीकी संसाधनों ने एएफ के अनुप्रयोग को कठिन बना दिया था और इसकी भरपाई के लिए, उन्होंने एसीपी को शामिल किया। हालाँकि दोनों तकनीकें समान हैं, क्योंकि वे वस्तुओं को छोटे आयामों (कारकों और) में घटा देती हैं घटक), वे कुछ विशिष्ट अंतर भी प्रस्तुत करते हैं जो बहुत कुछ पैदा करते हैं अलग।

एफए यह पहचानना चाहता है कि कितने और कैसे कारक (अव्यक्त चर) संरचित हैं; ये कारक विश्लेषण की गई वस्तुओं के समूह के सामान्य भिन्नता को समझाएंगे। इसके विपरीत, पीसीए में, यह निर्धारित करने का इरादा है कि सारांशित करने के लिए कितने घटक आवश्यक हैं प्रेक्षित चरों के एक समूह के स्कोर, अर्थात, विचरण की सबसे बड़ी मात्रा की व्याख्या करना देखा। एक और अंतर यह है कि जहां एएफ में देखे गए चर को आश्रित चर माना जाता है, वहीं एसीपी में ये स्वतंत्र चर होते हैं।

खोजपूर्ण एवं पुष्टिकारक कारक विश्लेषण

एक बार एएफ और एसीपी में अंतर स्थापित हो जाने के बाद, एक्सप्लोरेटरी फैक्टर एनालिसिस (ईएफए) और कन्फर्मेटरी फैक्टर एनालिसिस (एएफसी) के बीच एक नया अंतर बनाना आवश्यक है। दोनों विश्लेषणों को एक सतत प्रक्रिया के दो भाग माना गया है। एएफई यह निर्धारित करना चाहता है कि कितने कारक हमारे पैमाने को बनाते हैं, जबकि एएफसी की विशेषता है उन कारकों की पुष्टि करें, लेकिन यह भी निर्धारित करें कि कारक और आइटम कैसे हैं पैमाना। उन्हें परिभाषित करने का दूसरा तरीका यह है कि एएफई सिद्धांत का "निर्माण" करता है जबकि एएफसी इसकी पुष्टि करेगा।

वायुसेना तत्व

नमूने का आकार

यह न केवल एफए में, बल्कि सामान्य रूप से डेटा विश्लेषण में भी सबसे अधिक चर्चा वाले विषयों में से एक है। विश्लेषण के लिए उपयुक्त नमूना आकार का निर्धारण एक ऐसी चर्चा है जो अंतहीन लगती है, क्लासिक सिफारिशें हैं वस्तुओं की संख्या जितनी अधिक होगी, हमारे नमूने में प्रतिभागियों की संख्या उतनी ही अधिक होनी चाहिए, न्यूनतम 200 सबसे अधिक अनुशंसित होंगे। हालाँकि, क्लासिक अनुशंसाओं में स्पष्ट आधार का अभाव होता है, आज यह निर्धारित करने के लिए कई तत्वों को ध्यान में रखा जाना चाहिए कि कितने प्रतिभागियों के लिए आवश्यक हैं, जैसे कि प्रति कारक वस्तुओं की संख्या, विश्लेषण के लिए उपयोग किया जाने वाला मैट्रिक्स, और यहां तक ​​कि प्रतिभागियों के पास कितने प्रतिक्रिया विकल्प हैं। सामान। इस प्रकार, इन परिस्थितियों में सिमुलेशन का उपयोग करने वाले अध्ययनों ने निर्धारित किया है कि न्यूनतम 300 प्रतिभागी पर्याप्त संख्या है।

विश्लेषण और प्रत्येक कारक में शामिल की जाने वाली वस्तुओं की संख्या

विश्लेषण में शामिल की जाने वाली वस्तुओं की संख्या के संबंध में, इन्हें सिद्धांत से चुना जाना चाहिए, हालाँकि, यह आवश्यक है इंगित करें कि ये अनावश्यक नहीं होने चाहिए, क्योंकि इससे इन वस्तुओं में भिन्नता आ जाएगी और इसलिए वे खराब हो जाएंगी अनुमान लगाना। इसलिए, केवल उन्हीं वस्तुओं का चयन करने में सावधानी बरतनी चाहिए जो वास्तव में उस निर्माण का प्रतिनिधित्व करती हैं जिसका हम मूल्यांकन करने का प्रयास कर रहे हैं। दूसरी ओर, प्रत्येक कारक के लिए कम से कम तीन आइटम रखने की अनुशंसा की जाती है; हालाँकि, उपयोग किए गए मैट्रिक्स और नमूना आकार के आधार पर इस राशि को संशोधित किया जा सकता है।

मैट्रिक्स का प्रयोग किया गया

शास्त्रीय एफए डिज़ाइन में एक धारणा है कि चर एक रैखिक फैशन में संबंधित हैं, वे पर्याप्त सामान्यता सूचकांक भी प्रस्तुत करते हैं, इसलिए पियर्सन सहसंबंध मैट्रिक्स आम तौर पर एक था इस्तेमाल किया गया। आज सामान्यता की धारणा और वस्तुओं की प्रतिक्रिया प्रारूप को ध्यान में रखने का सुझाव दिया गया है। उपरोक्त के अलावा, पीए के विकास के लिए नए उपकरणों के विकास से मैट्रिक्स जैसी नई तकनीकों का उपयोग हुआ है पॉलीकोरिक और टेट्राकोरिक सहसंबंध, हालांकि, दोनों मैट्रिक्स को मैट्रिक्स की तुलना में बड़े नमूना आकार की आवश्यकता होती है पियर्सन.

कारक अनुमान

सबसे अधिक उपयोग की जाने वाली अनुमान विधियाँ 2 हैं:

• अधिकतम संभावना: अन्य तरीकों की तुलना में इसके फायदों के कारण इस विधि का उपयोग सबसे आम है, जैसे कि त्रुटियों के समायोजन और मात्रा निर्धारण में अंतर करने की क्षमता। हालाँकि, इस पद्धति के लिए डेटा की सामान्यता का अनुपालन, निरंतर पैमाने होना और पियर्सन सहसंबंध मैट्रिक्स का उपयोग करना आवश्यक है।

• सामान्य कम चौकोर। वास्तव में यह विधि अनुमान विधियों के एक परिवार को संदर्भित करती है। जब सामान्यता और रैखिकता की धारणाएं पूरी नहीं होती हैं तो ये विधियां मजबूत साबित होती हैं। उसी तरह, पॉलीकोरिक मैट्रिक्स के साथ संयोजन में इसका अनुप्रयोग कुशल साबित हुआ है।

आइटम रोटेशन

यह चरण सरल और सुसंगत समाधान खोजने के लिए मैट्रिक्स को लगातार घुमाने से संबंधित है। आज सबसे अधिक उपयोग की जाने वाली विधियाँ हैं ऑर्थोगोनल रोटेशन, अधिक विशेष रूप से मानदंड वैरिमैक्स और आपकी विधि में तिरछा घुमाव प्रत्यक्ष विस्मृति. आज अधिक विश्वसनीय और सुसंगत संरचना प्रस्तुत करने के लिए उत्तरार्द्ध सबसे अनुशंसित तरीका है।

बनाए रखने योग्य कारक

इस विश्लेषण का महत्वपूर्ण तत्व कारक निर्माण है, लेकिन हमें कैसे पता चलेगा कि हमारे पैमाने में कितने कारक होने चाहिए? क्लासिक अनुशंसा कैसर के नियम का पालन करने की थी, जो 1 से अधिक eigenvalues ​​​​को बनाए रखने को संदर्भित करता है; हालाँकि, यह विधि कारकों के अधिक आकलन का कारण बनती है। आजकल समानांतर विश्लेषण और अन्य समान तरीकों की सिफारिशों का पालन करने का सुझाव दिया जाता है, लेकिन परिणामों की व्याख्या और मूल सिद्धांत को भी ध्यान में रखने का सुझाव दिया जाता है।

अंत में, यह उजागर करना आवश्यक है कि सीएफए का अनुमान संरचनात्मक समीकरण मॉडल का उपयोग करके किया जाता है। (एसईएम) इसलिए इसे पूरा करने की प्रक्रिया इनके लिए विकसित मानदंडों के आधार पर की जानी चाहिए मॉडल।

संदर्भ

लोरेट-सेगुरा, एस., फेरेरेस-ट्रैवर, ए., हर्नांडेज़-बेज़ा, ए., और टॉमस-मार्को, आई. (2014). वस्तुओं का खोजपूर्ण कारक विश्लेषण: एक व्यावहारिक मार्गदर्शिका, संशोधित और अद्यतन परिचय विश्लेषण की पर्याप्तता का निर्धारण। एनल्स ऑफ साइकोलॉजी, 30(3), 1151-1169।