A faktoranalízis definíciója

A faktoranalízis egy olyan elemzési technika, amelyet gyakran használnak a fejlesztés és validálás területén tesztek, lehetővé teszi annak feltárását, hogy a tényezők vagy a látens változók hogyan épülnek fel egy elemre adott válaszokból. teszt.

A megfelelő mérési skálák eléréséhez a kutatók az ún faktoranalízis, amely lehetővé teszi a mérési skála tételeinek alapjául szolgáló szerkezet azonosítását. Ez a technika azt kutatja, hogyan lehet látens faktort, amit nevezhetünk is nem megfigyelt változó Megmagyarázzák a teszt tételeire vagy tételeire adott válaszok mintáját.

Ezt követően röviden bemutatjuk a faktoranalízist, beleértve, de nem kizárólagosan: a faktoranalízis és a faktoranalízis közötti különbségeket főkomponens analízis, feltáró és megerősítő faktoranalízis és végül az ezeket alkotó elemek.

Tényezőelemzés és főkomponens elemzés

A műszerek fejlesztésével és validálásával kapcsolatos szakirodalmat áttekintve megállapíthatjuk, hogy az akadémikusok között vannak Némi zavar van a faktoranalízis (FA) és a főkomponens-elemzés (PCA) válogatás nélküli használata körül. Ennek a válogatás nélküli használatnak az az oka lehet, hogy a technológiai erőforrások sokáig nehezítették az AF alkalmazását, és ennek kompenzálására az ACP-t is bevonták. Bár mindkét technika hasonló, mivel kisebb méretre csökkenti az elemeket (tényezők és komponensek), mutatnak néhány konkrét különbséget is, amelyek nagyon különböző.

Az FA arra törekszik, hogy azonosítsa, hány és hogyan strukturált faktor (látens változó) van, ezek a tényezők magyarázzák az elemzett tételcsoport közös varianciáját. Éppen ellenkezőleg, a PCA célja annak meghatározása, hogy hány összetevőre van szükség ahhoz, hogy összefoglaljuk a a megfigyelt változók egy csoportjának pontszámai, vagyis a legnagyobb mértékű varianciát magyarázzák megfigyelt. Másik különbség, hogy míg az AF-ben a megfigyelt változókat tekintjük függő változónak, addig az ACP-ben ezek a függetlenek.

Feltáró és megerősítő faktoranalízis

Miután megállapították az AF és az ACP közötti különbséget, új különbséget kell tenni az Exploratory Factor Analysis (EFA) és a Confirmatory Factor Analysis (AFC) között. Mindkét elemzést egy folyamatos folyamat két részének tekintették. Az AFE arra törekszik, hogy meghatározza, hány tényező alkotja a skálánkat, míg az AFC-t a jellemzi megerősíti ezeket a tényezőket, hanem azt is meghatározza, hogy a tényezők és a tételek hogyan skála. Meghatározásuk másik módja az, hogy az AFE "építi" az elméletet, míg az AFC megerősíti azt.

AF elemek

Minta nagysága

Ez az egyik legtöbbet vitatott téma, nem csak az FA-ban, hanem általában az adatelemzésben is. Az elemzéshez megfelelő mintanagyság meghatározása végtelennek tűnő vita, a klasszikus ajánlások az hogy minél több az elemszám, annál nagyobb legyen a mintánk résztvevőinek száma, a minimum 200 a leginkább ajánlott. A klasszikus ajánlások azonban általában hiányoznak az egyértelmű alapozásból, ma már sok elemet kell figyelembe venni, hogy hány szükségesek a résztvevők, például az elemek száma faktoronként, az elemzéshez használt mátrix, és még az is, hogy a résztvevőknek hány válaszlehetőségük van. tételeket. Így az ilyen körülmények között szimulációt használó tanulmányok megállapították, hogy legalább 300 résztvevő megfelelő szám.

Az elemzésbe és az egyes tényezőkbe bevonandó elemek száma

Az elemzésbe bevonandó tételek számát illetően ezeket kell kiválasztani az elméletből, azonban szükséges a rámutat arra, hogy ezeknek nem szabad redundánsnak lenniük, mivel ez azt eredményezné, hogy ezek az elemek osztoznak az eltérésen, és ezért rosszak becslés. Ezért ügyelni kell arra, hogy csak azokat az elemeket válasszuk ki, amelyek valóban reprezentálják az értékelni kívánt konstrukciót. Másrészt ajánlatos minden tényezőnél legalább három elemet megadni, de ez a mennyiség a használt mátrixtól és a minta méretétől függően módosítható.

Használt mátrix

A klasszikus FA-tervekben az a feltételezés, hogy a változók lineárisan kapcsolódnak egymáshoz, Megfelelő normalitási indexeket is mutatnak, így jellemzően a Pearson-korrelációs mátrix volt az használt. Ma javasolt figyelembe venni a normalitás feltételezését és az itemek válaszformátumát. A fentieken túlmenően a PA fejlesztésére szolgáló új eszközök kifejlesztése olyan új technikák alkalmazásához vezetett, mint a mátrix polikhorikus és tetrachor korrelációk, azonban mindkét mátrix nagyobb mintaméretet igényel a mátrixhoz képest. pearson.

Tényezőbecslés

A leggyakrabban használt becslési módszerek a következők:

• Maximális valószínűség: Ezt a módszert a leggyakrabban használják más módszerekkel szembeni előnyei miatt, például a hibák kiigazításának és számszerűsítésének összehasonlíthatósága miatt. Ez a módszer azonban megköveteli az adatok normalitásának betartását, folyamatos skálákat és a Pearson korrelációs mátrix használatát.

• Közönséges legkisebb négyzetek. Valójában ez a módszer a becslési módszerek családjára vonatkozik. Ezek a módszerek robusztusnak bizonyultak, ha nem teljesülnek a normalitás és a linearitás feltételezései. Ugyanígy a polikhor mátrixszal együtt történő alkalmazása is hatékonynak bizonyult.

Tételforgatás

Ez a lépés a mátrix folyamatos forgatására vonatkozik, hogy egyszerű és következetes megoldást találjunk. A ma legszélesebb körben alkalmazott módszerek a ortogonális forgatás, pontosabban a kritérium varimax és a ferde forgatás az ön módszerében közvetlen oblimin. Ma ez utóbbi a leginkább ajánlott módszer a megbízhatóbb és konzisztensebb struktúra bemutatására.

Megtartandó tényezők

Ennek az elemzésnek a döntő eleme a faktorképzés, de honnan tudhatjuk, hogy hány tényezőnek kell szerepelnie a skálánkban? A klasszikus ajánlás a Kaiser-szabály követése volt, amely az 1-nél nagyobb sajátértékek fenntartására vonatkozik, ez a módszer azonban hajlamos a tényezők túlbecslésére. Napjainkban javasolt a párhuzamos elemzés és más hasonló módszerek ajánlásainak követése, de az eredmények értelmezhetőségének és az alapelméletnek a figyelembe vétele is.

Végül ki kell emelni, hogy a CFA-t általában strukturális egyenletmodellek segítségével becsülik meg. (SEM), így a végrehajtási folyamatot az ezekre kidolgozott kritériumok alapján kell végrehajtani Modellek.

Hivatkozások

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., és Tomás-Marco, I. (2014). A tételek feltáró faktoranalízise: gyakorlati útmutató, átdolgozott és aktualizált Bevezetés Az Elemzés megfelelőségének meghatározása. Annals of Psychology, 30(3), 1151–1169.