Definisi Analisis Faktor

Analisis faktor merupakan teknik analisis yang sering digunakan dalam bidang pengembangan dan validasi tes, memungkinkan mengeksplorasi bagaimana faktor atau variabel laten disusun dari tanggapan terhadap item a tes.

Untuk mendapatkan skala pengukuran yang memadai, peneliti menggunakan teknik yang dikenal sebagai analisis faktorial, yang memungkinkan untuk mengidentifikasi struktur yang mendasari item skala pengukuran. Teknik ini mengeksplorasi bagaimana sebuah Faktor Laten, yang bisa juga kita sebut variabel yang tidak diamati Mereka menjelaskan pola tanggapan yang diberikan terhadap butir-butir atau butir-butir pada suatu tes.

Selanjutnya, pengenalan singkat tentang analisis faktor akan diberikan, termasuk namun tidak terbatas pada: perbedaan antara analisis faktor dan analisis komponen utama, analisis faktor eksplorasi dan konfirmatori dan akhirnya elemen-elemen yang menyusunnya.

Analisis faktor dan analisis komponen utama

Saat meninjau literatur seputar pengembangan dan validasi instrumen, kita dapat menyadari bahwa di kalangan akademisi memang ada Ada beberapa kebingungan seputar penggunaan Analisis Faktor (FA) dan Analisis Komponen Utama (PCA) yang sembarangan. Penggunaan sembarangan ini mungkin karena fakta bahwa untuk waktu yang lama sumber daya teknologi mempersulit penerapan AF dan untuk mengimbanginya, mereka menyertakan ACP. Meskipun kedua teknik tersebut serupa, karena keduanya mereduksi item menjadi dimensi yang lebih kecil (faktor dan komponen), mereka juga menyajikan beberapa perbedaan spesifik yang mengarah ke sangat berbeda.

FA berusaha untuk mengidentifikasi berapa banyak dan bagaimana faktor (variabel laten) disusun; faktor-faktor ini akan menjelaskan varian umum dari kelompok item yang dianalisis. Sebaliknya, dalam PCA dimaksudkan untuk menentukan berapa banyak komponen yang diperlukan untuk meringkas skor sekelompok variabel yang diamati, yaitu, menjelaskan jumlah varians terbesar diamati. Perbedaan lainnya adalah bahwa sementara di AF variabel yang diamati dianggap sebagai variabel dependen, di ACP ini adalah variabel independen.

Analisis faktor eksplorasi dan konfirmasi

Setelah perbedaan AF dan ACP ditetapkan, perlu dibuat perbedaan baru antara Exploratory Factor Analysis (EFA) dan Confirmatory Factor Analysis (AFC). Kedua analisis telah dianggap sebagai dua bagian dari proses yang berkesinambungan. AFE berupaya menentukan berapa banyak faktor yang membentuk skala kita, sedangkan AFC dicirikan oleh mengkonfirmasi faktor tersebut, tetapi juga menentukan bagaimana faktor dan item dari skala. Cara lain untuk mendefinisikannya adalah bahwa AFE "membangun" teori sementara AFC akan mengonfirmasinya.

Elemen AF

Ukuran sampel

Ini adalah salah satu topik yang paling banyak dibahas, tidak hanya di FA, tetapi juga dalam analisis data secara umum. Menentukan ukuran sampel yang tepat untuk analisis adalah diskusi yang sepertinya tidak ada habisnya, rekomendasi klasiknya adalah bahwa semakin besar jumlah item, semakin besar jumlah peserta dalam sampel kami, dengan minimal 200 yang paling direkomendasikan. Namun, rekomendasi klasik cenderung kurang memiliki landasan yang jelas, saat ini banyak elemen yang harus diperhitungkan untuk menentukan berapa banyak peserta diperlukan, seperti jumlah item per faktor, matriks yang digunakan untuk analisis, dan bahkan berapa banyak opsi respons yang dimiliki peserta. item. Dengan demikian, studi yang menggunakan simulasi dalam kondisi ini telah menentukan bahwa minimal 300 peserta adalah angka yang memadai.

Jumlah item untuk dimasukkan dalam analisis dan di setiap faktor

Mengenai jumlah item yang akan dimasukkan dalam analisis, ini harus dipilih dari teori, bagaimanapun, itu perlu tunjukkan bahwa ini tidak boleh berlebihan, karena ini akan menyebabkan item-item ini berbagi varians dan karenanya menjadi buruk memperkirakan. Oleh karena itu, kehati-hatian harus dilakukan untuk memilih hanya item yang benar-benar mewakili konstruk yang ingin kita nilai. Di sisi lain, disarankan untuk memiliki setidaknya tiga item untuk setiap faktor, namun jumlah ini dapat dimodifikasi tergantung pada matriks yang digunakan dan ukuran sampel.

Matriks digunakan

Dalam desain FA klasik ada asumsi bahwa variabel terkait secara linier, Mereka juga menyajikan indeks normalitas yang memadai, sehingga matriks Korelasi Pearson biasanya adalah satu-satunya digunakan. Hari ini disarankan untuk mempertimbangkan asumsi normalitas dan format respon item. Selain itu, pengembangan alat baru untuk pengembangan PA telah mengarah pada penggunaan teknik baru seperti matriks korelasi polikorik dan tetrakorik, namun kedua matriks membutuhkan ukuran sampel yang lebih besar dibandingkan dengan matriks dari pearson.

Estimasi faktor

Metode estimasi yang paling umum digunakan adalah 2:

• Kemungkinan maksimum: Metode ini paling umum digunakan karena keunggulannya dibandingkan metode lain seperti kemampuan untuk membedakan penyesuaian dan kuantifikasi kesalahan. Namun, metode ini membutuhkan kesesuaian dengan normalitas data, memiliki skala kontinu dan menggunakan matriks korelasi Pearson.

• Kuadrat terkecil biasa. Sebenarnya metode ini mengacu pada keluarga metode estimasi. Metode ini telah terbukti kuat ketika asumsi normalitas dan linearitas tidak terpenuhi. Dengan cara yang sama, penerapannya dalam hubungannya dengan matriks polikorik terbukti efisien.

Rotasi barang

Langkah ini mengacu pada rotasi matriks secara terus menerus untuk menemukan solusi yang sederhana dan konsisten. Metode yang paling banyak digunakan saat ini adalah rotasi ortogonal, lebih tepatnya kriteria varimax dan rotasi miring dalam metode Anda oblimin langsung. Hari ini yang terakhir adalah metode yang paling direkomendasikan untuk menyajikan struktur yang lebih andal dan konsisten.

Faktor untuk dipertahankan

Unsur penting dari analisis ini adalah pembentukan faktor, tetapi bagaimana kita mengetahui berapa banyak faktor yang harus kita miliki dalam skala kita? Rekomendasi klasiknya adalah mengikuti aturan Kaiser, yang mengacu pada mempertahankan nilai eigen lebih besar dari 1; namun, metode ini cenderung menyebabkan perkiraan faktor yang berlebihan. Saat ini disarankan untuk mengikuti rekomendasi dari analisis paralel dan metode serupa lainnya, tetapi juga disarankan untuk mempertimbangkan interpretasi hasil dan teori dasar.

Akhirnya, perlu ditekankan bahwa CFA cenderung diestimasi menggunakan model persamaan struktural. (SEM) sehingga proses untuk melaksanakannya harus dilakukan berdasarkan kriteria yang dikembangkan untuk ini Model.

Referensi

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Analisis faktor eksplorasi item: panduan praktis, direvisi dan diperbarui Pendahuluan Penentuan kecukupan Analisis. Sejarah Psikologi, 30(3), 1151–1169.