Definizione di Analisi Fattoriale

L'analisi fattoriale è una tecnica di analisi frequentemente utilizzata nel campo dello sviluppo e della validazione di test, permette di esplorare come sono strutturati i fattori o le variabili latenti dalle risposte agli item di a test.

Per ottenere scale di misurazione adeguate, i ricercatori hanno fatto ricorso alla tecnica nota come analisi fattoriale, che permette di identificare la struttura che sottende gli elementi di una scala di misura. Questa tecnica esplora come un Fattore Latente, che potremmo anche chiamare variabile inosservata Spiegano il modello delle risposte fornite agli elementi o agli elementi di un test.

Successivamente, verrà fornita una breve introduzione all'analisi fattoriale, includendo ma non limitandosi a: le differenze tra l'analisi fattoriale e la analisi del componente principale, analisi fattoriale esplorativa e confermativa e infine gli elementi che le compongono.

Analisi fattoriale e analisi delle componenti principali

Esaminando la letteratura sullo sviluppo e la convalida degli strumenti, possiamo renderci conto che tra gli accademici ce ne sono C'è una certa confusione sull'uso indiscriminato dell'analisi fattoriale (FA) e dell'analisi delle componenti principali (PCA). Questo uso indiscriminato può essere dovuto al fatto che per lungo tempo le risorse tecnologiche hanno reso difficile l'applicazione dell'AF e per compensare ciò hanno incluso l'ACP. Sebbene entrambe le tecniche siano simili, poiché riducono gli oggetti a dimensioni più piccole (fattori e componenti), presentano anche alcune differenze specifiche che portano a molto diverso.

La FA cerca di identificare quanti e come i fattori (variabili latenti) sono strutturati; questi fattori spiegherebbero la varianza comune del gruppo di elementi analizzati. Al contrario, nel PCA, si intende determinare quanti componenti sono necessari per riassumere il punteggi di un gruppo di variabili osservate, cioè che spiegano la massima quantità di varianza osservato. Un'altra differenza è che mentre nell'AF le variabili osservate sono considerate come le variabili dipendenti, nell'ACP queste sono quelle indipendenti.

Analisi fattoriale esplorativa e confermativa

Una volta stabilita la differenza tra AF e ACP, è necessario fare una nuova differenza tra l'Analisi Fattoriale Esplorativa (EFA) e l'Analisi Fattoriale Confermativa (AFC). Entrambe le analisi sono state considerate come due parti di un processo continuo. L'AFE cerca di determinare quanti fattori compongono la nostra scala, mentre l'AFC è caratterizzata da confermare tali fattori, ma anche determinare come i fattori e gli elementi del scala. Un altro modo per definirli è che l'AFE "costruisce" la teoria mentre l'AFC la confermerebbe.

Elementi AF

Misura di prova

Questo è uno degli argomenti più discussi, non solo in FA, ma anche nell'analisi dei dati in generale. Determinare la dimensione del campione appropriata per l'analisi è una discussione che sembra infinita, le raccomandazioni classiche lo sono che maggiore è il numero di elementi, maggiore dovrebbe essere il numero di partecipanti nel nostro campione, con un minimo di 200 che è il più raccomandato. Tuttavia le raccomandazioni classiche tendono a mancare di un fondamento chiaro, oggi bisogna tener conto di molti elementi per determinarne quanti sono necessari i partecipanti, come il numero di elementi per fattore, la matrice utilizzata per l'analisi e anche quante opzioni di risposta hanno i partecipanti. elementi. Pertanto, gli studi che utilizzano simulazioni in queste condizioni hanno determinato che un minimo di 300 partecipanti è un numero adeguato.

Numero di elementi da includere nell'analisi e in ciascun fattore

Per quanto riguarda il numero di elementi da includere nell'analisi, questi devono essere selezionati dalla teoria, tuttavia, è necessario sottolinea che questi non dovrebbero essere ridondanti, in quanto ciò farebbe sì che questi elementi condividano la varianza e quindi abbiano un valore negativo stima. Pertanto, occorre prestare attenzione a selezionare solo quegli elementi che rappresentano veramente il costrutto che stiamo cercando di valutare. Si raccomanda invece di avere almeno tre elementi per ciascun fattore, tuttavia tale quantità può essere modificata in funzione della matrice utilizzata e della dimensione del campione.

Matrice utilizzata

Nei progetti FA classici si presume che le variabili siano correlate in modo lineare, Presentano anche indici di normalità adeguati, quindi la matrice di correlazione di Pearson era tipicamente quella giusta usato. Oggi si suggerisce di tener conto del presupposto di normalità e del formato di risposta degli item. In aggiunta a quanto sopra, lo sviluppo di nuovi strumenti per lo sviluppo della PA ha portato all'utilizzo di nuove tecniche come la matrice di correlazioni policoriche e tetracoriche, tuttavia, entrambe le matrici richiedono una dimensione del campione maggiore rispetto alla matrice di Pearson.

Stima fattoriale

I metodi di stima più comunemente utilizzati sono 2:

• Massima verosimiglianza: questo metodo è il più comune da utilizzare per i suoi vantaggi rispetto ad altri metodi come la capacità di contrastare l'aggiustamento e la quantificazione degli errori. Tuttavia, questo metodo richiede il rispetto della normalità dei dati, avendo scale continue e utilizzando la matrice di correlazione di Pearson.

• Minimi quadrati ordinari. In realtà questo metodo fa riferimento a una famiglia di metodi di stima. Questi metodi si sono dimostrati robusti quando i presupposti di normalità e linearità non sono soddisfatti. Allo stesso modo, la sua applicazione in combinazione con la matrice policorica si è dimostrata efficace.

Rotazione articolo

Questo passaggio si riferisce alla rotazione continua della matrice per trovare una soluzione semplice e coerente. I metodi più utilizzati oggi sono rotazione ortogonale, più precisamente il criterio varimax e rotazione obliqua nel tuo metodo oblio diretto. Oggi quest'ultimo è il metodo più consigliato per presentare una struttura più affidabile e coerente.

Fattori da conservare

L'elemento cruciale di questa analisi è la formazione dei fattori, ma come facciamo a sapere quanti fattori dovremmo avere nella nostra scala? La raccomandazione classica era quella di seguire la regola di Kaiser, che si riferisce a mantenere gli autovalori maggiori di 1; tuttavia, questo metodo tende a causare una sovrastima dei fattori. Al giorno d'oggi si suggerisce di seguire le raccomandazioni dell'analisi parallela e di altri metodi simili, ma si suggerisce anche di tener conto dell'interpretabilità dei risultati e della teoria di base.

Infine, è necessario evidenziare che il CFA tende ad essere stimato utilizzando modelli di equazioni strutturali. (SEM) quindi il processo per realizzarlo dovrebbe essere svolto sulla base dei criteri sviluppati per questi Modelli.

Riferimenti

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). L'analisi fattoriale esplorativa degli item: una guida pratica, riveduta e aggiornata Introduzione Determinazione dell'adeguatezza dell'Analisi. Annali di psicologia, 30(3), 1151–1169.