因子分析の定義

因子分析は、開発や検証の分野で頻繁に使用される分析手法です。 テストを使用すると、要素または潜在変数が項目の応答からどのように構造化されているかを調べることができます。 テスト。

適切な測定スケールを得るために、研究者は、として知られる技術に頼ってきました。 要因分析これにより、測定スケールの項目の基礎となる構造を特定することができます。 この手法は、潜在因子がどのように発生するかを調査します。 観測されていない変数 これらは、テストの項目に対する回答のパターンを説明します。

次に、因子分析について簡単に説明します。これには、因子分析と因子分析の違いが含まれますが、これらに限定されません。 主成分分析、探索的および確認的因子分析、そして最後にこれらを構成する要素です。

因子分析と主成分分析

機器の開発と検証に関する文献を検討すると、学者の中には次のような人たちがいることがわかります。 因子分析 (FA) と主成分分析 (PCA) の無差別使用に関しては、いくつかの混乱があります。 この無差別な使用は、長い間、技術的リソースによって AF の適用が困難であり、これを補うために ACP が含まれていたという事実によるものと考えられます。 どちらの手法も似ていますが、アイテムをより小さな次元 (因子と要素) に縮小するためです。 コンポーネント）、それらはまた、非常に大きな問題につながる特定の違いもいくつか示しています。 違う。

FA は、要因 (潜在変数) がいくつ、どのように構成されているかを特定しようとします。これらの要因は、分析対象の項目グループの共通分散を説明します。 逆に、PCA では、概要を要約するために必要なコンポーネントの数を決定することを目的としています。 観察された変数のグループのスコア、つまり最大量の分散を説明する 観察された。 もう 1 つの違いは、AF では観測変数が従属変数とみなされますが、ACP ではこれらは独立変数であることです。

探索的および確認的な因子分析

AF と ACP の違いが確立されたら、探索的因子分析 (EFA) と確認的因子分析 (AFC) の間に新たな違いを設ける必要があります。 どちらの分析も、連続プロセスの 2 つの部分として考慮されています。 AFE は、スケールを構成する要素の数を決定しようとしますが、AFC の特徴は次のとおりです。 それらの要因を確認するだけでなく、その要因と項目がどのように構成されるかを決定します。 規模。 それらを定義する別の方法は、AFE が理論を「構築」し、AFC がそれを確認することです。

AF要素

サンプルサイズ

これは FA だけでなく、データ分析全般において最も議論されているトピックの 1 つです。 分析に適切なサンプル サイズを決定することは終わりのない議論です。古典的な推奨事項は次のとおりです。 アイテムの数が増えるほど、サンプルの参加者数も多くする必要があり、最低 200 人が最も推奨されます。 ただし、古典的な推奨事項には明確な基礎が欠けている傾向があり、今日では、推奨事項の数を決定するには多くの要素を考慮する必要があります。 因子ごとの項目数、分析に使用されるマトリックス、さらには参加者が持つ回答の選択肢の数など、参加者が必要です。 アイテム。 したがって、これらの条件下でシミュレーションを使用した研究では、最低 300 人の参加者が適切な数であると判断されました。

分析および各要因に含める項目の数

分析に含める項目の数については、理論から選択する必要がありますが、 これらは冗長であるべきではないことを指摘します。冗長になると、これらの項目に差異が共有され、結果として悪影響が生じるからです。 見積もり。 したがって、評価しようとしている構成を真に表す項目のみを選択するように注意する必要があります。 一方、各因子に対して少なくとも 3 つの項目を持つことが推奨されますが、この量は使用する行列とサンプル サイズに応じて変更できます。

使用されるマトリックス

古典的な FA 設計では、変数が線形に関連しているという前提があります。 また、適切な正規性指数も提示するため、通常はピアソン相関行列が使用されます。 使用済み。 今日では、正常性の仮定と項目の応答形式を考慮することが提案されています。 上記に加えて、PA 開発のための新しいツールの開発により、次のような新しいテクニックが使用されるようになりました。 ただし、両方の行列は、ポリコール相関とテトラコール相関の行列に比べて、より大きなサンプル サイズを必要とします。 ピアソン。

因子推定

最も一般的に使用される推定方法は次の 2 つです。

• 最尤法: この方法は、誤差の調整や定量化を対比できるなど、他の方法に比べて利点があるため、最も一般的に使用されます。 ただし、この方法では、データの正規性を遵守し、連続スケールを持ち、ピアソン相関行列を使用する必要があります。

• 通常の最小二乗法。 実際、この方法は一連の推定方法を指します。 これらの方法は、正規性と線形性の仮定が満たされない場合でも堅牢であることが証明されています。 同様に、ポリコーラマトリックスと組み合わせて適用すると効率的であることが証明されています。

アイテムのローテーション

このステップでは、マトリックスを継続的に回転させて、シンプルで一貫性のある解決策を見つけることを指します。 現在最も広く使用されている方法は次のとおりです。 直交回転、より具体的には基準 バリマックス メソッド内の斜め回転 ダイレクトオブリミン. 現在、後者は、より信頼性が高く一貫性のある構造を表現するために最も推奨される方法です。

保持すべき要素

この分析の重要な要素は因子の形成ですが、スケールにいくつの因子を含めるべきかをどうやって知るのでしょうか? 古典的な推奨事項は、固有値を 1 より大きく維持することを指すカイザーの法則に従うことでしたが、この方法は因子の過大評価を引き起こす傾向があります。 現在では、並列解析や他の同様の手法の推奨事項に従うことが推奨されていますが、結果と基本理論の解釈可能性を考慮することも推奨されています。

最後に、CFA は構造方程式モデルを使用して推定される傾向があることを強調する必要があります。 (SEM) したがって、それを実行するプロセスは、これらのために開発された基準に基づいて実行される必要があります。 モデル。

参考文献

リョレト・セグラ、S.、フェレレス・トラベール、A.、エルナンデス・バエサ、A.、トマス・マルコ、I. (2014). 項目の探索的因子分析: 改訂および更新された実践ガイド はじめに 分析の適切性の判断。 心理学年報、30(3)、1151–1169。