요인 분석의 정의

요인 분석은 개발 및 검증 분야에서 자주 사용되는 분석 기법입니다. 테스트를 통해 요소 또는 잠재 변수가 항목에 대한 응답에서 구조화되는 방식을 탐색할 수 있습니다. 시험.

적절한 측정 척도를 얻기 위해 연구자들은 다음과 같은 기술을 사용했습니다. 요인 분석, 이는 측정 척도 항목의 기초가 되는 구조를 식별할 수 있게 합니다. 이 기술은 우리가 호출할 수 있는 Latent Factor가 어떻게 관찰되지 않은 변수 시험 항목에 주어진 응답 패턴을 설명합니다.

다음으로 요인 분석에 대한 간략한 소개가 제공됩니다. 여기에는 요인 분석과 주요 구성 요소 분석, 탐색적 및 확증적 요인 분석 및 마지막으로 이를 구성하는 요소입니다.

요인 분석 및 주성분 분석

도구의 개발 및 검증에 관한 문헌을 검토할 때 학계에서 다음과 같은 사실을 알 수 있습니다. 요인 분석(FA)과 주성분 분석(PCA)의 무분별한 사용에 대해 약간의 혼란이 있습니다. 이러한 무분별한 사용은 오랜 시간 동안 기술적 자원이 AF의 적용을 어렵게 만들고 이를 보완하기 위해 ACP를 포함했기 때문일 수 있습니다. 두 기술은 비슷하지만 항목을 더 작은 차원(요인 및 구성 요소), 그들은 또한 매우 다른.

FA는 요소(잠재 변수)가 얼마나 많이 그리고 어떻게 구조화되어 있는지 식별하려고 합니다. 이러한 요소는 분석된 항목 그룹의 공통 분산을 설명합니다. 반대로 PCA에서는 다음을 요약하는 데 필요한 구성 요소 수를 결정하기 위한 것입니다. 관찰된 변수 그룹의 점수, 즉 가장 큰 분산을 설명하는 점수 관찰했다. 또 다른 차이점은 AF에서는 관찰된 변수가 종속 변수로 간주되는 반면 ACP에서는 이러한 변수가 독립 변수라는 것입니다.

탐색적 및 확증적 요인 분석

AF와 ACP의 차이가 정립되면 탐색적 요인분석(EFA)과 확증적 요인분석(AFC) 사이에 새로운 차이를 만들 필요가 있습니다. 두 분석 모두 연속 프로세스의 두 부분으로 간주되었습니다. AFE는 척도를 구성하는 요인의 수를 결정하는 반면 AFC는 다음과 같은 특징이 있습니다. 이러한 요소를 확인하는 것뿐만 아니라 요소와 항목이 규모. 이를 정의하는 또 다른 방법은 AFE가 이론을 "구축"하고 AFC가 이를 확인한다는 것입니다.

AF 요소

표본의 크기

이것은 FA뿐만 아니라 일반적으로 데이터 분석에서도 가장 많이 논의되는 주제 중 하나입니다. 분석에 적합한 샘플 크기를 결정하는 것은 끝이 없어 보이는 토론이며, 고전적인 권장 사항은 다음과 같습니다. 항목 수가 많을수록 샘플의 참가자 수가 많아야 하며 최소 200개가 가장 권장됩니다. 그러나 고전적인 권장 사항은 명확한 기초가 부족한 경향이 있으므로 오늘날 몇 가지 요소를 결정하기 위해 많은 요소를 고려해야 합니다. 요인당 항목 수, 분석에 사용된 매트릭스, 참가자가 가진 응답 옵션 수와 같은 참가자가 필요합니다. 항목. 따라서 이러한 조건에서 시뮬레이션을 사용하는 연구에서는 최소 300명의 참가자가 적절한 숫자라고 결정했습니다.

분석 및 각 요인에 포함할 항목 수

분석에 포함할 항목의 수는 이론에서 선택해야 하지만, 이러한 항목이 중복되어서는 안 된다는 점을 지적하십시오. 이렇게 하면 이러한 항목이 분산을 공유하게 되어 나쁜 결과를 얻게 됩니다. 추정. 따라서 평가하려는 구성을 진정으로 나타내는 항목만 선택하도록 주의를 기울여야 합니다. 한편, 각 요인에 대해 최소 3개의 항목을 갖는 것이 권장되지만, 이 양은 사용된 매트릭스 및 표본 크기에 따라 수정될 수 있습니다.

사용된 매트릭스

고전적인 FA 설계에는 변수가 선형 방식으로 관련되어 있다는 가정이 있습니다. 그들은 또한 적절한 정규성 지수를 나타내므로 Pearson Correlation 행렬이 일반적으로 하나였습니다. 사용된. 오늘날 정규성 가정과 항목의 응답 형식을 고려하는 것이 좋습니다. 상기에 추가하여, PA 개발을 위한 새로운 도구의 개발은 매트릭스와 같은 새로운 기술의 사용으로 이어졌습니다. polychoric 및 tetrachoric 상관 관계, 그러나 두 행렬 모두 행렬에 비해 더 큰 샘플 크기가 필요합니다. 피어슨.

요인 추정

가장 일반적으로 사용되는 추정 방법은 2입니다.

• 최대 우도: 이 방법은 오류의 조정 및 정량화를 대조하는 기능과 같은 다른 방법에 비해 장점으로 인해 가장 일반적으로 사용됩니다. 그러나 이 방법은 연속 척도를 갖고 Pearson 상관 행렬을 사용하여 데이터의 정규성을 준수해야 합니다.

• 일반 최소 제곱. 실제로 이 방법은 추정 방법 계열을 나타냅니다. 이러한 방법은 정규성과 선형성의 가정이 충족되지 않을 때 강력한 것으로 입증되었습니다. 같은 방식으로 polychoric 매트릭스와 함께 적용하면 효율적인 것으로 입증되었습니다.

항목 회전

이 단계는 간단하고 일관된 솔루션을 찾기 위해 매트릭스를 지속적으로 회전시키는 것을 말합니다. 오늘날 가장 널리 사용되는 방법은 다음과 같습니다. 직교 회전, 보다 구체적으로 기준 바리맥스 귀하의 방법에서 비스듬한 회전 직접적인 오심. 오늘날 후자는 보다 안정적이고 일관된 구조를 제시하기 위해 가장 권장되는 방법입니다.

유지 요인

이 분석의 중요한 요소는 요인 형성이지만 척도에 얼마나 많은 요인이 있어야 하는지 어떻게 알 수 있습니까? 고전적인 권장 사항은 고유값을 1보다 크게 유지하는 카이저의 규칙을 따르는 것이었지만 이 방법은 요인을 과대 평가하는 경향이 있습니다. 요즘은 병렬 분석 및 기타 유사한 방법의 권장 사항을 따르는 것이 제안되지만 결과의 해석 가능성과 기본 이론을 고려하는 것도 제안됩니다.

마지막으로 구조 방정식 모델을 사용하여 CFA를 추정하는 경향이 있음을 강조할 필요가 있습니다. (SEM)을 수행하기 위한 프로세스는 이들을 위해 개발된 기준에 따라 수행되어야 합니다. 모델.

참조

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). 항목의 탐색적 요인 분석: 실용적인 가이드, 수정 및 업데이트된 서론 분석의 적합성 결정. Annals of Psychology, 30(3), 1151–1169.