Faktorinės analizės apibrėžimas

Faktorinė analizė yra analizės metodas, dažnai naudojamas kuriant ir patvirtinant testai, leidžia ištirti, kaip veiksniai arba latentiniai kintamieji yra struktūrizuoti iš atsakymų į elementus bandymas.

Norėdami gauti tinkamas matavimo skales, mokslininkai pasinaudojo technikos, žinomos kaip faktorinė analizė, kuri leidžia nustatyti struktūrą, kuri yra matavimo skalės elementų pagrindas. Šis metodas tiria latentinį faktorių, kurį taip pat galėtume vadinti nepastebimas kintamasis Jie paaiškina atsakymų, pateiktų į testo elementus ar elementus, modelį.

Toliau bus pateiktas trumpas įvadas į faktorių analizę, įskaitant, bet tuo neapsiribojant: faktorių analizės ir faktorių analizės skirtumus pagrindinių komponentų analizė, tiriamoji ir patvirtinamoji faktorių analizė ir galiausiai juos sudarantys elementai.

Faktorinė analizė ir pagrindinių komponentų analizė

Peržvelgdami literatūrą apie instrumentų kūrimą ir patvirtinimą, galime suprasti, kad tarp akademikų tokių yra Neatsižvelgiant į faktorių analizės (FA) ir pagrindinių komponentų analizės (PCA) naudojimą kyla painiavos. Tokį beatodairišką naudojimą gali lemti tai, kad technologiniai ištekliai ilgą laiką apsunkino AF taikymą, o tai kompensavo AKR. Nors abu metodai yra panašūs, nes jie sumažina daiktus iki mažesnių matmenų (faktorių ir komponentai), jie taip pat turi tam tikrų specifinių skirtumų, dėl kurių labai skirtinga.

FA siekiama nustatyti, kiek ir kaip yra sudaryta veiksnių (latentinių kintamųjų) struktūra; šie veiksniai paaiškintų bendrą analizuojamų elementų grupės dispersiją. Priešingai, PBS siekiama nustatyti, kiek komponentų reikia apibendrinti stebimų kintamųjų grupės balai, tai yra, paaiškinantys didžiausią dispersijos dydį Pastebėjus. Kitas skirtumas yra tas, kad AF stebimi kintamieji laikomi priklausomais kintamaisiais, o AKR šalyse jie yra nepriklausomi.

Tiriamoji ir patvirtinamoji faktorių analizė

Nustačius AF ir ACP skirtumą, būtina padaryti naują skirtumą tarp tiriamosios faktoriaus analizės (EFA) ir patvirtinamosios faktoriaus analizės (AFC). Abi analizės buvo laikomos dviem nuolatinio proceso dalimis. AFE siekia nustatyti, kiek veiksnių sudaro mūsų skalę, o AFC apibūdinama patvirtinti tuos veiksnius, bet taip pat nustatyti, kaip veiksniai ir elementai skalė. Kitas būdas juos apibrėžti yra tai, kad AFE „kuria“ teoriją, o AFC ją patvirtintų.

AF elementai

Mėginio dydis

Tai viena iš labiausiai aptarinėjamų temų ne tik FA, bet ir apskritai duomenų analizėje. Analizei tinkamo imties dydžio nustatymas yra diskusija, kuri atrodo begalinė, tai yra klasikinės rekomendacijos kad kuo didesnis elementų skaičius, tuo didesnis mūsų imties dalyvių skaičius, o mažiausiai 200 yra labiausiai rekomenduojamas. Tačiau klasikinėms rekomendacijoms dažniausiai trūksta aiškaus pagrindo, šiandien reikia atsižvelgti į daugelį elementų, norint nustatyti, kiek Dalyviai yra būtini, pavyzdžiui, elementų skaičius vienam veiksniui, analizei naudojama matrica ir netgi dalyvių atsakymų variantų skaičius. daiktų. Taigi, tyrimai, kuriuose naudojamas modeliavimas tokiomis sąlygomis, parodė, kad mažiausiai 300 dalyvių yra pakankamas skaičius.

Elementų, kuriuos reikia įtraukti į analizę ir į kiekvieną veiksnį, skaičius

Kalbant apie elementų, kurie turi būti įtraukti į analizę, skaičių, jie turi būti parinkti iš teorijos, tačiau būtina atkreipkite dėmesį, kad jie neturėtų būti pertekliniai, nes dėl to šie elementai dalytųsi skirtumai ir dėl to būtų blogi sąmata. Todėl reikia pasirūpinti, kad pasirinktume tik tuos elementus, kurie iš tikrųjų atspindi konstrukciją, kurią bandome įvertinti. Kita vertus, kiekvienam veiksniui rekomenduojama turėti bent tris elementus, tačiau šis kiekis gali būti keičiamas priklausomai nuo naudojamos matricos ir imties dydžio.

Naudojama matrica

Klasikiniuose FA modeliuose daroma prielaida, kad kintamieji yra susiję tiesiniu būdu, Jie taip pat pateikia tinkamus normalumo indeksus, todėl paprastai buvo naudojama Pearsono koreliacijos matrica naudojamas. Šiandien siūloma atsižvelgti į normalumo prielaidą ir punktų atsakymų formatą. Be to, kas išdėstyta pirmiau, kuriant naujas PA kūrimo priemones buvo pradėti naudoti nauji metodai, tokie kaip matrica polichorinės ir tetrachorinės koreliacijos, tačiau abiem matricoms reikalingas didesnis imties dydis, palyginti su matrica Pearsonas.

Veiksnių įvertinimas

Dažniausiai naudojami 2 įvertinimo metodai:

• Didžiausia tikimybė: šis metodas yra dažniausiai naudojamas dėl jo pranašumų, palyginti su kitais metodais, pvz., galimybė palyginti klaidų koregavimą ir kiekybinį įvertinimą. Tačiau šis metodas reikalauja, kad būtų laikomasi duomenų normalumo, turint nuolatines skales ir naudojant Pearsono koreliacijos matricą.

• Paprastieji mažiausi kvadratai. Tiesą sakant, šis metodas reiškia įvertinimo metodų šeimą. Šie metodai pasirodė esą tvirti, kai nesilaikoma normalumo ir tiesiškumo prielaidų. Lygiai taip pat pasirodė, kad jos taikymas kartu su polichorine matrica yra veiksmingas.

Prekės pasukimas

Šis veiksmas reiškia nuolatinį matricos sukimąsi, siekiant rasti paprastą ir nuoseklų sprendimą. Šiandien plačiausiai naudojami metodai yra stačiakampis sukimasis, konkrečiau – kriterijus varimax ir pasvirusią sukimąsi pagal jūsų metodą tiesioginis obliminas. Pastarasis šiandien yra labiausiai rekomenduojamas būdas pateikti patikimesnę ir nuoseklesnę struktūrą.

Veiksniai, kuriuos reikia išlaikyti

Esminis šios analizės elementas yra faktorių formavimas, bet kaip žinoti, kiek veiksnių turėtume turėti savo skalėje? Klasikinė rekomendacija buvo laikytis Kaizerio taisyklės, kuri reiškia, kad savosios reikšmės turi būti didesnės nei 1, tačiau šis metodas linkęs sukelti veiksnių pervertinimą. Šiais laikais siūloma vadovautis lygiagrečios analizės ir kitų panašių metodų rekomendacijomis, tačiau taip pat siūloma atsižvelgti į rezultatų interpretuojamumą ir pagrindinę teoriją.

Galiausiai būtina pabrėžti, kad CFA paprastai vertinamas naudojant struktūrinių lygčių modelius. (SEM), todėl jo vykdymo procesas turėtų būti atliekamas remiantis jiems parengtais kriterijais Modeliai.

Nuorodos

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A. ir Tomás-Marco, I. (2014). Tiriamoji elementų faktorinė analizė: praktinis vadovas, pataisytas ir atnaujintas Įvadas Analizės adekvatumo nustatymas. „Annals of Psychology“, 30(3), 1151–1169.