Faktoru analīzes definīcija

Faktoru analīze ir analīzes paņēmiens, ko bieži izmanto izstrādes un apstiprināšanas jomā testi, ļauj izpētīt, kā faktori vai latentie mainīgie tiek strukturēti no atbildēm uz vienumiem pārbaude.

Lai iegūtu atbilstošas ​​mērīšanas skalas, pētnieki ir izmantojuši paņēmienu, kas pazīstams kā faktoriālā analīze, kas ļauj identificēt struktūru, kas ir mērījumu skalas priekšmetu pamatā. Šis paņēmiens pēta, kā latentais faktors, ko mēs varētu arī saukt nenovērots mainīgais Tie izskaidro atbilžu modeli, kas tiek sniegts uz testa vienumiem vai vienumiem.

Tālāk tiks sniegts īss ievads par faktoru analīzi, tostarp, bet ne tikai: atšķirības starp faktoru analīzi un galveno komponentu analīze, pētnieciskā un apstiprinošā faktoru analīze un visbeidzot elementi, kas tos veido.

Faktoru analīze un galveno komponentu analīze

Pārskatot literatūru par instrumentu izstrādi un validāciju, mēs varam saprast, ka akadēmisko aprindu vidū tādi ir Pastāv zināmas neskaidrības par faktoru analīzes (FA) un galveno komponentu analīzes (PCA) nekritisku izmantošanu. Šāda nekritiska izmantošana var būt saistīta ar faktu, ka tehnoloģiskie resursi ilgu laiku apgrūtināja AF pielietošanu, un, lai to kompensētu, tie iekļāva ACP. Lai gan abas metodes ir līdzīgas, jo tās samazina preces līdz mazākiem izmēriem (faktori un komponenti), tiem ir arī dažas īpašas atšķirības, kas izraisa ļoti savādāk.

FA cenšas noteikt, cik daudz un kā ir strukturēti faktori (latentie mainīgie); šie faktori izskaidrotu analizējamo vienumu grupas kopējo dispersiju. Gluži pretēji, PCA ir paredzēts noteikt, cik daudz komponentu ir nepieciešams, lai apkopotu novēroto mainīgo grupas rādītāji, tas ir, izskaidro lielāko dispersijas apjomu novērotā. Vēl viena atšķirība ir tāda, ka, kamēr AF novērotie mainīgie tiek uzskatīti par atkarīgiem mainīgajiem, ĀKK tie ir neatkarīgie.

Izpētes un apstiprinoša faktoru analīze

Kad ir konstatēta atšķirība starp AF un ACP, ir jāizveido jauna atšķirība starp izpētes faktoru analīzi (EFA) un apstiprinošo faktoru analīzi (AFC). Abas analīzes tika uzskatītas par divām nepārtraukta procesa daļām. AFE cenšas noteikt, cik faktoru veido mūsu mērogu, savukārt AFC raksturo apstiprina šos faktorus, bet arī nosaka, kā faktori un vienumi mērogs. Vēl viens veids, kā tos definēt, ir tāds, ka AFE "veido" teoriju, bet AFC to apstiprinātu.

AF elementi

Parauga lielums

Šī ir viena no visvairāk apspriestajām tēmām ne tikai FA, bet arī datu analīzē kopumā. Analīzei piemērotā izlases lieluma noteikšana ir diskusija, kas šķiet bezgalīga, tā ir klasiskie ieteikumi ka jo lielāks ir vienumu skaits, jo lielākam jābūt mūsu izlasē iekļauto dalībnieku skaitam, bet ieteicamākais ir vismaz 200. Tomēr klasiskajiem ieteikumiem mēdz pietrūkt skaidra pamata, šodien jāņem vērā daudzi elementi, lai noteiktu, cik ir nepieciešami dalībnieki, piemēram, vienumu skaits katrā faktorā, analīzei izmantotā matrica un pat dalībnieku atbildes iespēju skaits. preces. Tādējādi pētījumos, kuros izmanto simulācijas šādos apstākļos, ir noteikts, ka vismaz 300 dalībnieku ir pietiekams skaitlis.

To vienumu skaits, kas iekļaujami analīzē un katrā faktorā

Attiecībā uz analīzē iekļaujamo vienību skaitu tie ir jāizvēlas no teorijas, tomēr ir nepieciešams norādiet, ka tiem nevajadzētu būt liekiem, jo ​​tādējādi šie vienumi atšķirtos un tādējādi būtu slikti aplēse. Tāpēc ir jārūpējas, lai atlasītu tikai tos priekšmetus, kas patiesi atspoguļo konstrukciju, kuru mēs cenšamies novērtēt. No otras puses, katram faktoram ieteicams izmantot vismaz trīs vienumus, taču šo summu var mainīt atkarībā no izmantotās matricas un izlases lieluma.

Izmantota matrica

Klasiskajos FA projektos pastāv pieņēmums, ka mainīgie ir saistīti lineārā veidā, Tajos ir arī atbilstoši normalitātes indeksi, tāpēc Pīrsona korelācijas matrica parasti bija tā lietots. Šodien tiek ieteikts ņemt vērā pieņēmumu par normālu un vienumu atbildes formātu. Papildus iepriekšminētajam, jaunu instrumentu izstrāde PA izstrādei ir ļāvusi izmantot jaunas metodes, piemēram, matricas polihoriskās un tetrahoriskās korelācijas, tomēr abām matricām ir nepieciešams lielāks izlases lielums, salīdzinot ar matricu pērsons.

Faktoru novērtējums

Visbiežāk izmantotās aplēses metodes ir 2:

• Maksimālā iespējamība: šī metode ir visizplatītākā, jo tai ir priekšrocības salīdzinājumā ar citām metodēm, piemēram, spēju kontrastēt kļūdu pielāgošanu un kvantitatīvo noteikšanu. Tomēr šī metode prasa atbilstību datu normalitātei, izmantojot nepārtrauktas skalas un izmantojot Pīrsona korelācijas matricu.

• Parastie mazākie kvadrāti. Faktiski šī metode attiecas uz novērtēšanas metožu saimi. Šīs metodes ir izrādījušās stabilas, ja netiek ievēroti normalitātes un linearitātes pieņēmumi. Tādā pašā veidā tā pielietošana kopā ar polihorisko matricu ir izrādījusies efektīva.

Preču rotācija

Šis solis attiecas uz nepārtrauktu matricas rotēšanu, lai atrastu vienkāršu un konsekventu risinājumu. Mūsdienās visplašāk izmantotās metodes ir ortogonālā rotācija, precīzāk kritērijs varimax un slīpā rotācija jūsu metodē tiešais oblimīns. Mūsdienās pēdējā ir visieteicamākā metode uzticamākas un konsekventākas struktūras attēlošanai.

Faktori, kas jāsaglabā

Šīs analīzes būtisks elements ir faktoru veidošana, bet kā mēs zinām, cik faktoru mums vajadzētu būt mūsu mērogā? Klasiskais ieteikums bija ievērot Kaizera likumu, kas attiecas uz īpašvērtību saglabāšanu, kas lielākas par 1, tomēr šī metode mēdz izraisīt faktoru pārvērtēšanu. Mūsdienās tiek ieteikts ievērot paralēlās analīzes un citu līdzīgu metožu ieteikumus, taču tiek ieteikts ņemt vērā arī rezultātu interpretējamību un pamata teoriju.

Visbeidzot, ir jāuzsver, ka CFA mēdz novērtēt, izmantojot strukturālo vienādojumu modeļus. (SEM), tāpēc tā veikšanas process būtu jāveic, pamatojoties uz tiem izstrādātajiem kritērijiem Modeļi.

Atsauces

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A. un Tomas-Marco, I. (2014). Punktu pētnieciskā faktoru analīze: praktiskā rokasgrāmata, pārskatīta un aktualizēta Ievads Analīzes atbilstības noteikšana. Annals of Psychology, 30(3), 1151–1169.