Definitie van factoranalyse

Factoranalyse is een analysetechniek die veel wordt gebruikt op het gebied van ontwikkeling en validatie van tests, maakt het mogelijk om te onderzoeken hoe de factoren of latente variabelen zijn gestructureerd op basis van de antwoorden op de items van a test.

Om adequate meetschalen te verkrijgen, hebben onderzoekers hun toevlucht genomen tot de techniek die bekend staat als factoriële analyse, wat het mogelijk maakt om de structuur te identificeren die ten grondslag ligt aan de items van een meetschaal. Deze techniek onderzoekt hoe een latente factor, die we ook zouden kunnen noemen niet-geobserveerde variabele Ze verklaren het patroon van antwoorden op de items of items op een test.

Vervolgens wordt een korte inleiding gegeven in factoranalyse, inclusief maar niet beperkt tot: de verschillen tussen factoranalyse en de hoofdcomponentenanalyse, verkennende en bevestigende factoranalyse en tot slot de elementen waaruit deze bestaan.

Factoranalyse en hoofdcomponentenanalyse

Als we de literatuur rond de ontwikkeling en validatie van instrumenten bekijken, kunnen we ons realiseren dat er onder academici zijn Er bestaat enige verwarring over het willekeurige gebruik van factoranalyse (FA) en hoofdcomponentenanalyse (PCA). Dit willekeurige gebruik kan te wijten zijn aan het feit dat technologische middelen lange tijd de toepassing van AF moeilijk maakten en om dit te compenseren, omvatten ze ACP. Hoewel beide technieken vergelijkbaar zijn, omdat ze de items reduceren tot kleinere dimensies (factoren en componenten), vertonen ze ook enkele specifieke verschillen die leiden tot zeer verschillend.

De FA probeert te identificeren hoeveel en hoe de factoren (latente variabelen) zijn gestructureerd; deze factoren zouden de gemeenschappelijke variantie van de groep geanalyseerde items verklaren. Integendeel, in de PCA is het de bedoeling om te bepalen hoeveel componenten er nodig zijn om het samen te vatten scores van een groep waargenomen variabelen, dat wil zeggen, die de grootste hoeveelheid variantie verklaren opgemerkt. Een ander verschil is dat terwijl in de AF de waargenomen variabelen als de afhankelijke variabelen worden beschouwd, dit in ACP de onafhankelijke zijn.

Verkennende en bevestigende factoranalyse

Als het verschil in AF en ACP eenmaal is vastgesteld, is het nodig om een ​​nieuw onderscheid te maken tussen de Exploratory Factor Analysis (EFA) en de Confirmatory Factor Analysis (AFC). Beide analyses zijn beschouwd als twee onderdelen van een continu proces. De AFE probeert te bepalen uit hoeveel factoren onze schaal bestaat, terwijl de AFC wordt gekenmerkt door bevestigen die factoren, maar bepalen ook hoe de factoren en de items van de schaal. Een andere manier om ze te definiëren is dat de AFE de theorie "bouwt", terwijl de AFC deze zou bevestigen.

AF-elementen

Steekproefgrootte

Dit is een van de meest besproken onderwerpen, niet alleen in FA, maar ook in data-analyse in het algemeen. Het bepalen van de juiste steekproefomvang voor de analyse is een discussie die eindeloos lijkt, de klassieke aanbevelingen zijn dat ook dat hoe groter het aantal items, hoe groter het aantal deelnemers in onze steekproef zou moeten zijn, waarbij een minimum van 200 het meest aanbevolen is. De klassieke aanbevelingen hebben echter de neiging om geen duidelijke basis te hebben, tegenwoordig moet met veel elementen rekening worden gehouden om te bepalen met hoeveel deelnemers nodig zijn, zoals het aantal items per factor, de gebruikte matrix voor de analyse en zelfs hoeveel antwoordmogelijkheden de deelnemers hebben. artikelen. Studies die simulaties onder deze omstandigheden gebruiken, hebben dus vastgesteld dat een minimum van 300 deelnemers een voldoende aantal is.

Aantal items dat in de analyse en in elke factor moet worden opgenomen

Wat betreft het aantal items dat in de analyse moet worden opgenomen, deze moeten uit de theorie worden geselecteerd, maar dat is ook noodzakelijk wijs erop dat deze niet overbodig mogen zijn, aangezien dit ertoe zou leiden dat deze items de variantie delen en daarom slecht zijn schatting. Daarom moet ervoor worden gezorgd dat alleen die items worden geselecteerd die echt het construct vertegenwoordigen dat we proberen te beoordelen. Aan de andere kant wordt aanbevolen om voor elke factor ten minste drie items te hebben; dit aantal kan echter worden gewijzigd afhankelijk van de gebruikte matrix en de steekproefomvang.

Matrix gebruikt

In klassieke FA-ontwerpen wordt ervan uitgegaan dat de variabelen lineair gerelateerd zijn, Ze presenteren ook adequate normaliteitsindices, dus de Pearson-correlatiematrix was typisch de enige gebruikt. Tegenwoordig wordt voorgesteld om rekening te houden met de aanname van normaliteit en het antwoordformaat van de items. Naast het bovenstaande heeft de ontwikkeling van nieuwe tools voor de ontwikkeling van PA geleid tot het gebruik van nieuwe technieken zoals de matrix van polychore en tetrachore correlaties, beide matrices vereisen echter een grotere steekproefomvang in vergelijking met de matrix van peerson.

Factor schatting

De meest gebruikte schattingsmethoden zijn 2:

• Maximale waarschijnlijkheid: deze methode wordt het meest gebruikt vanwege de voordelen ten opzichte van andere methoden, zoals de mogelijkheid om de aanpassing en kwantificering van fouten te contrasteren. Deze methode vereist echter naleving van de normaliteit van de gegevens, het hebben van continue schalen en het gebruik van de Pearson-correlatiematrix.

• Gewone kleinste kwadraten. Eigenlijk verwijst deze methode naar een familie van schattingsmethoden. Deze methoden hebben bewezen robuust te zijn wanneer niet wordt voldaan aan de aannames van normaliteit en lineariteit. Evenzo is de toepassing ervan in combinatie met de polychore matrix efficiënt gebleken.

Rotatie van artikelen

Deze stap verwijst naar het continu roteren van de matrix om een ​​oplossing te vinden die eenvoudig en consistent is. De meest gebruikte methoden zijn tegenwoordig orthogonale rotatie, meer specifiek het criterium varimax en schuine rotatie in uw methode directe oblimin. Tegenwoordig is de laatste de meest aanbevolen methode om een ​​meer betrouwbare en consistente structuur te presenteren.

Factoren om te behouden

Het cruciale element van deze analyse is factorvorming, maar hoe weten we hoeveel factoren we in onze schaal zouden moeten hebben? De klassieke aanbeveling was om de regel van Kaiser te volgen, die verwijst naar het houden van eigenwaarden groter dan 1; deze methode heeft echter de neiging om een ​​overschatting van de factoren te veroorzaken. Tegenwoordig wordt voorgesteld om de aanbevelingen van de parallelle analyse en andere soortgelijke methoden te volgen, maar er wordt ook voorgesteld om rekening te houden met de interpreteerbaarheid van de resultaten en de basistheorie.

Ten slotte moet worden benadrukt dat de CFA meestal wordt geschat met behulp van structurele vergelijkingsmodellen. (SEM), dus het proces om het uit te voeren moet worden uitgevoerd op basis van de criteria die hiervoor zijn ontwikkeld Modellen.

Referenties

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). De verkennende factoranalyse van de items: een praktische handleiding, herzien en geactualiseerd Inleiding Bepaling van de adequaatheid van de analyse. Annalen van psychologie, 30(3), 1151-1169.