Definisjon av faktoranalyse

Faktoranalyse er en analyseteknikk som er hyppig brukt innen utvikling og validering av tester, gjør det mulig å utforske hvordan faktorene eller latente variablene er strukturert fra svarene til elementene i en test.

For å oppnå tilstrekkelige måleskalaer, har forskere tydd til teknikken kjent som faktoriell analyse, som gjør det mulig å identifisere strukturen som ligger til grunn for elementene i en måleskala. Denne teknikken utforsker hvordan en latent faktor, som vi også kan kalle uobservert variabel De forklarer mønsteret av svar gitt til elementene eller elementene på en test.

Deretter vil en kort introduksjon til faktoranalyse bli gitt, inkludert, men ikke begrenset til: forskjellene mellom faktoranalyse og hovedkomponentanalyse, utforskende og bekreftende faktoranalyse og til slutt elementene som utgjør disse.

Faktoranalyse og hovedkomponentanalyse

Når vi gjennomgår litteraturen rundt utvikling og validering av instrumenter, kan vi innse at blant akademikere er det Det er en viss forvirring rundt den vilkårlige bruken av faktoranalyse (FA) og hovedkomponentanalyse (PCA). Denne vilkårlige bruken kan skyldes at teknologiske ressurser i lang tid gjorde bruken av AF vanskelig, og for å kompensere for dette inkluderte de ACP. Selv om begge teknikkene er like, siden de reduserer varene til mindre dimensjoner (faktorer og komponenter), presenterer de også noen spesifikke forskjeller som fører til svært annerledes.

FA søker å identifisere hvor mange og hvordan faktorene (latente variabler) er strukturert; disse faktorene vil forklare den vanlige variansen til gruppen av elementer som analyseres. Tvert imot, i PCA er det ment å bestemme hvor mange komponenter som er nødvendige for å oppsummere score for en gruppe observerte variabler, det vil si forklarer den største variansen observert. En annen forskjell er at mens i AF anses de observerte variablene som de avhengige variablene, i ACP er disse de uavhengige.

Utforskende og bekreftende faktoranalyse

Når forskjellen i AF og ACP er etablert, er det nødvendig å gjøre en ny forskjell mellom Exploratory Factor Analysis (EFA) og Confirmatory Factor Analysis (AFC). Begge analysene har blitt betraktet som to deler av en kontinuerlig prosess. AFE søker å bestemme hvor mange faktorer som utgjør vår skala, mens AFC er preget av bekrefte disse faktorene, men også bestemme hvordan faktorene og elementene i skala. En annen måte å definere dem på er at AFE "bygger" teorien mens AFC vil bekrefte den.

AF-elementer

Prøvestørrelse

Dette er et av de mest diskuterte temaene, ikke bare i FA, men også i dataanalyse generelt. Å bestemme passende utvalgsstørrelse for analysen er en diskusjon som virker uendelig, er de klassiske anbefalingene at jo større antall elementer, desto større bør antall deltakere i vårt utvalg være, med minimum 200 som det mest anbefalte. Imidlertid har de klassiske anbefalingene en tendens til å mangle et klart grunnlag, i dag må mange elementer tas i betraktning for å bestemme hvor mange deltakere er nødvendige, for eksempel antall elementer per faktor, matrisen som brukes for analysen, og til og med hvor mange svaralternativer deltakerne har. gjenstander. Dermed har studier som bruker simuleringer under disse forholdene bestemt at minimum 300 deltakere er et tilstrekkelig tall.

Antall elementer som skal inkluderes i analysen og i hver faktor

Når det gjelder antall elementer som skal inkluderes i analysen, må disse velges fra teorien, men det er nødvendig å påpek at disse ikke bør være overflødige, da dette vil føre til at disse elementene deler variansen og derfor har dårlige anslag. Derfor må man passe på å velge bare de elementene som virkelig representerer konstruksjonen vi prøver å vurdere. På den annen side anbefales det å ha minst tre elementer for hver faktor, men denne mengden kan endres avhengig av matrisen som brukes og prøvestørrelsen.

Matrise brukt

I klassiske FA-design er det en antagelse om at variablene er relatert på en lineær måte, De presenterer også tilstrekkelige normalitetsindekser, så Pearson-korrelasjonsmatrisen var vanligvis den ene brukt. I dag foreslås det å ta hensyn til antakelsen om normalitet og svarformatet til elementene. I tillegg til ovennevnte har utviklingen av nye verktøy for utvikling av PA ført til bruk av nye teknikker som matrisen til polykoriske og tetrakoriske korrelasjoner krever imidlertid begge matrisene en større utvalgsstørrelse sammenlignet med matrisen til pearson.

Faktor estimering

De mest brukte estimeringsmetodene er 2:

• Maksimal sannsynlighet: Denne metoden er den vanligste å bruke på grunn av dens fordeler fremfor andre metoder, for eksempel muligheten til å kontrastere justering og kvantifisering av feil. Imidlertid krever denne metoden samsvar med normaliteten til dataene, ha kontinuerlige skalaer og bruk av Pearson-korrelasjonsmatrisen.

• Ordinært minste kvadrat. Faktisk refererer denne metoden til en familie av estimeringsmetoder. Disse metodene har vist seg å være robuste når forutsetningene om normalitet og linearitet ikke er oppfylt. På samme måte har dens anvendelse i forbindelse med den polykoriske matrisen vist seg å være effektiv.

Vare rotasjon

Dette trinnet refererer til kontinuerlig rotering av matrisen for å finne en løsning som er enkel og konsistent. De mest brukte metodene i dag er ortogonal rotasjon, nærmere bestemt kriteriet varimax og skrå rotasjon i metoden din direkte oblimin. I dag er sistnevnte den mest anbefalte metoden for å presentere en mer pålitelig og konsistent struktur.

Faktorer å beholde

Det avgjørende elementet i denne analysen er faktordannelse, men hvordan vet vi hvor mange faktorer vi bør ha i skalaen vår? Den klassiske anbefalingen var å følge Kaisers regel, som refererer til å opprettholde egenverdier større enn 1, men denne metoden har en tendens til å forårsake en overvurdering av faktorene. I dag foreslås det å følge anbefalingene fra parallellanalysen og andre lignende metoder, men det foreslås også å ta hensyn til tolkbarheten til resultatene og den grunnleggende teorien.

Til slutt er det nødvendig å fremheve at CFA har en tendens til å bli estimert ved bruk av strukturelle ligningsmodeller. (SEM) så prosessen for å gjennomføre den bør utføres basert på kriteriene utviklet for disse Modeller.

Referanser

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Den utforskende faktoranalysen av elementene: en praktisk veiledning, revidert og oppdatert Innledning Fastsettelse av analysens tilstrekkelighet. Annals of Psychology, 30(3), 1151–1169.