Definicja analizy czynnikowej

Analiza czynnikowa jest techniką analityczną, która jest często stosowana w dziedzinie rozwoju i walidacji testy, pozwala zbadać, w jaki sposób czynniki lub ukryte zmienne są zbudowane z odpowiedzi na pozycje a test.

Aby uzyskać odpowiednie skale pomiarowe, badacze sięgnęli po technikę tzw analiza czynnikowa, co pozwala zidentyfikować strukturę leżącą u podstaw pozycji skali pomiarowej. Ta technika bada, w jaki sposób ukryty czynnik, który możemy również nazwać nieobserwowana zmienna Wyjaśniają wzór odpowiedzi udzielanych na pozycje lub pozycje w teście.

Następnie przedstawione zostanie krótkie wprowadzenie do analizy czynnikowej, w tym między innymi: różnice między analizą czynnikową a analizą czynnikową Analiza głównych składowych, eksploracyjną i potwierdzającą analizę czynnikową i wreszcie elementy, które się na nie składają.

Analiza czynnikowa i analiza głównych składowych

Przeglądając literaturę dotyczącą rozwoju i walidacji instrumentów, możemy zdać sobie sprawę, że wśród naukowców są tacy Istnieje pewne zamieszanie wokół bezkrytycznego stosowania analizy czynnikowej (FA) i analizy głównych składowych (PCA). To masowe użycie może wynikać z faktu, że przez długi czas zasoby technologiczne utrudniały stosowanie AF i aby to zrekompensować, obejmowały ACP. Chociaż obie techniki są podobne, ponieważ redukują pozycje do mniejszych wymiarów (czynniki i komponenty), przedstawiają również pewne specyficzne różnice, które prowadzą do bardzo różny.

FA ma na celu określenie, ile i jak ustrukturyzowane są czynniki (zmienne ukryte); czynniki te wyjaśniałyby wspólną wariancję grupy analizowanych pozycji. Wręcz przeciwnie, w PCA ma na celu określenie, ile elementów jest niezbędnych do podsumowania wyniki grupy obserwowanych zmiennych, czyli wyjaśniające największą ilość wariancji zauważony. Kolejna różnica polega na tym, że o ile w AF zmienne obserwowane są traktowane jako zmienne zależne, o tyle w ACP są to zmienne niezależne.

Eksploracyjna i potwierdzająca analiza czynnikowa

Po ustaleniu różnicy w AF i ACP konieczne jest dokonanie nowego rozróżnienia między eksploracyjną analizą czynnikową (EFA) a konfirmacyjną analizą czynnikową (AFC). Obie analizy zostały uznane za dwie części ciągłego procesu. AFE stara się określić, ile czynników składa się na naszą skalę, podczas gdy AFC charakteryzuje się potwierdzić te czynniki, ale także określić, w jaki sposób czynniki i elementy skala. Innym sposobem ich zdefiniowania jest to, że AFE „buduje” teorię, podczas gdy AFC ją potwierdza.

Elementy AF

Wielkość próbki

Jest to jeden z najczęściej dyskutowanych tematów, nie tylko w FA, ale ogólnie w analizie danych. Określenie odpowiedniej wielkości próbki do analizy jest dyskusją, która wydaje się nie mieć końca, tak jak klasyczne zalecenia że im większa liczba pozycji, tym większa powinna być liczba uczestników w naszej próbie, przy czym najbardziej zalecane jest minimum 200. Jednak klasycznym rekomendacjom brakuje zwykle jasnych podstaw, dziś trzeba wziąć pod uwagę wiele elementów, aby określić, ile uczestnicy są niezbędni, na przykład liczba pozycji na czynnik, macierz zastosowana do analizy, a nawet liczba opcji odpowiedzi, jakie mają uczestnicy. rzeczy. Dlatego badania wykorzystujące symulacje w tych warunkach wykazały, że minimum 300 uczestników to odpowiednia liczba.

Liczba elementów do uwzględnienia w analizie iw każdym czynniku

Jeśli chodzi o liczbę pozycji, które mają zostać uwzględnione w analizie, należy je wybrać z teorii, jednak jest to konieczne zwróć uwagę, że nie powinny one być zbędne, ponieważ spowodowałoby to, że te pozycje miałyby wspólną wariancję, a zatem byłyby złe oszacować. Dlatego należy uważać, aby wybrać tylko te elementy, które naprawdę reprezentują konstrukt, który próbujemy ocenić. Z drugiej strony zaleca się posiadanie co najmniej trzech pozycji dla każdego czynnika, jednak ilość ta może być modyfikowana w zależności od zastosowanej matrycy i liczebności próby.

Użyta matryca

W klasycznych układach FA przyjmuje się założenie, że zmienne są powiązane w sposób liniowy, Przedstawiają również odpowiednie wskaźniki normalności, więc macierz korelacji Pearsona była typowo tą jedyną używany. Dziś sugeruje się uwzględnienie założenia o normalności i formatu odpowiedzi pozycji. Oprócz powyższego, rozwój nowych narzędzi rozwoju PA doprowadził do zastosowania nowych technik, takich jak macierz korelacje polichoryczne i tetrachoryczne, jednak obie macierze wymagają większej liczebności próby w porównaniu do macierzy osoba.

Szacowanie czynnika

Najczęściej stosowane metody szacowania to 2:

• Maksymalne prawdopodobieństwo: ta metoda jest najczęściej stosowana ze względu na jej zalety w porównaniu z innymi metodami, takie jak możliwość kontrastowania korekt i kwantyfikacja błędów. Metoda ta wymaga jednak przestrzegania normalności danych, posiadania skal ciągłych oraz zastosowania macierzy korelacji Pearsona.

• Zwykłe najmniejsze kwadraty. Właściwie ta metoda odnosi się do rodziny metod szacowania. Metody te okazały się niezawodne, gdy nie są spełnione założenia dotyczące normalności i liniowości. W ten sam sposób jego zastosowanie w połączeniu z matrycą polichoryczną okazało się skuteczne.

Rotacja pozycji

Ten krok odnosi się do ciągłego obracania macierzy w celu znalezienia prostego i spójnego rozwiązania. Obecnie najczęściej stosowane metody to obrót ortogonalnya dokładniej kryterium varimax i ukośny obrót w twojej metodzie bezpośredni oblimin. Dziś ta druga metoda jest najbardziej zalecaną metodą przedstawiania bardziej wiarygodnej i spójnej struktury.

Czynniki do zachowania

Kluczowym elementem tej analizy jest formacja czynnikowa, ale skąd mamy wiedzieć, ile czynników powinniśmy mieć w naszej skali? Klasycznym zaleceniem było przestrzeganie reguły Kaisera, która odnosi się do utrzymywania wartości własnych większych niż 1, jednak ta metoda ma tendencję do powodowania przeszacowania czynników. Obecnie sugeruje się stosowanie się do zaleceń analizy równoległej i innych podobnych metod, ale sugeruje się również uwzględnienie interpretowalności wyników i podstawowej teorii.

Na koniec należy podkreślić, że CFA jest zwykle szacowane za pomocą modeli równań strukturalnych. (SEM), więc proces jego przeprowadzenia powinien być przeprowadzony w oparciu o opracowane dla nich kryteria modele.

Bibliografia

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Eksploracyjna analiza czynnikowa pozycji: praktyczny przewodnik, poprawiony i zaktualizowany Wstęp Określenie adekwatności analizy. Annals of Psychology, 30 (3), 1151–1169.