Definícia faktorovej analýzy

Faktorová analýza je analytická technika, ktorá sa často používa v oblasti vývoja a overovania testy, umožňuje preskúmať, ako sú faktory alebo latentné premenné štruktúrované z odpovedí na položky a test.

Na získanie adekvátnych mierok merania sa výskumníci uchýlili k technike známej ako faktorová analýza, čo umožňuje identifikovať štruktúru, ktorá je základom položiek meracej stupnice. Táto technika skúma, ako latentný faktor, ktorý by sme mohli tiež nazvať nepozorovaná premenná Vysvetľujú vzor odpovedí na položky alebo položky v teste.

Ďalej bude poskytnutý krátky úvod do faktorovej analýzy, ktorý okrem iného zahŕňa: rozdiely medzi faktorovou analýzou a analýzou faktorov analýza hlavných komponentov, prieskumná a potvrdzujúca faktorová analýza a nakoniec prvky, ktoré ich tvoria.

Faktorová analýza a analýza hlavných komponentov

Pri prezeraní literatúry o vývoji a overovaní nástrojov si môžeme uvedomiť, že medzi akademikmi existujú Existuje určitý zmätok okolo nerozlišujúceho používania faktorovej analýzy (FA) a analýzy hlavných komponentov (PCA). Toto nerozlišujúce používanie môže byť spôsobené skutočnosťou, že technologické zdroje po dlhú dobu sťažovali aplikáciu AF a na kompenzáciu toho zahŕňali AKT. Hoci sú obe techniky podobné, keďže redukujú položky na menšie rozmery (faktory a komponenty), predstavujú aj niektoré špecifické rozdiely, ktoré vedú k veľmi rôzne.

FA sa snaží identifikovať, koľko a ako sú faktory (latentné premenné) štruktúrované; tieto faktory by vysvetľovali spoločný rozptyl skupiny analyzovaných položiek. Naopak, v PCA je určené určiť, koľko komponentov je potrebných na zhrnutie skóre skupiny pozorovaných premenných, teda vysvetľujúce najväčšie množstvo rozptylu pozorované. Ďalším rozdielom je, že kým v AF sú pozorované premenné považované za závislé premenné, v ACP sú to tie nezávislé.

Exploračná a potvrdzujúca faktorová analýza

Po zistení rozdielu v AF a ACP je potrebné urobiť nový rozdiel medzi Exploratory Factor Analysis (EFA) a Confirmatory Factor Analysis (AFC). Obe analýzy boli považované za dve časti kontinuálneho procesu. AFE sa snaží určiť, koľko faktorov tvorí našu škálu, zatiaľ čo AFC sa vyznačuje potvrdiť tieto faktory, ale tiež určiť, ako faktory a položky stupnica. Ďalším spôsobom ich definovania je, že AFE „buduje“ teóriu, zatiaľ čo AFC by ju potvrdilo.

AF prvky

Veľkosť vzorky

Toto je jedna z najdiskutovanejších tém nielen vo FA, ale aj pri analýze dát všeobecne. Určenie vhodnej veľkosti vzorky na analýzu je diskusia, ktorá sa zdá nekonečná, klasické odporúčania sú že čím väčší počet položiek, tým väčší počet účastníkov v našej vzorke by mal byť, pričom minimálne 200 je najviac odporúčaných. Klasickým odporúčaniam však väčšinou chýba jasný základ, dnes treba brať do úvahy veľa prvkov, aby sa určilo koľko účastníkov, ako je počet položiek na faktor, matica použitá na analýzu a dokonca aj to, koľko možností odpovede majú účastníci. položky. Štúdie, ktoré využívajú simulácie za týchto podmienok, teda určili, že minimálne 300 účastníkov je adekvátny počet.

Počet položiek, ktoré sa majú zahrnúť do analýzy a do každého faktora

Čo sa týka počtu položiek, ktoré majú byť zahrnuté do analýzy, tieto je potrebné vybrať z teórie, je však potrebné poukázať na to, že tieto položky by nemali byť nadbytočné, pretože by to spôsobilo, že by tieto položky zdieľali rozptyl, a preto by boli zlé odhadnúť. Preto je potrebné dbať na to, aby ste vybrali len tie položky, ktoré skutočne predstavujú konštrukt, ktorý sa pokúšame posúdiť. Na druhej strane sa odporúča mať pre každý faktor aspoň tri položky, avšak toto množstvo je možné upraviť v závislosti od použitej matice a veľkosti vzorky.

Použitá matrica

V klasických návrhoch FA existuje predpoklad, že premenné súvisia lineárnym spôsobom, Predstavujú tiež primerané indexy normality, takže Pearsonova korelačná matica bola zvyčajne tá použité. Dnes sa navrhuje brať do úvahy predpoklad normality a formát odpovede položiek. Okrem vyššie uvedeného viedol vývoj nových nástrojov na rozvoj PA k použitiu nových techník, ako je matica polychorické a tetrachorické korelácie, avšak obe matrice vyžadujú väčšiu veľkosť vzorky v porovnaní s matricou z pearson.

Odhad faktorov

Najbežnejšie používané metódy odhadu sú 2:

• Maximálna pravdepodobnosť: Táto metóda sa používa najčastejšie kvôli jej výhodám v porovnaní s inými metódami, ako je schopnosť porovnávať úpravu a kvantifikáciu chýb. Táto metóda však vyžaduje súlad s normalitou údajov, kontinuálne škály a použitie Pearsonovej korelačnej matice.

• Obyčajné najmenšie štvorce. V skutočnosti sa táto metóda týka rodiny metód odhadu. Tieto metódy sa ukázali ako robustné, keď nie sú splnené predpoklady normality a linearity. Rovnakým spôsobom sa osvedčila jeho aplikácia v spojení s polychorickou matricou.

Rotácia položiek

Tento krok sa vzťahuje na nepretržité otáčanie matrice s cieľom nájsť riešenie, ktoré je jednoduché a konzistentné. Dnes sú najpoužívanejšie metódy ortogonálne otáčanie, konkrétnejšie kritérium varimax a šikmé otáčanie vo vašej metóde priamy oblimin. Dnes je táto metóda najviac odporúčanou metódou na prezentáciu spoľahlivejšej a konzistentnejšej štruktúry.

Faktory, ktoré treba zachovať

Rozhodujúcim prvkom tejto analýzy je tvorba faktorov, ale ako vieme, koľko faktorov by sme mali mať v našej škále? Klasickým odporúčaním bolo riadiť sa Kaiserovým pravidlom, ktoré odkazuje na udržiavanie vlastných hodnôt väčších ako 1; táto metóda však má tendenciu spôsobiť nadhodnotenie faktorov. V súčasnosti sa odporúča postupovať podľa odporúčaní paralelnej analýzy a iných podobných metód, ale zároveň sa odporúča brať do úvahy interpretovateľnosť výsledkov a základnú teóriu.

Nakoniec je potrebné zdôrazniť, že CFA má tendenciu sa odhadovať pomocou modelov štruktúrnych rovníc. (SEM), takže proces na jeho vykonanie by sa mal vykonávať na základe kritérií vyvinutých pre tieto účely Modelky.

Referencie

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Prieskumná faktorová analýza položiek: praktická príručka, revidovaná a aktualizovaná Úvod Stanovenie primeranosti analýzy. Annals of Psychology, 30(3), 1151–1169.