Opredelitev faktorske analize

Faktorska analiza je tehnika analize, ki se pogosto uporablja na področju razvoja in validacije testov, omogoča raziskovanje, kako so dejavniki ali latentne spremenljivke strukturirani iz odgovorov na postavke test.

Za pridobitev ustreznih merilnih lestvic so se raziskovalci zatekli k tehniki, znani kot faktorska analiza, ki omogoča identifikacijo strukture, ki je podlaga postavk merilne lestvice. Ta tehnika raziskuje, kako latentni faktor, ki bi ga lahko tudi imenovali neopazovana spremenljivka Pojasnjujejo vzorec odgovorov na postavke ali postavke v testu.

Nato bo podan kratek uvod v faktorsko analizo, vključno z, vendar ne omejeno na: razlike med faktorsko analizo in analiza glavnih komponent, raziskovalna in potrditvena faktorska analiza in končno elementi, ki jih sestavljajo.

Faktorska analiza in analiza glavnih komponent

Ko pregledujemo literaturo o razvoju in validaciji instrumentov, lahko ugotovimo, da med akademiki obstajajo Obstaja nekaj zmede glede nediskriminatorne uporabe faktorske analize (FA) in analize glavnih komponent (PCA). Ta nediskriminatorna uporaba je lahko posledica dejstva, da so dolgo časa tehnološki viri oteževali uporabo AF in da so to nadomestili, so vključili ACP. Čeprav sta si obe tehniki podobni, saj reducirata predmete na manjše dimenzije (faktorji in komponente), predstavljajo tudi nekatere posebne razlike, ki vodijo do zelo drugačen.

FA poskuša ugotoviti, koliko in kako je strukturiranih dejavnikov (latentnih spremenljivk); ti dejavniki bi pojasnili skupno varianco skupine analiziranih postavk. Nasprotno, v PCA je namenjeno določitvi, koliko komponent je potrebnih za povzetek rezultatov skupine opazovanih spremenljivk, ki pojasnjujejo največjo količino variance opazili. Druga razlika je, da medtem ko se v AF opazovane spremenljivke obravnavajo kot odvisne spremenljivke, so v ACP neodvisne.

Raziskovalna in potrditvena faktorska analiza

Ko je razlika med AF in ACP ugotovljena, je treba narediti novo razliko med raziskovalno faktorsko analizo (EFA) in potrditveno faktorsko analizo (AFC). Obe analizi sta obravnavani kot dva dela kontinuiranega procesa. AFE skuša ugotoviti, koliko dejavnikov sestavlja našo lestvico, medtem ko je AFC značilna potrditi te dejavnike, ampak tudi določiti, kako dejavniki in postavke lestvica. Drug način opredelitve je, da AFE "gradi" teorijo, medtem ko bi jo AFC potrdil.

Elementi AF

Velikost vzorca

To je ena izmed najbolj obravnavanih tem, ne samo v FA, ampak tudi v analizi podatkov na splošno. Določanje ustrezne velikosti vzorca za analizo je razprava, ki se zdi neskončna, klasična priporočila so da večje kot je število postavk, večje mora biti število udeležencev v našem vzorcu, pri čemer je najbolj priporočljivo najmanj 200. Vendar pa klasična priporočila ponavadi nimajo jasnih temeljev, danes je treba upoštevati veliko elementov, da se določi, koliko potrebni so udeleženci, na primer število elementov na dejavnik, matrika, uporabljena za analizo, in celo, koliko možnosti odgovora imajo udeleženci. predmete. Tako so študije, ki uporabljajo simulacije pod temi pogoji, ugotovile, da je najmanj 300 udeležencev ustrezno število.

Število postavk, ki jih je treba vključiti v analizo in v vsak dejavnik

Kar zadeva število elementov, ki jih je treba vključiti v analizo, jih je treba izbrati iz teorije, vendar je treba poudarite, da ti ne smejo biti odvečni, saj bi to povzročilo, da bi si te postavke delile varianco in bi bile zato slabe ocena. Zato je treba paziti, da izberemo samo tiste predmete, ki resnično predstavljajo konstrukt, ki ga poskušamo oceniti. Po drugi strani pa je priporočljivo imeti vsaj tri postavke za vsak faktor; vendar se ta znesek lahko spremeni glede na uporabljeno matriko in velikost vzorca.

Uporabljena matrica

V klasičnih načrtih FA obstaja predpostavka, da so spremenljivke povezane linearno, Predstavljajo tudi ustrezne indekse normalnosti, tako da je bila Pearsonova korelacijska matrika tipično tista rabljeno. Danes je predlagano, da se upošteva predpostavka normalnosti in oblika odgovora postavk. Poleg zgoraj navedenega je razvoj novih orodij za razvoj PA privedel do uporabe novih tehnik, kot je matrika polihorične in tetrahorične korelacije, vendar obe matriki zahtevata večji vzorec v primerjavi z matriko Pearson.

Faktorska ocena

Najpogosteje uporabljeni metodi ocenjevanja sta 2:

• Največja verjetnost: Ta metoda je najpogostejša za uporabo zaradi svojih prednosti pred drugimi metodami, kot je zmožnost kontrasta prilagoditve in kvantifikacije napak. Vendar ta metoda zahteva skladnost z normalnostjo podatkov, z neprekinjenimi lestvicami in uporabo Pearsonove korelacijske matrike.

• Navadni najmanjši kvadrati. Pravzaprav se ta metoda nanaša na družino metod ocenjevanja. Te metode so se izkazale za robustne, kadar predpostavki o normalnosti in linearnosti nista izpolnjeni. Prav tako se je za učinkovito izkazala njegova uporaba v povezavi s polihorično matrico.

Rotacija predmeta

Ta korak se nanaša na nenehno vrtenje matrike, da bi našli rešitev, ki je preprosta in dosledna. Danes najbolj razširjene metode so pravokotno vrtenje, natančneje merilo varimax in poševno vrtenje v vaši metodi neposredni oblimin. Slednja je danes najbolj priporočljiva metoda za predstavitev bolj zanesljive in dosledne strukture.

Dejavniki, ki jih je treba obdržati

Ključni element te analize je oblikovanje faktorjev, toda kako vemo, koliko faktorjev bi morali imeti na naši lestvici? Klasično priporočilo je bilo slediti Kaiserjevemu pravilu, ki se nanaša na ohranjanje lastnih vrednosti, večjih od 1; vendar ta metoda ponavadi povzroči precenjevanje faktorjev. Dandanes se predlaga upoštevanje priporočil vzporedne analize in drugih podobnih metod, predlaga pa se tudi upoštevanje interpretabilnosti rezultatov in osnovne teorije.

Na koncu je treba poudariti, da se CFA običajno ocenjuje z uporabo modelov strukturnih enačb. (SEM), zato je treba postopek za njegovo izvedbo izvesti na podlagi meril, razvitih zanje Modeli.

Reference

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Raziskovalna faktorska analiza postavk: praktični vodnik, prenovljen in posodobljen Uvod Ugotavljanje ustreznosti analize. Annals of Psychology, 30 (3), 1151–1169.