Definition av faktoranalys

Faktoranalys är en analysteknik som ofta används inom området utveckling och validering av tester, gör det möjligt att utforska hur faktorerna eller latenta variablerna är strukturerade från svaren på objekten i en testa.

För att få adekvata mätskalor har forskare tillgripit den teknik som kallas faktoriell analys, vilket gör det möjligt att identifiera strukturen som ligger till grund för objekten i en mätskala. Denna teknik utforskar hur en latent faktor, som vi också skulle kunna kalla oobserverad variabel De förklarar mönstret för svar som ges på föremålen eller föremålen på ett test.

Därefter kommer en kort introduktion till faktoranalys att ges, inklusive men inte begränsat till: skillnaderna mellan faktoranalys och huvudkomponentanalys, utforskande och bekräftande faktoranalys och slutligen de element som utgör dessa.

Faktoranalys och huvudkomponentanalys

När vi granskar litteraturen kring utveckling och validering av instrument kan vi inse att det finns bland akademiker Det råder viss förvirring kring den urskillningslösa användningen av faktoranalys (FA) och principal komponentanalys (PCA). Denna urskillningslösa användning kan bero på att tekniska resurser under lång tid försvårade tillämpningen av AF och för att kompensera för detta inkluderade de ACP. Även om båda teknikerna är lika, eftersom de reducerar föremålen till mindre dimensioner (faktorer och komponenter), presenterar de också vissa specifika skillnader som leder till mycket annorlunda.

FA strävar efter att identifiera hur många och hur faktorerna (latenta variabler) är strukturerade; dessa faktorer skulle förklara den gemensamma variansen för gruppen av analyserade objekt. Tvärtom, i PCA är det avsett att bestämma hur många komponenter som är nödvändiga för att sammanfatta poäng för en grupp observerade variabler, det vill säga förklarar den största mängden varians observerade. En annan skillnad är att medan de observerade variablerna i AF betraktas som de beroende variablerna, är dessa i ACP de oberoende.

Utforskande och bekräftande faktoranalys

När skillnaden i AF och ACP har fastställts är det nödvändigt att göra en ny skillnad mellan Exploratory Factor Analysis (EFA) och Confirmatory Factor Analysis (AFC). Båda analyserna har betraktats som två delar av en kontinuerlig process. AFE försöker bestämma hur många faktorer som utgör vår skala, medan AFC kännetecknas av bekräfta dessa faktorer, men också bestämma hur faktorerna och artiklarna i skala. Ett annat sätt att definiera dem är att AFE "bygger" teorin medan AFC skulle bekräfta den.

AF-element

Provstorlek

Detta är ett av de mest diskuterade ämnena, inte bara inom FA, utan även inom dataanalys i allmänhet. Att bestämma lämplig urvalsstorlek för analysen är en diskussion som verkar oändlig, är de klassiska rekommendationerna att ju fler objekt, desto fler deltagare i vårt urval bör vara, med minst 200 som det mest rekommenderade. De klassiska rekommendationerna tenderar dock att sakna en tydlig grund, idag måste många faktorer beaktas för att avgöra hur många deltagare är nödvändiga, såsom antalet poster per faktor, matrisen som används för analysen och till och med hur många svarsalternativ deltagarna har. föremål. Således har studier som använder simuleringar under dessa förhållanden bestämt att minst 300 deltagare är ett adekvat antal.

Antal poster som ska inkluderas i analysen och i varje faktor

När det gäller antalet poster som ska ingå i analysen ska dessa väljas ur teorin, dock är det nödvändigt att påpeka att dessa inte bör vara överflödiga, eftersom detta skulle göra att dessa artiklar delar variansen och därför har dåliga uppskatta. Därför måste man vara försiktig med att bara välja de objekt som verkligen representerar den konstruktion vi försöker bedöma. Å andra sidan rekommenderas det att ha minst tre poster för varje faktor, men denna mängd kan ändras beroende på vilken matris som används och urvalsstorleken.

Matris används

I klassiska FA-designer finns det ett antagande att variablerna är relaterade på ett linjärt sätt, De presenterar också adekvata normalitetsindex, så Pearson-korrelationsmatrisen var vanligtvis den Begagnade. Idag föreslås det att ta hänsyn till antagandet om normalitet och svarsformatet för objekten. Utöver ovanstående har utvecklingen av nya verktyg för utveckling av PA lett till användningen av nya tekniker såsom matrisen av polykoriska och tetrakoriska korrelationer kräver dock båda matriserna en större urvalsstorlek jämfört med matrisen för pearson.

Faktoruppskattning

De vanligaste uppskattningsmetoderna är 2:

• Maximal sannolikhet: Denna metod är den vanligaste att använda på grund av dess fördelar gentemot andra metoder såsom förmågan att kontrastera justering och kvantifiering av fel. Denna metod kräver dock överensstämmelse med normaliteten hos data, att ha kontinuerliga skalor och att använda Pearson-korrelationsmatrisen.

• Vanliga minsta kvadrater. Egentligen hänvisar denna metod till en familj av skattningsmetoder. Dessa metoder har visat sig vara robusta när antagandena om normalitet och linjäritet inte är uppfyllda. På samma sätt har dess applicering i kombination med den polychoric matrisen visat sig vara effektiv.

Objektrotation

Detta steg hänvisar till att kontinuerligt rotera matrisen för att hitta en lösning som är enkel och konsekvent. De mest använda metoderna idag är ortogonal rotation, närmare bestämt kriteriet varimax och sned rotation i din metod direkt oblimin. Idag är den senare den mest rekommenderade metoden för att presentera en mer tillförlitlig och konsekvent struktur.

Faktorer att behålla

Det avgörande elementet i denna analys är faktorbildning, men hur vet vi hur många faktorer vi bör ha i vår skala? Den klassiska rekommendationen var att följa Kaisers regel, som hänvisar till att hålla egenvärden större än 1, men denna metod tenderar att orsaka en överskattning av faktorerna. Numera föreslås att man följer rekommendationerna från parallellanalysen och andra liknande metoder, men man föreslår också att man tar hänsyn till resultatens tolkningsbarhet och den grundläggande teorin.

Slutligen är det nödvändigt att betona att CFA tenderar att uppskattas med hjälp av strukturella ekvationsmodeller. (SEM) så processen att genomföra den bör utföras utifrån de kriterier som utvecklats för dessa Modeller.

Referenser

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Den explorativa faktoranalysen av objekten: en praktisk guide, reviderad och uppdaterad Inledning Fastställande av analysens adekvathet. Annals of Psychology, 30(3), 1151–1169.