ความหมายของการวิเคราะห์ปัจจัย

การวิเคราะห์ปัจจัยเป็นเทคนิคการวิเคราะห์ที่ใช้บ่อยในด้านการพัฒนาและการตรวจสอบความถูกต้องของ การทดสอบช่วยให้สำรวจว่าปัจจัยหรือตัวแปรแฝงมีโครงสร้างอย่างไรจากการตอบสนองต่อรายการของ ทดสอบ.

เพื่อให้ได้มาตราส่วนการวัดที่เพียงพอ นักวิจัยได้ใช้เทคนิคที่เรียกว่า การวิเคราะห์ปัจจัยซึ่งทำให้สามารถระบุโครงสร้างที่อยู่ภายใต้รายการของมาตราส่วนการวัดได้ เทคนิคนี้สำรวจว่าปัจจัยแฝงซึ่งเราสามารถเรียกอีกอย่างว่าได้อย่างไร ตัวแปรที่ไม่ถูกสังเกต พวกเขาอธิบายรูปแบบการตอบสนองที่ให้กับรายการหรือรายการในการทดสอบ

ต่อไป จะมีการแนะนำสั้น ๆ เกี่ยวกับการวิเคราะห์ปัจจัย รวมถึงแต่ไม่จำกัดเพียง: ความแตกต่างระหว่างการวิเคราะห์ปัจจัยและ การวิเคราะห์องค์ประกอบหลักการวิเคราะห์ปัจจัยเชิงสำรวจและเชิงยืนยัน และสุดท้ายคือองค์ประกอบที่ประกอบกันเป็นองค์ประกอบเหล่านี้

การวิเคราะห์ปัจจัยและการวิเคราะห์องค์ประกอบหลัก

เมื่อทบทวนวรรณกรรมเกี่ยวกับการพัฒนาและการตรวจสอบความถูกต้องของเครื่องมือ เราสามารถตระหนักได้ว่าในหมู่นักวิชาการนั้นมีอยู่ มีความสับสนเกี่ยวกับการใช้การวิเคราะห์ปัจจัย (FA) และการวิเคราะห์องค์ประกอบหลัก (PCA) โดยไม่พิจารณา การใช้อย่างไม่เลือกปฏิบัตินี้อาจเกิดจากความจริงที่ว่าทรัพยากรทางเทคโนโลยีที่ใช้เวลานานทำให้การประยุกต์ใช้ AF เป็นเรื่องยาก และเพื่อชดเชยสิ่งนี้ จึงรวมเอา ACP เข้าไปด้วย แม้ว่าเทคนิคทั้งสองจะคล้ายกัน เนื่องจากจะย่อรายการให้มีขนาดเล็กลง (ปัจจัย และ ส่วนประกอบ) พวกเขายังนำเสนอความแตกต่างเฉพาะบางประการที่นำไปสู่ แตกต่าง.

FA พยายามระบุจำนวนและปัจจัย (ตัวแปรแฝง) ที่มีโครงสร้าง ปัจจัยเหล่านี้จะอธิบายความแปรปรวนทั่วไปของกลุ่มรายการที่วิเคราะห์ ในทางตรงกันข้าม ใน PCA มีวัตถุประสงค์เพื่อกำหนดจำนวนองค์ประกอบที่จำเป็นในการสรุป คะแนนของกลุ่มตัวแปรที่สังเกตได้ นั่นคือ อธิบายค่าความแปรปรวนที่มากที่สุด สังเกต ข้อแตกต่างอีกประการหนึ่งคือในขณะที่อยู่ใน AF ตัวแปรที่สังเกตได้ถือเป็นตัวแปรตาม ใน ACP ตัวแปรเหล่านี้เป็นตัวแปรอิสระ

การวิเคราะห์ปัจจัยเชิงสำรวจและเชิงยืนยัน

เมื่อสร้างความแตกต่างใน AF และ ACP แล้ว จำเป็นต้องสร้างความแตกต่างใหม่ระหว่างการวิเคราะห์ปัจจัยเชิงสำรวจ (EFA) และการวิเคราะห์ปัจจัยเชิงยืนยัน (AFC) การวิเคราะห์ทั้งสองถือเป็นสองส่วนของกระบวนการต่อเนื่อง AFE พยายามที่จะกำหนดจำนวนปัจจัยที่ประกอบกันเป็นสเกลของเรา ในขณะที่ AFC มีลักษณะเป็น ยืนยันปัจจัยเหล่านั้น แต่ยังกำหนดว่าปัจจัยและรายการของ มาตราส่วน. อีกวิธีหนึ่งในการกำหนดพวกเขาคือ AFE "สร้าง" ทฤษฎีในขณะที่ AFC จะยืนยัน

องค์ประกอบ AF

ขนาดตัวอย่าง

นี่เป็นหนึ่งในหัวข้อที่มีการพูดถึงมากที่สุด ไม่เฉพาะใน FA เท่านั้น แต่ยังรวมถึงการวิเคราะห์ข้อมูลโดยทั่วไปด้วย การกำหนดขนาดตัวอย่างที่เหมาะสมสำหรับการวิเคราะห์เป็นการอภิปรายที่ดูเหมือนไม่มีที่สิ้นสุด คำแนะนำแบบคลาสสิกคือ ยิ่งมีจำนวนรายการมากเท่าใด จำนวนผู้เข้าร่วมในตัวอย่างของเราก็ควรจะมากขึ้นเท่านั้น โดยขั้นต่ำ 200 รายการเป็นรายการที่แนะนำมากที่สุด อย่างไรก็ตาม คำแนะนำแบบคลาสสิกมักไม่มีรากฐานที่ชัดเจน ปัจจุบันต้องพิจารณาองค์ประกอบหลายอย่างเพื่อกำหนดจำนวน จำเป็นต้องมีผู้เข้าร่วม เช่น จำนวนรายการต่อปัจจัย เมทริกซ์ที่ใช้สำหรับการวิเคราะห์ และแม้กระทั่งจำนวนตัวเลือกการตอบสนองที่ผู้เข้าร่วมมี รายการ ดังนั้น การศึกษาที่ใช้การจำลองภายใต้เงื่อนไขเหล่านี้ได้กำหนดว่าผู้เข้าร่วมขั้นต่ำ 300 คนเป็นจำนวนที่เพียงพอ

จำนวนรายการที่จะรวมในการวิเคราะห์และในแต่ละปัจจัย

สำหรับจำนวนรายการที่จะรวมในการวิเคราะห์จะต้องเลือกจากทฤษฎี แต่จำเป็นต้อง ชี้ให้เห็นว่าสิ่งเหล่านี้ไม่ควรซ้ำซ้อน เนื่องจากจะทำให้รายการเหล่านี้มีความแปรปรวนร่วมกันและมีผลเสีย ประมาณการ. ดังนั้น จึงต้องระมัดระวังในการเลือกเฉพาะรายการที่แสดงถึงโครงสร้างที่เรากำลังพยายามประเมินอย่างแท้จริง ในทางกลับกัน ขอแนะนำให้มีอย่างน้อยสามรายการสำหรับแต่ละปัจจัย อย่างไรก็ตาม จำนวนนี้สามารถแก้ไขได้ขึ้นอยู่กับเมทริกซ์ที่ใช้และขนาดตัวอย่าง

เมทริกซ์ที่ใช้

ในการออกแบบ FA แบบคลาสสิกมีข้อสันนิษฐานว่าตัวแปรมีความสัมพันธ์กันในลักษณะเชิงเส้น พวกเขายังแสดงดัชนีภาวะปกติที่เพียงพอ ดังนั้นเมทริกซ์สหสัมพันธ์เพียร์สันจึงเป็นดัชนีเดียว ใช้แล้ว. วันนี้ขอแนะนำให้คำนึงถึงสมมติฐานของความปกติและรูปแบบการตอบสนองของรายการ นอกเหนือจากที่กล่าวมาแล้ว การพัฒนาเครื่องมือใหม่ๆ สำหรับการพัฒนา PA ได้นำไปสู่การใช้เทคนิคใหม่ๆ เช่น เมทริกซ์ของ polychoric และ tetrachoric correlation อย่างไรก็ตาม เมทริกซ์ทั้งสองต้องการขนาดตัวอย่างที่ใหญ่กว่าเมื่อเทียบกับเมทริกซ์ของ เพียร์สัน

การประมาณตัวประกอบ

วิธีการประมาณค่าที่ใช้บ่อยที่สุดคือ 2:

• ความเป็นไปได้สูงสุด: วิธีนี้เป็นวิธีที่ใช้กันมากที่สุดเนื่องจากข้อได้เปรียบเหนือวิธีอื่นๆ เช่น ความสามารถในการตัดกันของการปรับค่าและปริมาณของข้อผิดพลาด อย่างไรก็ตาม วิธีนี้จำเป็นต้องสอดคล้องกับความเป็นปกติของข้อมูล มีมาตราส่วนต่อเนื่องและใช้เมทริกซ์สหสัมพันธ์แบบเพียร์สัน

• กำลังสองน้อยที่สุดสามัญ. จริงๆ แล้ววิธีนี้หมายถึงกลุ่มวิธีการประมาณค่า วิธีการเหล่านี้ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพเมื่อไม่เป็นไปตามสมมติฐานของความเป็นปกติและความเป็นเชิงเส้น ในทำนองเดียวกัน การประยุกต์ใช้ร่วมกับเมทริกซ์โพลีโคริกได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพ

การหมุนรายการ

ขั้นตอนนี้หมายถึงการหมุนเมทริกซ์อย่างต่อเนื่องเพื่อค้นหาวิธีแก้ปัญหาที่ง่ายและสอดคล้องกัน วิธีการที่ใช้กันอย่างแพร่หลายในปัจจุบันคือ การหมุนมุมฉากโดยเฉพาะอย่างยิ่งเกณฑ์ วาริแม็กซ์ และการหมุนแบบเฉียงในวิธีของคุณ oblimin โดยตรง. วันนี้วิธีหลังเป็นวิธีที่แนะนำมากที่สุดสำหรับการนำเสนอโครงสร้างที่น่าเชื่อถือและสอดคล้องกันมากขึ้น

ปัจจัยที่จะรักษา

องค์ประกอบที่สำคัญของการวิเคราะห์นี้คือการสร้างปัจจัย แต่เราจะรู้ได้อย่างไรว่าเราควรมีปัจจัยกี่ประการในระดับของเรา คำแนะนำแบบดั้งเดิมคือการปฏิบัติตามกฎของ Kaiser ซึ่งอ้างถึงการรักษาค่าลักษณะเฉพาะที่มากกว่า 1 อย่างไรก็ตาม วิธีนี้มีแนวโน้มที่จะทำให้เกิดการประมาณค่าสูงเกินไปของปัจจัยต่างๆ ปัจจุบันมีการแนะนำให้ปฏิบัติตามคำแนะนำของการวิเคราะห์แบบคู่ขนานและวิธีการอื่นๆ ที่คล้ายคลึงกัน แต่แนะนำให้คำนึงถึงความสามารถในการตีความของผลลัพธ์และทฤษฎีพื้นฐานด้วย

สุดท้าย จำเป็นต้องเน้นว่า CFA มีแนวโน้มที่จะประมาณโดยใช้แบบจำลองสมการโครงสร้าง (SEM) ดังนั้นกระบวนการดำเนินการควรดำเนินการตามเกณฑ์ที่พัฒนาขึ้นสำหรับสิ่งเหล่านี้ โมเดล

อ้างอิง

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). การวิเคราะห์ปัจจัยเชิงสำรวจของรายการ: คู่มือปฏิบัติ ปรับปรุง และปรับปรุง บทนำ การกำหนดความเพียงพอของการวิเคราะห์ พงศาวดารของจิตวิทยา 30(3), 1151–1169