Факторска анализа - шта је то, дефиниција и појам

Преглед садржаја:

Anonim

Факторска анализа је статистичка метода редукције која има за циљ да објасни могуће корелације између одређених променљивих. Да бисте то урадили, узимајући у обзир ефекат других фактора, који нису уочљиви.

Стога, оно што ова анализа чини је смањење. Дакле, узимамо велики број променљивих и кроз ову технику успевамо да их смањимо на управљивију величину. Да би се то постигло, користи се низ линеарних комбинација оних уочених са другима које нису видљиве.

Два модела: истраживачки и потврдни

Имамо два начина извођења ове статистичке технике, између њих постоје јасне разлике које би требале бити познате.

  • Истраживачка факторска анализа: У овом случају, циљ је познавање латентних конструкција (које се не виде) како би се проверило да ли могу бити валидне. Дакле, имамо посла са информацијама истраживачког типа које служе за стварање каснијег модела, али то априори не знамо.
  • Потврдна факторска анализа: У овом случају суочавамо се са поступком статистичке потврде. Полазимо од теоријског модела створеног постојећом литературом о проучаваном феномену. Касније га упоређујемо како бисмо знали степен ваљаности.

Како извршити факторску анализу

Да видимо на једноставан начин како се може извршити истраживачка факторска анализа, која је једна од најчешће коришћених у друштвеним наукама. Треба напоменути да се доленаведене тачке могу одабрати у статистичким програмима као што је СПСС приликом извођења анализе.

  1. Анализа поузданости: Обично се користи Кронбахова алфа, што омогућава познавање унутрашње конзистентности модела. Вредности веће од 0,70 сматрају се прихватљивим.
  2. Дескриптивна статистика: Они нам пружају основне информације о анализираним подацима. Средња вредност, варијанса или максимум и минимум.
  3. Анализа корелационе матрице: Ове прорачуне врши СПСС. Овде морамо обратити пажњу на то да ли је одредница близу нуле. С друге стране, израчунате корелације морају се разликовати од нуле.
  4. Мера адекватности узорка КМО: Омогућава нам да упоредимо коефицијенте корелације. С једне стране, посматрани, а с друге делимични. Заузима вредности између 0 и 1 и сматра се прихватљивим ако је већа од 0,5.
  5. Бартлеттов тест сферичности: У овом случају је супротно томе да је матрица корелације идентитетска матрица, у ком случају анализа није могла да се уради. Израчунати је процењени хи квадрат и, ако је мањи од теоријског, може се извршити факторска анализа.
  6. Анализа заједништва: Поново је то показатељ релевантности. Да би била валидна, мора узети вредности веће од 0,5.
  7. Ротирана матрица компонената: Користи се за издвајање сопствених вредности које су веће од вредности, обично 1. На тај начин се добијају редуковани фактори који представљају променљиве. Графикони седиментације и сама матрица користе се за одабир броја.
  8. Објашњена укупна варијанса: Коначно, ова анализа нам говори која је укупна варијанса објашњена предложеним моделом. Дакле, што је већа ова вредност, то је модел бољи у објашњавању укупног скупа података.

Примери факторске анализе

Факторска анализа има много примена у различитим областима науке.

Погледајмо неколико примера:

  • У маркетингу се широко користи када желимо да знамо вољу за куповином. На пример, анализирамо разне социоекономске, емоционалне или личне променљиве. Једном кад их добијемо, факторском анализом смањујемо њихов број и можемо их боље протумачити.
  • У рачуноводству можемо знати које ставке најјасније утичу на остваривање пословне добити. Тако ћемо знати где треба да имамо већи утицај.
  • У образовању можемо знати склоност ученика неком предмету. Спровођењем одређених анкета о начину његовог проучавања, можемо добити базу података у којој ћемо применити факторску анализу.