Факторный анализ - это метод статистической редукции, целью которого является объяснение возможных корреляций между определенными переменными. Для этого нужно учитывать влияние других факторов, которые не наблюдаются.
Следовательно, то, что делает этот анализ, сводится. Таким образом, мы берем большое количество переменных и с помощью этой техники можем уменьшить их до более управляемого размера. Для этого используется серия линейных комбинаций наблюдаемых и невидимых других.
Две модели: исследовательская и подтверждающая.
У нас есть два способа применения этого статистического метода, и между ними есть явные различия, о которых следует знать.
- Исследовательский факторный анализ: В этом случае цель состоит в том, чтобы узнать скрытые конструкции (которые не видны), чтобы проверить, могут ли они быть действительными. Таким образом, мы имеем дело с информацией исследовательского типа, которая служит для создания более поздней модели, но мы не знаем этого априори.
- Подтверждающий факторный анализ: В этом случае мы сталкиваемся с процессом статистического подтверждения. Мы начинаем с теоретической модели, созданной на основе существующей литературы по изучаемому феномену. Позже мы сопоставим его, чтобы узнать степень его достоверности.
Как провести факторный анализ
Давайте посмотрим, как можно простым способом провести исследовательский факторный анализ, который является одним из наиболее часто используемых в социальных науках. Следует отметить, что указанные ниже точки могут быть выбраны в статистических программах, таких как SPSS, при выполнении анализа.
- Анализ надежности: Обычно используется альфа Кронбаха, что позволяет узнать внутреннюю непротиворечивость модели. Значения больше 0,70 считаются приемлемыми.
- Описательная статистика: Они предоставляют нам основную информацию об проанализированных данных. Среднее значение, дисперсия или максимум и минимум.
- Корреляционный матричный анализ: Эти расчеты выполняются SPSS. Здесь необходимо обратить внимание на то, близок ли определитель к нулю. С другой стороны, рассчитанные корреляции должны отличаться от нуля.
- Мера адекватности выборки КМО: Позволяет сопоставить коэффициенты корреляции. С одной стороны, наблюдаемые, а с другой - частичные. Он принимает значения от 0 до 1 и считается приемлемым, если он больше 0,5.
- Тест сферичности Бартлетта: В этом случае корреляционная матрица является единичной матрицей, и в этом случае анализ не может быть проведен. Рассчитывается оценочный хи-квадрат, и, если он меньше теоретического, можно провести факторный анализ.
- Анализ общности: Опять же, это показатель актуальности. Чтобы быть действительным, он должен принимать значения больше 0,5.
- Повернутая матрица компонентов: Он используется для извлечения собственных значений, которые больше, чем значение, обычно 1. Таким образом получаются уменьшенные множители, которые представляют переменные. Графики седиментации и сама матрица используются для выбора числа.
- Объяснение общей дисперсии: Наконец, этот анализ сообщает нам, какова общая дисперсия, объясняемая предлагаемой моделью. Таким образом, чем выше это значение, тем лучше модель объясняет весь набор данных.
Примеры факторного анализа
Факторный анализ имеет множество приложений в разных областях науки.
Давайте посмотрим на несколько примеров:
- В маркетинге он широко используется, когда мы хотим узнать желание купить. Например, мы анализируем различные социально-экономические, эмоциональные или личные переменные. Когда они у нас есть, мы сокращаем их количество с помощью факторного анализа, и мы можем лучше их интерпретировать.
- В бухгалтерском учете мы можем знать, какие статьи наиболее явно влияют на получение прибыли от бизнеса. Таким образом, мы будем знать, где у нас должно быть больше влияния.
- В образовании мы можем узнать предрасположенность ученика к предмету. Выполняя определенные опросы на пути его изучения, мы можем получить базу данных, в которой можно применить факторный анализ.