Faktoru analīze ir statistiskas samazināšanas metode, kuras mērķis ir izskaidrot iespējamās korelācijas starp noteiktiem mainīgajiem. Lai to izdarītu, ņemot vērā citu faktoru ietekmi, kas nav novērojami.
Tāpēc tas, ko šī analīze veic, ir samazināt. Tādējādi mēs ņemam lielu skaitu mainīgo un, izmantojot šo paņēmienu, mums izdodas tos samazināt līdz pārvaldāmākam lielumam. Lai to izdarītu, tiek izmantota virkne lineāru kombināciju no novērotajiem ar citiem, kas nav redzami.
Abi modeļi: izpētes un apstiprinošais
Mums ir divi veidi, kā veikt šo statistikas paņēmienu, starp tiem ir skaidras atšķirības, kas būtu jāzina.
- Izpētes faktoru analīze: Šajā gadījumā mērķis ir zināt latentos konstrukcijas (kuras nav redzamas), lai pārbaudītu, vai tās var būt derīgas. Tādējādi mums ir darīšana ar izpētes veida informāciju, kas kalpo, lai izveidotu vēlāku modeli, taču mēs to a priori nezinām.
- Apstiprinoša faktora analīze: Šajā gadījumā mēs saskaramies ar statistikas apstiprināšanas procesu. Mēs sākam no teorētiskā modeļa, kas izveidots, izmantojot esošo literatūru par pētīto fenomenu. Vēlāk mēs to salīdzinām, lai uzzinātu tā derīguma pakāpi.
Kā veikt faktoru analīzi
Apskatīsim vienkāršā veidā, kā var veikt izpētes faktoru analīzi, kas ir viena no visbiežāk izmantotajām sociālajās zinātnēs. Jāatzīmē, ka, veicot analīzi, turpmāk minētos punktus var izvēlēties tādās statistikas programmās kā SPSS.
- Uzticamības analīze: Parasti tiek izmantota Kronbaha Alfa, kas ļauj zināt modeļa iekšējo konsekvenci. Vērtības, kas pārsniedz 0,70, tiek uzskatītas par pieņemamām.
- Aprakstoša statistika: Tie sniedz mums pamatinformāciju par analizētajiem datiem. Vidējais, dispersija vai maksimālais un minimālais.
- Korelācijas matricas analīze: Šos aprēķinus veic SPSS. Šeit mums jāpievērš uzmanība tam, vai determinants ir tuvu nullei. No otras puses, aprēķinātajām korelācijām jāatšķiras no nulles.
- KMO parauga atbilstības mērs: Ļauj kontrastēt korelācijas koeficientus. No vienas puses, novērotie, un, no otras, daļējie. Tam ir vērtības no 0 līdz 1, un tas tiek uzskatīts par pieņemamu, ja tas ir lielāks par 0,5.
- Bartleta sfēriskuma pārbaude: Šajā gadījumā tas kontrastē ar to, ka korelācijas matrica ir identitātes matrica, tādā gadījumā analīzi nevarēja izdarīt. Aprēķinātais Či kvadrāts tiek aprēķināts, un, ja tas ir mazāks par teorētisko, var veikt faktoriālo analīzi.
- Kopības analīze: Atkal tas ir atbilstības rādītājs. Lai tas būtu derīgs, tam jābūt lielākam par 0,5.
- Pagriezta komponenta matrica: To izmanto, lai iegūtu īpašvērtības, kas ir lielākas par vērtību, parasti 1. Tādējādi tiek iegūti samazinātie faktori, kas atspoguļo mainīgos. Lai izvēlētos skaitli, tiek izmantoti sedimentācijas grafiki un pati matrica.
- Izskaidrota kopējā dispersija: Visbeidzot, šī analīze mums parāda, kāda ir kopējā dispersija, ko izskaidro piedāvātais modelis. Tādējādi, jo augstāka ir šī vērtība, jo labāk modelis izskaidro kopējo datu kopu.
Faktoru analīzes piemēri
Faktoru analīzei ir daudz pielietojumu dažādās zinātnes jomās.
Apskatīsim dažus piemērus:
- Mārketingā tas tiek plaši izmantots, kad mēs vēlamies uzzināt pirkšanas gribu. Piemēram, mēs analizējam dažādus sociālekonomiskos, emocionālos vai personiskos mainīgos. Tiklīdz tie ir, mēs samazinām to skaitu, izmantojot faktoru analīzi, un mēs varam tos labāk interpretēt.
- Grāmatvedībā mēs varam zināt, kuri posteņi visskaidrāk ietekmē uzņēmējdarbības peļņas iegūšanu. Tādējādi mēs zināsim, kur mums vajadzētu būt lielākai ietekmei.
- Izglītībā mēs varam zināt studenta noslieci uz mācību priekšmetu. Veicot noteiktus apsekojumus par tā izpēti, mēs varam iegūt datu bāzi, kurā izmantot faktoru analīzi.
