A faktoranalízis egy statisztikai redukciós módszer, amelynek célja egyes változók közötti lehetséges összefüggések elmagyarázása. Ehhez figyelembe kell venni más, nem megfigyelhető tényezők hatását.
Ezért ez az elemzés csökkenti. Így nagyszámú változót veszünk fel, és ezzel a technikával sikerül kezelhetőbbre csökkenteni őket. Ehhez egy sor olyan lineáris kombinációt használnak, amelyet másokkal megfigyeltek, amelyek nem láthatók.
A két modell: feltáró és megerősítő
Ennek a statisztikai technikának kétféle módja van, a kettő között egyértelmű különbségek vannak, amelyeket ismerni kell.
- Feltáró faktoranalízis: Ebben az esetben a látens konstrukciók megismerése a cél (amelyek nem láthatók) annak ellenőrzése érdekében, hogy érvényesek-e. Így olyan feltáró típusú információkkal van dolgunk, amelyek egy későbbi modell létrehozását szolgálják, de ezt eleve nem ismerjük.
- Megerősítő faktorelemzés: Ebben az esetben statisztikai megerősítési folyamat előtt állunk. A vizsgált jelenségről a meglévő szakirodalommal létrehozott elméleti modellből indulunk ki. Később szembeállítjuk, hogy megtudjuk érvényességének mértékét.
Faktorelemzés elvégzése
Lássuk egyszerű módon, hogyan lehet elvégezni egy feltáró faktoranalízist, amely a társadalomtudományokban az egyik leggyakrabban használt. Meg kell jegyezni, hogy az alább említett pontok az elemzés elvégzése során kiválaszthatók olyan statisztikai programokban, mint például az SPSS.
- Megbízhatósági elemzés: Normál esetben a Cronbach Alpha-t használják, amely lehetővé teszi a modell belső konzisztenciájának ismeretét. A 0,70-nél nagyobb értékeket elfogadhatónak tekintik.
- Leíró statisztika: Ezek alapvető információkat nyújtanak az elemzett adatokról. Az átlag, a szórás, vagy a maximum és a minimum.
- Korrelációs mátrix elemzés: Ezeket a számításokat az SPSS végzi. Itt figyelnünk kell arra, hogy a determináns közel van-e nullához. Másrészt a számított összefüggéseknek különbözniük kell a nullától.
- KMO minta megfelelőségi mérése: Lehetővé teszi a korrelációs együtthatók szembeállítását. Egyrészt a megfigyeltek, másrészt a részlegesek. 0 és 1 közötti értékeket vesz fel, és akkor tekinthető elfogadhatónak, ha nagyobbak, mint 0,5.
- Bartlett gömbvizsgálata: Ebben az esetben szembeállítja, hogy a korrelációs mátrix egy identitásmátrix, ebben az esetben az elemzést nem lehetett elvégezni. A becsült Chi négyzet kiszámításra kerül, és ha kisebb, mint az elméleti, akkor elvégezhető a faktoriális elemzés.
- A közönség elemzése: Ismét a relevancia mutatója. Ahhoz, hogy érvényes legyen, 0,5-nél nagyobb értékeket kell megadnia.
- Forgatott komponens mátrix: Olyan sajátértékek kinyerésére szolgál, amelyek nagyobbak, mint egy érték, általában 1. Ily módon a redukált tényezőket kapjuk, amelyek a változókat képviselik. A szám kiválasztásához ülepedési grafikonokat és magát a mátrixot használjuk.
- Teljes variancia megmagyarázva: Végül, ez az elemzés megmondja, hogy mi a teljes variancia, amelyet a javasolt modell megmagyaráz. Így minél magasabb ez az érték, annál jobb a modell a teljes adatkészlet magyarázatában.
Példák faktorelemzésre
A faktoranalízisnek számos alkalmazása van a tudomány különböző területein.
Lássunk néhány példát:
- A marketingben széles körben használják, amikor meg akarjuk tudni a vásárlási akaratot. Például elemezünk különféle társadalmi-gazdasági, érzelmi vagy személyes változásokat. Ha megvannak, faktoranalízissel csökkentjük számukat, és jobban tudjuk értelmezni őket.
- A számvitelben megtudhatjuk, hogy mely elemek befolyásolják a legegyértelműbben az üzleti nyereség megszerzését. Így megtudjuk, hol kellene nagyobb befolyással rendelkeznünk.
- Az oktatásban megismerhetjük a hallgató hajlamát egy tantárgyra. Bizonyos felmérések elvégzésével tanulmányozhatunk egy adatbázist, amelyben a faktorelemzést alkalmazhatjuk.