Analiza czynnikowa to statystyczna metoda redukcji, która ma na celu wyjaśnienie możliwych korelacji między niektórymi zmiennymi. Aby to zrobić, biorąc pod uwagę wpływ innych czynników, których nie można zaobserwować.
Dlatego to, co robi ta analiza, to zmniejszenie. W ten sposób bierzemy dużą liczbę zmiennych i dzięki tej technice udaje nam się zredukować je do łatwiejszego w zarządzaniu rozmiaru. Aby to zrobić, stosuje się serię liniowych kombinacji tych obserwowanych z innymi, które nie są widoczne.
Dwa modele: eksploracyjny i potwierdzający
Mamy dwa sposoby wykonania tej techniki statystycznej, są między nimi wyraźne różnice, które powinny być znane.
- Eksploracyjna analiza czynnikowa: W tym przypadku celem jest poznanie ukrytych konstrukcji (które nie są widoczne) w celu sprawdzenia, czy mogą być poprawne. Mamy więc do czynienia z informacją typu eksploracyjnego, która służy do stworzenia późniejszego modelu, ale nie wiemy tego a priori.
- Analiza czynnikiem potwierdzającym: W tym przypadku mamy do czynienia z procesem potwierdzania statystyk. Zaczynamy od modelu teoretycznego stworzonego na podstawie istniejącej literatury dotyczącej badanego zjawiska. Później porównujemy go, aby poznać jego stopień ważności.
Jak przeprowadzić analizę czynnikową
Zobaczmy w prosty sposób, jak można przeprowadzić eksploracyjną analizę czynnikową, która jest jedną z najczęściej wykorzystywanych w naukach społecznych. Należy zauważyć, że punkty wymienione poniżej mogą być wybrane w programach statystycznych takich jak SPSS podczas wykonywania analizy.
- Analiza niezawodności: Zwykle używana jest Alfa Cronbacha, która pozwala poznać wewnętrzną spójność modelu. Wartości większe niż 0,70 są uważane za dopuszczalne.
- Opisowe statystyki: Dostarczają nam podstawowych informacji o analizowanych danych. Średnia, wariancja lub maksimum i minimum.
- Analiza macierzy korelacji: Te obliczenia są wykonywane przez SPSS. Tutaj musimy zwrócić uwagę na to, czy wyznacznik jest bliski zeru. Z drugiej strony obliczone korelacje muszą być różne od zera.
- Miara adekwatności próbki KMO: Pozwala nam zestawić współczynniki korelacji. Z jednej strony obserwowane, z drugiej częściowe. Przyjmuje wartości od 0 do 1 i jest uważane za dopuszczalne, jeśli jest większe niż 0,5.
- Test sferyczności Bartletta: W tym przypadku kontrastuje z tym, że macierz korelacji jest macierzą tożsamości, w którym to przypadku analiza nie mogła zostać wykonana. Oblicza się szacowany Chi kwadrat i, jeśli jest mniejszy niż teoretyczny, można przeprowadzić analizę czynnikową.
- Analiza wspólności: Znowu jest to wskaźnik trafności. Aby była ważna, musi przyjmować wartości większe niż 0,5.
- Obrócona macierz komponentów: Służy do wyodrębnienia wartości własnych, które są większe niż wartość, zwykle 1. W ten sposób uzyskuje się zredukowane współczynniki reprezentujące zmienne. Do wyboru liczby wykorzystywane są wykresy sedymentacyjne oraz sama macierz.
- Wyjaśniono całkowitą wariancję: Wreszcie ta analiza mówi nam, jaka jest całkowita wariancja wyjaśniona przez proponowany model. Zatem im wyższa jest ta wartość, tym lepiej model wyjaśnia cały zbiór danych.
Przykłady analizy czynnikowej
Analiza czynnikowa ma wiele zastosowań w różnych dziedzinach nauki.
Zobaczmy kilka przykładów:
- W marketingu jest szeroko stosowany, gdy chcemy poznać chęć zakupu. Na przykład analizujemy różne zmienne społeczno-ekonomiczne, emocjonalne lub osobiste. Gdy już je mamy, zmniejszamy ich liczbę za pomocą analizy czynnikowej i możemy je lepiej interpretować.
- W rachunkowości możemy wiedzieć, które pozycje najdobitniej wpływają na osiąganie zysków biznesowych. Dzięki temu będziemy wiedzieć, gdzie powinniśmy mieć większy wpływ.
- W edukacji możemy poznać predyspozycje ucznia do przedmiotu. Przeprowadzając określone ankiety na temat jego sposobu badania, możemy uzyskać bazę danych, w której można zastosować analizę czynnikową.