Faktoranalyse er en statistisk reduktionsmetode, der sigter mod at forklare de mulige sammenhænge mellem bestemte variabler. For at gøre dette under hensyntagen til effekten af andre faktorer, som ikke kan observeres.
Derfor, hvad denne analyse gør er at reducere. Således tager vi et stort antal variabler, og gennem denne teknik lykkes det os at reducere dem til en mere håndterbar størrelse. For at gøre dette anvendes en række lineære kombinationer af dem, der observeres med andre, der ikke er synlige.
De to modeller: udforskende og bekræftende
Vi har to måder at udføre denne statistiske teknik på, der er klare forskelle mellem de to, der skal være kendt.
- Eksplorativ faktoranalyse: I dette tilfælde er målet at kende de latente konstruktioner (som ikke ses) for at kontrollere, om de kan være gyldige. Således har vi at gøre med information af en sonderende type, der tjener til at skabe en senere model, men vi kender ikke dette på forhånd.
- Bekræftende faktoranalyse: I dette tilfælde står vi over for en statistisk bekræftelsesproces. Vi starter med en teoretisk model oprettet med den eksisterende litteratur om det undersøgte fænomen. Senere kontrasterer vi det for at kende dets grad af gyldighed.
Sådan udføres en faktoranalyse
Lad os se på en enkel måde, hvordan en sonderende faktoranalyse kan udføres, hvilket er en af de mest anvendte inden for samfundsvidenskab. Det skal bemærkes, at nedenstående punkter kan vælges i statistiske programmer såsom SPSS, når analysen udføres.
- Pålidelighedsanalyse: Normalt anvendes Cronbachs Alpha, hvilket gør det muligt at kende den interne konsistens af modellen. Værdier større end 0,70 betragtes som acceptable.
- Beskrivende statistik: Disse giver os grundlæggende oplysninger om de analyserede data. Middelværdien, variansen eller maksimum og minimum.
- Korrelationsmatrixanalyse: Disse beregninger udføres af SPSS. Her skal vi være opmærksomme på, om determinanten er tæt på nul. På den anden side skal de beregnede korrelationer være forskellige fra nul.
- KMO prøve tilstrækkelighed foranstaltning: Tillader os at kontrastere korrelationskoefficienterne. På den ene side de observerede og på den anden de delvise. Det tager værdier mellem 0 og 1 og betragtes som acceptabelt, hvis det er større end 0,5.
- Bartletts test af sfæricitet: I dette tilfælde står det i kontrast til, at korrelationsmatricen er en identitetsmatrix, i hvilket tilfælde analysen ikke kunne udføres. Den estimerede Chi-firkant beregnes, og hvis den er mindre end den teoretiske, kan faktoranalysen udføres.
- Analyse af fælles: Igen er det en indikator for relevans. For at være gyldig skal den tage værdier større end 0,5.
- Roteret komponentmatrix: Det bruges til at udtrække egenværdier, der er større end en værdi, normalt 1. På denne måde opnås de reducerede faktorer, der repræsenterer variablerne. Sedimentationsgrafer og selve matricen bruges til at vælge nummeret.
- Total varians forklaret: Endelig fortæller denne analyse os, hvad den samlede varians er forklaret af den foreslåede model. Jo højere denne værdi er, jo bedre er modellen således til at forklare det samlede datasæt.
Eksempler på faktoranalyse
Faktoranalyse har mange anvendelser inden for forskellige videnskabelige områder.
Lad os se nogle eksempler:
- I markedsføring er det meget brugt, når vi vil vide viljen til at købe. For eksempel analyserer vi forskellige socioøkonomiske, følelsesmæssige eller personlige variabler. Når vi har dem, reducerer vi antallet af dem med faktoranalyse, og vi kan bedre fortolke dem.
- I regnskabet kan vi vide, hvilke poster der tydeligst påvirker opnåelsen af forretningsoverskud. Således ved vi, hvor vi skal have større indflydelse.
- I uddannelse kan vi kende en studerendes disposition til et emne. Ved at udføre visse undersøgelser på sin måde at studere det på kan vi få en database, hvor vi kan anvende faktoranalyse.