Η ανάλυση παραγόντων είναι μια μέθοδος στατιστικής μείωσης που στοχεύει στην εξήγηση των πιθανών συσχετίσεων μεταξύ ορισμένων μεταβλητών. Για να το κάνετε αυτό, λαμβάνοντας υπόψη την επίδραση άλλων παραγόντων, οι οποίοι δεν είναι παρατηρήσιμοι.
Επομένως, αυτό που κάνει αυτή η ανάλυση είναι η μείωση. Έτσι, παίρνουμε μεγάλο αριθμό μεταβλητών και, μέσω αυτής της τεχνικής, καταφέρνουμε να τις μειώσουμε σε ένα πιο εύχρηστο μέγεθος. Για να γίνει αυτό, χρησιμοποιείται μια σειρά γραμμικών συνδυασμών εκείνων που παρατηρούνται με άλλους που δεν είναι ορατοί.
Τα δύο μοντέλα: διερευνητικά και επιβεβαιωτικά
Έχουμε δύο τρόπους εκτέλεσης αυτής της στατιστικής τεχνικής, υπάρχουν σαφείς διαφορές μεταξύ των δύο που πρέπει να είναι γνωστές.
- Διερευνητική ανάλυση παραγόντων: Σε αυτήν την περίπτωση, ο στόχος είναι να γνωρίζουμε τις λανθάνουσες κατασκευές (που δεν φαίνονται) για να ελέγξετε αν μπορούν να είναι έγκυρες. Έτσι, ασχολούμαστε με πληροφορίες ενός διερευνητικού τύπου που χρησιμεύει για τη δημιουργία ενός μεταγενέστερου μοντέλου, αλλά δεν το γνωρίζουμε εκ των προτέρων.
- Ανάλυση επιβεβαιωτικού παράγοντα: Σε αυτήν την περίπτωση, αντιμετωπίζουμε μια διαδικασία στατιστικής επιβεβαίωσης. Ξεκινάμε από ένα θεωρητικό μοντέλο που δημιουργήθηκε με την υπάρχουσα βιβλιογραφία για το φαινόμενο που μελετήθηκε. Αργότερα το αντιπαραθέτουμε για να γνωρίζουμε τον βαθμό εγκυρότητάς του.
Τρόπος εκτέλεσης ανάλυσης παραγόντων
Ας δούμε, με έναν απλό τρόπο, πώς μπορεί να πραγματοποιηθεί μια διερευνητική ανάλυση παραγόντων, η οποία είναι μία από τις πιο χρησιμοποιούμενες στις κοινωνικές επιστήμες. Πρέπει να σημειωθεί ότι τα σημεία που αναφέρονται παρακάτω μπορούν να επιλεγούν σε στατιστικά προγράμματα όπως το SPSS κατά την εκτέλεση της ανάλυσης.
- Ανάλυση αξιοπιστίας: Κανονικά, χρησιμοποιείται το Alpha του Cronbach, το οποίο επιτρέπει τη γνώση της εσωτερικής συνοχής του μοντέλου. Οι τιμές μεγαλύτερες από 0,70 θεωρούνται αποδεκτές.
- Περιγραφικά στατιστικά: Αυτά μας παρέχουν βασικές πληροφορίες σχετικά με τα δεδομένα που αναλύθηκαν. Ο μέσος όρος, η διακύμανση ή το μέγιστο και το ελάχιστο.
- Ανάλυση μήτρας συσχέτισης: Αυτοί οι υπολογισμοί εκτελούνται από το SPSS. Εδώ πρέπει να προσέξουμε αν ο καθοριστικός παράγοντας πλησιάζει το μηδέν. Από την άλλη πλευρά, οι υπολογισμένες συσχετίσεις πρέπει να είναι διαφορετικές από το μηδέν.
- Μέτρο επάρκειας δείγματος KMO: Μας επιτρέπει να συγκρίνουμε τους συντελεστές συσχέτισης. Αφενός, οι παρατηρούμενοι και αφετέρου οι μερικοί. Παίρνει τιμές μεταξύ 0 και 1 και θεωρείται αποδεκτή εάν είναι μεγαλύτερη από 0,5.
- Το τεστ σφαιρικότητας του Bartlett: Σε αυτήν την περίπτωση, έρχεται σε αντίθεση ότι ο πίνακας συσχέτισης είναι ένας πίνακας ταυτότητας, οπότε η ανάλυση δεν μπορούσε να γίνει. Το εκτιμώμενο τετράγωνο Chi υπολογίζεται και, εάν είναι μικρότερο από το θεωρητικό, μπορεί να γίνει η παραγοντική ανάλυση.
- Ανάλυση της κοινότητας: Και πάλι είναι ένας δείκτης συνάφειας. Για να είναι έγκυρη, πρέπει να έχει τιμές μεγαλύτερες από 0,5.
- Περιστρεφόμενος πίνακας συστατικών: Χρησιμοποιείται για την εξαγωγή των ιδιοτιμών που είναι μεγαλύτερες από μια τιμή, συνήθως 1. Με αυτόν τον τρόπο, λαμβάνονται οι μειωμένοι παράγοντες που αντιπροσωπεύουν τις μεταβλητές. Τα γραφήματα καθίζησης και ο ίδιος ο πίνακας χρησιμοποιούνται για την επιλογή του αριθμού.
- Η συνολική διακύμανση εξηγείται: Τέλος, αυτή η ανάλυση μας λέει ποια είναι η συνολική διακύμανση που εξηγείται από το προτεινόμενο μοντέλο. Έτσι, όσο υψηλότερη είναι αυτή η τιμή, τόσο καλύτερο είναι το μοντέλο στην εξήγηση του συνολικού συνόλου δεδομένων.
Παραδείγματα ανάλυσης παραγόντων
Η ανάλυση παραγόντων έχει πολλές εφαρμογές σε διαφορετικά πεδία της επιστήμης.
Ας δούμε μερικά παραδείγματα:
- Στο μάρκετινγκ χρησιμοποιείται ευρέως όταν θέλουμε να γνωρίζουμε τη βούληση για αγορά. Για παράδειγμα, αναλύουμε διάφορες κοινωνικοοικονομικές, συναισθηματικές ή προσωπικές μεταβλητές. Μόλις τα έχουμε, μειώνουμε τον αριθμό τους με ανάλυση παραγόντων και μπορούμε να τους ερμηνεύσουμε καλύτερα.
- Στη λογιστική μπορούμε να γνωρίζουμε ποια στοιχεία επηρεάζουν σαφέστερα την απόκτηση επιχειρηματικών κερδών. Έτσι, θα ξέρουμε πού πρέπει να έχουμε περισσότερη επιρροή.
- Στην εκπαίδευση μπορούμε να γνωρίζουμε την προδιάθεση ενός μαθητή σε ένα μάθημα. Με τη διεξαγωγή ορισμένων ερευνών σχετικά με τον τρόπο μελέτης της, μπορούμε να αποκτήσουμε μια βάση δεδομένων στην οποία θα εφαρμόσουμε την ανάλυση παραγόντων.