Veiksnių analizė yra statistinio redukcijos metodas, kurio tikslas yra paaiškinti galimas koreliacijas tarp tam tikrų kintamųjų. Norėdami tai padaryti, atsižvelgdami į kitų veiksnių, kurių negalima pastebėti, poveikį.
Todėl tai, ką daro ši analizė, sumažina. Taigi mes paimame daugybę kintamųjų ir, naudodamiesi šia technika, pavyksta juos sumažinti iki labiau valdomo dydžio. Norėdami tai padaryti, naudojama eilė matomų derinių su kitais, kurie nėra matomi.
Du modeliai: tiriamasis ir patvirtinamasis
Mes turime du būdus, kaip atlikti šią statistinę techniką, tarp jų yra aiškių skirtumų, kuriuos reikėtų žinoti.
- Tiriamoji veiksnių analizė: Šiuo atveju tikslas yra žinoti latentines konstrukcijas (kurių nematyti), siekiant patikrinti, ar jos gali būti pagrįstos. Taigi mes susiduriame su tiriamojo tipo informacija, kuri naudojama kuriant vėlesnį modelį, tačiau to iš anksto nežinome.
- Patvirtinanti faktoriaus analizė: Šiuo atveju susiduriame su statistinio patvirtinimo procesu. Mes pradedame nuo teorinio modelio, sukurto remiantis esama literatūra apie tiriamą reiškinį. Vėliau mes jį palyginame, kad žinotume jo pagrįstumo laipsnį.
Kaip atlikti veiksnių analizę
Pažiūrėkime paprastu būdu, kaip galima atlikti tiriamąją veiksnių analizę, kuri yra viena iš labiausiai naudojamų socialiniuose moksluose. Reikėtų pažymėti, kad atliekant analizę žemiau paminėtus taškus galima pasirinkti tokiose statistikos programose kaip SPSS.
- Patikimumo analizė: Paprastai naudojama Cronbacho „Alpha“, leidžianti žinoti vidinį modelio nuoseklumą. Didesnės nei 0,70 vertės laikomos priimtinomis.
- Aprašomoji statistika: Tai suteikia mums pagrindinę informaciją apie analizuojamus duomenis. Vidurkis, dispersija arba maksimalus ir mažiausias.
- Koreliacijos matricos analizė: Šiuos skaičiavimus atlieka SPSS. Čia turime atkreipti dėmesį į tai, ar determinantas yra artimas nuliui. Kita vertus, apskaičiuotos koreliacijos turi skirtis nuo nulio.
- KMO imties pakankamumo matas: Leidžia mums palyginti koreliacijos koeficientus. Viena vertus, stebimi ir, kita vertus, daliniai. Ji ima reikšmes nuo 0 iki 1 ir laikoma priimtina, jei ji yra didesnė nei 0,5.
- Bartletto sferiškumo testas: Šiuo atveju prieštaraujama, kad koreliacijos matrica yra tapatumo matrica, tokiu atveju analizės atlikti nepavyko. Apskaičiuojamas apskaičiuotas Chi kvadratas ir, jei jis yra mažesnis už teorinį, galima atlikti faktorių analizę.
- Bendrumo analizė: Vėlgi, tai yra aktualumo rodiklis. Kad jis būtų galiojantis, jo vertės turi būti didesnės nei 0,5.
- Pasukta komponento matrica: Jis naudojamas ekvivalentinėms reikšmėms, kurios yra didesnės už reikšmę, paprastai 1. Tokiu būdu gaunami kintamuosius atspindintys redukuoti koeficientai. Skaičiui pasirinkti naudojami nusėdimo grafikai ir pati matrica.
- Paaiškinta bendra dispersija: Galiausiai ši analizė mums parodo, koks yra bendrasis dispersija, paaiškinta siūlomu modeliu. Taigi kuo ši vertė didesnė, tuo geriau modelis paaiškina bendrą duomenų rinkinį.
Veiksnių analizės pavyzdžiai
Faktorių analizė turi daugybę pritaikymų skirtingose mokslo srityse.
Pažiūrėkime keletą pavyzdžių:
- Rinkodaroje jis plačiai naudojamas, kai norime žinoti norą pirkti. Pavyzdžiui, mes analizuojame įvairius socialinius ir ekonominius, emocinius ar asmeninius kintamuosius. Turėdami juos, sumažinsime jų skaičių atlikdami veiksnių analizę ir galime geriau juos interpretuoti.
- Apskaitoje galime žinoti, kurie straipsniai labiausiai įtakoja verslo pelno gavimą. Taigi žinosime, kur turėtume turėti daugiau įtakos.
- Ugdyme galime žinoti studento polinkį į dalyką. Atlikdami tam tikrus jo tyrimo būdus, galime gauti duomenų bazę, kurioje būtų taikoma faktorių analizė.