Faktoranalys är en statistisk reduktionsmetod som syftar till att förklara möjliga samband mellan vissa variabler. För att göra detta, med beaktande av effekten av andra faktorer, som inte är observerbara.
Därför är vad denna analys gör att minska. Således tar vi ett stort antal variabler och genom denna teknik lyckas vi reducera dem till en mer hanterbar storlek. För att göra detta används en serie linjära kombinationer av de som observerats med andra som inte är synliga.
De två modellerna: utforskande och bekräftande
Vi har två sätt att genomföra denna statistiska teknik, det finns tydliga skillnader mellan de två som borde vara kända.
- Exploratory factor analysis: I det här fallet är målet att känna till de latenta konstruktionerna (som inte ses) för att kontrollera om de kan vara giltiga. Således har vi att göra med information av utforskande typ som tjänar till att skapa en senare modell, men vi vet inte detta på förhand.
- Bekräftande faktoranalys: I det här fallet står vi inför en statistisk bekräftelseprocess. Vi utgår från en teoretisk modell skapad med befintlig litteratur om det studerade fenomenet. Senare kontrasterar vi det för att veta dess grad av giltighet.
Hur man utför en faktoranalys
Låt oss på ett enkelt sätt se hur en utforskande faktoranalys kan utföras, vilket är en av de mest använda inom samhällsvetenskap. Det bör noteras att punkterna som nämns nedan kan väljas i statistiska program som SPSS när analysen utförs.
- Tillförlitlighetsanalys: Normalt används Cronbachs Alpha, vilket gör att man känner till modellens interna konsistens. Värden större än 0,70 anses vara acceptabla.
- Beskrivande statistik: Dessa ger oss grundläggande information om de analyserade uppgif.webpterna. Medelvärdet, variansen eller det maximala och lägsta.
- Korrelationsmatrisanalys: Dessa beräkningar utförs av SPSS. Här måste vi vara uppmärksamma på om determinanten är nära noll. Å andra sidan måste de beräknade korrelationerna skilja sig från noll.
- KMO-provtillräcklighet: Tillåter oss att kontrastera korrelationskoefficienterna. Å ena sidan de observerade och å andra sidan de partiella. Det tar värden mellan 0 och 1 och anses vara acceptabelt om det är större än 0,5.
- Bartletts test av sfäricitet: I det här fallet står det i kontrast att korrelationsmatrisen är en identitetsmatris, i vilket fall analysen inte kunde göras. Den uppskattade Chi-kvadraten beräknas och om den är mindre än den teoretiska kan den faktiska analysen göras.
- Analys av gemensamhet: Återigen är det en indikator på relevans. För att vara giltigt måste det ta värden som är större än 0,5.
- Roterad komponentmatris: Den används för att extrahera egenvärdena som är större än ett värde, normalt 1. På detta sätt erhålls de reducerade faktorerna som representerar variablerna. Sedimentationsdiagram och själva matrisen används för att välja nummer.
- Total varians förklaras: Slutligen berättar denna analys vad som är den totala variansen som förklaras av den föreslagna modellen. Ju högre detta värde är, desto bättre är modellen att förklara den totala datamängden.
Exempel på faktoranalys
Faktoranalys har många tillämpningar inom olika vetenskapsområden.
Låt oss se några exempel:
- Vid marknadsföring används det ofta när vi vill veta vilja att köpa. Vi analyserar till exempel olika socioekonomiska, emotionella eller personliga variabler. När vi väl har dem minskar vi antalet med faktoranalys och vi kan bättre tolka dem.
- I redovisningen kan vi veta vilka poster som tydligast påverkar uppnåendet av affärsvinster. Således kommer vi att veta var vi borde ha mer inflytande.
- I utbildningen kan vi känna till en studerandes anlag för ett ämne. Genom att genomföra vissa undersökningar på sättet att studera det kan vi få en databas för att tillämpa faktoranalys.