Faktoranalyse er en statistisk reduksjonsmetode som tar sikte på å forklare mulige sammenhenger mellom visse variabler. For å gjøre dette, med tanke på effekten av andre faktorer, som ikke er observerbare.
Derfor, hva denne analysen gjør er å redusere. Dermed tar vi et stort antall variabler, og gjennom denne teknikken klarer vi å redusere dem til en mer håndterbar størrelse. For å gjøre dette brukes en serie lineære kombinasjoner av de som er observert med andre som ikke er synlige.
De to modellene: utforskende og bekreftende
Vi har to måter å gjennomføre denne statistiske teknikken på, det er klare forskjeller mellom de to som skal være kjent.
- Utforskende faktoranalyse: I dette tilfellet er målet å kjenne til de latente konstruksjonene (som ikke sees) for å sjekke om de kan være gyldige. Dermed har vi å gjøre med informasjon av en undersøkende type som tjener til å lage en senere modell, men vi vet ikke dette på forhånd.
- Bekreftende faktoranalyse: I dette tilfellet står vi overfor en statistisk bekreftelsesprosess. Vi starter fra en teoretisk modell opprettet med eksisterende litteratur om fenomenet studert. Senere kontrasterer vi den for å vite dens gyldighetsgrad.
Hvordan utføre en faktoranalyse
La oss på en enkel måte se hvordan en utforskende faktoranalyse kan utføres, som er en av de mest brukte innen samfunnsvitenskap. Det skal bemerkes at punktene nevnt nedenfor kan velges i statistiske programmer som SPSS når du utfører analysen.
- Pålitelighetsanalyse: Normalt brukes Cronbachs Alpha, som gjør det mulig å kjenne modellens interne konsistens. Verdier større enn 0,70 anses å være akseptable.
- Beskrivende statistikk: Disse gir oss grunnleggende informasjon om de analyserte dataene. Gjennomsnittet, variansen, eller maksimum og minimum.
- Korrelasjonsmatriseanalyse: Disse beregningene er utført av SPSS. Her må vi ta hensyn til om determinanten er nær null. På den annen side må de beregnede korrelasjonene være forskjellige fra null.
- KMO-tilstrekkelig tiltak: Tillater oss å kontrastere korrelasjonskoeffisientene. På den ene siden de observerte, og på den andre de delvise. Det tar verdier mellom 0 og 1 og anses å være akseptabelt hvis det er større enn 0,5.
- Bartletts test av sfærisitet: I dette tilfellet står det i kontrast til at korrelasjonsmatrisen er en identitetsmatrise, i hvilket tilfelle analysen ikke kunne gjøres. Den estimerte Chi-firkanten er beregnet, og hvis den er mindre enn den teoretiske, kan faktoranalysen gjøres.
- Analyse av fellestrekk: Igjen er det en indikator for relevans. For å være gyldig må det ta verdier som er større enn 0,5.
- Rotert komponentmatrise: Den brukes til å trekke ut egenverdiene som er større enn en verdi, normalt 1. På denne måten oppnås de reduserte faktorene som representerer variablene. Sedimentasjonsgrafer og selve matrisen brukes til å velge nummer.
- Total varians forklart: Til slutt forteller denne analysen oss hva som er den totale avviket forklart av den foreslåtte modellen. Dermed jo høyere denne verdien er, desto bedre er modellen til å forklare det totale datasettet.
Eksempler på faktoranalyse
Faktoranalyse har mange anvendelser innen forskjellige vitenskapsfelt.
La oss se noen eksempler:
- I markedsføring brukes det mye når vi vil vite viljen til å kjøpe. For eksempel analyserer vi ulike sosioøkonomiske, emosjonelle eller personlige variabler. Når vi har dem, reduserer vi antallet med faktoranalyse, og vi kan bedre tolke dem.
- I regnskap kan vi vite hvilke poster som tydeligst påvirker oppnåelsen av virksomhetsoverskudd. Dermed vil vi vite hvor vi skal ha mer innflytelse.
- I utdanningen kan vi kjenne predisposisjonen til en student til et emne. Ved å utføre visse undersøkelser på måten å studere den på, kan vi få en database der vi kan bruke faktoranalyse.