Tekijäanalyysi on tilastollinen pelkistysmenetelmä, jonka tarkoituksena on selittää tiettyjen muuttujien mahdolliset korrelaatiot. Voit tehdä tämän ottaen huomioon muiden tekijöiden vaikutukset, joita ei voida havaita.
Siksi tämä analyysi vähentää. Siksi otamme suuren määrän muuttujia, ja tämän tekniikan avulla onnistumme pienentämään ne hallittavampaan kokoon. Tätä varten käytetään sarjaa lineaarisia yhdistelmiä havaituista muiden kanssa, jotka eivät ole näkyvissä.
Kaksi mallia: tutkiva ja vahvistava malli
Meillä on kaksi tapaa suorittaa tämä tilastollinen tekniikka, näiden kahden välillä on selvät erot, jotka tulisi tietää.
- Tutkiva tekijäanalyysi: Tässä tapauksessa tavoitteena on tuntea piilevät rakenteet (joita ei näy) sen tarkistamiseksi, voivatko ne olla kelvollisia. Siksi on kyse tutkimustyyppisestä tiedosta, joka palvelee myöhemmän mallin luomista, mutta emme tiedä tätä a priori.
- Vahvistava tekijäanalyysi: Tässä tapauksessa kohtaamme tilastollisen vahvistusprosessin. Lähdemme teoreettisesta mallista, joka on luotu olemassa olevalla kirjallisuudella tutkitusta ilmiöstä. Myöhemmin verrataan sitä tietämään sen pätevyysaste.
Tekijäanalyysin suorittaminen
Katsotaan yksinkertaisella tavalla, kuinka voidaan suorittaa tutkiva tekijäanalyysi, joka on yksi yhteiskuntatieteissä eniten käytettyjä. On huomattava, että alla mainitut pisteet voidaan valita tilasto-ohjelmista, kuten SPSS, analyysiä suoritettaessa.
- Luotettavuusanalyysi: Normaalisti käytetään Cronbachin alfaa, joka antaa mallin sisäisen johdonmukaisuuden tuntemisen. Arvoja, jotka ovat suurempia kuin 0,70, pidetään hyväksyttävinä.
- Kuvailevia tilastoja: Nämä antavat meille perustiedot analysoiduista tiedoista. Keskiarvo, varianssi tai suurin ja pienin.
- Korrelaatiomatriisianalyysi: Nämä laskelmat suorittaa SPSS. Tässä on kiinnitettävä huomiota siihen, onko determinantti lähellä nollaa. Toisaalta laskettujen korrelaatioiden on oltava erilaisia kuin nolla.
- KMO-otoksen riittävyysmitta: Antaa meille mahdollisuuden verrata korrelaatiokertoimia. Yhtäältä havaitut ja toisaalta osittaiset. Se ottaa arvot välillä 0 ja 1, ja sitä pidetään hyväksyttävänä, jos se on suurempi kuin 0,5.
- Bartlettin pallotesti: Tässä tapauksessa vastakohta on, että korrelaatiomatriisi on identiteettimatriisi, jolloin analyysiä ei voitu tehdä. Arvioitu Chi-neliö lasketaan, ja jos se on pienempi kuin teoreettinen, voidaan tehdä tekijäanalyysi.
- Yhteisyyden analyysi: Se on jälleen merkitys osuvuudesta. Jotta se olisi kelvollinen, sen on oltava yli 0,5: n arvoinen.
- Kierretty komponenttimatriisi: Sitä käytetään poimimaan ominaisarvot, jotka ovat suurempia kuin arvo, tavallisesti 1. Tällä tavoin saadaan muuttujia edustavat pelkistetyt tekijät. Numeron valinnassa käytetään sedimentaatiokaavioita ja itse matriisia.
- Kokonaisvarianssi selitetty: Lopuksi tämä analyysi kertoo meille, mikä on ehdotetun mallin selittämä kokonaisvarianssi. Siksi mitä suurempi tämä arvo, sitä paremmin malli selittää kokonaisdataa.
Esimerkkejä tekijäanalyysistä
Faktori-analyysillä on monia sovelluksia eri tieteenaloilla.
Katsotaanpa joitain esimerkkejä:
- Markkinoinnissa sitä käytetään laajalti, kun haluamme tietää ostohalun. Analysoimme esimerkiksi erilaisia sosioekonomisia, emotionaalisia tai henkilökohtaisia muuttujia. Kun meillä on ne, pienennämme niiden määrää tekijäanalyysillä ja voimme paremmin tulkita niitä.
- Kirjanpidossa voimme tietää, mitkä erät vaikuttavat selkeimmin liiketoiminnan voittojen saamiseen. Siksi tiedämme, missä meillä pitäisi olla enemmän vaikutusvaltaa.
- Koulutuksessa voimme tietää opiskelijan taipumuksen aiheeseen. Suorittamalla tietyt tutkimukset tapaan tutkia sitä voimme saada tietokannan tekijäanalyysin soveltamiseksi.