„Faktoranalízis” változatai közötti eltérés
| [ellenőrzött változat] | [nem ellenőrzött változat] |
Tartalom törölve Tartalom hozzáadva
1 forrás archiválása és 0 megjelölése halott linkként.) #IABot (v2.0 |
angol factor analysis wikipédiaoldal bizonyos részeinek átfordítása magyarra. |
||
4. sor:
A módszer a [[pszichológia|pszichológiában]] a személyiség szerkezetének, modelljének vizsgáló többváltozós kutatások alapjául szolgál, de azokon a területeken alkalmazható leginkább, ahol nagy mennyiségű adattal dolgoznak. A faktorelemzés módszerét alkalmazzák a [[pszichometria|pszichometriában]], a [[viselkedéstudomány|viselkedés]]- és [[társadalomtudomány]]okban, használja a [[szociológia]], a [[marketing]], a termékmenedzsment és az [[operációkutatás]] is.
== Faktoranalízis típusai ==
Feltáró faktoranalízist (FFA) arra használjuk, hogy feltárjunk vele bonyolult kölcsönhatásokat itemek és csoportitemek között, melyek egy egységes fogalom részét képezik<ref name=":0">{{Cite journal|title=Nursing Research: Generating and Assessing Evidence for Nursing Practice, 9th ed. Philadelphia, USA: Wolters Klower Health, Lippincott Williams & Wilkins.|author=Polit DF Beck CT (2012).}}</ref>. A kutató FFA során nem él előzetes, priori feltételezésekkel a faktorok között kapcsolatokat illetően<ref name=":0" />.
Megerősítő (konformatikus) faktoranalízis (MFA) már egy sokkal bonyolultabb megközelítés, mely azt a hipotézist teszteli, hogy vajon az itemek kapcsolatban állnak-e bizonyos faktorokkal. MFA strukturális egyenlet modellezési eljárást alkalmaz a mérni kívánt modell tesztelésére, aminek keretében a faktortöltések lehetővé teszik a megfigyelt változók és a nem megfigyelt háttérváltozók közötti kapcsolat felismerését<ref name=":0" />. Strukturális egyenlet modellek (SEM) képesek figyelembe venni a számítási hibákat és sokkal kevésbé korlátozóak mint a legkisebb négyzetes módszerek<ref name=":0" />. Hipotetikus modellünket valódi adatokon teszteljük és az analízis befogja mutatni a megfigyelt változók töltéseit a látens változókon (faktorokon), mint ahogyan a látens változók közötti korrelációkat is<ref name=":0" />.
== Faktorkiemelés típusai ==
Főkomponens-analízis (FKA) egy széles körben alkalmazott eljárás faktorkiemeléshez, ami a feltáró faktoranalízis (FFA) első lépése<ref name=":0" />. Azért hogy megkapjuk a legnagyobb lehetséges variancia értékét faktorsúlyokat kell számolnunk, amit további egymást követő faktorálás követ mindaddig amíg nem marad hátra jelentős variancia<ref name=":0" />. A faktormodellt aztán elforgatjuk az analízishez<ref name=":0" />.
Kanonikus faktorelemzés, melyet Rao-féle kanonikus faktorkiemelésnek is neveznek, egy eltérő módszer mely ugyanazt a modellt számolja ki mint az FKA de a főtengely módszert alkalmazva. Kanonikus faktorelemzés azokat a faktorokat keresi, melyeknek a legnagyobb a kanonikus korrelációja a megfigyelt változókkal. Kanonikus faktorelemzés előnye, hogy mentes az adatok önkényes áttranszformálástól.
Főfaktoranalízis vagy más néven főtengely faktorálás azon faktorok legkisebb számát keresi, melyek egy változóhalmaz közös varianciáját magyarázni képesek.
Faktor regressziós modell egy faktormodell és regressziós modell kombinatorikus modellje. Tulajdonképpen egy olyan hibrid faktormodellként tekinthetünk rá, melynek faktorait részben ismerjük<ref>{{Cite journal|title=Uncover cooperative gene regulations by microRNAs and transcription factors in glioblastoma using a nonnegative hybrid factor model|url=http://dx.doi.org/10.1109/icassp.2011.5947732|publisher=IEEE|journal=2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)|date=2011-05|doi=10.1109/icassp.2011.5947732|first=Jia|last=Meng|author=Hung-I|coauthors=Jianqiu}}</ref>.
=== Faktorok számának meghatározásához használt kritériumok ===
Kutatók szeretnének olyan önkényes vagy szubjektív kritériumokat elkerülni mint például „ezt tűnt ésszerűnek”. Számos objektív eljárást dolgoztak ki, hogy megoldják ezt a problémát lehetővé téve az ezen eljárások felhasználóinak egy sor lehetséges megoldás számbavételét. Ezek az eljárások azonban nem feltétlenül fedik le egymást. Párhuzamos analízis példának okáért 5 faktort feltételezhet, addig a Velicer-féle MAP (minimum averaged partial) már 6-ot, így a kutatónak 5 és 6 faktoros megoldásra egyaránt szüksége lehet és ennek függvényében vizsgálja meg mindkettőt a külső adatok és elmélet összefüggésében.
==== Modern kritérium ====
Horn-féle párhuzamos analízis: egy Monte-Carlo alapú szimulációs eljárás mely összehasonlítja a megfigyelt sajátértékeket azokkal a sajátértékekkel, melyeket a korrelálatlan normális eloszlású változókból szereztünk. Egy faktort vagy komponenst tehát csak abban az esetben tartunk meg, hogyha az ahhoz tartozó sajátérték nagyobb értéket vesz fel mint a random adatkészletből származó sajátértékek eloszlásának 95. percentilise. PA eljárás minősül a leggyakrabban ajánlott eljárásnak a faktorok számának meghatározásához<ref>{{Cite journal|title="Permutation methods for factor analysis and PCA". arXiv:1710.00479v2|author=Dobriban, Edgar (2017-10-02).}}</ref>, ugyanakkor sok program nem tartalmazza ezt a lehetőseget (melyek közül R kivételt képez)<ref>{{Cite journal|title="Determining the Number of Factors to Retain in EFA: An easy-to-use computer program for carrying out Parallel Analysis". Practical Assessment Research & Evaluation. 12 (2): 1–11.|author=Ledesma, R.D.; Valero-Mora, P. (2007).}}</ref>. Formann ugyanakkor elméleti és kutatási bizonyítékkal is szolgált arra vonatkozóan, hogy alkalmazása bizonyos esetékben nem javasolt, ugyanis a Horn-féle párhuzamos analízis teljesítményét olyan tényezők befolyásolhatják, mint a mintaméret, item diszkrimináció vagy a korrelációs koefficiens típusa<ref>{{Cite journal|title=Performance of parallel analysis in retrieving unidimensionality in the presence of binary data. Educational and Psychological Measurement, 69, 50-61.|author=Tran, U. S., & Formann, A. K. (2009).}}</ref>.
Velicer-féle MAP eljárás<ref>{{Cite journal|title=Determining the number of components from the matrix of partial correlations|url=http://link.springer.com/10.1007/BF02293557|journal=Psychometrika|date=1976-09|issn=0033-3123|pages=321–327|volume=41|issue=3|doi=10.1007/BF02293557|language=en|first=Wayne F.|last=Velicer}}</ref><ref>{{Cite journal|title=Determining the number of factors to retain in EFA: Using the SPSS R-Menu v2.0 to make more judicious estimations. Practical Assessment, Research and Evaluation, 18(8). Available online: http://pareonline.net/getvn.asp?v=18&n=8|author=Courtney, M. G. R. (2013).}}</ref> magába foglal egy teljes főkomponens elemzést amit egy sor parciális korrelációs mátrix megvizsgálása követ. Ezen eljárás során a komponenseket mindaddig fennmaradnak, amíg a korrelációs mátrixban jelenlévő variancia szisztematikus varianciát reprezentál, ellentétben a reziduálissal vagy a hibavarianciával. Annak ellenére, hogy metodológiailag hasonló a főkomponens elemzéshez, a MAP eljárás elég jól teljesít a faktorok számának meghatározásában számos szimulációs eljárásban<ref name=":1">{{Cite journal|title="Evaluating a proposed modification of the Guttman rule for determining the number of factors in an exploratory factor analysis". Psychological Test and Assessment Modeling. 56: 104–123.|author=Warne, R. T.; Larsen, R. (2014).}}</ref><ref>{{Cite journal|title=Determining the number of factors to retain in an exploratory factor analysis using comparison data of known factorial structure.|url=http://dx.doi.org/10.1037/a0025697|journal=Psychological Assessment|date=2012-06|issn=1939-134X|pages=282–292|volume=24|issue=2|doi=10.1037/a0025697|first=John|last=Ruscio|author=Brendan}}</ref><ref>{{Cite journal|title="Evaluating a proposed modification of the Guttman rule for determining the number of factors in an exploratory factor analysis". Psychological Test and Assessment Modeling. 56: 104–123.|author=Warne, R. T.; Larsen, R. (2014).}}</ref>.
==== Régi eljárások ====
Kaiser kritérium: Kaiser kritérium szabálya, hogy dobjunk el minden olyan komponenst, aminek sajátértéke 1.0 alatt van. Kaiser kritérium alapeljárás SPSS-ben, illetve a legtöbb statisztikai szoftverben is, ugyanakkor mint egyetlen adatok csökkentését szolgáló kritériumként nem javasolt a használata a faktorok meghatározásához, mivel hajlamos túlbecsülni a faktorok számát<ref>{{Cite journal|title="Four common misconceptions in exploratory factor analysis". In Lance, Charles E.; Vandenberg, Robert J. (eds.). Statistical and Methodological Myths and Urban Legends: Doctrine, Verity and Fable in the Organizational and Social Sciences. Taylor & Francis. pp. 61–87|author=Bandalos, D.L.; Boehm-Kaufman, M.R. (2008).}}</ref>. Az eljárásnak olyan verzióját is kidolgozták, ahol a kutató kiszámolja a minden sajátértékhez tartozó konfidencia intervallumokat és mindössze azokat a faktorokat tartja meg, melyek konfidencia intervallum értéke nagyobb mint 1.0,<ref name=":1" /><ref>{{Cite journal|title=Estimating confidence intervals for eigenvalues in exploratory factor analysis". Behavior Research Methods. 42 (3): 871–876.|author=Larsen, R.; Warne, R. T. (2010)}}</ref>.
Scree plot<ref name=":2">{{Cite journal|title="The scree test for the number of factors". Multivariate Behavioral Research. 1 (2): 245–76. doi:10.1207/s15327906mbr0102_10. PMID 26828106.|author=Cattell, Raymond (1966)}}</ref> olyan eljárás melyben a komponensek az x tengelyen a hozzájuk tartozó sajátértékek pedig az y tengelyen jelennek meg. Ahogyan jobbra haladunk a későbbi komponensek irányába, a sajátértékek csökkenni fognak. Amikor a görbe meredeksége véget ér és egyenesbe megy át, ott határozzuk meg a komponensek számát. Tehát attól a ponttól kezdve, ahogy a görbe egyenesbe fordul eldobunk minden komponenst. Ugyanakkor ezt az eljárást sok esetben kritizálták, ugyanis hajlamosít a kutatói szubjektivitásra. Az egyenesnek ugyanis számos „könyöke” lehet (azok a részek, ahol a görbe egyenesbe fordul), így a kutató hajlamos lehet a számára elérni kívánt mennyiségnél meghatározni a faktorok számát<ref name=":2" />.
=== Feltáró faktoranalízis (FFA) versus főkomponens-analízis (FKA): ===
Miközben a feltáró faktorelemzést és a főkomponens-analízist mint egymással megfeleltethető, szinonim technikákként kezelik a statisztika bizonyos területein, ez az eljárás sokak által megkérdőjelezett<ref>{{Cite journal|title="Evaluating the use of exploratory factor analysis in psychological research" (PDF). Psychological Methods.|author=Fabrigar; et al. (1999).}}</ref><ref>{{Cite journal|title="Principal component analysis vs. exploratory factor analysis" (PDF). SUGI 30 Proceedings. Retrieved 5 April 2012.|author=Suhr, Diane (2009).}}</ref>. Faktoranalízis során a kutatók azzal az előfeltételezéssel élnek, hogy a háttérben jelen van egy bizonyos ok-okozati, kauzális modell, mialatt a főkomponens-analízis esetében csupán egy változó-redukciós technikáról beszélhetünk<ref>{{Cite journal|title="Principal Components Analysis" (PDF). SAS Support Textbook.|author=SAS Statistics}}</ref>. Kutatók úgy érvelnek, hogy a két technika között fennálló alapvető különbség azt jelentheti, hogy vannak bizonyos objektív előnyei az egyik technika alkalmazásának a másikkal szemben attól függően, hogy mi a statisztikai elemzésünk célja. Abban az esetben, ha faktormodellünk nem megfelelően lett megszerkesztve vagy az előfeltételek nem teljesülnek, akkor faktoranalízisünk hibás, rossz eredményt fog adni. Faktoranalízis abban az esetben használható tehát megfelelően, ha statisztikai modellünk is megfelelő. Főkomponens-analízis egy matematikai transzformációs eljárást alkalmaz az eredeti adatokon, miközben nem fogalmaz meg előfeltételeket a kovarianciamátrix formáját illetően. FA célja, hogy meghatározza az eredeti változók lineáris kombinációit, melyeket az adathalmaz megfelelő összegzésére lehet felhasználni anélkül, hogy azzal túl sok információt vesztenénk<ref>{{Cite journal|title="Examining Large Databases: A Chemometric Approach Using Principal Component Analysis". Journal of Chemometrics. 5 (3): 163–179. doi:10.1002/cem.1180050305.|author=Meglen, R.R. (1991).}}</ref>.
==== É'''rvek az FFA és FKA közötti különbségre:''' ====
Fabrigar és mtsai. (1999) egy sor érvet sorakoztat fel amellett, hogy a főkomponens-analízis és a feltáró-faktoranalízis nem ugyanaz. Ezek a következőek:
# Felmerül, hogy a FKA analízis kevésbé számításigényes és ezért kevesebb erőforrást vesz igénybe mint a FFA. Fabrigar és mtsai szerint ugyanakkor a számítógépes erőforrások széleskörű elérhetősége miatt ez a gyakorlati szempont már nem játszik jelentős szerepet.
# FFA és FKA hasonló eredményeket képesek produkálni. Bizonyos esetekben ugyanakkor, mikor a kommunalitások alacsonyak (pl. .40), a két technika egymástól különböző eredményeket is hozhat. Fabrigar és mtsai. szerint továbbá azokban az esetekben, amikor az adat eleget tesz a közös faktormodell előfeltételeinek, FKA eredményei pontatlanok.
# Vannak esetek, amikor a faktoranalízis úgynevezett „Heywood esetekhez” vezet bennünket. Ezek olyan helyzeteket foglalnak magukba, melyeknél a statisztikai modell a variancia 100 vagy annál nagyobb százalékát képes magyarázni egy mért változónál. Fabrigar és mtsai. szerint ezek az esetek informatívak egy kutató számára, hiszen potenciálisan jelezhetnek egy nem megfelelően specifikált statisztikai modellt, vagy a közös faktormodell előfeltételeinek sérülését. Heywood esetek hiánya FKA eljárás esetében azt jelentheti, hogy ehhez hasonló eseték figyelmen kívül maradnak.
# Kutató extra információkat nyerhet FKA eljárásnál, mint egyének bizonyos fajta értékei bizonyos komponenseknél, melyek faktoranalízisnél ellenben nem tárhatóak fel. Fabriger és mtsai. szerint a faktoaranalízis elsődleges célja, miszerint hogy meghatározza azon faktorokat melyek felelősek a mért változók között megjelenő korrelációs struktúráért, nem igényli a faktorértéket ismeretét, így az FKA fenti előnye FFA esetében elhanyagolható.
== Lépései ==
| |||