no comments

Ujian Yang Mana: Analisis Faktor (FA, EFA, PCA, CFA)

Keliru tentang bila untuk menggunakan FA, EFA, PCA, atau CFA? Nah, kesemuanya adalah kaedah saling ketergantungan dimana tiada pemboleh ubah tunggal atau kumpulan pembolehubah ditakrifkan sebagai bebas atau bergantung. Prosedur statistik melibatkan analisis semua pembolehubah dalam data yang ditetapkan serentak sehingga matlamat prosedur saling bergantung ini adalah untuk mengungkap struktur dengan mengelompokkan pembolehubah (seperti dalam analisis faktor) dan bukan responden (biasanya dalam analisis cluster) atau objek (biasanya dalam persepsi peta). Oleh itu, kaedah saling ketergantungan tidak cuba untuk meramalkan satu atau lebih pembolehubah oleh orang lain seperti analisis regresi.

Mari kita lihat dengan cepat masing-masing: Analisis Faktor Eksplorator (EFA) sering dirujuk sebagai Analisis Faktor (FA) atau sebagai Analisis Faktor Biasa (tidak, tidak disingkat CFA), dan harus dibezakan dari sekutu dekatnya, Prinsip Analisis Komponen (PCA). Walaupun kesemua ini “meneroka” (dengan itu “penerokaan”) saling antara beberapa pembolehubah untuk menjelaskannya dari segi dimensi asas yang sama mereka (faktor), terdapat perbezaan yang halus (tetapi sangat penting) antara EFA dan PCA.

Berfikir “komunaliti”. Komuniti (dilambangkan oleh h2) ditakrifkan sebagai jumlah varians saham tersendiri tertentu (diukur) dengan pemboleh ubah nyata yang lain termasuk dalam analisis. Ia juga merujuk kepada jumlah varians bahawa pemboleh ubah nyata mempunyai persamaan dengan pembinaan laten yang ia beban (faktor umum). Dari sudut pembinaan laten, komuniti merujuk kepada jumlah variasi yang dijelaskan dalam pemboleh ubah nyata oleh pembinaan laten.

Oleh itu, EFA bergantung kepada pelbagai anggapan untuk menganggarkan pembinaan laten (contohnya korelasi di antara pemboleh ubah nyata adalah disebabkan oleh satu atau lebih faktor asas yang umum) manakala PCA tidak membuat anggapan tentang model dan hanya berkenaan dengan hubungan linear dan bagaimana pembolehubah mungkin menyumbang kepada hubungan itu.

Dicari dari segi komuniti: Kerana EFA adalah model (jadi beberapa variabilitas akan dijelaskan oleh model dan tidak ada) ia menganalisa hanya varians yang dikongsi (varians lazim yang disebut “kovarians”) dengan item lain (proporsi varians dalam satu pembolehubah yang dijelaskan oleh pembolehubah lain), oleh itu oleh itu perantaraan akan selalu kurang dari 1. Varians yang tidak biasa yang sisa (varians ralat) kemudiannya jatuh dari analisis.

PCA sebaliknya bukanlah satu model (jadi tiada kesilapan yang tidak dapat dijelaskan) dan menganalisis semua varians dalam pembolehubah (bukan hanya varians biasa), oleh itu persamaan (awal) adalah 1, yang mewakili semua (100%) varians setiap item yang dimasukkan dalam analisis kami. Tiada pembezaan (atau pemisahan) dibuat antara varians biasa dan varians bukan biasa (varians ralat).

EFA biasanya bergantung pada Prinsip Axis Factoring (PAF) manakala kaedah lain (misalnya alpha dan pemfaktoran imej) kurang biasa digunakan. PCA hanya bergantung kepada kaedah Komponen Prinsip, oleh itu nama PCA. Takrif popular PCA adalah: “teknik transformasi linear yang menyediakan set kecil pembolehubah yang tidak dilabel (dipanggil komponen) dari satu set pembolehubah berkorelasi sambil mengekalkan kebanyakan maklumat dalam set data asal. Komponen-komponen ini kemudiannya boleh digunakan sebagai pemboleh ubah asal dalam model regresi “(Yun Wang, Cornell University, 2002).

Perbezaan boleh diabaikan supaya hasilnya seringkali sama. Walau bagaimanapun, terdapat perbezaan yang besar dan oleh itu adalah penting untuk memilih kaedah pemfaktoran yang betul bergantung kepada objektif penyelidikan. PCA (Kaedah Komponen prinsip) paling disukai oleh para penyelidik sebagai kaedah pengurangan data (menggabungkan banyak pembolehubah kepada beberapa komponen dengan korelasi yang rendah yang meringkaskan varians mereka), sedangkan EFA yang kurang lazim digunakan (melalui Prinsip Axis Factoring) digunakan apabila matlamatnya adalah untuk mengesan dan memodelkan struktur korelasi di antara pembolehubah, atau untuk membentuk perwakilan hubungan antara pembolehubah yang nyata. Penyelesaian PCA adalah “cara untuk berakhir”, sementara penyelesaian EFA biasanya adalah “akhir” itu sendiri.

Jika anda masih tidak pasti sama ada anda perlu melakukan EFA atau PCA (maka saya yakin anda perlu PCA), jadi lancarkan program Analisis Faktor anda dan pilih kaedah pemfaktoran “Komponen Prinsip” dan anda akan menerangkan semua varians dalam pembolehubah anda dan mengekstrak faktor anda.

Analisis Faktor Pengesahan (CFA) biasanya sebahagian daripada prosedur seperti Model Persamaan Struktur (SEM) yang dijalankan melalui perisian seperti LISREL, AMOS, MPLUS, dan lain-lain. Model SEM biasanya mengandungi dua sub-model berbeza: 1) CFA) dan model struktur (SEM). Dalam model pengukuran kita menentukan teori ukuran dan kemudian mengesahkannya dengan CFA supaya tumpuannya adalah pada “kesahihan” pembinaan laten kita. Dalam CFA, keperluan ialah pemilihan pembolehubah awal berdasarkan teori yang ditubuhkan dan untuk hipotesis terlebih dahulu bilangan faktor dalam model. Kami paling biasa menggunakan model pengukuran CFA untuk mengesahkan pembinaan berbilang item seperti item untuk mengukur pembinaan misalnya. kepuasan.

Sumber : Peter Steyn

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL