Faktorska Analiza

Faktorska analiza
SADRAJ
UVOD..................................................................................................................................................2
1. Faktorska analiza - pojam i karakteristike................................................................................3
1.1. ta je faktorska
analiza?...........................................................................................................3
1.2. Karakteristike faktorske analize...............................................................................................3
2. Faze u faktorskoj analizi................................................................................................................5
2.1. Proces odluivanja u faktorskoj analizi....................................................................................5
2.2. Ciljevi faktorske analize...........................................................................................................6
2.3. Dizajniranje faktorske analize..................................................................................................9
2.4. Pretpostavke u faktorskoj analizi...........................................................................................11
2.5. Izvoenje faktora i procjena opteg uklapanja.......................................................................12
2.6. Interpretiranje faktora.............................................................................................................16
2.7. Validacija faktorske analize....................................................................................................20
2.8. Dodatne upotrebe rezultata faktorske analize.........................................................................21
3. Hipotetiki primjer faktorske analize........................................................................................25
ZAKLJUAK...................................................................................................................................27
LITERATURA.................................................................................................................................28
Faktorska analiza
UVOD
Faktorska analiza je metodoloki temelj istraivanja u razliitim podrujima mnogih drutvenih
nauka, a primjenjuje se i u istraivanjima na podruju prirodnih nauka. Faktorska analiza kao skup
statistiko-matematikih postupaka pogodnih za analizu podataka o meusobnoj povezanosti meu
posmatranim pojavama, koja je nastala i koja se i danas razvija u sklopu savremene psihologije,
pokazala se korisnom u svim situacijama gde se u istraivanjima istovremeno pojavljuje vei broj
varijabli koje stoje u medusobnim korelacijama i gdje se zahtjeva utvrivanje osnovnih izvora
kovarijacije meu podacima. Posmatranje takvih medusobno povezanih pojava posebno je znaajno
u razliitim podrujima psihologije sociologije, pedagogije, politologije, ekonomije, antropologije i
medicine, ali i u hemiji farmakologiji i drugim oblastima.
Multivarijantna statistika tehnika - faktorska analiza, se sve vie koristi tokom posljednje
decenije, na svim poljima poslovnih istraivanja. U prvom dijelu objasnit emo pojam i
karakteristike faktorske analize kao metodmultivarijacione analize.
Poto broj varijabli koje treba razmotriti u multivarijantnim tehnikama raste, postoji srazmjerna
potreba za veim poznavanjem strukture i medjuodnosa varijabli. Predmet rada je upravo
faktorska analiza, tehnika koja je naroito pogodna za analiziranje ema kompleksnih,
multidimenzionalnih odnosa sa kojima se sreu istraivai, te se tako drugi dio seminarskog rada
se odnosi faze u faktorskoj analizi.
U treem dijelu naeg seminarskog rada objasnit emo hipotetiki primjer faktorske analize.
Faktorska analiza
1. Faktorska analiza - pojam i karakteristike

Metod multivarijacione analize koji se koristi za opis meusobne zavisnosti velikog broja
promenljivih korienjem manjeg broja osnovnih, ali neopaljivih sluajnih promenljivih
poznatih kao faktori, naziva se faktorska analiza. Osnovna ideja faktorske analize, onako kako je
izloena krajem prolog stoljea od strane Francis Galtona, Charles Spearmana i drugih,
proizala je uglavnom iz napora psihologa da bolje razumeju i istrae kompeksan fenomen
inteligencije. U tim istraivanjima korieni su brojni testovi inteligencije sa velikim brojem
pitanja. Ona su trebala da istaknu razliite dimenzije opte sposobnosti ispitanika, kao to su
verbalna sposobnost, matematika sposobnost, memorija itd. Faktorska analiza je razvijena za
analizu rezultata tih testova. Njen zadatak je bio da utvrdi da li je inteligencija komponovana
od jednog bazinog, opteg faktora ili od nekoliko zajednikih faktora koji mere osobine kao to
su na primer, verbalna, matematika i druge sposobnosti.1
1.1. ta je faktorska analiza?
Faktorska analiza je generiko ime dato klasi multivarijaciona statistikih metoda - ija je
primarna svrha definisanje osnovne strukture u matrici podataka. Uopteno govorei, ona se
bavi problemom analiziranja strukture meuodnosa (korelacija) meu velikim brojem varijabli
(npr. skorovi testa, ajtemi testa, odgovori na upitnik), putem definisanja seta zajednikih
osnovnih dimenzija, poznatih kao faktori. Kod faktorske analize, istraiva moe prvo da
identifikuje odvojene dimenzije strukture, i onda determinie obim u kom je svaka varijabla
objanjena pomou svake dimenzije. Kada se determiniu ove dimenzije i objanjenje svake
varijable, mogu se ostvariti dvije primarne upotrebe faktorske analize sumarizacija i redukcija
podataka. U sumarizaciji podataka, faktorska analiza izvodi osnovne dimenzije, koje kada se
interpretiraju i shvate, opisuju podatke u mnogo manjem broju koncepata nego originalne
individualne varijable. Redukcija podataka se moe ostvariti izraunavanjem skorova za svaku
osnovnu dimenziju i njihovom zamjenom umesto originalnih varijabli.
Primarna prednost multivarijacionih tehnika je njihova sposobnost da se prilagode viestrukim
varijablama u pokuaju shvatanja kompleksnih odnosa, to nije mogue sa univarijantnim i
bivarijantnim metodama. Poveanje broja varijabli, takoe poveava mogunost da nisu sve
varijable nekorelirane i da nisu reprezenti distinktnih koncepata. Umjesto toga, grupe varijabli
mogu biti meupovezane u mjeri da su sve predstavnici jednog optijeg koncepta. To moe biti
namerno, kao to je pokuaj da se mjere mnogi aspekti linosti ili imida radnje, ili moe nastati
samo iz dodavanja novih varijabli. U oba sluaja, istraiva mora da zna kako su varijable
meupovezane, da bi bolje intepretirao rezultate. Konano, ako je broj varijabli prevelik ili
postoji potreba za boljim predstavljanjem manjeg broja koncepata a ne mnogo aspekata,
faktorska analiza moe pomoi u odabiru reprezentativnog podskupa varijabli ili ak u stvaranju
novih varijabli, kao zamjene za originalne varijable, dok se ipak zadrava njihov originalni
karakter.
1.2. Karakteristike faktorske analize
Faktorska analiza se razlikuje od tehnika zavisnosti tj. viestrukaeregresije, diskriminacione
analize, multivarijacine analize varijanse ili kanonike korelacije, u kojima se jedna ili vie
varijabli eksplicitno smatra kriterijumom ili zavisnim varijablama, a sve ostale su prediktor ili
nezavisne varijable.
1 Kovai, J., Z., Multivarijaciona analiza, Ekonomski fakultet, Beograd, 1994., str. 203.
3
Faktorska analiza
Faktorska analiza je tehnika meuzavisnosti u kojoj se sve varijable istovremeno razmatraju,
svaka je u vezi sa svim ostalima, a ipak koristi koncept varijante, linearnog kompozita varijabli. 2
U faktorskoj analizi, varijante (faktori) se formiraju da maksimiraju svoje objanjenje itavog
seta varijabli, a ne da predvide zavisnu varijablu (varijable). Ako bi trebalo da izvuemo
analogiju sa tehnikama zavisnosti, bilo bi to da je svaka od opserviranih varijabli, zavisna
varijabla tj., funkcija nekog osnovnog i latentnog seta faktora (dimenzija), koji su sami
sastavljeni od svih ostalih varijabli. Stoga, svaku varijablu predviaju sve ostale. Obrnuto, moe
se posmatrati svaki faktor (varijanta) kao zavisna varijabla tj., funkcija itavog seta opserviranih
varijabli. Ove analogije ilustruju razlike u svrsi izmeu tehnika zavisnosti i meuzavisnosti
(identifikacija strukture).
Faktorsko analitike tehnike mogu ostvariti svoje svrhe iz eksploratorne ili iz konfirmatorne
perspektive. Vodi se kontinuirana debata u vezi adekvatne uloge faktorske analize. Mnogi
istraivai je smatraju samo eksploratornom, korisnom u traganju za strukturom meu setom
varijabli ili je smatraju metodom redukcije podataka. U ovoj perspektivi, faktorsko analitike
tehnike uzimaju ono to vam podaci daju i ne postavljaju nikakva a priori ogranienja na
procenu komponenti ili broj komponenti koje treba ekstrahovati. Za mnoge ako ne i za veinu
aplikacije, ova upotreba faktorske analize je odgovarajua. Meutim, u drugim situacijama,
istraiva unapred zamilja stvarnu strukturu podataka, na bazi teoretske podrke ili ranijeg
istraivanja. Istraiva moe eljeti da testira hipoteze ukljuujui pitanja kao to su koje
varijable treba grupisati u faktor ili precizan broj faktora. U ovim sluajevima, istraiva zahteva
da faktorska analiza zauzme konfirmatorni pristup tj., procijeni stepen u kom podaci
zadovoljavaju oekivanu strukturu. Metodi o kojima diskutujemo u ovom radu, ne obezbeuju
direktno potrebnu strukturu za formalizovano testiranje hipoteze.
2http://www.mysearchresults.com/search?fi=&s=web&cat=&l=&c=3507&t=07&q=dinami%C4%8Dka+i+stati
%C4%8Dka+analiza+poslovanja [Pristupljeno: 12. 05. 2013. ]
Faktorska analiza
2. Faze u faktorskoj analizi

U nastavku e biti predstavljen model odluivanja u faktorskoj analizi kroz est faza3.
2.1. Proces odluivanja u faktorskoj analizi
Slika 2. pokazuje prve tri faze strukturiranog pristupa izgradnji multivarijacionog modela, a slika
3. koja se nalazi u nastavu ovog rada detaljno prikazuje krajnje tri faze, plus dodatnu fazu (faza
7) posle estimacije, interpretacije i validacije faktorskih modela, to pomae u odabiru surogat
varijabli, izraunavanju faktorskih skorova ili kreiranju sumiranih skala za korienje u drugim
multivarijacionim tehnikama.
3 http://www.scribd.com/vojic/d/37203224-Multivarijaciona analiza-Skripta[Pristupljeno: 10. 05. 2013. ]

5
Faktorska analiza
Slika 2. Faze 1-3 na dijagramu odluivanja faktorske analize
2.2. Ciljevi faktorske analize

Polazite u faktorskoj analizi, kao i kod drugih statistikih tehnika, je problem istraivanja. Opta
svrha faktorsko analitikih tehnika je da se pronae nain da se samu informacije sadrane u
velikom broju originalnih varijabli, u manji set novih, kompozitnih dimenzija ili varijanti
(faktora), uz minimalni gubitak informacija tj. da se trae i definiu fundamentalni konstrukti ili
dimenzije za koje se pretpostavlja da su u osnovi originalnih varijabli4.
4 ivadinovi, K., N., Utvrivanje osnovnih karakteristika proizvoda primenom faktorske analize, Ekonomski
pregled 55, Zagreb, 2004
Faktorska analiza
Konkretnije, tehnike faktorske analize mogu ostvariti jedan od dva cilja5:
1) identifikovanje strukture kroz sumarizaciju podataka ili
2) redukcija podataka.
Identifikovanje strukture kroz sumarizaciju podataka
Faktorska analiza moe identifikovati strukturu odnosa meu varijablama ili respondentima,
putem ispitivanja korelacija izmeu varijabli ili korelacija meu respondentima. Npr.
pretpostavimo da imamo podatke o 100 respondenata, u vezi 10 karakteristika. Ako bi cilj
istraivanja bilo sumiranje karakteristika, faktorska analiza bi se primenila na korelacionu
matricu varijabli. Ovo je najei tip faktorske analize i zove se R faktorska analiza. R faktorska
analiza analizira set varijabli da bi se identifikovale dimenzije koje su latentne (ne opaaju se
lako).6 Faktorska analiza se takodje moe primeniti na korelacionu matricu individualnih
respondenata na bazi njihovih karakteristika. To se zove Q faktorska analiza, metod
kombinovanja ili saimanja velikog broja ljudi u distinktno razliite grupe u okviru vee
populacije. Pristup Q faktorske analize se ne koristi ba esto, zbog raunskih tekoa. Umjesto
toga, veina istraivaa koristi neki tip klaster analize da grupie individualne respondente.
Redukcija podataka
Faktorska analiza takoe moe7: (1) identifikovati reprezentativne varijable iz mnogo veeg seta
varijabli, za upotrebu u narednim multivarijacionim analizama ili (2) kreirati potpuno nov set
varijabli, brojano mnogo manji, da delimino ili potpuno zamjeni originalni set varijabli za
ukljuenje u naredne tehnike. U oba sluaja, svrha je zadrati prirodu i karakter originalnih
varijabli, ali redukovati njihov broj da bi se pojednostavila sledea multivarijaciona analiza. ak
iako su multivarijacione tehnike razvijene da se prilagode viestrukim varijablama, istraiva
uvek traga za najkrtijim setom varijabli, da bi ga ukljuio u analizu. Faktorska analiza
obezbeuje empirijsku osnovu za procjenu strukture varijabli i potencijal za kreiranje tih
kompozitnih mjera, ili odabir podskupa reprezentativnih varijabli za dalju analizu.
Sumarizacija podataka ini da identifikacija osnovnih dimenzija ili faktora bude dovoljna za
njih; procene faktora i doprinosi svake varijable faktorima (oznaena optereenja), su sve to se
zahteva za analizu. Redukcija podataka se oslanja i na faktorska optereenja, ali ih koristi kao
osnovu ili za identifikovanje varijabli za narednu analizu sa drugim tehnikama, ili za vrenje
procena samih faktora (faktorski skorovi ii sumirane skale), to onda zamenjuje originalne
varijable u narednim analizama.
Upotreba faktorske analize sa ostalim multivarijacionim tehnikama
Faktorska analiza prua direktan uvid u meuodnose meu varijablama ili respondentima, i
empirijsku podrku za reavanje konceptualnih pitanja u vezi sa osnovnom strukturom podataka.
Ona takoe igra vanu komplementarnu ulogu sa ostalim multivarijacionim tehnikama, kroz
sumarizaciju podataka i kroz redukciju podataka. Iz perspektive sumarizacije podataka,
faktorska analiza prua istraivau jasno razumevanje toga koje varijable mogu delovati
saglasno zajedno, i za koliko se varijabli moe zapravo oekivati da e imati uticaje u analizi.
Npr. za varijable determinisane kao visoko korelirane i lanice istog faktora, bi se oekivalo da
imaju sline profile ili razlike meu grupama u multivarijacionoj analizi varijanse ili u
6 ivadinovi, K., N., Utvrivanje osnovnih karakteristika proizvoda primenom faktorske analize, Ekonomski pregled
55, Zagreb, 2004
Faktorska analiza
diskriminacionoj analizi. Primeri koji naglaavaju uticaj koreliranih varijabli, su etapne
procedure viestruke regresije i diskriminaciona analiza. Ove tehnike sekvencijalno unose
varijable na bazi njihove dodatne prediktivne moi nad varijablama u modelu. Kako se unese
jedna varijabla iz faktora, postaje manje verovatno da bi se dodatne varijable iz istog tog faktora
takoe ukljuile, jer su visoko korelirane i potencijalno imaju manju dodatnu prediktivnu mo
nego varijable koje nisu u tom faktoru. To ne znai da su ostale varijable tog faktora manje
vane ili da imaju manji uticaj, ve samo da njihov efekat ve reprezentuje ukljuena varijabla iz
tog faktora. Istraiva bi bolje shvatio rezonovanje koje stoji iza unosa varijabli u ovoj tehnici, uz
poznavanje strukture varijabli.
Uvid koji prua sumarizacija podataka se moe direktno inkorporirati u ostale multivarijacione
tehnike, kroz bilo koju od tehnika redukcije podataka. Faktorska analiza obezbeuje osnovu za
stvaranje novog seta varijabli koje inkorporiraju karakter i prirodu originalnih varijabli, u
mnogo manjem broju novih varijabli, bilo da se koriste reprezentativne varijable, faktorski
skorovi ili sumirane skale. Na ovaj nain, problemi u vezi velikog broja varijabli ili visokih
interkorelacija meu varijablama, se mogu znatno redukovati putem supstitucije novih varijabli.
Istraiva moe beneficirati i od empirijske estimacije odnosa, i od uvida u konceptualnu osnovu
i interpretaciju rezultata.
Selekcija varijable
Redukcija podataka i sumarizacija se mogu izvriti ili sa prethodno postojeim setovima varijabli,
ili sa varijablama koje je stvorilo novo istraivanje. Kada koristi postojei set varijabli, istraiva
treba ipak da razmotri konceptualne podupirae varijabli, i koristi ocenu adekvatnosti varijabli
za faktorsku analizu. Upotreba faktorske analize za redukciju podataka, postaje naroito kritina
kada se zahteva uporedivost tokom vremena ili u viestrukim okruenjima. Kada se koristi novi
istraivaki pokuaj, faktorska analiza takodje moe da determinie strukturu i/ili stvori nove
kompozitne skorove iz originalnih varijabli. Npr. jedan od prvih koraka u konstruisanju
sumirane skale je proceniti njenu dimenzionalnost i adekvatnost odabranih varijabli, kroz
faktorsku analizu. Stoga, iako ne zaista konfirmatorna, eksploratorna faktorska analiza se koristi
za evaluaciju predloene dimenzionalnosti. Kada se specifikuje svrha faktorske analize, onda
istraiva mora definisati set varijabli koje treba ispitati. Ili u faktorskoj analizi R-tipa ili u
faktorskoj analizi Q-tipa, istraiva implicitno specifikuje potencijalne dimenzije koje se mogu
identifikovati kroz karakter i prirodu varijabli, izloenih faktorskoj analizi. Npr. u proceni
dimenzija imida radnje, ako ne bi bila ukljuena nikakva pitanja o osoblju radnje, faktorska
analiza ne bi mogla da identifikuje ovu dimenziju. Istraiva takoe mora da zapamti da e
faktorska analiza uvek produkovati faktore. Zato je faktorska analiza uvek potencijalni kandidat
za fenomen garbage in, garbage out (djubre ulazi, djubre izlazi) 8. Ako istraiva
nediskriminaciono ukljuuje veliki broj varijabli, i nada se da e faktorska analiza to reiti,
onda je verovatnoa dobijanja loih rezultata, visoka. Kvalitet i znaenje izvedenih faktora,
odraavaju konceptualne podupirae varijabli ukljuenih u analizu. Upotreba faktorske analize
kao tehnike sumarizacije podataka, ne iskljuuje potrebu za konceptualnom osnovom za bilo
koje analizirane varijable. ak i kada se koristi jedino za redukciju podataka, faktorska analiza
je najefikasnija kada konceptualno definisane dimenzije mogu biti predstavljene pomou
izvedenih faktora.
8 ivadinovi, K., N., Utvrivanje osnovnih karakteristika proizvoda primenom faktorske analize, Ekonomski pregled
55, Zagreb, 2004
Faktorska analiza
2.3. Dizajniranje faktorske analize
Dizajn faktorske analize ukljuuje tri osnovne odluke:
(1) kalkulaciju input podataka (korelaciona matrica) da bi se zadovoljili specifikovani
ciljevi grupisanja varijabli ili respondenata;
(2) dizajn studije u smislu broja varijabli, mernih odlika varijabli, i tipova dopustljivih
varijabli i
(3) potrebnu veliinu uzorka, i u apsolutnim terminima, i kao funkcija broja varijabli u
analizi.
Korelacije medju varijablama ili respondentima
Prva odluka u dizajnu faktorske analize se fokusira na pristup koji se koristi u kalkulaciji
korelacione matrice za faktorsku analizu R ili Q tipa. Istraiva bi mogao izvesti matricu input
podataka iz izraunavanja korelacija meu varijablama. To bi bila faktorska analiza R-tipa.
Istraiva bi takoe mogao odluiti da izvede korelacionu matricu iz korelacija meu
individualnim respondentima. U ovoj faktorskoj analizi Q-tipa, rezultati bi bili faktorska matrica
koja bi identifikovala sline individue. Npr. ako se individualni respondenti identifikuju pomou
broja, rezultirajua faktorska ema (sklop) bi nam mogla rei da su individue 1, 5, 6 i 7, sline.
Slino tome, respondenti 2, 3, 4 i 8 bi moda opteretili zajedno drugi faktor, i te pojedince bi
oznaili kao sline. Iz rezultata Q faktorske analize, mogli bi identifikovati grupe ili klastere
pojedinaca, koji demonstriraju slinu emu u varijablama ukljuenim u analizu.
Logino pitanje u ovom momentu bi bilo 9: Po emu se faktorska analiza Q-tipa razlikuje od
klaster analize, poto oba pristupa porede emu odgovora meu velikim brojem varijabli i
svrstavaju respondente u grupe. Odgovor je da se faktorska analiza Q-tipa bazira na
interkorelacijama izmeu respondenata, dok klaster analiza formira grupe na osnovu mera
slinosti na bazi udaljenosti izmeu skorova respondenata o varijablama koje se analiziraju. Da
bi ilustrovali ovu razliku, razmotrite sliku 3. koja sadri skorove etiri respondenta u odnosu na
tri razliite varijable. Faktorska analiza Q-tipa za ova etiri respondenta bi dala dve grupe sa
slinim strukturama kovarijanse, koje se sastoje od respondenata A i C, nasuprot B i D. U
suprotnom, pristup klasteringa bi bio osetljiv na stvarne udaljenosti meu skorovima
respondenata, i doveo bi do grupisanja najbliih parova.
Stoga, kod pristupa klaster analize, respondenti A i B bi bili svrstani u jednu grupu, a C i D u
drugu. Ako istraiva odlui da koristi faktorsku analizu Q-tipa, treba opaziti ove distinktne
razlike u odnosu na tradicionalne tehnike klaster analize. Uz dostupnost ostalih tehnika
grupisanja i rasprostranjenu upotrebu faktorske analize za redukciju i sumarizaciju podataka,
preostala diskusija u ovom poglavlju se fokusira na faktorsku analizu R-tipa, grupisanje varijabli
a ne respondenata.
9 Hair, F., J., Anderson, E., R., Tatham, L., R., Black, C.,W., Multivariate Data Analysis, Prentice- Hall International,
Inc, Fifth Edition
Faktorska analiza
Varijable
Respondent
A
B
C
D
V1
7
8
2
3
V2
7
6
2
1
V3
8
6
3
1
Slika 3. Poreenja skor profila za faktorsku analizu Q-tipa i klaster analizu

Pitanja selekcije i mjerenja varijabli
U ovom momentu se mora odgovoriti na dva specifina pitanja: (1) Kako se varijable mere? i (2)
Koliko varijabli treba ukljuiti? Za varijable za faktorsku analizu se generalno pretpostavlja da
su metrike mere. U nekim sluajevima, se mogu koristiti vetake varijable (dummy) (ifrirane
0-1) iako se one smatraju nemetrikim. Ako su sve varijable, vetake varijable, onda su
adekvatnije specijalizovane forme faktorske analize, kao to je Boolean faktorska analiza .
Istraiva treba takoe da pokua da minimizira broj ukljuenih varijabli, ali da ipak odri
razuman broj varijabli po faktoru. Ako se studija dizajnira da proceni predloenu strukturu,
istraiva treba svakako da ukljui nekoliko varijabli (pet ili vie), koje mogu predstavljati svaki
predloeni faktor. Snaga faktorske analize lei u pronalaenju ema meu grupama varijabli, i
od male je koristi u identifikovanju faktora koji se sastoje od samo jedne varijable. Konano,
kada se dizajnira studija koja treba da bude faktorski analizirana, istraiva treba, ako je
mogue, da identifikuje nekoliko kljunih varijabli (ponekad se zovu kljuni indikatori ili marker
varijable), koje blisko odraavaju osnovne faktore postavljene kao hipoteze. To e pomoi u
validaciji izvedenih faktora i procjeni da li rezultati imaju praktian znaaj.
Veliina uzorka
to se tie pitanja veliine uzorka, istraiva generalno ne bi faktorski analizirao uzorak manji
od 50 opservacija, a najbolje je da veliina uzorka treba da bude 100 ili vie. Kao opte pravilo,
minimum je imati bar pet puta vie opservacija nego to ima varijabli koje treba analizirati, a
prihvatljivija veliina bi imala racio deset prema jedan. Neki istraivai ak predlau minimum
od 20 sluajeva za svaku varijablu. Meutim, mora se zapamtiti da sa npr. 30 variajbli, postoji
435 korelacija u faktorskoj analizi. Na nivou znaajnosti od 0,05, moda ak 20 od tih korelacija
bi se smatrale znaajnim i pojavile se u faktorskoj analizi samo sluajno. Istraiva treba uvek da
pokua da doe do najvieg racia sluajeva po varijabli, da bi minimizirao anse za overfitting
podataka (tj. izvoenje faktora koji su specifini za uzorak, sa malom uoptljivou). 10 Istraiva
moe to uraditi putem korienja najkrtijeg seta varijabli, voen konceptualnim i praktinim
razmatranjima, i onda dobijanjem adekvatne veliine uzorka za broj ispitanih varijabli. Kada se
radi sa manjim veliinama uzorka i/ili niim raciom sluajeva prema varijabli, istraiva treba
10
Faktorska analiza
uvek da oprezno interpretira sve rezultate. Pitanje veliine uzorka e takoe biti reavano u
kasnijem odeljku o interpretiranju faktorskih optereenja.
2.4. Pretpostavke u faktorskoj analizi
Kritine pretpostavke koje su u osnovi faktorske analize, su vie konceptualne nego statistike.
Sa statistikog stanovita, odstupanja od normalnosti, homoskedastinosti i linearnosti, se
primenjuju samo u meri u kojoj ona smanjuju opservirane korelacije. Samo normalnost je
potrebna ako se statistiki test primenjuje na znaajnost faktora, ali se ovi testovi retko koriste.
Zapravo, poeljan je izvestan stepen multikolinearnosti, jer je cilj identifikovati meupovezane
setove varijabli.
Pored statistikih osnova za korelacije matrice podataka, istraiva mora takoe da osigura da
matrica podataka ima dovoljno korelacija, da bi se opravdala primena faktorske analize. Ako
vizuelna inspekcija ne otkrije znatan broj korelacija veih od 30, onda je faktorska analiza
verovatno neadekvatna. Korelacije meu varijablama se takoe mogu analizirati putem
izraunavanja parcijalnih korelacija meu varijablama, tj. korelacija meu varijablama kada se
uzimaju u obzir efekti drugih varijabli. Ako istinski faktori postoje u podacima, parcijalna
korelacija treba da bude mala, jer se varijabla moe objasniti pomou faktora (varijante sa
optereenjima za svaku varijablu). Ako su parcijalne korelacije visoke, onda nema istinskih
osnovnih faktora, i faktorska analiza je neprikladna. SPSS i SAS, obezbedjuju anti-image
korelacionu matricu, to je samo negativna vrednost parcijalne korelacije, a BMDP direktno
prua parcijalne korelacije.11 U svakom sluaju, vee parcijalne ili anti-image korelacije,
indiciraju da moda matrica podataka ne odgovara faktorskoj analizi.
Jo jedan nain determinisanja podesnosti faktorske analize, ispituje itavu krelacionu matricu.
Bartlett test sferinosti, statistiki test prisustva korelacija meu varijablama, je jedna takva
mera. Ona obezbedjuje statistiku verovatnou da korelaciona matrica ima znaajne korelacije
bar meu nekim varijablama. Meutim, istraiva treba da primeti da poveanje veliine uzorka
uzrokuje da Barlett test postane osetljiviji na detektovanje korelacija meu varijablama. Jo
jedna mera za kvantifikovanje stepena interkorelacija meu varijablama i podesnosti faktorske
analize, je mera adekvatnosti uzorkovanja (MSA). Ovaj indeks se kree od 0 do 1, dostiui 1
kada je svaka varijabla savreno predviena bez greke od strane ostalih varijabli. Ova mera se
moe interpretirati sa sledeim smernicama; 0,80 ili iznad, zasluno; 0,70 ili iznad, srednje; 0,60
ili iznad, osrednje; 0,50 ili iznad, loe; a ispod 0,50, neprihvatljivo. MSA se poveava kako (1) se
poveava veliina uzorka, (2) se poveavaju prosene korelacije, (3) se poveava broj varijabli ili
(4) opada broj faktora. Iste MSA smernice se mogu proiriti i na individualne varijable.
Istraiva treba prvo da ispita MSA vrednosti za svaku varijablu i da iskljui one koje spadaju u
kategoriju neprihvatljivo. Kada individualne varijable dostignu prihvatljiv nivo, onda se opta
MSA moe evaluirati i doneti odluka o produenju faktorske analize.
Konceptualne pretpostavke koje se nalaze u osnovi faktorske analize, su u vezi sa setom
selektovanih varijabli i odabranim uzorkom. Osnovna pretpostavka faktorske analize je da u setu
selektovanih varijabli postoji neka osnovna struktura. Odgovornost je istraivaa da osigura da
su uoene eme konceptualno validne i adekvatne za prouavanje sa faktorskom analizom, jer
tehnike nemaju drugi nain da determiniu podesnost, osim korelacija meu varijablama. Npr.
meanje zavisnih i nezavisnih varijabli u jednoj faktorskoj analizi i onda korienje izvedenih
faktora da podre odnose zavisnosti, je neprikladno. Istraiva mora takoe da osigura da je
uzorak homogen u pogledu osnovne faktorske strukture. Neprikladno je da se primeni faktorska
analiza na uzorak mukaraca i ena, za set stavki za koje se zna da se razlikuju zbog pola. Kada
11
Faktorska analiza
se kombinuju dva poduzorka (mukarci i ene), rezultirajue korelacije i faktorska struktura e
biti loa reprezentacija jedinstvene strukture svake grupe. Stoga, kad god se oekuju razliite
grupe u uzorku, treba izvriti odvojene faktorske analize, i treba uporediti rezultate da se
identifikuju razlike koje nisu odraene u rezultatima kombinovanog uzorka.
2.5. Izvodjenje faktora i procenjivanje opteg uklapanja
Kada se varijable specifikuju i korelaciona matrica pripremi, istraiva je spreman da primeni
faktorsku analizu da identifikuje osnovnu strukturu odnosa. Pri tome, moraju se doneti odluke u
vezi (1) metoda ekstrahovanja faktora (faktorska analiza u uem smislu nasuprot komponentnoj
analizi) i (2) broja faktora odabranih da predstavljaju osnovnu strukturu u podacima. Selekcija
metoda ekstrakcije zavisi od cilja istraivaa. 12 Komponentna analiza se koristi kada je cilj da se
sumira veina originalnih informacija (varijansa) u minimalnom broju faktora za svrhe
predvianja. Nasuprot tome, faktorska analiza u uem smislu se koristi primarno da identifikuje
osnovne faktore ili dimenzije koje odraavaju ono to varijable imaju zajedniko. Za oba metoda,
istraiva mora takoe da determinie broj faktora koji e predstavljati set originalnih varijabli.
Na ovu odluku utiu i konceptualna i empirijska pitanja.
Faktorska analiza u uem smislu nasuprot komponentnoj analizi
Istraiva moe da koristi dva osnovna modela da doe do faktorskih reenja. Oni su poznati kao
faktorska analiza u uem smislu i komponentna anliza. Da bi odabrao adekvatan model,
istraiva mora prvo da shvati razliku izmedju tipova varijanse. Za svrhe faktorske analize,
postoje tri tipa ukupne varijanse: (1) zajednika, (2) specifina (takodje poznata i kao
jedinstvena) i (3) varijansa greke. Zajednika varijansa se definie kao ona varijansa u
varijabli, koja je zajednika i za sve ostale varijable u analizi.
Dijagonalna
vrijednost
Varijansa
Ukupna varijansa
Jedinica
Zajednika
Specifina i varijansa greke
Komunalitet
ekstrahovana varijansa
izgubljena varijansa
Slika 5. Tipovi varijanse prenijete u faktorsku matricu
Specifina varijansa je varijansa povezana samo sa specifinom varijablom. Varijansa greke je
varijansa usled nepouzdanosti u procesu prikupljanja podataka, greke merenja ili sluajne
komponente u merenom fenomenu. Komponentna analiza, takoe poznata i kao analiza glavnih
12
Faktorska analiza
komponenti, razmatra ukupnu varijansu i izvodi faktore koji sadre male razmere jedinstvene
varijanse i u nekim sluajevima, varijansu greke. Meutim, prvih nekoliko faktora ne sadre
dovoljno jedinstvene ili varijanse greke da bi iskrivili optu faktorsku strukturu. Specifino, kod
komponentne analize, jedinine vrednosti se unose na dijagonalu korelacione matrice, tako da se
puna varijansa uvodi u faktorsku matricu, kako je prikazano na slici 5. Obratno, kod faktorske
analize u uem smislu, komunaliteti se unose na dijagonalu. Komunaliteti su procene deljene ili
zajednike varijanse, meu varijablama. Faktori koji rezultiraju iz faktorske analize u uem
smislu, se baziraju samo na zajednikoj varijansi.
Oba modela, i faktorske analize u uem smislu i komponentne analize, se iroko koriste. Odabir
jednog modela u odnosu na drugi, se zasniva na dva kriterijuma: (1) ciljevima faktorske analize i
(2) obimu prethodnog znanja o varijansi. Komponentni faktorski model je adekvatan kada je
primarni interes, predvianje ili minimalan broj faktora potreban da se objasni maksimalan deo
varijanse predstavljene u originalnom setu varijabli, i kada ranije znanje sugerie da specfina i
varijansa greke, predstavljaju relativno malu razmeru ukupne varijanse. Suprotno tome, kada je
primarni cilj identifikovanje latentne dimenzije ili konstrukata, predstavljene u originalnim
varijablama, istraiva malo zna o obimu specifine i varijanse greke, i stoga eli da eliminie
ovu varijansu, model zajednikog faktora je najadekvatniji.
Faktorska analiza u uem smislu, sa svojim restriktivnijim pretpostavkama i upotrebom samo
latentnih dimenzija (dijeljena varijansa), se esto smatra da je vie teoretski zasnovana.
Meutim, iako teoretski jaka, faktorska analiza u uem smislu ima nekoliko problema. Prvo, ova
analiza pati od faktorske indeterminacije, to znai da za bilo kog individualnog respondenta,
nekoliko razliitih faktorskih skorova se moe izraunati iz rezultata faktorskog modela. Ne
postoji jedno jedinstveno reenje, kao to se pronalazi u komponentnoj analizi, ali u veini
sluajeva, razlike nisu znatne. Drugo pitanje ukljuuje izraunavanje procenjenih komunaliteta
upotrebljenih za predstavljanje deljene varijanse. Za vee probleme, izraunavanja mogu
iziskivati dosta kompjuterskog vremena i resursa. Takoe, komunaliteti nisu uvek procenljivi, ili
mogu biti nevaei (npr. vrijednosti vee od 1 ili manje od 0), zahtjevajui izbacivanje varijable iz
analize.
Komplikacije faktorske analize u uem smislu su doprinele rasprostranjenoj upotrebi
komponentne analize. Iako i dalje preostaje znatna debata o tome koji faktorski model je
adekvatniji, empirijsko istraivanje je pokazalo sline rezultate u mnogim sluajevima. U veini
aplikacija, i komponentna analiza i faktorska analiza u uem smislu, dolaze do esencijalno
identinih rezultata, ako broj varijabli prelazi 30, ili komunaliteti prelaze 0,60 za veinu varijabli.
Ako se istraiva bavi pretpostavkama komponentne analize, onda faktorsku analizu u uem
smislu takoe treba primjeniti, da se procjeni njena reprezentacija strukture.
Kada je donijeta odluka o faktorskom modelu, istraiva je spreman da ekstrahuje inicijalne
nerotirane faktore. Ispitivanjem nerotirane faktorske matrice, istraiva moe da istrai
mogunosti redukcije podataka za set varijabli, i dobije preliminarnu procjenu broja faktora za
ekstrahovanje. Meutim, finalna determinacija broja faktora mora da saeka, dok se rezultati
rotiraju i faktori interpretiraju.
Kriterijumi za broj faktora za ekstrakciju
Kako odluujemo o broju faktora za ekstrakciju? Kada se faktorie veliki set varijabli, ovaj metod
prvo ekstrahuje kombinacije varijabli koje objanjavaju najvei obim varijanse, i onda produava
na kombinacije koje objanjavaju sve manje i manje obime varijanse. U odluivanju kada
zaustaviti faktorisanje (tj. koliko faktora ekstrahovati), istraiva generalno poinje sa nekim
unapred determinisanim kriterijumom, kao to je procenat varijanse ili kriterijum latentnog
13
Faktorska analiza
korena, da bi se dobio specifian broj faktora za ekstrakciju.13 Nakon to je inicijalno reenje
izvedeno, istraiva izraunava nekoliko dodatnih probnih reenja obino jedan manje faktor
od inicijalnog broja, i dva ili tri faktora vie nego to je inicijalno izvedeno. Onda, na bazi
informacija dobijenih iz probnih analiza, ispituju se faktorske matrice, a najbolja reprezentacija
podataka se koristi kao pomo u determinisanju broja faktora za ekstrakciju. Po analogiji, odabir
broja faktora koje treba interpretirati je nalik fokusiranju mikroskopa. Previsoko ili prenisko
podeavanje, e uiniti nejasnom strukturu koja je oigledna kada je podeavanje ispravno.
Stoga, putem ispitivanja broja razliitih faktorskih struktura izvedenih iz nekoliko probnih
reenja, istraiva moe da ih poredi i suprotstavlja, da bi doao do najbolje reprezentacije
podataka. Tana kvantitativna osnova za odluivanje o broju faktora za ekstrakciju, nije
razvijena. Meutim, trenutno se koriste sledei kriterijumi zaustavljanja, za broj faktora za
ekstrakciju14:
Kriterijum latentnog korijena. Najee koriena tehnika je kriterijum latentnog korena.
Ova tehnika je jednostavna za primenu ili u komponentnoj analizi ili faktorskoj analizi u uem
smislu. Obrazloenje za kriterijum latentnog korena je da bilo koji individualni faktor treba da
objasni varijansu bar jedne varijable, ako ga treba zadrati za interpretaciju. Svaka varijabla
doprinosi vrednost 1, ukupnoj karakteristinoj vrednosti. Stoga, samo se faktori koji imaju
latentne korene ili karakteristine vrednosti vee od 1, smatraju znaajnim; svi faktori sa
latentnim korenima manjim od 1, se smatraju neznaajnim i oni se izostavljaju. Korienje
karakteristine vrednosti za utvrdjivanje prekida (granine vrednosti), je najpouzdanije kada je
broj varijabli izmedju 20 i 50. Ako je broj varijabli manji od 20, postoji tendencija da ovaj metod
ekstrahuje konzervativan broj faktora (premalo); dok, ako je ukljueno vie od 50 varijabli, nije
neuobiajeno da se ekstrahuje previe faktora.
A priori kriterijum. A priori kriterijum je jednostavan a ipak razuman kriterijum pod
izvesnim okolnostima. Kada ga primenjuje, istraiva ve zna koliko faktora da ekstrahuje, pre
preduzimanja faktorske analize. Istraiva jednostavno daje instrukcije kompjuteru da zaustavi
analizu kada se ekstrahuje eljeni broj faktora. Ovaj pristup je koristan kada se testira teorija ili
hipoteza o broju faktora koje treba ekstrahovati. On takoe moe biti opravdan u pokuaju
repliciranja rada drugog istraivaa, i ekstrahovanja istog broja faktora koji je prethodno
pronaen.
Kriterijum procenta varijanse. Kriterijum procenta varijanse je pristup baziran na
ostvarenju specifikovanog kumulativnog procenta ukupne varijanse, ekstrahovane uzastopnim
faktorima. Svrha je osigurati praktinu znaajnost za izvedene faktore, putem obezbeenja da oni
objanjavaju bar specifikovani obim varijanse. Nije usvojen apsolutni prag za sve aplikacije.
Medjutim, u prirodnim naukama, proceduru faktorisanja obino ne treba zaustavljati dok
ekstrahovani faktori ne objasne bar 95% varijanse, ili dok poslednji faktor ne objasni samo mali
deo (manje od 5%). Suprotno tome, u drutvenim naukama, gde su informacije esto manje
precizne, nije neuobiajeno da se reenje koje objanjava 60% ukupne varijanse (a u nekim
sluajevima ak i manje), smatra zadovoljavajuim.15
Jedna varijanta ovog kriterijuma ukljuuje odabir dovoljno faktora da se ostvari unapred
specifikovani komunalitet za svaku od varijabli. Ako teoretski ili praktini razlozi zahtevaju
izvesni komunalitet za svaku varijablu, onda e istraivanje ukljuiti onoliko faktora koliko je
potrebno za adekvatno reprezentovanje svake od originalnih varijabli. Ovo se razlikuje od
fokusiranja na samo ukupan obim objanjene varijanse, to zanemaruje stepen objanjenja za
individualne varijable.
14
Faktorska analiza
Kriterijum skri (scree) testa. Kod faktorskog modela komponentne analize, kasniji
ekstrahovani faktori sadre i zajedniku i jedinstvenu varijansu. Iako svi faktori sadre bar neku
jedinstvenu varijansu, srazmera jedinstvene varijanse je znatno via u kasnijim nego u ranijim
faktorima. Scree test se koristi da identifikuje optimalni broj faktora koji se mogu ekstrahovati
pre no to obim jedinstvene varijanse pone da dominira strukturom zajednike varijanse. Scree
test se izvodi putem ucrtavanja latentnih korena, u odnosu na broj faktora po njihovom
redosledu ekstrakcije, a oblik rezultirajue krive se koristi za evaluaciju take prekida (granine
vrednosti). Slika 6. ucrtava prvih 18 faktora ekstrahovanih u studiji od strane svih autora.
Poevi sa prvim faktorom, dijagram u poetku ima strmi silazni nagib, a onda polako postaje
priblino horizontalna linija. Za taku u kojoj kriva prvo poinje da se ispravlja, se smatra da
indicira maksimalan broj faktora za ekstrakciju. U sadanjem sluaju, prvih 10 faktora bi se
kvalifikovalo. Preko 10, bila bi ukljuena prevelika srazmera jedinstvene varijanse; stoga, ovi
faktori ne bi bili prihvatljivi. Opaamo da u upotrebi kriterijuma latentnog korena, samo osam
faktora bi bilo razmotreno. Nasuprot tome, upotreba scree testa nam obezbedjuje jo dva faktora.
Kao opte pravilo, scree test rezultira u tome da se za ukljuenje razmatra bar jedan, a ponekad i
dva ili tri vie faktora, nego kod kriterijuma latentnog korijena.
Slika 6. Dijagram karakteristine vrijednosti za kriterijum scree testa
x-osa broj faktora

y-osa latentni korijen (karakteristina vrijednost)
Heterogenost respondenata. Dijeljena varijansa meu varijablama je osnova i za
komponentne faktorske modele i one sa zajednikim faktorom. Osnovna pretpostavka je da se
deljena varijansa protee preko itavog uzorka. Ako je uzorak heterogen u pogledu bar jednog
podskupa varijabli, onda e prvi faktori predstavljati one varijable koje su homogenije preko
itavog uzorka. Varijable koje su bolji diskriminatori izmeu podgrupa uzorka, e opteretiti
kasnije faktore, mnogo puta one koji nisu odabrani pomou kriterijuma o kojima je gore
diskutovano. Kada je cilj identifikovati faktore koji vre diskriminaciju meu podgrupama
uzorka, istraiva treba da ekstrahuje dodatne faktore preko onih indiciranih od strane metoda
gore navedenih, i da ispita sposobnost tih dodatnih faktora. Ako se oni pokau kao manje korisni
u diskriminaciji, rjeenje moe ponovo da se pregleda, a ovi kasniji faktori eliminiu.
Rezime kriterijuma za selekciju faktora. U praksi, veina istraivaa retko koristi samo
jedan kriterijum u determinisanju koliko faktora da ekstrahuje. Umesto toga, oni inicijalno
koriste kirterijum kao to je latentni koren, kao smernicu za prvi pokuaj u interpretaciji. Nakon
to se faktori interpretiraju, procenjuje se praktinost faktora. Takoe se interpretiraju faktori
identifikovani pomou drugih kriterijuma. Odabir broja faktora je meupovezan sa procenom
15
Faktorska analiza
strukture, koja se otkriva u fazi interpretacije. Stoga, nekoliko faktorskih rjeenja sa razliitim
brojem faktora se ispituje prije no to je struktura dobro definisana.
Jedno upozorenje pri selekciji finalnog seta faktora: Postoje negativne posljedice, ako se odabere
previe ili premalo faktora da predstavljaju podatke. Ako se koristi premalo faktora, onda nije
otkrivena ispravna struktura i vane dimenzije mogu biti izostavljene. Ako se zadri previe
faktora, onda interpretacija postaje tea kada se rezultati rotiraju Iako su faktori nezavisni,
moete lako imati previe kao i premalo faktora. Kao i sa ostalim aspektima multivarijantnih
modela, krtost je vana. Znaajan izuzetak je kada se faktorska analiza koristi striktno za
redukciju podataka, a nivo varijanse seta za ekstrakciju je specifikovan. Istraiva treba uvek da
tei da ima to je mogue reprezentativniji i krtiji set faktora.
2.6. Interpretiranje faktora
Interpretacija faktora i selekcija finalnog faktorskog reenja ukljuuje tri koraka. Prvo,
izraunava se inicijalna nerotirana faktorska matrica, da pomogne u dobijanju preliminarne
indikacije broja faktora za ekstrakciju. Faktorska matrica sadri faktorska optereenja (videti
diskusiju u sledeem pasusu) za svaku varijablu na svakom faktoru. U izraunavanju nerotirane
faktorske matrice, istraiva je jednostavno zainteresovan za najbolju linearnu kombinaciju
varijabli najbolju u smislu da odredjena kombinacija originalnih varijabli objanjava vei deo
varijanse u podacima kao celini, nego bilo koja druga linearna kombinacija varijabli. 16 Stoga,
prvi faktor se moe posmatrati kao jedan najbolji rezime linearnih odnosa prikazanih u
podacima. Drugi faktor se definie kao druga najbolja linearna kombinacija varijabli, zavisan od
ogranienja da je ortogonalan u odnosu na prvi faktor. Da bi bio ortogonalan prema prvom
faktoru, drugi faktor se mora ivzesti iz varijanse koja preostaje nakon to je prvi faktor
ekstrahovan. Stoga, drugi faktor se moe definisati kao linearna kombinacija varijabli koja
objanjava najvei deo rezidualne varijanse, nakon to je efekat prvog faktora uklonjen iz
podataka. Sljedei faktori se definiu slino, sve dok se sva varijansa u podacima ne iscrpi.
Nerotirana faktorska reenja ostvaruju cilj redukcije podataka, ali istraiva mora da postavi
pitanje da li e nerotirano faktorsko reenje (koje ispunjava eljene matematike zahteve) pruiti
informacije koje nude najadekvatniju interpretaciju varijabli koje se ispituju. U veini sluajeva,
odgovor na ovo pitanje je, ne. Faktorsko optereenje je nain interpretiranja uloge koju svaka
varijabla igra u definisanju svakog faktora. Faktorska optereenja su korelacija svake varijable i
faktora. Optereenja indiciraju stepen korespondentnosti izmedju varijable i faktora, gde vea
optereenja ine varijablu reprezentom faktora. Nerotirano faktorsko reenje ne moe da
obezbjedi znaajnu emu optereenja varijable. Ako se oekuje da nerotirani faktori budu
znaajni, korisnik moe specifikovati da se ne obavi rotacija. Generalno, rotacija e biti poeljna
jer ona simplifikuje faktorsku strukturu, i obino je teko determinisati da li e nerotirani faktori
biti znaajni. Stoga drugi korak koristi rotacioni metod, da ostvari jednostavnija i teoretski
znaajnija faktorska reenja. U veini sluajeva, rotacija faktora poboljava interpretaciju putem
redukovanja nekih dvosmislenosti koje esto prate inicijalna nerotirana faktorska reenja.
U treem koraku, istraiva procenjuje potrebu da respecifikuje faktorski model zbog 17: (1)
brisanja varijable (varijabli) iz analize, (2) elje da se koristi drugaiji rotacioni metod za
interpretaciju, (3) potrebe da se ekastrahuje drugaiji broj faktora, ili (4) elje da se predje sa
jednog metoda ekstrakcije, na drugi. Respecifikacija faktorskog modela se ostvaruje vraanjem
na fazu ekstrakcije, ekstrakcijom faktora i njihovom ponovnom intepretacijom.
16
Faktorska analiza
Rotacija faktora
Vaan alat u interpretaciji faktora je faktorska rotacija. Pojam rotacija znai upravo ono to i
implicira. Specifino, referentne ose faktora se okreu oko koordinatnog poetka, dok se ne
postigne neka druga pozicija. Kao to je indicirano ranije, nerotirana faktorska reenja
ekstrahuju faktore po redosledu njihove vanosti. Prvi faktor je opti faktor, gde skoro svaka
varijabla optereuje znaajno, i on objanjava najvei obim varijanse. Drugi i naredni faktori se
onda baziraju na rezidualnom obimu varijanse. Svaki objanjava sukcesivno manje delove
varijanse. Krajnji efekat rotiranja faktorske matrice, je da se redistribuira varijansa sa ranijih
faktora na kasnije faktore, da bi se ostvarila jednostavnija, teoretski znaajnija, faktorska ema.
Najjednostavniji sluaj rotacije je ortogonalna rotacija, u kojoj se ose odravaju na 90 stepeni.
Takodje je mogue rotirati ose, a ne zadrati ugao od 90 stepeni izmedju referentnih osa. 18 Kada
nije ograniena na to da bude ortogonalna, rotaciona procedura se zove kosa rotacija.
Metode ortogonalne rotacije. U praksi, cilj svih metoda rotacije je da se simplifikuju kolone i
redovi faktorske matrice, da bi se olakala interpretacija. U faktorskoj matrici, kolone
predstavljaju faktore, gde svaki red korespondira sa optereenjem varijable medju faktorima.
Pod simplifikovanjem redova, podrazumevamo da se to vie vrednosti u svakom redu, to vie
priblii nuli (tj. maksimiranje optereenja varijable na jednom faktoru). Pod simplifikovanjem
kolona, podrazumevamo da se to vie vrijednosti u svakoj koloni, to vie priblii nuli (tj. to je
mogue vie smanjiti broj visokih optereenja). Razvijena su tri glavna ortogonalna pristupa19:
Kriterijumi za znaajnost faktorskih optereenja
U interpretiranju faktora, mora se doneti odluka u vezi toga koja faktorska optereenja su
vredna razmatranja. Sledea diskusija detaljno opisuje pitanja u vezi praktine i statistike
znaajnosti, kao i broja varijabli, koja utiu na interpretaciju faktorskih optereenja.
Obezbjeivanje praktine znaajnosti. Prva sugestija se ne bazira na nekoj matematikoj
propoziciji, ve je vie u vezi sa sa praktinom znaajnou. To je opte naelo koje se esto
koristi, kao nain vrenja preliminarnog ispitivanja faktorske matrice. Ukratko, za faktorska
optereenja vea od 0,30 se smatra da zadovoljavaju minimalni nivo, optereenja od 0,40 se
smatraju vanijima, a ako su optereenja 0,50 ili vea, smatraju se praktino znaajnima. to
je vea apsolutna veliina faktorskog optereenja, to je vanije to optereenje u interpretaciji
faktorske matrice. Poto je faktorsko optereenje korelacija varijable i faktora, kvadrirano
optereenje je obim ukupne varijanse varijable, koji taj faktor objanjava. Stoga, optereenje od
0,30 se prevodi priblino u objanjenje od 10%, a optereenje od 0,50 oznaava da faktor
objanjava 25% varijanse. Optereenje mora da predje 0,70 da bi faktor objasnio 50% varijanse.
Istraiva treba da shvati da ekstremno visoka optereenja (0,80 i vea) nisu tipina, i da je
praktina znaajnost optereenja, vaan kriterijum. Ove smernice su primenljive kada je veliina
uzorka 100 ili vie. Naglasak u ovom pristupu je praktina, a ne statistika, znaajnost.
Procjenjivanje statistike znaajnosti. Kao to je ranije istaknuto, faktorsko optereenje
predstavlja korelaciju izmedju originalne varijable i njenog faktora. U determinisanju nivoa
znaajnosti za interpretaciju optereenja, mogao bi se koristiti pristup slian determinisanju
statistike znaajnosti koeficijenata korelacije. Meutim, istraivanje je demonstriralo da
faktorska optereenja imaju znatno vee standardne greke nego tipine korelacije; stoga,
faktorska optereenja treba evaluirati na znatno stroijim nivoima. Istraiva moe da koristi
koncept statistike moi, da specifikuje faktorska optereenja koja se smatraju znaajnima za
17
Faktorska analiza
razliite veliine uzorka. Sa navedenim ciljem dobijanja nivoa moi od 80%, upotrebom nivoa
znaajnosti od 0,05 i predloenim poveanjem standardnih greaka faktorskih optereenja,
Tabela 2. sadri veliine uzorka potrebne da se vrednost optereenja svakog faktora, smatra
znaajnom. Npr. u uzorku od 100 respondenata, faktorska optereenja od 0,55 i iznad, su
znaajna. Meutim, u uzorku od 50, za znaajnost se zahteva faktorsko optereenje od 0,75. U
poreenju sa ranijim optim naelom, koje je oznailo da sva optereenja od 0,30 imaju
praktinu znaajnost, ovaj pristup bi smatrao optereenja od 0,30 znaajnim, samo za uzorke
veliina 350 ili vee. Ovo su prilino konzervativne smernice kada se porede sa smernicama
prethodnog odeljka ili ak statistikim nivoima povezanim sa konvencionalnim koeficijentima
korelacije. Stoga ove smernice treba upotrebiti kao polazite u interpretaciji faktorskog
optereenja, gde se nia optereenja smatraju znaajnim i dodaju interpretaciji na bazi drugih
razmatranja. Sledei odeljak detaljno opisuje proces interpretacije, i ulogu koju mogu igrati
ostala razmatranja.
Tabela 2. Smjernice za identifikovanje znaajnih faktorskih optereenja, na bazi veliine uzorka
Veliina uzorka potrebna za znaajnosta
350
250
200
150
120
100
85
70
60
50
Faktorsko optereenje
0,30
0,35
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
a
Znaajnost se bazira na nivou znaajnosti 0,05 (), nivou moi od 80%, i standardnim grekama za koje se
pretpostavlja da su dva puta vee od onih kod konvecionalnih koeficijenata korelacije.
Usklaenja bazirana na broju varijabli. Mana oba ranija pristupa je da se ne razmatraju

broj varijabli koje se analiziraju i specifini faktor koji se ispituje. Pokazano je da kako se
istraiva kree od prvog faktora do kasnijih faktora, prihvatljiv nivo da bi se optereenje ocenilo
kao znaajno, treba poveati. injenica da jedinstvena varijansa i varijansa greke poinju da se
pojavljuju u kasnijim faktorima, znai da treba ukljuiti neka uskladjenja na gore, nivoa
znaajnosti. Broj varijabli koje se analiziraju je takodje vaan u odluivanju koja optereenja su
znaajna. Kako se poveava broj analiziranih varijabli, prihvatljiv nivo da bi se optereenje
smatralo znaajnim, opada. Usklaenje za broj varijabli je sve vanije, kako se pomeramo od
prvog ekstrahovanog faktora ka kasnijim faktorima.
Da bi sumirali kriterijume za znaajnost faktorskih optereenja, mogu se navesti sledee
smjernice: (1) to je uzorak vei, manje je optereenje koje e se smatrati znaajnim; (2) to je
vei broj varijabli koje se analiziraju, manje je optereenje koje e se smatrati znaajnim; (3) to
je vei broj faktora, vea je veliina optereenja na kasnijim faktorima, koja e se smatrati
znaajnim za interpretaciju.
Interpretiranje faktorske matrice
18
Faktorska analiza
Interpretiranje kompleksnih medjuodnosa predstavljenih u faktorskoj matrici, nije jednostavno.
Meutim, pratei proceduru skiciranu u narednim pasusima, znatno se moe pojednostaviti
procedura faktorske interpretacije.
Ispitati faktorsku matricu optereenja. Svaka kolona brojeva u faktorskoj matrici,
predstavlja odvojeni faktor. Kolone brojeva su faktorska optereenja za svaku varijablu na
svakom faktoru. Za svrhe indentifikacije, kompjuterski printout obino identifikuje faktore sa
leva na desno pomou brojeva 1, 2, 3, 4, itd. On takoe identifikuje varijable prema broju od vrha
ka dnu. Da bi dalje olakao interpretaciju, istraiva treba da napie ime svake varijable na levoj
margini pored brojeva varijabli.
Ako se koristi kosa rotacija, obezbjeene su dvije faktorske matrice optereenja20. Prva je matrica
faktorskog sklopa, koja ima optereenja koja predstavljaju jedinstven doprinos svake varijable
faktoru. Druga je matrica faktorske strukture, koja ima proste korelacije izmeu varijabli i
faktora, ali ova optereenja sadre i jedinstvenu varijansu izmeu varijabli i faktora, i korelaciju
meu faktorima. Kako se korelacija meu faktorima poveava, postaje tee razlikovati koje
varijable vre jedinstveno optereenje na svakom faktoru u matrici faktorske strukture. Veina
istraivaa prijavljuje rezultate matrice faktorskog sklopa.
Identifikovati najvie optereenje za svaku varijablu. Interpretacija treba da zapone sa
prvom varijablom na prvom faktoru i da se kree horizontalno sa leva na desno, traei najvie
optereenje za tu varijablu na bilo kom faktoru. Kada se identifikuje najvie optereenje (najvee
apsolutno faktorsko optereenje), treba ga podvui (naglasiti) ako je znaajno. Onda se panja
fokusira na drugu varijablu, i ponovo se kree horizontalno sa leva na desno, trai se najvie
optereenje za tu varijablu na bilo kom faktoru, i podvlai se. Ovu proceduru treba nastaviti za
svaku varijablu, sve dok se ne podvuku sve varijable, za njihovo najvie optereenje na faktoru.
Prisetimo se da za uzorak manji od 100, najnie faktorsko optereenje koje treba smatrati
znaajnim, bi u veini sluajeva bilo 0,30.
Proces podvlaenja samo jednog najvieg optereenja kao znaajnog za svaku varijablu,
je ideal kome treba teiti, ali se on retko moe ostvariti. Kada svaka varijabla ima samo jedno
optereenje na jednom faktoru koje se smatra znaajnim, interpretacija znaenja svakog faktora
je znatno simplifikovana. Meutim, u praksi mnoge varijable mogu imati nekoliko optereenja
umerene veliine, od kojih su sva znaajna, i onda je interpretiranje faktora mnogo tee. Tekoa
nastaje jer varijabla sa nekoliko znaajnih optereenja se mora razmotriti u interpretiranju
(obeleavanju) svih faktora na kojima ona ima znaajno optereenje. Veina faktorskih reenja
ne rezultira u reenju jednostavne strukture (jedno visoko optereenje za svaku varijablu na
samo jednom faktoru). Stoga e istraiva nakon podvlaenja najvieg optereenja za varijablu,
nastaviti da evaluira faktorsku matricu, podvlaei sva znaajna optereenja za varijablu na svim
faktorima. Na kraju, cilj je minimizirati broj znaajnih optereenja na svakom redu faktorske
matrice (tj. povezati svaku varijablu samo sa jednim faktorom). Varijabla sa nekoliko visokih
optereenja je kandidat za izbacivanje (brisanje).
Procijeniti komunalitete varijabli. Kada su sve varijable podvuene na svojim
odgovarajuim faktorima, istraiva treba da ispita faktorsku matricu da identifikuje varijable
koje nisu podvuene, i stoga ne vre optereenje ni na kom faktoru. Obezbeuju se komunaliteti
za svaku varijablu, predstavljajui obim varijanse koji je objanjen pomou faktorskog reenja za
svaku varijablu. Istraiva treba da posmatra komunalitet svake varijable, da bi procenio da li on
zadovoljava prihvatljive nivoe objanjenja. Npr. istraiva moe da specifikuje da se bar polovina
varijanse svake varijable, mora uzeti u obzir. Koristei ovu smernicu, istraiva bi identifikovao
da sve varijable sa komunalitetima manjim od 0,50, nemaju dovoljno objanjenje.
Ako postoje varijable koje ne vre optereenje ni na jednom faktoru ili iji se komunaliteti
smatraju previe niskim, raspoloive su dve opcije21: (1) interpretirati reenje onako kako jeste i
20 http://www.mediamarketing/istrazivanje%faktorskaanaliza.com[Pristupljeno: 12. 05. 2013. ]
19
Faktorska analiza
jednostavno ignorisati te varijable, ili (2) evaluirati svaku od tih varijabli za mogue brisanje.
Ignorisanje varijabli moe biti podesno ako je cilj samo redukcija podataka, ali istraiva ipak
mora da primeti da su dotine varijable loe predstavljene u faktorskom reenju. Razmatranje
brisanja, treba da zavisi od opteg doprinosa te varijable istraivanju, kao i od njenog indeksa
komunaliteta. Ako je ta varijabla od minorne vanosti za cilj studije ili ima neprihvatljivu
vrednost komunaliteta, ona se moe eliminisati i onda faktorski model respecifikovati,
izvoenjem novog faktorskog reenja gde su ove varijable eliminisane.
Oznaiti faktore. Kada je dobijeno faktorsko reenje u kome sve varijable imaju
znaajno optereenje na faktoru, istraiva pokuava da dodeli izvesno znaenje emi (sklopu)
faktorskih optereenja. Varijable sa viim optereenjima se smatraju vanijima, i imaju vei
uticaj na ime ili oznaku koja je odabrana da predstavlja faktor. Stoga e istraiva ispitati sve
podvuene varijable za odreeni faktor, i stavljajui vei naglasak na one varijable sa viim
optereenjima, pokuae da dodeli ime ili oznaku faktoru koji tano odraava varijable koje vre
optereenje na tom faktoru. Znaci se intereptiraju kao i kod bilo kojih drugih korelacionih
koeficijenata. Na svakom faktoru, slini znaci oznaavaju da su varijable pozitivno povezane, a
suprotni znaci oznaavaju da su varijable negativno povezane. U ortogonalnim reenjima,
faktori su nezavisni jedan u odnosu na drugi. Stoga, znaci za faktorsko optereenje se odnose
samo na faktor na kom se pojavljuju, ne na ostale faktore u reenju.
Ovu oznaku ne izvodi niti dodeljuje kompjuterski program za faktorsku analizu; oznaku
intuitivno razvija istraiva, na osnovu njene podesnosti za predstavljanje osnovnih dimenzija
odreenog faktora. Ova procedura se sledi za svaki ekstrahovani faktor. Finalni rezultat e biti
ime ili oznaka koja predstavlja svaki od izvedenih faktora, to je tanije mogue.
U nekim sluajevima, nije mogue dodeliti ime svakom faktoru. Kada se naidje na ovakvu
situaciju, istraiva moe eleti da oznai odredjeni faktor ili faktore izvedene tim reenjem, kao
nedefinisane.22 U takvim sluajevima, istraiva interpretira samo one faktore koji su znaajni
i izostavlja nedefinisane ili one manje znaajne. Meutim, u opisivanju faktorskog reenja,
istraiva indicira da su ti faktori bili izvedeni, ali su neodredljivi i da su interpretirani samo oni
faktori koji predstavljaju znaajne odnose.
Kao to je diskutovano ranije, odabiri specifinog broja faktora i rotacionog metoda, su
meupovezani. Moe se izvriti nekoliko dodatnih probnih rotacija, i razmatrajui inicijalni
kriterijum i poredei faktorske interpretacije za nekoliko razliitih probnih rotacija, istraiva
moe odabrati broj faktora za ekstrakciju. Ukratko, sposobnost dodeljivanja izvesnog znaenja
faktorima, ili interpretiranja prirode varijabli, postaje ekstremno vano razmatranje u
determinisanju broja faktora za ekstrakciju.
2.7. Validacija faktorske analize
esta faza ukljuuje procenu stepena uoptljivosti rezultata za populaciju i potencijalni uticaj
individualnih sluajeva ili respondenata na opte rezultate. Pitanje uoptljivosti je kritino za
svaki od multivarijantnih metoda, ali je naroito relevantno za metode meuzavisnosti, jer oni
opisuju strukturu podataka koja treba da predstavlja i populaciju. Najdirektniji metod validacije
rezultata je da se pree na konfirmatornu perspektivu, i proceni replikabilnost rezultata, ili sa
(podeljenim) split uzorkom u originalnom setu podataka ili sa odvojenim uzorkom.
Jo jedan aspekat uoptljivosti je stabilnost rezultata faktorskog modela. Faktorska stabilnost je
pre svega zavisna od veliine uzorka i broja sluajeva po varijabli. Istraiva se uvek podstie da
dodje do najveeg mogueg uzorka i razvije krte modele, da bi poveao racio sluajeva prema
varijablama. Ako to dozvoljava veliina uzorka, istraiva moe eleti da nasumino podeli

20
Faktorska analiza
uzorak na dva podskupa i proceni faktorske modele za svaki podskup. Poreenje dve
rezultirajue faktorske matrice e pruiti procenu robustnosti reenja irom uzorka.23
Pored uoptljivosti, jo jedno pitanje koje je vano za validaciju faktorske analize, je detekcija
uticajnih opservacija. Istraiva se podstie da proceni model sa i bez opservacija koje su
identifikovane kao autlejeri, da bi procenio njihov uticaj na rezultate. Ako je izostavljanje
autlejera opravdano, rezultati treba da imaju veu uoptljivost. Takoe, nekoliko mera uticaja
koje odraavaju poziciju jedne opservacije u odnosu na sve druge (npr. racio kovarijanse), je
takoe primenljivo na faktorsku analizu. Konano, predloeni su metodi za identifikovanje
uticajnih opservacija specifinih za faktorsku analizu, ali kompleksnost limitira primenu ovih
metoda.
2.8. Dodatne upotrebe rezultata faktorske analize

U zavisnosti od ciljeva primene faktorske analize, istraiva moe da prestane sa faktorskom
interpretacijom ili daljim uestvovanjem u jednom od metoda za redukciju podataka. Ako je cilj
jednostavno identifikovati logine kombinacije varijabli i bolje shvatiti meuodnose meu
varijablama, onda e faktorska intepretacija biti dovoljna. To obezbeuje empirijsku osnovu za
ocenu strukture varijabli i uticaja ove strukture kada se intepretiraju rezultati iz drugih
multivarijacionih tehnika. Meutim, ako je cilj identifikovati podesne varijable za narednu
primenu na druge statistike tehnike, onda e se koristiti neki oblik redukcije podataka. Opcije
ukljuuju24: (1) ispitivanje faktorske matrice i selekciju varijable sa najviim faktorskim
optereenjem, kao surogat predstavnika za odredjenu faktorsku dimenziju, ili (2) zamjenu
originalnog seta varijabli, potpuno novim, manjim setom varijabli, kreiranim ili iz sumiranih
skala ili faktorskih skorova. Bilo koja od ovih opcija e obezbjediti nove varijable za upotrebu,
npr. kao nezavisne varijable u regresionoj ili diskriminacionoj analizi, kao zavisne varijable u
multivarijantnoj analizi varijanse, ili ak kao klastering varijable u klaster analizi.
Selekcija surogat varijabli za narednu analizu
Ako je istraivaev cilj jednostavno identifikovati podesne varijable za narednu aplikaciju sa
ostalim statistikim tehnikama, istraiva ima opciju ispitivanja faktorske matrice i selekcije
varijable sa najviim faktorskim optereenjem na svakom faktoru, koja deluje kao surogat
varijabla koja je predstavnik tog faktora. Ovo je jednostavan i direktan pristup samo kada jedna
varijabla ima faktorsko optereenje koje je znatno vie od svih ostalih faktorskih optereenja.
Meutim, u mnogim sluajevima proces selekcije je tei, jer dve ili vie varijabli imaju
optereenja koja su znaajna i prilino blizu jedna drugima. Ovakvi sluajevi zahtevaju kritiko
ispitivanje faktorskih optereenja priblino iste veliine, i selekciju samo jednog kao predstavnika
odreene dimenzije. Ova odluka treba da se zasniva na istraivaevom a priori poznavanju
teorije, koje moe da sugerie da bi jedna varijabla vie od drugih, bila logino predstavnik te
dimenzije. Takoe, istraiva moe posedovati znanje koje sugerie da je varijabla sa
optereenjem neto niim, zapravo pouzdanija od varijable sa najviim optereenjem. U ovakvim
sluajevima, istraiva moe odabrati varijablu koja optereuje neto nie, kao najbolju varijablu
za predstavljanje odredjenog faktora.
Pristup odabira jedne surogat varijable, kao predstavnika faktora iako jednostavan i zadrava
originalne varijable ima nekoliko potencijalnih mana. Prvo, on se ne bavi pitanjem mjerenja
21
Faktorska analiza
greke koje se susree kada se koriste pojedinane mere i takoe se izlae riziku od potencijalno
obmanljivih rezultata, birajui samo jednu varijablu da predstavlja moda kompleksniji rezultat.
Npr. pretpostavimo da je otkriveno da varijable koje predstavljaju cenovnu konkurentnost,
kvalitet proizvoda i vrijednost, visoko optereuju na jednom faktoru. Selekcija bilo koje od ovih
odvojenih varijabli, bi kreirala znaajno razliite interpretacije u svakoj narednoj analizi, a ipak
sve tri mogu biti tako blisko povezane da zaista iskljuuju takvo dejstvo. Drugo,u sluajevima gde
nekoliko visokih optereenja komplikuje odabir jedne varijable, istraiva moda nema drugog
izbora osim da koristi faktorsku analizu kao osnovu za kalkulaciju sumirane skale ili faktorskih
skorova za upotrebu kao surogat varijable. Cilj je, ba kao u sluaju odabira jedne varijable,
najbolje predstaviti osnovnu prirodu faktora ili komponente.
Kreiranje sumiranih skala
Sve varijable koje vre visoko optereenje na faktoru, se kombinuju i ukupni ili ee prosjean
skor varijabli se koristi kao varijabla zamjene. Sumirana skala prua dve specifine koristi.
Prvo, ona prua nain da se u izvesnoj meri savlada greka merenja, inherentna u svim merenim
varijablama. Greka mjerenja je stepen u kom opservirane vrijednosti ne predstavljaju istinske
vrijednosti iz bilo kojih razloga, koji se kreu od stvarnih greaka (npr. greaka pri unosu
podataka) do nesposobnosti pojedinaca da precizno obezbjede informacije.25 Uticaj greke
mjerenja je da djelimino maskira sve odnose (npr. korelacije ili poredjenje grupnih sredina) i
otea procjenu multivarijacionih modela. Sumirana skala redukuje greku merenja putem
korienja viestrukih indikatora (varijabli), da bi se redukovalo oslanjanje na jedan odgovor.
Koristei prosean ili tipian odgovor na set srodnih varijabli, greka merenja koja bi se
mogla javiti u jednom pitanju, e biti redukovana.
Druga korist od sumirane skale je njena sposobnost da predstavlja vie aspekata koncepta u
jednoj mjeri. Mnogo puta koristimo vie varijabli u svojim multivarijacionim modelima, u
pokuaju da predstavimo mnoge aspekte koncepta za koji znamo da je prilino kompleksan.
Ali radei to, mi komplikujemo interpretaciju rezultata zbog suvinosti u ajtemima povezanim sa
konceptom. Stoga eleli bi ne samoda se prilagodimo bogatijim opisima koncepata putem
korienja viestrukih varijabli, ve takodje da odrimo parsimoniju u broju varijabli u naim
multivarijantnim modelima. Sumirana skala, kada se konstruie kako treba, kombinuje
viestruke indikatore u jednu mjeru koja predstavlja ono to se smatra zajednikim u setu
mjera26:
Konceptualna definicija. Polazite za kreiranje bilo koje sumirane skale je njena
konceptualna definicija. Konceptualna definicija specifikuje teoretsku osnovu za sumiranu
skalu, definiui koncept koji je predstavljen u terminima primenljivim na kontekst istraivanja.
U akademskom istraivanju, teoretske definicije se baziraju na ranijem istraivanju koje definie
karakter i prirodu koncepta.27 U menaderskom okruenju, mogu se definisati specifini koncepti
koji se odnose na predloene ciljeve, kao to su imid, vrednost ili satisfakcija. U svakom sluaju,
kreiranje sumirane skale je uvek vodjeno konceptualnom definicijom, koja specifikuje tip i
karakter ajtema koji su kandidati za ukljuenje u skalu.
Sadrajna validnost je procjena korespondentnosti varijabli koje treba ukljuiti u
sumiranu skalu i njene konceptualne definicije. Ova forma validnosti, takodje poznata kao
oigledna ili spoljanja validnost, subjektivno procenjuje korespondentnost izmedju
individualnih ajtema i koncepta putem rejtinga od strane eksperata, pretestova sa viestukim

22
Faktorska analiza
subpopulacijama il drugih sredstava. Cilj je osigurati da selekcija ajtema skale proiri prola
samo empirijska pitanja, da takodje ukljue teoretska i praktina razmatranja.
Dimenzionalnost. Osnovna pretpostavka i esencijalni zahtev za kreiranje sumirane skale
je da su ajtemi unidimenzionalni, to znai da su jako povezani jedan sa drugim, i da
predstavljaju jedinstven koncept. Faktorska analiza igra glavnu ulogu u vrenju empirijske
procene dimenzionalnosti seta ajtema, determinisanjem broja faktora i optereenja svake
varijable na faktoru (faktorima). Test unidimenzionalnosti je da svaka sumirana skala treba da
se sastoji od ajtema koji visoko optereuju na jednom faktoru. Ako je predloeno da sumirana
skala ima viestruke dimenzije, svaku dimenziju treba da odraava odvojeni faktor. Istraiva
moe da proceni unidimenzionalnost ili sa eksploratornom faktorskom analizom, ili
konfirmatornom faktorskom analizom.
Relijabilnost (Pouzdanost). Pouzdanost je procena stepena konzistentnosti izmeu
viestrukih merenja varijable. Jedna forma pouzdanosti je test-retest, pomou kog se meri
konzistentnost izmedju odgovora za pojedinca, u dve take u vremenu. Cilj je osigurati da
odgovori nisu previe razliiti kroz vremenske periode, tako da je merenje izvreno u bilo kojoj
taki u vremenu, pouzdano. Druga i ee koriena mjera pouzdanosti je interna konzistentnost,
koja se primenjuje na konzistentnost meu varijablama u sumiranoj skali. Obrazloenje za
internu konzistentnost je da pojedinani ajtemi ili indikatori skale treba da mere isti konstrukt, i
stoga budu visoko interkorelirani.
Poto nijedan pojedinani ajtem nije savrena mjera koncepta, moramo se oslanjati na seriju
dijagnostikih mera da bi procenili internu konzistentnost. Prvo, postoji nekoliko mera koje se
odnose na svaki odvojeni ajtem, ukljuujui ajtem-total korelaciju (korelacija ajtema prema
skoru sumirane skale) ili inter-ajtem korelacija (korelacija meu ajtemima). Opte naelo
sugerie da korelacije ajtem-total prelaze 0,50 i da inter-ajtem korelacije prelaze 0,30. Drugi tip
dijagnostike mere je koeficijenat pouzdanosti koji procenjuje konzistentnost itave skale, gde je
Cronbach alfa (Kronbah alfa), najire koriena mera. Generalno ugovorena donja granica za
Kronbah alfu je 0,70, iako moe opasti na 0,60 u eksploratornom istraivanju. Jedno pitanje u
proceni Kronbahove alfe je njen pozitivan odnos prema broju ajtema u skali. Zato to e
poveanje broja ajtema, ak i sa istim stepenom interkorelacije, poveati vrednost pouzdanosti,
istraivai moraju nametnuti stroije zahteve za skale sa velikim brojem ajtema. Takoe su
dostupne mere pouzdanosti, izvedene iz konfirmatorne faktorske analize.
Svi glavni statistiki programi sada poseduju module ili programe za procenu pouzdanosti, tako
da je istraivau obezbedjena potpuna analiza i ajtem-specifinih i optih mera pouzdanosti.
Svaku sumiranu skalu treba analizirati za pouzdanost, da bi se osigurala njena podesnost pre no
to se pree na procenju njene validnosti.
Validnost (valjanost). Kada je utvrdjeno da skala28: (1) se pridrava svoje konceptualne
definicije, (2) je unidimenzionalna, i (3) zadovoljava potrebne nivoe pouzdanosti, istraiva mora
da izvri jo jednu finalnu procenu: validnost skale. Validnost je obim u kom skala ili set mera,
tano reprezentuje koncept od interesa. Ve smo diskutovali o jednoj formi validnosti sadrajna
ili spoljanja (oigledna) validnost u diskusiji o koneptualnim definicijama. Ostale forme
validnosti se mere empirjski putem korelacije izmedju teorijski definisanih setova varijabli. Tri
najire prihvaene forme validnosti su konvergentna, diskriminativna i nomoloka validnost.
Konvergentna validnost procenjuje stepen u kom su korelirane dve mere istog koncepta. Ovde
istraiva moe potraiti alaternativne mere koncepta, i onda ih korelirati sa sumiranom skalom.
Visoke korelacije ovde indiciraju da skala meri svoj nameravani koncept. Diskriminativna
validnost je stepen u kom su dva konceptualno slina koncepta, distinktna. Empirijski test je
ponovo korelacija medju merama, ali ovog puta je sumirana skala korelirana sa slinom, ali
konceptualno distinktnom merom. Sada korelacija treba da bude niska, demonstrirajui da je
sumirana skala dovoljno razliita od drugog slinog koncepta. Konano, nomoloka validnost se
23
Faktorska analiza
odnosi na stepen u kom sumirana skala vri tana predvianja u teorijski zasnovanom modelu.
Istraiva mora identifikovati teoretski podrane odnose iz ranijeg istraivanja, ili prihvaene
principe, i onda proceniti da li skala ima korespondirajue odnose. Ukratko, konvergentna
validnost potvruje da je skala korelirana sa drugim poznatim mjerama koncepta,
diskriminativna validnost osigurava da je skala dovoljno razliita od drugih slinih koncepata da
bi bila distinktna, a nomoloka validnost determinie da li skala demonstrira odnose za koje je
pokazano da postoje na bazi teorije i /ili ranijeg istraivanja.
Rezime. Sumirane skale, jedan od skorijih dogadjaja u akademskom istraivanju, se sve
vie primenjuju i u primenjenom i menaderskom istraivanju. Sposobnost sumirane skale da
prikae kompleksne koncepte u jednoj meri, dok redukuje greku merenja, je ini dragocenim
dodatkom u svakoj multivarijacionoj analizi. Faktorska analiza obezbeuje istraivau
empirijsku procenu medjuodnosa varijabli, koja je esencijalna u formiranju konceptualnog i
empirijskog temelja sumirane skale, kroz procenu sadrajne validnosti i dimenzionalnosti skale.
Izraunavanje faktorskih skorova

Trea opcija za kreiranje manjeg seta varijabli koji treba da zameni originalni set, je
izraunavanje faktorskih skorova. Faktorski skorovi su takoe kompozitne mere svakog faktora
izraunate za svaki subjekt.29 Konceptualno, faktorski skor predstavlja stepen u kom svaka
individua ima visok skor u grupi ajtema koji imaju visoka optereenja na faktoru. Stoga, vie
vrednosti na varijablama sa visokim optereenjima na faktoru, e rezultirati u viem faktorskom
skoru. Kljuna karakteristika koja razlikuje faktorski skor od sumirane skale, je da se faktorski
skor izraunava na osnovu faktorskih optereenja svih varijabli na faktoru, dok se sumirana
skala izraunava putem kombinovanja samo selektovanih varijabli. Stoga, iako istraiva moe
da okarakterie faktor pomou varijabli sa najviim optereenjima, moraju se razmotriti i
optereenja drugih varijabli, iako nia, i njihov uticaj na faktorski skor.
Veina statistikih programa moe lako da izrauna faktorske skorove za svakog respondenta.
Selektovanjem opcije faktorskog skora, ovi skorovi se uvaju za upotrebu u narednim analizama.
Mana faktorskih skorova je da se oni ne repliciraju lako kroz studije, jer se baziraju na
faktorskoj matrici, koja se izvodi odvojeno u svakoj studiji. Replikacija iste faktorske matrice
medju studijama, zahteva znatno raunsko programiranje.
Selekcija izmeu tri metoda
Da bi izvrio odabir meu tri opcije redukcije podataka, istraiva mora da donese niz odluka.
Prvi izbor je izmedju toga da se odabere jedna surogat varijabla za svaki faktor ili da se izrauna
kompozitna mera. Pojedinana surogat varijabla ima prednost da je jednostavna za upravljanje i
interpretiranje, ali ima mane jer ne predstavlja sve aspekte faktora, i to je sklona greci
merenja. Ako istraiva eli da koristi neki oblik kompozitne mere, onda se mora izvriti izbor
izmeu faktorskih skorova i sumiranih skala. Oboje imaju prednosti i mane, a ne postoji
oegledan izbor za sve situacije. Faktorski skorovi imaju prednost to predstavljaju kompozit svih
varijabli koje vre optereenje na faktoru, iako je ovo i potencijalna mana zato to sve varijable
imaju izvestan stepen uticaja u izraunavanju faktorskih skorova, i oteavaju interpretaciju.
Sumirana skala je kompromis izmeu opcija surogat varijable i faktorskog skora.30 To je
kompozitna mjera, kao i faktorski skorovi, stoga redukuje greku merenja i predstavlja viestruke
aspekte koncepta. Ipak, slina je pristupu surogat varijable, jer ukljuuje samo varijable koje
24
Faktorska analiza
vre visoko optereenje na faktoru, i iskljuuje one koje imaju mali uticaj. Takoe, njena lakoa
replikacije izmedju uzoraka je slina pristupu surogat varijable. Na kraju, kao i surogat
varijable, sumirane skale nisu neophodno ortogonalne, dok rotirani faktori mogu biti
ortogonalni ili nekorelirani, ako je potrebno da se izbegnu komplikacije u njihovoj upotrebi u
drugim multivarijantnim tehnikama. Pravilo odluivanja bi stoga bilo, da ako se podaci koriste
samo u originalnom uzorku ili se ortogonalnost mora odrati, faktorski skorovi su pogodni. Ako
se eli uoptljivost ili transferabilnost, onda su podesnije sumirane skale ili surogat varijable.
Ako je sumirana skala dobro konstruisan, validan i pouzdan instrument, onda je ona verovatno
najbolja alternativa. Ali ako je sumirana skala netestirana i eksploratorna, sa malo ili bez dokaza
o pouzdanosti ili validnosti, treba razmotriti surogat varijable, ako dodatna analiza nije mogua
da bi se poboljala sumirana skala.
3. Hipotetiki primjer faktorske analize

Pretpostavimo da je jedna maloprodajna firma kroz kvalitativno istraivanje, identifikovala 80
razliitih karakteristika maloprodajnih radnji i njihovih usluga, za koje su potroai pomenuli da
utiu na njihov izbor radnji. Ovaj prodavac na malo eli da razume kako potroai donose
odluke, ali smatra da ne moe da evaluira 80 odvojenih karakteristika ili razvije planove akcije za
ove mnogobrojne varijable, jer su one previe specifine. Umesto toga, on bi eleo da zna da li
potroai razmiljaju u optijim evaluativnim dimenzijama, umesto u specifinim ajtemima. Da
bi identifikovao ove dimenzije, prodavac na malo bi mogao da izvri pregled koji trai evaluaciju
potroaa za svaki od ovih specifinih ajtema. Onda bi se upotrebila faktorska analiza za
identifikovanje osnovnih evaluativnih dimenzija. Pretpostavlja se da su specifini ajtemi koji
visoko koreliraju, lan ire dimenzije. Ove dimenzije postaju kompoziti specifinih varijabli,
to dalje dozvoljava da se dimenzije interpretiraju i opiu. U naem primjeru, faktorska analiza bi
mogla da identifikuje takve dimenzije kao to su asportiman proizvoda, kvalitet proizvoda, cene,
osoblje radnje, usluga, i atmosfera u radnji, kao evaluativne dimenzije koje koriste respondenti.
Svaka od ovih dimenzija sadri specifine ajteme koji su aspekat ire evaluacijske dimenzije. Iz
ovih otkria, maloprodavac onda moe da upotrebi dimenzije (faktore) da definie iroke oblasti
za planiranje i akciju.
Ilustrativan primjer jednostavne aplikacije faktorske analize je prikazan na slici 1., koja
predstavlja korelacionu matricu za devet elemenata imida radnje. 31 U ovaj set su ukljuene mere
ponude proizvoda, osoblja radnje, cenovnih nivoa, i iskustva i usluge u radnji. Pitanje koje
istraiva moe eleti da uputi je : Da li su svi ovi elementi odvojeni u svojim evaluativnim
odlikama, ili se grupiu u neke optije oblasti evaluacije? Npr. Da li se svi elementi proizvoda
grupiu zajedno? Gde se uklapa cenovni nivo, ili je on odvojen? U kakvoj su meusobnoj vezi
odlike u radnji (npr. osoblje radnje, usluga i atmosfera)? Vizuelni pregled originalne korelacione
matrice (slika 1., deo 1), ne otkriva lako neku specifinu emu. Postoje rasute visoke korelacije,
ali grupisanja varijabli nisu oigledna. Primena faktorske analize rezultira u grupisanju varijabli
kao to je prikazano na delu 2 slike 1. Ovde se javljaju neke interesantne eme. Prvo, grupisane
su zajedno etiri varijable, koje su sve u vezi sa iskustvom kupaca u radnji. Dalje, grupisane su
zajedno tri varijable koje opisuju asortiman i dostupnost proizvoda. Na kraju grupisani su
kvalitet proizvoda i cenovni nivoi. Svaka grupa predstavlja set visoko meupovezanih varijabli,
25
Faktorska analiza
koji moe odraavati optiju evaluativnu dimenziju. U ovom sluaju, mogli bi obeleiti tri grupe
varijabli sledeim oznakama: iskustvo u radnji, ponuda proizvoda i vrednost. To bi dalo
menadmentu radnje manji set koncepata za razmatranje, u bilo kom stratekom ili taktikom
marketing planu, a ipak bi prualo uvid u ono to sainjava svaku optu oblast.
Dio 1: Originalna korelaciona matrica

V1
1.000
0,427
V2
V1 Cenovni nivo
V2 Osoblje radnje
V3
V4
V5
V6
V7
V8
V9
V3 Politika reklamacije
0,302
0,771
1.000
V4 Dostupnost proizvoda 0,470
0,497
0,427
1.000
V5 Kvalitet proizvoda
0,765
0,406
0,307
0,472
1.000
V6 Dubina asortimana
0,281
0,445
0,423
0,713
0,325
1.000
V7 irina asortimana
0,354
0,490
0,471
0,719
0,378
0,724
1.000
V8 Usluga u radnji
0,242
0,719
0,733
0,428
0,240
0,311
0,435
1.000
V9 Atmosfera u radnji
0,372
0,737
0,774
0,479
0,326
0,429
0,466
0,710
1000
V1
V5
1.000
Dio 2: Korelaciona matrica varijabli, nakon grupisanja varijabli u faktore

V3
V8
V9
V2
V6
V7
V4
V3 Politika reklamacije
1.000
V8 Usluga u radnji
0,733
1.000
V9 Atmosfera u radnji
0,774
0,710
1.000
V2 Osoblje radnje
0,741
0,719
0,787
1.000
V6 Dubina asortimana
0,423
0,311
0,429
0,445
1.000
V7 irina asortimana
0,471
0,435
0,468
0,490
0,724
1.000
V4 Dostupnost proizvoda 0,427
0,428
0,479
0,497
0,713
0,719
1.000
V1 Cenovni nivo
0,302
0,242
0,372
0,427
0,281
0,354
0,470
1.000
V5 Kvalitet proizvoda
0,307
0,240
0,326
0,406
0,325
0,378
0,472
0,765
1.000
Slika 1. Ilustrativni primer upotrebe faktorske analize za identifikovanje strukture u okviru

grupe varijabli
26
Faktorska analiza
Osenene oblasti predstavljaju varijable grupisane zajedno pomou faktorske analize.
iskustvo kupaca u radnji
ponuda proizvoda
vrijednost
ZAKLJUAK
Multivarijaciona statistika tehnika faktorske analize je prezentovana u optim konceptualnim
terminima. Ukljuene su osnovne smernice za interpretiranje rezultata, da bi se dalje razjasnili
metodoloki koncepti.
Faktorska analiza moe biti vrlo korisna i mona multivarijaciona statistika tehnika za
efektivno ekstrahovanje informacija iz velikih baza podataka, i davanje smisla velikim telima
meupovezanih podataka. Kada dobro funkcionie, ona ukazuje na interesantne odnose koji
moda ne bi bili oigledni iz ispitivanja samo sirovih podataka ili ak korelacione matrice.
Faktorska analiza ima sposobnost da identifikuje setove srodnih varijabli i ak razvije jednu
kompozitnu meru da predstavlja itav set srodnih varijabli. To nudi istraivau moan alat u
ostvarenju boljeg razumevanja strukture podataka, i nain da simplifikuje ostale analize velikog
seta varijabli putem korienja zamenskih kompozitnih varijabli. Potencijalne primene faktorsko
analitikih tehnika na reavanje problema i odluivanje u poslovnom istraivanju, su brojne.
Upotreba ovih tehnika e nastaviti da se proiruje, kako istraivai budu sve upoznatiji sa
koristima od sumarizacije podataka i redukcije podataka.
Faktorska analiza je mnogo kompleksnija i obuhvatnija tema, nego to se moe indicirati ovim
kratkim izlaganjem. Tri najee navoena ogranienja su sledea: prvo, postoje mnoge tehnike
za vrenje faktorskih analiza, i postoji kontroverza oko toga koja tehnika je najbolja. Drugo,
subjektivni aspekti faktorske analize (tj. odluivanje koliko faktora ekstrahovati, koje tehnike
treba koristiti za rotiranje faktorskih osa, koja faktorska optereenja su znaajna) podleu
mnogim razlikama u miljenjima. Tree, problem pouzdanosti je realan. Kao i svaka druga
statistika procedura, faktorska analiza zapoinje sa setom nesavrenih podataka. Kada se
podaci menjaju zbog promena u uzorku, procesu prikupljanja podataka, ili brojnih vrsta greaka
merenja, takoe se menjaju rezultati analize. Stoga su rezultati bilo koje analize, manje nego
sasvim pouzdani. Ovaj problem je naroito kritian jer rezultati analitikog reenja sa jednim
faktorom, esto deluju verodostojno. Vano je naglasiti da verodostojnost nije garancija
validnosti niti ak stabilnosti.
27
Faktorska analiza
LITERATURA
1. Hair, F., J., Anderson, E., R., Tatham, L., R., Black, C.,W., Multivariate Data Analysis,
Prentice- Hall International, Inc, Fifth Edition
2. Kovai, J., Z., Multivarijaciona analiza, Ekonomski fakultet, Beograd, 1994.
3. ivadinovi, K., N., Utvrivanje osnovnih karakteristika proizvoda primenom
faktorske
analize, Ekonomski pregled 55, Zagreb, 2004.
4. http://www.mysearchresults.com/search?
fi=&s=web&cat=&l=&c=3507&t=07&q=dinami%C4%8Dka+i+stati
5. http://www.mediamarketing/istrazivanje%faktorskaanaliza.com[Pristupljeno: 12. 05.
2013. ]
6. http://www.scribd.com/vojic/d/37203224-Multivarijaciona analiza-Skripta[Pristupljeno:
10. 05. 2013. ]
28

Faktorska Analiza

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Faktorska Analiza

Uploaded by

Copyright:

Available Formats

Faktorska analiza

1. Faktorska analiza - pojam i karakteristike

2. Faze u faktorskoj analizi

3 http://www.scribd.com/vojic/d/37203224-Multivarijaciona analiza-Skripta[Pristupljeno: 10. 05. 2013. ]

Slika 2. Faze 1-3 na dijagramu odluivanja faktorske analize

2.2. Ciljevi faktorske analize

Slika 3. Poreenja skor profila za faktorsku analizu Q-tipa i klaster analizu

Specifina i varijansa greke

x-osa broj faktora

Usklaenja bazirana na broju varijabli. Mana oba ranija pristupa je da se ne razmatraju

22 http://www.mediamarketing/istrazivanje%faktorskaanaliza.com[Pristupljeno: 12. 05. 2013. ]

2.8. Dodatne upotrebe rezultata faktorske analize

25 http://www.mediamarketing/istrazivanje%faktorskaanaliza.com[Pristupljeno: 12. 05. 2013. ]

Izraunavanje faktorskih skorova

3. Hipotetiki primjer faktorske analize

Dio 1: Originalna korelaciona matrica

V4 Dostupnost proizvoda 0,470

Dio 2: Korelaciona matrica varijabli, nakon grupisanja varijabli u faktore

V4 Dostupnost proizvoda 0,427

Slika 1. Ilustrativni primer upotrebe faktorske analize za identifikovanje strukture u okviru

You might also like