Professional Documents
Culture Documents
FAKTORSKA ANALIZA
• Ako označimo sa S nama neki nepoznati sistem, tj. sistem čija je interna
struktura nepoznata (crna kutija) i ako ne možemo prodrijeti u nju, onda je
to moguće ako se na sistem djeluje sa nekim ulaznim stimulusima. Ako
možemo registrovati izlaz iz sistema i ako su ulaz i izlaz iz sistema poznati,
onda se može naći jedno od mogućih rješenja za strukturu sistema i za
njegovo formulisanje.
F SI OI
1
dovoljan uzorak sistema koji pripadaju jednoj klasi sistema, ako te sisteme koji
su u uzorku označima sa SI, i ako je input (ulaz) konstantan za svaki sistem, onda
će izlaz iz sistema, naravno, varirati u funkciji razlika između pojedinih tih
sistema.
• Rješenje nije nikada jedinačno, tj. da je moguće naći više rješenja za strukturu
sistema kojaga proučavamo, a koja sva jednako zadovoljavaju kriterije za
prihvatanje tih rješenja. Tehnika faktorske analize sastoji se u gore navedeno
modelu.
• Ima mnogo mistifikacija u vezi faktorske analize zbog toga što je matematički
aparat faktorske analize dosta upadljiv. Zbog toga što je matematička
tehnologija povezana sa faktorskom analizom; ona je vrlo upadljiva, mnogim
ljudima vrlo složena. Razlog je što se kadkada tom metodom postižu dosta
spektakulurani rezultati.
• Faktorska analiza dobiva jedan renome koji nije baš sasvim u skladu sa njenom
stvarnom vrijednošću. Jedna je vrijednos «crna faktorska analiza», gdje je ona
više posljedica potrebe samopotvrđivanja znanstvenih radnika, negoli stvarna
potreba za tom metodom istraživanja. Jedno vrijeme ova je metoda služila za
potvrđivanje nekih rezultata. Nemoguće je nači znanstvenika koji nisu barem
jednom upotrebljavali faktorsku analizu.
2
Doduše, ima istraživača koji tvrde da postoji i
• Nije teško pokazati kod regresione analize i kod kanoničke analize da se svaka
znanstvena metoda može svesti na faktorski problem faktorske analize.
3
• Povezanost između FENOMENA može da bude:
a) UZROČNO-POSLJEDIČNA POVEZANOST – kada je stanje ili promjena
nekog fenomena UZROK nastajanja nekog drugog fenomena ili određenih
promjena u tom fenomenu.
• Kada jedan UZROK ima VIŠE POSLJEDICA. Npr. djelovanje neke vježbe
(kineziološkog operatora) na dimenzije antropološkog statusa kineziološkog
subjekta.
• Kada jedna POSLJEDICA može nastati zbog uticaja VIŠE UZROKA.Npr. razni
kineziološki operatori za razvoj snage izazivaju razvoj generalnog faktora snage.
4
PRILIKOM RJEŠAVANJA KINEZIOLOŠKIH FENOMENA POMOĆU
OVAKVOG LINEARNOG MODELA MOGUĆE SU DVIJE STRATEGIJE:
5
• Problem se definiše na slijedeći način. Pronađimo neku matricu A koja uz fiksni broj
faktora zadovoljava neki pogodan uvjet, npr. uvjet da je trag od W=1. To znači da je
zbroj varijanci rezidualnih varijabli najmanje moguć. To je dosta slično
regresijskom problemu.
• Tražimo neki A za fiksni broj faktora koga smo nekako odredili. Ali A mora biti
izabran tako da je pogreška što je god moguće manja, jer ako je trag od W najmanje
mogući onda slijede vrlo mali brojevi, pa će pogreške biti vrlo male.
1. Da ta nova varijabla najbolje moguće razlikuje sve objekte koje smo analizirali,
recimo ljude u našam slučaju. Drugim riječima rećeno da imaju najveću
varijancu.
2. Da ta nova varijabla ima sa ovim originalnim varijablama najveće moguće
korelacije.
3. Da suma kvadrata razlika objekata, ljudi ili već šta analiziramo, i te nove
varijable bude najmanje moguća. To jeste da su ljudi najbliži toj varijabli.
• Prema tome, traži se neki vektor, mi ćemo ga nazvati Zx1 koji proizvodi neki
vektor K1, koji sadrži baš takvu varijablu koja ima oslonca. Dakle, Zx1 = K1. bez
obzira koja od ta tri uslova uzeli, ishod je vrlo sličan, ali je nama najlakše ako
uzmemo prvi uvjet, tj. da varijabla predstavlja u vektor K1 nešto što najbolje
razlikuje ljude. Tehnički ga je lahko izvesti. Šta se dešava? Da varijabla jedan
ima najveći mogući skalarni produkt, jer on i tako ima aritmetičku sredini 0, kao
što i varijabla, takođe, ima aritmetičku sredinu 0. Međutim, to su, naravno,
trivijalni postupci. Moramo, uzeti neko ograničenje – da je vektor dugačak 1. X1t
K 1/n
6
2. Da rezultate pretvoriu OBLIK koji više odgovara REALNOSTI, nego oblik koji
je dobijen primjenom metode glavnih komponenata. oba ova cilja su povezana.
U pravilu, što su rezultati bliži REALNOSTI to ih je LAKŠE INTERPRETIRATI,
tj. RAZUMJETI.
• Ovaj CILJ je, u pravilu,ali ne uvijek, povezan sa sa još jednim CILJEM, a taj je
da POUZDANOST REZULTATA nakon TRANSFORMACIJE bude ili VEĆA,
ali ako to nije moguće, bude bar RAVNOMJERNIJE raspoređena po izolovanim
DIMENZIJAMA.
7
1.4. ORTOGONALNE TRANSFORMACIJE
• Obzirom da je poznato da uspostavljanje INICIJALNOG KOORDINANTNOG
SISTEMA pomoću metode glavnih komponenata ne pruža mogućnost da se
struktura manifestnih varijabli u korelacionoj matrici OBJASNI, potrebno je
koordinantne osovine tog sistema transformisati u takvu poziciju da je moguće tu
STRUKTURU što bolje definisati.
• Transformacija inicijalnih koordinantnih osovina je relativno lako izvršiti ako se
i dalje zadrži uslov ORTOGONALNOSTI. Na žalost, ta relativna lakoča u
ortogonalnoj rotaciji ima u kineziologiji jedan veliki nedostatak: i dalje nije
moguće potpuno smisleno interpretirati realnu strukturu analiziranog prostora
manifestnih varijabli, odnosno strukturu izolovanih latentnih dimenzija. Zbog
toga se ortogonalne transformacije glavnih komponenti u kineziologiji,
uglavnom, i ne koriste.
8
1.6. KOSE T R A N S F O R M A C I J E ILI
NEORTOGONALNE TRANSFORMACIJE
• Da bi se odredila latentna struktura istraživanog prostora na način koji ostvaruje
kineziologijsku i naučnu egzistentnost, potrebno je da se prilikom transformacija
glavnih komponenata NAPUSTI uslov ORTOGONALNOSTI. To znači da
transformacijska matrica treba da sadrži vrijednosti kosinusa koje određuju
transformaciju glavnih komponenata u takvu soluciju gdje će novi faktori
prolaziti kroz vektore tako da se FAKTORI mogu SMISLENO DEFINISATI.
• Ostale informacije:
9
d) Međusobne korelacije varijabli (MATRICA INTERKORELACIJA
MANIFESTNIH VARIJABLI), samo dopunjavaju interpretaciju izolovanih
faktora.
10
tome da li se JEDNOSTAVNE STRUKTURE postižu ortogonalnom ili kosom
rotacijom ili prema tome u kojem PROSTORU se, zapravo, ANALIZA vrši.
11
• Suština je u slijedećem: Svaka ORIGINALNA VARIJABLA sa SVOJOM
VLASTITOM SLIKOM, dakle IMAGE VARIJABLOM, ima KORELACIJU
koja je jednaka KVADRATU MULTIPLE KORELACIJE te varijable sa svim
PREOSTALIM VARIJABLAMA, tj. KOVARIJANCU, a KORELACIJE koje su
tačnije KOVARIJANCE ORIGINALNIH VARIJABLI i IMAGE VARIJABLI,
jednake su KORELACIJAMA između samih VARIJABLI.
12
(KOSE), dakle gdje su faktori u korelaciji, ali se ta struktura postiže, ne sa
KOSIM TRANSFORMACIJAMA, nego sa ORTOGONALNIM
TRANSFORMACIJAMA.
• Orthoblique je jedna strašno brza metoda, jer ona, zapravo, radi samo
VARIMAX transformacije.
a) Prvo, dominira zbog toga što forsira SOLUCIJE, dakle RJEŠENJA, kod kojih su
samo VAŽNE VARIJABLE presudne za definitivno određivanje FAKTORA.
13
1.12. KRITERIJI ZA ODREĐIVANJE BNROJA ZNAČAJNIH
GLAVNIH KOMPONENATA MATRICE
INTERKORELACIJA VARIJABLI
• Prije postavljanja inicijalnog koordinantnog sistema u multidimenzionalnom
prostoru manifestnih varijabli, potrebno je RJEŠITI koje su GLAVNE
KOMPONENTE ZNAČAJNE za objašnjavanje tog prostora.
• Po ovom kriteriju potrebno je zadržati samo one glavne komponente koje imaju
odgovarajući karakteristični korjen VEĆI ili JEDNAK 1.00. Smatra se da je ovaj
KRITERIJ podesan za određivanje GORNJE GRANICE broja značajnih
glavnih komponenata (Horn,1965).
14
• Međutim, iako PB-kriterij daje uvijek NAJZNAČAJNIJE FAKTORE, postoji
SUMNJA da on ne obuhvata dosta varijance za objašnjenje realnog prostora
matrice interkorelacija.
• Dakle, ovaj metod je izmišljen 1971. godine. Usput rečeno, IDEJU nije dao niti
Štalec niti Momirović, nego je ideju dao jedan student koji je bio u pripitom
stanju, pa se zbog toga zove PB-kriterij.
• Prema tome, to je jedan metod koji OTKRIVA vrlo TAČAN BROJ FAKTORA,
tj. slabo je osjetljiv na POGREŠKE MJERENJA ili na druge pogreške.
• Ovaj KRITERIJ ima jedan nedostatak, a taj je da ako je SUMNJIVO da jedan
faktor POSTOJI, onda on kaže da NE POSTOJI. To znači da može biti da neki
faktor postoji, ali ako je SUMNJIVO on ga smjesta BACI VANI, jer on sa
SUMNJIVIM uopšte ne želi da posla ima. Na taj način on može baciti nešto što
VALJA, to je jasna stvar. To mu je nedostatak i zato ga autori ovog kriterija vrlo
rijetko upotrebljavaju, iako je to njihov kriterij, jer oni smatraju da je potrebno
vidjeti šta je SUMNJIVO. Međutim, mnogi drugi istraživači ga intenzivno
primjenjuju.
• Ostali KRITERIJI kao što su: Bartlett-ov, Monte Carlo, Scree-test, LC-kriterij,
LD-kriterij, DAMEAN-kriterij i drugi se isto primjenjuju i mogu se nači u
odgovarajućoj literaturi.
15
• Na području PSIHOLOGIJE faktorska se analiza najviše primjenjuje u
području istraživanja STRUKTURE LIČNOSTI i STRUKTURE
KOGNITIVNIH PROCESA (INTELIGENCIJE).
• Ova metoda se vrlo rijetko primijenjuje u kineziološkim istraživanjima, jer ne
odgovara prirodi FENOMENa koji se istražuju u našoj struci i znanosti
(KINEZIOLOGIJI), pa je iz tih razloga ne treba niti je obrazlagati.
2. Prije svakog eksperimenta u kome se planira primjena faktorske analize, MORA biti
konstruisan HIPOTETSKI MODEL, a koji definiše koji se faktori očekuju. Faktorska
analiza ima SMISLA samo onda ako se njome PROVJERAVA neka TEORIJA. Zato se
mora formirati jedan MODEL, a koji se onda PROVJERI. FA se ne mogu OTKRIVATI
stvari (faktori ili činioci) kojih NEMA.
16
NAPRAVLJENE tako da REZULTAT eksperimenta, provjeravanog nad jednom
varijablom, UTIĆE na REZULTAT u drugoj varijabli.
9. BROJ ISPITANIKA u svakom slučaju mora biti najmanje TRI PUTA VEĆI od
BROJA VARIJABLI, dakle taj ODNOS je 3 : 1., a niukom slučaju ne može biti MANJI
od 2OO entiteta.
10. Nemojte VJEROVATI ni JEDNOJ KNJIZI u kojoj piše drugačije, nego što vam je
ovdje PREZENTIRANO. To kažem zbog toga što u MNOGIM KNJIGAMA piše
DRUGAČIJE, tj. postavljaju se B L A Ž I USLOVI. BLAŽE USLOVE postavljaju ljudi
koji pišu knjige da bi mogli OPRAVDATI EKSPERIMENT koji su učinili na
studentima prve godine.
12. Ne primjenjujmo NIKADA samo JEDNU METODU FA, tj. napravimo analize koje
VARIRAJU i po:
• METRICI VARIJABLI i po
• TEHNICI TRANSFORMACIJE u j e d n o s t a v n e s t r u k t u r e.
To je zbog toga što FA ne daje DEFINITIVNA RJEŠENJA. Svaka daje NEKA
RJEŠENJA.
17
SUBSTRUKTURE ili SUBSISTEMI MODELA, što odgovara
KIBERNETIČKOM NAČINU MIŠLJENJA. Tako npr. Faktori
KOGNITIVNIH PROCESA (inteligencije) se kadkada interpretiraju kao
mjere efikasnosti pojedinih PROCESORA:
• Paralelni procesor
• Serijalni procesor
• Perceptivni procesor
18
PRIMJER ISTRAŽIVANJA GDJE JE PRIMIJENJENA
FAKTORSKA ANALIZA (MEOTODA GLAVNIH KOMPONENATA)
NASLOV RADA:
SAŽETAK:
Osnovni cilj ovog istraživanja bio je utvrđivanje latentne strukture sistema konativnih
karakteristika učenika srednje škole JU MSŠ iz Gračanice.
A 1 – skala ANKSIOZNOSTI
F 2 – skala FOBIČNOSTI
O 3 – skala OPSESIVNISTI
C 4 – skala KOMPULZIVNOSTI
S 5 – skala HIPERSENZITIVNOSTI
D 6 – skala DEPRESIVNOSTI
I 7 – skala INHIBITORNE KONVERZIJE
E 8 – skala SENZORNE KONVERZIJE
Z 9 – skala MOTORNE KONVERZIJE
K 10 – skala KARDIOVASKULARNE KONVERZIJE
G 11 – skala GASTROINTESTINALNE KONVERZIJE
R 12 – skala RESPIRATORNE KONVERZIJE
19
H 13 – skala HIPOHONDRIJE
N 14 – skala INPULZIVNOSTI
T 15 – skala AGRESIVNOSTI
M 16 – skala HIPOMANIČNOSTI
L 17 – skala SHIZOIDNOSTI
P 18 – skala PARANOIDNOSTI
REZULTATI I DISKUSIJA
Tabela br. 1.
Faktorska analiza konativnog prostora
Initial Extracti Rotation
Eigenvaues on Sums of
Sums of Squared
Squared Loadings
Loadings
Component Total % of Cumulative Total % of Cumulative Total
Variance % Variance %
1 9.918 55.100 55.100 9.918 55.100 55.100 8.607
2 1.422 7.900 63.000 1.422 7.900 63.000 5.391
3 1.132 6.291 69.291 1.132 6.291 (69.291) 6.813
4 .880 4.887 74.178
5 .605 3.362 77.540
6 .575 3.195 80.735
7 .491 2.727 83.462
8 .463 2.570 86.033
9 .400 2.224 88.256
10 .381 2.119 90.375
11 .327 1.817 92.192
12 .309 1.717 93.909
13 .251 1.396 95.304
14 .215 1.197 96.501
15 .187 1.036 97.537
16 .173 .961 98.498
17 .155 .862 99.360
18 .115 .640 100.000
20
Component Matrix Tabela br. 2.
Fak1 Fak 2 Fak 3
A1 .707 -.281 .442
F2 .682 -.472 .351
O3 .765 -.234 .283
C4 .703 -.032 .391
S5 .792 -.184 .061
D6 .764 -.223 -.295
I7 .817 -.040 -.131
E8 .861 -.101 -.194
Z9 .841 -.105 -.337
K10 .797 -.115 -.370
G11 .775 -.118 -.256
R12 .725 .100 .027
H13 .757 .257 -.046
N14 .707 .396 .161
T15 .650 .501 -.094
M16 .430 .587 .240
L17 .809 .138 -.060
P18 .670 .291 .140
21
Tabela br. 4.
Pattern Matrix
Fak 1 Fak 2 Fak 3
A1 -.033 .045 .881
F2 .107 -.194 .894
O3 .175 .059 .703
C4 -.039 .290 .673
S5 .440 .045 .444
D6 .850 -.121 .079
I7 .642 .143 .159
E8 .757 .069 .145
Z9 .914 .012 -.012
K10 .929 -.022 -.056
G11 .784 .006 .060
R12 .367 .318 .211
H13 .431 .468 .048
N14 .125 .670 .166
T15 .364 .681 -.190
M16 -.179 .821 .041
L17 .509 .352 .123
P18 .155 .541 .196
Tabela br. 5.
Structure Matrica
Fak 1 Fak 2 Fak 3
A1 .527 .370 .879
F2 .562 .201 .884
O3 .633 .413 .833
C4 .509 .532 .762
S5 .732 .424 .730
D6 .841 .310 .552
I7 .806 .506 .606
E8 .878 .482 .634
Z9 .912 .437 .551
22
K10 .885 .394 .503
G11 .823 .399 .541
R12 .646 .572 .558
H13 .681 .690 .493
N14 .542 .793 .501
T15 .569 .779 .296
M16 .233 .753 .249
L17 .750 .639 .570
P18 .529 .690 .500
Tabela 6.
Component Correlation Matrix
Component Fak 1 Fak 2 Fak 3
Fak 1 1.000 .471 .611
Fak 2 .471 1.000 .386
Fak 3 .611 .386 1.000
23