1.

FAKTORSKA ANALIZA

• FAKTORSKA ANALIZA je SKUP STATISTIČKO-MATEMATIČKIH

POSTUPAKA pogodnih za ANALIZU PODATAKA o međusobnoj
povezanosti među promatranim pojavama, koja je nastala i koja se i danas
razvija u sklopu savremene PSIHOLOGIJE.

• CILJ faktorske analize je da se veliki broj međusobno povezanih manifestnih

varijabli KONDENZUJE i REDUKUJE u manji broj međusobno relativno
NEZAVISNIH LATENTNIH VARIJABLI (DIMENZIJA) koje mogu
objasniti međusobne relacije analiziranog skupa manifestnih farijabli.
Izdvojene (ekstrahovane, izolovane) latentne varijable se smatraju
GENERATORIMA (uzrocima ili izvorima) VARIJACIJA i KOVARIJACIJA
između manifestnih varijabli.

• FENOMENI koji su predmet istraživanja u KINEZIOLOGIJI međusobno su

povezani. Jedan od zadataka te znanosti, dakle KINEZIOLOGIJE jeste da
utvrdi što TAČNIJE tu POVEZANOST.

• Poznavajući međusobne povezanosti fenomena moguće je na osnovu

informacija o STANJU i PROMJENAMA u nekom ili nekim fenomenima,
PREDVIDJETI stanje i promjene u drugom ili drugim FENOMENIMA.

• Faktorska analiza se odnosi na veliku grupu metoda koje imaju zajedničko, u

svojoj suštini, samo logički smisao i djelimično matematički smisao.

• Faktorska analiza je jedna tipična kibernetička metoda, jer njena logička

i filozofska osnovica se svodi na bazične principe kibernetike.

• Osnovna koncepcija faktorske analize sastoji se u slijedećem:

• 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

• Problem je u tome da su od tri komponente dvije nepoznate. Treća

komponenta se uvijek može izvesti.

• Faktorska analiza se temelji na činjenici da sistem koji proučavamo varira u

okviru nekih granica koje su definisane konstrukcijom sistema. Ako imamo

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.

• Faktorska analiza je skup od nekoliko stotina različitih metoda faktorske

analize koje variraju prema kriteriju prihvatljivosti rješenja.

• Mnogi sistemi u prirodi i društvu pripadaju klasi kibernetičkih modela u tom

smislu što njihova ustrojstva i njihovo funkcionisanje može da se odnosi samo na
temelju njihovih reakcija na podražaj. Nervni sistem ljudskih bića i uopšte
ljudska bića spadaju u tu klasu.

• Faktorska analiza je nastala kao metod koji pokušava da utvrdi kako je

konstruisan (utvrđen) nervni sistem, tj. kognitivni sistem. Kasnije je utvrđeno da
je pogodna i za mnoga druga područja i mnoge druge različite probleme.

• 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.

• Ova metoda se upotrebljava u meteorologiji, agronomiji, ekonomiji, medicini,

građevinarstvu, hemiji, farmakologiji, antropologiji, psihologiji, sociologiji,
pedagogiji, politologiji itd.

• Upotreba ove metode zavisi od eksperimenta koji se upotrebljava, a ne da se

demonstrira tehnika, tj. da neko dokazuje kako vlada ovom metodom kada
analizira neki sistem čija je interna struktura neposredno dostupna.

• Rečeno je da je faktorska analiza skup od nekoliko stotina metoda. Sve te metode

se mogu podijeliti u dva velika izvora:

1. U grupu koju nazivamo KOMPONENTNOM ANALIZOM i

2. Grupu koju nazivamo FAKTORSKOM ANALIZOM u okviru faktorskog
modela ili tačnije FAKTORSKOM ANALIZOM U UŽEM SMISLU.

2
 Doduše, ima istraživača koji tvrde da postoji i

3. Treća grupa faktorskog modela. Ta grupa obuhvača sve OSTALE NAUČNE

METODE tj. da sve ostale znanstvene metode izviru iz FAKTORSKE ANALIZE.

• Faktorska analiza je skup matematičkoo-statističkih postupaka koji omogućuju

da se u većem broju varijabli, među kojima postoji povezanost, utvrdi manji broj
temeljnih varijabli koje objašnjavaju takvu međusobnu povezanost. Te temeljne
varijable zovu se faktori ili latentne dimenzije.

• Varijable koje promatramo zovemo u faktorskoj analizi manifestne varijable, a

faktore koje utvrđujemo u postupku faktorske analize međusobnih odnosa
manifestnih varijabli, zoveme latentne varijable ili latentne dimenzije.

• U faktorskoj analizi nam je cilj da umjesto velikog broja međusobno povezanih i

zavisnih manifestnih varijabli koje su rezultirale iz nekog istraživanja, utvrdiomo
manji broj međusobno nezavisnih varijabli koje mogu objasniti međusobne
odnose manifestnih varijabli.. Tako utvrđene faktore smatramo uzrocima ili
izvorima (generatorima) kovarijacija između manifestnih varijabli.

• Iz ovoga je jasno da faktori koji se utvrđuju u postupku faktorske analize imaju

temeljno značenje u odnosu prema promatranim manifestnim varijablama. Na
osnovu njih možemo protumačiti veliki broj manifestnih oblika i pojava te
njihovu međusobnu povezanost.

• Utvrđivanje faktora koji nalaže u osnovi pojava na jednom području istraživanja

može nam ukazati na temeljne uzroke varijacija i kovarijacija pojava koje nam
bez toga mogu izgledati potpuno nejasne i neodređene, čak i onda kada znamo
veličinu korelacija između njih. Na taj način faktorska analiza nas upučuje i
usmjeruje na temeljne uzroke i izvore raznolike pojavnosti koja je predmet našeg
znanstvenog interesa. Prema tome, pomoću takve analize približujemo se cilju
kojem teže sve znanosti, a to je da na osnovi malog broja generalnih varijabli ili
uzroka protumaće i predvide veliki broj zbivanja ili događanja.

• Nije teško pokazati kod regresione analize i kod kanoničke analize da se svaka
znanstvena metoda može svesti na faktorski problem faktorske analize.

• Faktorska analiza se u užem smislu primijenjuje češće nego komponentna

analiza. Razlozi su razni. U našoj struci (kineziološkim istraživanjima), pogotovo
u našoj zemlji, komponentna analiza se upotrebljava neuporedivo češće nego
faktorska analiza u užem smislu, zbog razloga koji će biti jasniji kasnije, ako ih
do sada definišemo kao matematički račun.

• Naime, komponentna analiza je matematički tačno definisana, a faktorska

analiza u užem smislu je samo djelimično matematički definisana. Zbog toga je
obićno bolje da se područje faktorske analize započne komponentnom analizom,
jer se lakše razumije, a osim toga u praksi se komponentna analiza češće
primijenjuje u našoj struci, tj. u kineziološkim istraživanjima.

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.

Naravno, u kineziologiji se proučavaju situacije:

• 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.

• Najčešći i najrealniji slučaj je kada se na osnovu djelovanja više VIŠE UZROKA

pojavljuje VIŠE POSLJEDICA. Npr. Djelovanje cjelokupnog Tjelesnog i
zdravstvenog odgoja (ili treninga) na dimenzije antropološkog statusa učenika
(sportiste).

b) KORELATIVNA POVEZANOST – kada promjena stanja u nekom fenomenu

prati PROMJENU u nekim drugim fenomenima a da ti PRVI fenomeni NISU
UZROK drugima. Ovakve PARALELNE PROMJENE bez uzročno-posljedičnih
veza su, takođe, česte u kineziologiji.

PROBLEMI KOJI SE RJEŠAVAJU POMOĆU FAKTORSKE

ANALIZE U KINEZIOLOŠKIM ISTRAŽIVANJIMA MOGU BITI:

1. Da se definiše STRUKTURA prostora istraživanja.

2. Da se utvrdi VALJANOST MJERNIH INSTRUMENATA, kao i STEPEN te

valjanosti u odnosu na DRUGE mjerne istrumente koji procjenjuju iste latentne
dimenzije.

3. Da se USPOREĐUJU strukture zajedničkog prostora istraživanja za RAZLIČITE

GRUPE ISPITANIKA.

4. Da se izvrši REDUKCIJA cijelog ili dijela sistema primijenjenih manifestnih

varijabli (prostora istraživanja) u cilju dobijanja jedne dimenzije –
KRITERIJSKOG FAKTORA (VARIJABLE).

5. Da se izvrši VALORIZACIJA i KLASIFIKACIJA mjernih instrumenata ili nekih

SUBJEKATA PROCJENJIVAČA.

6. Da se definišu LATENTNE DIMENZIJE istraživanog prostora istraživanja (pošto

one imaju veću znanstvenu vrijednost od manifestnih varijabli) kao osnovne
varijable za druge obrade podataka a prema problemu i ciljevima istraživanja.

4
 PRILIKOM RJEŠAVANJA KINEZIOLOŠKIH FENOMENA POMOĆU
OVAKVOG LINEARNOG MODELA MOGUĆE SU DVIJE STRATEGIJE:

1. KONFIRMATIVNA – ako su faktori (F) koji djeluju na fenomene UNAPRIJED

POZNATI.
2. EKSPLORATIVNA– ako koordinantni sistem koji definiše fenomene NIJE
UNAPRIJED POZNAT.

1.1. KOMPONENTNA ANALIZA

• Ako u glavnoj dijagonali korelacione matrice nemamo KOMUNALITETE, nego
JEDINICE, onda se takva FAKTORSKA ANALIZA zove KOMPONENTNA
ANALIZA.

• Faktorska analiza ZAJEDNIČKIH FAKTORA i faktorska analiza

KOMPONENATA zapravo su dva OSNOVNA MODELA faktorske analize.
Međutim, oba MODELA imaju RAZLIČITE VARIJANTE.

• Kod KOMPONENTNIH FAKTORSKIH ANALIZA, ne postoji, dakle, problem

KOMUNALITETA, a to znači da se u takvim analizama ne čini RAZLIKA
izmeđuZAJEDNIČKOG i UNIKVITETNOG dijela VARIJANCI manifestnih
varijabli koje se faktorski analiziraju.

• Faktorskom analizom komponenata manifestnih varijabli dobivaju se

komponente tih varijabli koje su međusobno linearno nezavisne.

1.1. TEHNIKA (METODA) GLAVNIH KOMPONENATA

• Tehnika glavnih komponenata spada u u komponentnu analizu i danas je jedna

od najčešćih primijenjivanih tehnika, pogotovo u kineziološkim istraživanjima.

• Metoda glavnih komponenata primjenjuje se:

1. Kada se želi izvršiti REDUKCIJA nekog sistema varijabli na JEDNU DIMEZIJU

koja sadrži najveću količinu informacija koja se može izvuči (izolovati, ekstrahovati) iz
tog sistema varijabli;

2. U svrhu određivanja početnog koordinantnog sistema vektora manifestnih varijabli,

koji će zatim biti transformisan u pogodniji ORTOGONALNI ili KOSI koordinantni
sistem, koji zadovoljava princip PARSIMONIJE (jednostavne strukture).

• Pretpostavimo da je M=I, to će reći da među varijablama iz I nema nikakvih

korelacija. Uz tu pretpostavku ovo se svodi na R=Aat+W, tj. matricu korelacija. Uz
tu pretpostavku može se definisati kao rezultanta dvije komponente od kojih je ova
R=Aat + W – rezidualna matrica, a prva je prosto umnožak matrice sklopa.

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.

• Tehnologija kako se to pronalazi strašno je jednostavna. Nezavisno su je predložili,

nezavisno jedan od drugog, nekoliko ljudi. Prvi je bio Karl Pirson, zatim Frensis
Quul. Poslije 1918. godine predložio ju je Siril Bertl, matematičar, a opet nezavisno
od njih švedski matematičar Harold Kotel, doduše drugim tehnikama računanja..
Istu tu metodu su predložili Terston i Kelist (drugim računskim tehnikama). Svi ti
postupci se temelje na jednoj teoremi koja je dokazana tek 1937. godine. Teorema je
potekla od Echarta i Jenga, a spada u jednu od klasičnih matematičkih teorema
danas.

• Da vidimo kako se u današnjem načinu razmišljanja to tretira. Ideja je

u slijedećem.

• Pretpostavimo da imamo matricu podataka. Nemojmo više ići u faktorskom

modelovanju. Zamislimo da nam je neko zadao slijedeće. Sažmi te podatke u jednu
jedinu varijablu i to tako da zadovoljimo, istovremeno, tri uvjeta.

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

1.2.CILJEVI FAKTORSKE ANALIZE

Svrha joj je da se ostvare 2 cilja:

1. Da olakša interpretaciju dobijenih rezultata.

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.

• Zbog toga se osim MATEMATIČKI FORMULISANIH CILJEVA, na osnovu

kojih je izvedena metoda glavnih komponenata, formulišu još neki dodatni
ciljevi, od kojih je PRVI najvažniji, a može se definisati tako da se rezultati
GLAVNIH KOMPONENATA TRANSFORMIŠU u što je god
JEDNOSTAVNIJI OBLIK. Iza toga CILJA, tj. što JEDNOSTAVNIJI OBLIK,
obično se krije neka MATEMATIČKA FORMULACIJA REZULTATA.

• 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.

• Kod metode glavnih komponenata PRVA je komponenta NAJPOUZDANIJA,

zato što ima najveće VARIJANCE, druga je do nje, pa tako redom.

• Princip JEDNOSTAVNOSTI koji inače vrijedi u ZNANOSTI, temelji se na

jednoj pretpostavci koju nije, naravno, moguće dokazati,, već samo pokazati,, a
taj je na su NAJEDNOSTAVNIJI REZULTATI, dakle rezultati koji imaju
najjednostavniji oblik, u pravilu, NJBLIŽI REALNOSTI. Naravno, ovo je samo
FILOZOFSKA METODA, ona na svakoj konkretnoj metodi mora biti nekako
potvrđena.

• IDEJA transformacije rezultata dobivenih FAKTORSKOM ANALIZOM ili

KOMPONENTNIM MODELOM potiće od Luisa Terstona. To je, evidentno,
najveći njegov doprinos znanosti.

• U početku je Terston zahtjevao da ta akcija bude takva da se očuva nezavisnost

koordinantnih osovina, tj. da i dalje među njima (osovinama) bude nula (0).

• Ljudi su došli na pomisao da da bi te PRINCIPE trebalo formulisati na neki

MATEMATIČKI NAČIN, jer ovakva jedna struktura se može formulisati na
nekoliko različitih matematičkih načina.

• Nekoliko autora, nezavisno jedan od drugog, su pokazali da je taj problem

RJEŠIV čistom ALGEBARSKOM METODOM, ali ne neposredno algebarskim
metodamaa, nego metodama koje proističu iz matematičkog
PROGRAMIRANJA, dakle metodama ITERAIVNOG PRIBLIŽAVANJA
stvarnome cilju problema.

• Formulisani su brojni matematički KRITERIJI za definisanje FUNKCIJE

JEDNOSTAVNOSTI. Međutim, danas je najpopularniji što ga je 1957. godine
formulisao KAISER. Taj KRITERIJ se naziva VARIMAX KRITERIJ.

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.

• U nekim slučajevima ortogonalna transformacija može da bude GRUBA

TAKSONOMSKA ANALIZA VARIJABLI, ali ne i faktorska analiza koja treba
da pruži rješenje o strukturi latentnih dimenzija analiziranog uzorka varijabli.

• Pošto se takve solucije matematički ekvivalentne, i pošto ih ima bezbroj,

potrebno je uspostaviti KRITERIJ za izbor tako da da se dobije što
JEDNOSTAVNIJA STRUKTURA FAKTORA. (KRITERIJ PARSIMONIJE).

1.5. VARIMAX KRITERIJ

• Od svih KRITERIJA koji se predlažu za ortogonalne solucije, (quartimax,
equamax, parsimax, promax), za potrebe kinezioloških istraživanja značajno je
spomenuti samo VARIMAX KRITERIJ, koga je predložio Kaiser, 1957. godine.

• Kaiserov kriterij za varimax soluciju, koji je, donekle, interesantan za

kineziološka istraživanja, izjednačava doprinos svake varijable u definisanju
faktora.

• U istraživanjima u kineziologiji ORTOGONALNE SOLUCIJe nemaju smisla,

jer pružaju irelevantne rezultate, koji se ogledaju u ortogonalnosti, odnosno
nezavisnosti fenomena koji se istražuju.

• Zahtjev da se u kineziologiji ne primjenjuju ortogonalne solucije proističe u

najvećoj mjeri iz PRIRODE kinezioloških latentnih dimenzija.

• Prilikom istraživanja kinezioloških fenomena potrebno je uvijek strukturu

prostora istraživanja analizirati nekom od transformacija koja daje KOSU
SOLUCIJU, odnosno gdje faktori prolaze kroz snopove vektora varijabli i gdje
se dopušta da su faktori MEĐUSOBNO U KORELACIJI.

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.

• Postoji više kriterija da se izvede KOSA TRANSFORMACIJA glavnih

komponenata. Zajedničko je za za sve te transformacije da su one znatno
komplikovanije i teže ih je računati od ortogonalnih transformacija. Međutim,
one su jedino realne i imaju kineziologijskog i naučnog opravdanja.

• Dok se kod ortogonalnih transformacija kao rezultat dobija samo jedna

MATRICA u kojoj se nalaze faktorski koeficijenti (zasičenja, saturacije) i to oni
koji pokazuju kakva je korelacija između vektora svake manifestne varijable i
svakog npr. varimax faktora, dotle se kod kosih transformacija dobija znatno
više informacija.

• Rezultat svake kose solucije su tri MATRICE:

a) U jednoj matrici su koordinate vektora (PARALELNE PROJEKCIJE) varijabli
na faktore (MATRICA SKLOPA).

b) U drugoj su korelacije vektora varijabli i faktora (ORTOGONALNE

PROJEKCIJE) ili tzv. MATRICA STRUKTURE.

c) U trećoj MATRICI su međusobne korelacije izolovanih faktora.

• Za interpretaciju faktora najveću važnost ima matrica koordinata vektora

varijabli u prostoru faktora (MATRICA SKLOPA) te je ona i osnova za
definisanje izolovanih faktora.

• Ostale informacije:

a) Ortogonalne projekcije vektora varijabli na faktore (MATRICA STRUKTURE);

b) Interkorelacije izolovanih faktora (MATRICA KORELACIJE IZOLOVANIH

FAKTORA;

c) Veličina komunaliteta varijabli;

9
d) Međusobne korelacije varijabli (MATRICA INTERKORELACIJA
MANIFESTNIH VARIJABLI), samo dopunjavaju interpretaciju izolovanih
faktora.

1.7. DIREKTNA OBLIMIN TRANSFORMACIJA

• U kineziološkim istraživanjima najbolje su se pokazale KOSE
TRANSFORMACIJE uz DIREKTAN OBLIMIN KRITERIJ (Jennrich i
Sampson, 1966) i ORTHOBLIQUE KRITERIJ (Harris i Kaiser, 1964).

• DIREKTNI OBLIMIN KRITERIJ kose rotacije sastoji se od više postepenih

transformacija (ROTACIJA) inicijalnih značajnih glavnih komponenata, što se
naziva ciklusom ITERACIJA. Ove iteracije se izvode dok se ne zadovolji
OBLIMIN KRITERIJ, koji treba minimizirati da bi se postigla maksimalna
PARSIMONIJA.

• ORTHOBLIQUE ROTACIJA se izvodi nekom ortogonalnom značajnih

karakterističnih vektora (najčešće uz VARIMAX kriterij). Dobijeni vektori se
transformišu u faktorsku soluciju.
• U kineziološkim istraživanjima REALAN SMISAO daju jedino KOSE
SOLUCIJE, jer jedino one zadovoljavaju princip parsimonije, odnosno daju
jednostavnu strukturu prostora istraživanja.

• Kada su izolovane latentne dimenzije, s njima se može dalje postupati kao i s

manifestnim varijablama. Isto tako se izračunavaju njihove interkorelacije, a
dobijena matrica se može, takođe, faktorizovati i dobiti manji broj latentnih
dimenzija. Prethodne latentne dimenzije se nazivaju PRIMARNE ili
DIMENZIJE PRVOG REDA, a njihovom kondenzacijom, transformacijom i
redukcijom dobijaju se latentne dimenzije (FAKTORI) DRUGOG REDA
(SEKUNDARNI FAKTORI). Ako se i dalje vrši faktorizacija nove matrice
korelacija faktora, dobijaju se faktori TREĆEG REDA (TERCIJERNI
FAKTORI) itd. Na kraju faktorizacije može se dobiti GENERALNI FAKTOR
(ili više njih, ako su relativno nezavisni) istraživanog prostora.

1.8. SAVREMENIJE METODE OD

KOMPONENTNE ANALIZE
• Savremenije metode od KOMPONENTNE ANALIZE nalaze se u udžbenicima
po kojima se uči FAKTORSKA ANALIZA, ali ti udžbenici ne valjaju.

• Gotovo u svakoj znanosti postoje problemi koji zahtjevaju pomalo SPECIFIČAN

TRETMAN opbzirom na postupke koji pripadaju klasi FAKTORSKE
ANALIZE, tj. zahtjevaju takve MODIFIKACIJE ili takve METODOLOŠKE
PROMJENE koje te metode čine primjerenijim, PRIRODNIM PROBLEMOM
pojedinih znanosti.

• Poslije toga vremena razvile su se vrlo BROJNE i RAZLIČITE metode koje se

međusobno razlikuju, ne samo po onome o čemu smo u početku govorili, tj. da li
pripadaju FAKTORSKOM ili TAKSONOMSKOM MODELU, i ne samo prema

10
 tome da li se JEDNOSTAVNE STRUKTURE postižu ortogonalnom ili kosom
rotacijom ili prema tome u kojem PROSTORU se, zapravo, ANALIZA vrši.

• U okviru KOMPONENTNOG MODELA faktorske analize se mogu vršiti u 4

RAZLIČITA PROSTORA, u 4 (ČETIRI), zapravo RAZLIČITE M E T R I K E.
Termin PROSTOR se upotrebljava onako, radi se o METRICI, a one su slijeeće:

1. Prvo, to je METRIKA ORIGINALNIH VARIJABLI. To je, dakle, metrika varijabli

koje nisu podvrgnute nikakvoj PRETVORBI, pa prema tome, nikakvoj
STANDARDIZACIJI, tj. tako kako smo mjerili tako i ispitujemo, tj, sa SIROVIM
podacima.
U našim je istraživanjima (kineziološkim) analiza u METRICI ORIGINALNIH
VARIJABLI, vrlo rijetka pojava, ali nije tako ni u nekim drugim znanostima.

2. Druga METRIKA, to je METRIKA STANDARDIZOVANIH varijabli.

3. Treća METRIKA, to je METRIKA IMAGE VARIJABLI. Obićno se kaže u običnom

govoru:IMAGE MWTRIKA ili IMAGE PROSTOR, a često se kaže GUTTMANOVA
METRIKA.
4. Četvrta METRIKA se obično zove UNIVERZALNA METRIKA ili HARISOVA
METRIKA.

1.9. IMAGE ANALIZA

• Analize u IMAGE METRICI ili IMAGE PROSTORU danas postoje sve češće i
češće. Međutim, povijest-procedura koja se izvodi u ovoj METRICI je vrlo duga,
u stvari od 1953. godine.

• Izraelski matematičar (Guttman) koji je radio u SAD u to vrijeme, objavio je

jedan čuveni članak u kome je dao OSNOVNE PRINCIPE analize u IMAGE
METRICI (PROSTORU).

• Njegova ideja počiva na GENERALIZACIJI p o j m a UZORKAVARIJABLI.

Mi smo do sada navikli da promatramo UZORAK ISPITANIKA kao dio neke
POPULACIJE.

• Međutim, i UZORAK VARIJABLI možemo promatrati, kao i u regresionoj

analizi, kao PODSKUP neke POPULACIJE VARIJABLI. Guttman je volio
govoriti: UNIVERZUM VARIJABLI.

• Ono što je Gutmana zainteresovalo bilo je ovo: Kako će se ponašati

FAKTORSKI MODEL, a ne MODEL GLAVNIH KOMPONENATA, ako, osim
što je UZORAK ENTITETA izvučen iz neke POPULACIJE ENTITETA, i
UZORAK VARIJABLI bude izvućen iz nekog UNIVERZUMA VARIJABLI ili
neke POPULACIJE VARIJABLI, pri čemu operacija dobivanja UZORKA
VARIJABLI , da se pomoću njih, na vrlo dobar način, REPREZENTUJE neko
područje VARIJABLI, pri čemu, znači, POPULACIJA VARIJABLI je
definisana u okviru nekog područja, u okviru SVIH MOGUĆIH VARIJABLI
koje postoje.

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.

RAZLOZI ZAŠTO SE ČEŠĆE UPOTREBLJAVA IMAGE ANALIZA

1. Za faktorsku analizu, odnosno komponentnu analizu jeVAŽNO da

razaberemo da DUŽINE VEKTORA VARIJABLI nisu JEDNAKE. Ako
se neka varijabla može vrlo dobro PREDVIDJETI od ostalih varijabli
imat će VELIKU DUŽINU. Ako se neka varijabla VRLO LOŠE MOŽE
PREDVIDJETI od preostalih varijabli imat će MALU DUŽINU. Iz toga
slijedi da će varijable koje se mogu BOLJE PREDVIDJETI od
PREOSTALIH, tj. koje sa preostalim imaju nešto ZAJEDNIČKO, VIŠE
UTICATI NA KONAČNA RJEŠENJA nego li varijable koje imaju
MANJE ZAJEDNIČKOG sa prvom varijablom. Upravo zbog TOG
SVOJSTVA IMAGE ANALIZA se najviše upotrebljavaju., tj. zato što
varijable koje imaju nešto ZAJEDNIČKOG s drugim varijablama mogu
VIŠE uticati na rezultate nego ostale, a to je i PRAVI SMISAO
FAKTORSKE ANALIZE.

2. Drugi razlog, zašto se IMAGE ANALIZA češće upotrebljava, vrlo je

jednostavan. Kada mi BACIMO varijable koje smatramo
REZIDUALNIM (ostatcima) VARIJABLAMA, dakle ANTI IMAGE
VARIJABLE, mi odmah BACIMO sve POGREŠKE MJERENJA iz
PODATAKA, pa je takva ANALIZA POUZDANIJA., jer se temelji na
varijablama kod kojih su pogreške mjerenja ELIMINISANE.

3. Postoji i jedan treći RAZLOG zašto se upotrebljava IMAGE ANALIZA, a

koji potiče iz činjenice da su, zapravo, IMAGE VARIJABLE LINEARNA
KOMBINACIJA SVIH VARIJABLIH IZ SISTEMA, a one tendiraju
tome da proizvedu NORMALNE DISTRIBUCIJE, i onda kada
ORIGINALNE VARIJABLE nisu baš bogzna kako DISTRIBUISANE.
Znači, IMAGE TRANSFORMACIJA NORMALIZUJE VARIJABLE, što
je važno u analizi. Ova tri svojstva image analize su VRLO VAŽNA, a
image analiza je posebno važna, ne samo u FAKTORSKOJ ANALIZI,
nego i u dijelovima MJERENJA (KINEZIOMETRIJI).

1.10.TRANSFORMACIJE KOD IMAGE ANALIZE –

METODA ORTHOBLIQUE
• IMAGE FAKTORI se mogu transformisati u jednostavniji oblik i to
METODOM ORTHOBLIQUE. Ta metoda izgleda malo neobično. Izabrali smo
je izložiti u okviru IMAGE ANALIZE zato što kod image analiza
ORTOGONALNE TRANSVORMACIJE, u principu, nemaju baš mnogo smisla.
Ali je, inače, to jedna metoda za dobivanja JEDNOSTAVNE STRUKTURE

12
 (KOSE), dakle gdje su faktori u korelaciji, ali se ta struktura postiže, ne sa
KOSIM TRANSFORMACIJAMA, nego sa ORTOGONALNIM
TRANSFORMACIJAMA.

• Postoji mogućnost, naime, da dobijemo KOSO RJEŠENJE ali da sve

transformacije budu ORTOGONALNE.

• Metoda se zove ORTHOBLIQUE. orthoblique metoda je KOMBINACIJA od

ORTOGONALAN, što znači PRAVOUGAONI oblik i OBLIQUE , što znači
KOSI oblik. Potiče od Kaisera i Harisa, 1964.

• Uz OBLIMIN, ORTHOBLIQUE je jedna od najčešćih primjenjivanih

METODA.

• TRANSFORMACIJE, a nad OBLIMINOM ima i neke PREDNOSTI. Npr.

jeftinija je mnogo, a u nekim slučajevima daje čak i bolje rezultate.

• Orthoblique je jedna strašno brza metoda, jer ona, zapravo, radi samo
VARIMAX transformacije.

1.11. UNIVERZALNA ILI HARISOVA METRIKA

• Naziva se metoda sa UNIVERZALNOM METRIKOM.

• TEHNIKA analize na UNIVERZALNOJ METRICI danas dominira u analizi
podataka i to zbog nekoliko razloga:

a) Prvo, dominira zbog toga što forsira SOLUCIJE, dakle RJEŠENJA, kod kojih su
samo VAŽNE VARIJABLE presudne za definitivno određivanje FAKTORA.

b) Drugo, većina PROGRAMA radi na taj način da AUTOMATSKI ODREĐUJE

VAŽNOST VARIJABLI. Dakle, s tim se ne moramo mučiti, npr. lupne zvjezdicu
za svaku VAŽNU varijablu.

c) Treće, tehnika određuje POUZDANOST varijabli na bolji način. Ona je nekako

sigurnija, zbog toga što su FAKTORI orijentisani prema VAŽNIM varijablama,
pa se ne može desiti da špokupi pouzdanost tim što pomalo «ŽDERU» varijance
od slabo važnih varijabli.

d) Četvrto, orthoblique transformacija napravljene su na ovoj metrici tako da daju

neke rezultate koji se prepoznaju na vrlo jednostavan način, ali začudo
FORSIRAJU, zapravo, FUNKCIONALNU INTERPRETACIJU DIMENZIJA, a
ne STRUKTURALNU.

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.

• Sukcesivnom EKSTRAKCIJOM glavnih komponenata treba doći do nekog

broja K – glavnih komponenata. Dakle, potrebno je da se nađe KRAJNJI broj
glavnih komponenata koje će SADRŽATI maksimalno dovoljnu KOLIČINU
INFORMACIJA o tom prostoru.

• KRITERIJA za određivanje BROJA značajnih glavnih komponenata ima više.

Bit će pomenuti samo oni koji su NAJČEŠĆE u upotrebi u kineziološkim
istraživanjima.

1.13. GUTTMAN-KAISEROV KRITERIJ

• Najrasprostranjeniji kriterij je onaj koga su predložili Guttman i Kaiser (1954),
koji se bazira na ENTROPIJI matrice interkorelacija. ENTROPIJA je ukupna
količina INFORMACIJA koju daje (EMITUJE) neki SISTEM.

• 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).

1.14. PLAN BRENDI KRITERIJ (PB-KRITERIJ)

• Kriterij koga su predložili Štalec i Momirović (1971), a poznat kao PB-kriterij,
zasniva se na potrebi EKSTRAKCIJE onolikog broja značajnih faktora koji će
iscrpiti NAJMANJU ukupnu količinu valjane varijance matrice interkorelacija
manifestnih varijabli.

• Najmanja količina valjane varijance dobija se sumacijom valjanih varijanci

varijabli u cijelom sistemu.

• Autori ovog kriterija smatraju da se njegovom primjenom dobija DONJA

GRANICA značajnih faktora.

• Mnoga istraživanja autora PB-KRITERIJA, pa i drugih, pokazala su da je on

SUPERIORNIJI od od KRITERIJA Guttmana i Kaisera.

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.

• Jedna matematičarka (Mozer) je analizirala ponašanje PB-kriterija za

određivanje broja značajnih fatora i to na taj način da je unaprijed, zapravo,
znala koliko faktora ima. Dakle ona je to radila simulirajući različite metode.

• Ona je matrice korelacija KVARILA raznovrsnim GREŠKAMA koje je emitirao

KOMPJUTER. te greške su bile velike ili male, distribuisane normalno ili na
drugi način. Problem je bio da OTKRIJE: Koji KRITERIJ otkriva TAČNO
BROJ FAKTORA kada su PODACI NAPUNJENI GREŠKAMA. PB-kriterij je
otkrivao podatke, faktore, uvijek TAČNO, ali ostali KRITERIJI NISU uvjek
dobijali isti broj faktora.

• 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.

2. FAKTORSKA ANALIZA U UŽEM SMISLU

• Osnivač je FAKTORSKE ANALIZE engleski psiholog Charles Spearma, koji je
postavio prvu empirijsku TEORIJU INTELIGENCIJE koju je prvi puta izložio
1904. godine u članku: «General Intelligence». U svakoj intelektualnoj aktivnosti
prisutan je OPĆI ili GENERALNI FAKTOR i SPECIFIČNI FAKTORI.
• Faktorska analiza danas je METODOLOŠKI TEMELJ istraživanja u različitim
područjima mnogih društvenih znanosti, a primjenjuje se i u istraživanjima na
području prirodnih znanosti.
• Faktorska analiza je SKUP STATISTIČKO-MATEMATIČKIH POSTUPAKA
pogodnih za ANALIZU PODATAKA o međusobnoj povezanosti među
promatranim pojavama, koja je nastala i koja se i danas razvija u sklopu
savremene PSIHOLOGIJE.

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.

P R A V I L A P O N A Š A N J A KOD PRJEKTOVANJA EKSPERIMENTA

U KOJEM SE NAMJERAVA PRIMJENITI F A K T O R S K A A N A L I Z A

1. Nemojmo nikada faktorizovati varijable koje su skupljene NASUMICE, tj. varijable

koje su nam SLUČAJNO došle «pod ruku».

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.

3. Za svaku HIPOTETSKU DIMENZIJU koja je definisana u modelu koji je prethodno

konstruisan, dakle HIPOTETSKOM MODELU, potrebno je odabrati NAJMANJE 4
varijable, pod uslovom da su te varijable dovoljno POUZDANE, to će reći da dovoljno
tačno mjere ono što trebaju mjeriti, ili odabrati VIŠE VARIJABLI od 4, ako je
POUZDANOST varijable OSREDNJA.

4. Ako ikako možemo, za svaku HIPOTETSKU DIMENZIJU ili FAKTOR, potrebno je

da ODABEREMO 3 varijable koje su u ranijim istraživanjima definisale tu istu
LATENTNU DIMENZIJU. Takve varijable se zovu M A R K E.

5. P r i j e IZBORA VARIJABLI odnosno p r i j e njihove EKSPERIMENTALNE

PRIMJENE, potrebno je utvrditi njihove METRIJSKE KARAKTERISTIKE,
prvenstveno njihovu POUZDANOST i HOMOGENOST.
• POUZDANOST je MJERA TAČNOSTI mjerenja varijable, a
• HOMOGENOST je MJERA koja kaže KOLIKO ONA NJERI SAMO JEDNU
STVAR.
Naravno, potrebno je utvrditi i ostale karakteristike MJERNIH INSTRUMENATA,
inače je BESMISLENO raditi FA sa varijablama koje to NEMAJU.

6. P r o c e d u r a mjere za podatke ili varijable koje hoćemo FAKTORIZIRATI mora

UNAPRIJED biti DEFINISANA, kao i KONTROLA kod mjerenja mora biti za cijelo
vrijeme mjerenja. Drugim riječima, EKSPERIMENTALNI USLOVI moraju biti
DEFINISANI i STROGO KONTROLISANI, inače može se dogoditi da dobijemo kao r
e z u l t a t EFEKTE p o g r e š n o provedenog POKUSA.

7.Nemojmo NIKADA FAKTORIZIRATI EKSPERIMENTALNO ZAVISNE

VARIJABLE, tj. varijable koje su izvedene JEDNA iz DRUGE, ili koje su

16
NAPRAVLJENE tako da REZULTAT eksperimenta, provjeravanog nad jednom
varijablom, UTIĆE na REZULTAT u drugoj varijabli.

8. Nastojmo da BROJ VARIJABLI bude U V I J E K najmanje ČETVEROSTRUKO

veći od BROJA FAKTORA koje očekujemo dobiti u FA. Izbjegavajmo
EKSPERIMENTE na kojima BROJ VARIJABLI n i j e NAJMANJE 6 PUTA V E Ć I
od broja HIPOTETSKIH FAKTORA. Dakle, ovo pravilo možemo razumjeti na slijedeći
način. Broj varijabli u odnosu na BROJ očekivanih HIPOTETSKIH FAKTORA treba
biti NAJVEĆI MOGUĆI s obzirom na raspoloživo vrijeme i raspoloživa sredstva koja
su nam potrebna da sprovedemo istraživanje.To je jedini način da možemo dovoljno
REPREZENTATIVNO i z a b r a t i VARIJABLE.

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.

11. Definišimo UNAPRIJED sve m e t o d e FAKTORSKE ANALIZE koje

namjeravamo PRIMJENITI. To je zbog toga, što neke među tim METODAMA imaju
SPECIFIČNE ZAHTJEVE na PROVOĐENJE EKSPERIMENTA i na IZBOR
VARIJABLI.

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.

13. FAKTORI ili LATENTNE DIMENZIJE, uvijek se mogu INTERPRETIRATI,

ponajmanje sa 3 SPOZNAJNO TEORETSKA PRINCIPA:

1. Prvi NIVO interpretacije FAKTORA je TAKSONOMSKI NIVO, to će reći

NIVO koji se ZADOVOLJAVA time da UTVRDI šta je S R O D N O ili
SLIČNO grupi VARIJABLI koje DEFINIŠU neki FAKTOR. Dakle, ako
dobijemo FAKTOR koji je definisan npr. sa 5 varijabli, mi analiziramo koje je
OPŠTE ili ZAJEDNIČKO s v o j s t v o SVIM TIM VARIJABLAMA. To je
NAJNIŽI i NAJLAKŠI n i v o INTERPRETACIJE faktora. Taj nivo
interpretacije je posebno drag u ANGLO-SAKSONSKIM zemljama. Dakle,
interpretacija faktora se vrši sa aspekta MANIFESTNOG (očiglednog)
SADRŽAJA testova, tj. šta su entiteti radili u testu.

2. Drugi NIVO i n t e r p r e t a c i j e je STRUKTURALNI NIVO. Ovdje se

FAKT- ORI interpretiraju kao KOMPONENTE jednog KIBERNETIČKOG
MODELA u kome se definisane STRUKTURE MODELA, dakle,

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

3. Treći NIVO INTERPRETACIJE faktora jeste FUNKCIONALNI NIVO. To je

NAJVIŠI i NAJKVALITETNIJI NIVO interpretacije faktora, a ujedno i
NAJTEŽI nivo interpretacije.

• Naime, započela je SERIJA f u n k c i o n a l n o KONCIPIRANIH

PROUČAVANJA f e n o m e n a MOTORIČKIH SPOSOBNOSTI (Bernštajn,
Anohin, Čhajdze itd.).
• Npr. u teorijskim RAZMATRANJIMA efikasnosti MOTORIČKIH manifestacija
dolazi se do ZAKLJUČKA da ta EFIKASNOST zavisi od FUNKCIJE s l o ž e n i
aktivnosti KORTIKALNIH i SUBKORTIKALNI zona CNS, zatim zona
refleksnog luka, te od koordinacije i sinhronizacije ovih FUNKCIONALNIH
MEHANIZAMA. Dakle, ovim NIVOOM interpretacije FAKTORA dolazi se do
PRAVE (ISTINSKE) SUŠTNINE RAZUMJEVANJA kineziologijskih
FENOMENA (pojava). Međutim, da bi se upotrijebio ovaj NIVO interpretacije u
objašnjenju nekih FENOMENA nužno je da iza njih postoje nekakve
KOHERENTNE TEORIJE. Npr. da stoji koherentna teorija o STRUKTURI
KOGNITIVNIH SPOSOBNOSTI.

18
 PRIMJER ISTRAŽIVANJA GDJE JE PRIMIJENJENA
FAKTORSKA ANALIZA (MEOTODA GLAVNIH KOMPONENATA)

Prof. dr Midhat MEKIĆ

Mr. Muhidin HALILOVIĆ

NASLOV RADA:

«FAKTORSKA STRUKTURA SKALA ZA PROCJENU PATOLOŠKIH

KONATIVNIH FAKTORA KOD UČENIKA SREDNJIH ŠKOLA»

SAŽETAK:

Osnovni cilj ovog istraživanja bio je utvrđivanje latentne strukture sistema konativnih
karakteristika učenika srednje škole JU MSŠ iz Gračanice.

U tu svrhu je na uzorku od 127 učenika uzrasta 18 i 19 godina , izvršeno mjerenje

patoloških konativnih karakteristika testovima 18 PF.

Faktorizacijom kotativnih karakteristika ekatrahovana su tri faktora. Prostor crta

ličnosti definisan je konverzivnim, steničnim i asteničnim sindromima i svi značajni
koeficijenti su sa pozitivnim predznakom.

Rezultati ovog istraživanja mogu poslužiti ekspertima za pravljenje nastavnih planova i

programa za nastavu u osnovnim i srednjim školama.

Varijable za procjenu patoloških konativnih karakteristka

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

FAKTORSKA STRUKTURA SKALA ZA PROCJENU

PATOLOŠKIH KONATIVNIH FAKTORA UČENIKA
SREDNJIH ŠKOLA

Na osnovu Guttman – Kaiserovog kriterija-lambda veće od 1 izolovana su tri značajna

karakteristična korjena koja su bili dovoljni da objasne 69.291 % totalne varijanse sistema
konativnih karakteristika (tabela br. 1) Prvi karakteristični korjen objašnjava 55.100 % ,
drugi 7.900 %, a treći 6.291 % totalne varijanse varijabli.

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

Communalities Tabela br. 3.

G11 1.000
Initial .680 on
ExtractI
R12
A1 1.000
1.000 .537
.774
H13
F2 1.000 .641
.811
N14
O3 1.000
1.000 .682
.721
T15
C4 1.000
1.000 .682
.648
M16
S5 1.000 .587
.666
L17
D6 1.000
1.000 .677
.721
P18
I7 1.000
1.000 .553
.686
E8 1.000 .790
Z9 1.000 .832
K10 1.000 .786

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