Faktorska analiza

Faktorska analiza
• Postupak kojim se na osnovu
povezanosti niza manifestnih
varijabli izvlače zaključci o
latentnim varijablama koje ih
uzrokuju.
• Postupak kojim se manifestni
prostor sa velikim brojem dimenzija
svodi na latentni prostor sa manjim
brojem uz minimizovanje izgubljene
varijanse
• Terminologija:
– Latentne varijable = faktori =
komponente
– Manifestne varijable = izvorne
varijable
– B koeficijenti = faktorski koeficijenti.
 Vrste
• Dve vrste:
– Prava faktorska analiza – Spirmanovska faktorska analiza – daje
nekorelirane reziduale – sva zajednička varijansa manifestnih
varijabli je objašnjena faktorima. Ovo je idealan teorijski model, a
ovakvo rešenje se u praksi najčešće ne dobija jer standardni
postupci faktorske analize tako ne rade, a često ono ne bi bilo ni
praktično jer nekad realno ima više zajedničkih uzroka nego
manifestnih varijabli. Realni postupci faktorske analize
predstavljaju aproksimacije ovog postupka.
– Postupci faktorske analize koji daju korelirane reziduale –
latentni prostor koji se dobija ne obuhvata svu zajedničku
varijansu izvornih varijabli, već samo onoliko koliko je optimalno
objasniti zajedničkim faktorima vodeći računa o količini
objašnjene varijanse spram broja latentnih dimenzija (ideal –
objasniti što više varijanse sa što manje latentnih
dimenzija/faktora).
 Postupci sprovođenja
• Dve grupe postupaka sprovođenja:
– Konfirmativna faktorska analiza – istraživač definiše
faktorski model – koje latentne varijable postoje i na
koje manifestne varijable utiču i onda se ovim
postupkom samo testira adekvatnost tog modela,
odnosno u kojoj meri se podaci uklapaju u ovaj
model. Ovo se uči na višim nivoima studija.
– Eksplorativna faktorska analiza – Ne definiše se
unapred faktorski model, nego se po odredjenim
matematičkim principima i pravilima manifestni
prostor pretvara u latentni, a potom zaključuje o broju
faktora. Veći broj postupaka. Ovo radimo na ovom
kursu.
Eksplorativna faktorska analiza
– Slikovito - Rotiraju se ose manifestnog prostora, ali tako da se prvo
postavi jedna osa u manifestnom prostoru tako da ona obuhvata
najveću količinu varijanse manifestnog prostora, onda se upravno na nju
postavlja još jedna osa, tako da obuhvata najveću moguću količinu
preostale varijanse, pa onda treća po istom principu, da bude upravna
na ove dve i tako dok se ne okrene ceo koordinatni sistem, odnosno dok
broj novopostavljenih osa ne bude jednak broju izvornih osa (odnosno
broju izvornih/manifestnih varijabli). Ovako formirani latentni prostor ima
isti broj dimenzija kao i manifestni.
– Ovako dobijani faktori imaju svoje redne brojeve – 1. faktor , 2. faktor ,
3. faktor itd.
– Posle toga se odlučuje o broju faktora koje treba zadržati u konačnom
modelu. Ovo obično znači da se zadržava određeni broj faktora redom
počevši od prvog (npr. Prva tri, prva četiri isl.), ali mogu se sresti i
situacije kada istraživači vođeni teorijskim razlozima zadrže određene
faktore nezavisno od redosleda (npr. Drugi, treći i četvrti, ali ne i prvi
isl.). Ovo se naziva ekstrakcija faktora.
– Faktori se matematički dobijaju kao linearne kombinacije izvornih
varijabli (u onim postupcima FA koje ćemo mi raditi na ovo kursu).
 Broj faktora
• Kako odlučiti o tome koliko faktora treba zadržati? Kada bi hteli da objasnimo
svu zajedničku varijansu varijabli odnosno sve latentne varijable koje realno
utiču na dati skup manifestnih, vrlo često bi morali da imamo i više latentnih
varijabli nego manifestnih (jer obično, a pogotovo kada su psihološki
fenomeni u pitanju, jako puno latentnih varijabli ima nekakav makar i sitan
uticaj na datu manifestnu).
• Međutim, cilj je da se broj dimenzija prostora smanji, odnosno da broj
latentnih varijabli bude manji i to idealno mnogo manji od broja manifestnih.
• Rešenje – ne “pohvatati” sve faktore koji utiču na dati skup manifestnih
varijabli, nego samo one glavne, tj. One koji najviše utiču.
• Svojstvena vrednost faktora – količina varijanse izvornih varijabli koju
objašnjava dati faktor. Mera uticaja koji faktor ima na dati set zavisnih
varijabli, a samim tim i mera “važnosti” datog faktora za objašnjavanje
varijanse datog seta manifestnih varijabli. Zbog načina na koji se sprovodi
eksplorativna faktorska analiza, prvi faktor ima najveću svojstvenu vrednost,
drugi manju, treći još manju i tako svojstvene vrednosti faktora opadaju sa
rednim brojem faktora do kraja. Svojstvena vrednost se može izraziti kao
količina varijanse standardizovanih varijabli (u ovom formatu faktor koji
objašnjava onoliko varijanse koliko i jedna izvorna varijabla ima svojstvenu
vrednost 1) ili kao procenat ukupne varijanse izvornih varijabli ili kao
procenat varijanse izvornih varijabli koja je objašnjena faktorima. Sinonimi –
karakteristična vrednost, karakteristični koren, latentni koren.
 Broj faktora
• Kriterijumi za odlučivanje o broju faktora koji treba zadržati (najpoznatiji):
– Gutman-Kajzerov kriterijum – zadržati sve faktore čija je svojstvena
vrednost preko 1.
– Scree kriterijum – kriterijum kolena – posmatrati kako se menja
svojstvena vrednost faktora sa porastom rednog broja. Počev od prvog
faktora, sa porastom rednog broja faktora, svojstvena vrednost će naglo
opadati sve do jednog momenta kada počne da opada vrlo sporo.
Između faktora će, sa porastom rednog broja prvo biti velike razlike u
svojstvenoj vrednosti, sve do jednog momenta, a onda će odatle pa sve
do kraja ići faktori koji se međusobno vrlo malo razlikuju po svojstvenim
vrednostima. Kada se to grafički predstavi, to se zove scree plot i
grafički ta prevojna tačka izgleda kao koleno. Ovaj kriterijum kaže da
treba zadržati one faktore počev od prvog koji se nalaze do te prevojne
tačke.
– Kriterijum teorijskog broja faktora – treba zadržati onoliko faktora koliko
teorijski očekujemo da dobijemo – npr. Ako radimo faktorsku analizu
testa za koji očekujemo da ima 4 predmeta merenja koji predstavljaju
nezavisne latentne dimenzije, onda zadržavamo 4 faktora.
– Itd.
Broj faktora
 Objašnjena varijansa
• Komunalitet seta manifestnih varijabli – količina
zajedničke varijanse datog seta manifestnih varijabli ili
količina varijanse datog seta manifestnih varijabli
objašnjena svim ekstrahovanim faktorima zajedno. Zbir
suma kvadrata korelacija varijabli sa faktorima (ako su
faktori međusobno ortogonalni, o tome kasnije). Ovaj
komunalitet je istovremeno jednak i zbiru svojstvenih
vrednosti ekstrahovanih faktora.
• Komunalitet manifestne varijable – količina varijanse koji
data varijabla deli sa ostalim varijablama iz seta ili
količina varijanse date varijable objašnjena
ekstrahovanim faktorima. Zbir suma kvadrata korelacija
varijable sa ekstrahovanim faktorima (ako su faktori
međusobno ortogonalni).
• Unikvitet – količina varijanse koja nije objašnjena
faktorima ili koja je specifična za datu varijablu.
• Unikvitet = 1 – komunalitet.
 Manifestne varijable i faktori
• Faktorsko zasićenje – korelacija varijable sa faktorom. Kada je manifestna varijabla u
korelaciji sa određenim faktorom, kaže se da taj faktor zasićuje datu varijablu (što je
veća korelacija, to je više zasićuje). Obično se misli na punu korelaciju izvorne
varijable i faktora, ali nekada se može sresti da se termin koeficijent strukture koristi i
za parcijalnu korelaciju izvorne varijable i faktora (za koeficijente iz matrice sklopa).
• Matrica strukture – matrica koja sadrži podatke o faktorskim zasićenjima, odnosno
korelacijama izvornih varijabli i faktora
• Matrica sklopa – matrica koja sadrži podatke o parcijalnim korelacijama izvornih
varijabli i faktora, kada se kontroliše za sve ostale faktore (razlikuje se od matrice
strukture samo u situacijama kada su faktori međusobno u korelaciji, tj. Pod kosim
uglovima).
• Matrica komponenata – naziv za matricu strukture u situaciji kada su faktori
međusobno nezavisni tj. Kada su pod pravim uglovima (tada su matrice strukture i
sklopa identične i tada se ta matrica ovako naziva).
• Koeficijent strukture – korelacija izvorne varijable i faktora. Koeficijent sklopa –
parcijalna korelacija izvorne varijable i faktora
• Matrica koeficijenata – matrica faktorskih koeficijenata
• Faktorski koeficijenti – koeficijenti kojima treba množiti izvorne varijable u formuli za
linearno kombinovanje da bi se dobili faktori.
 Tumačenje faktora
• Kada se sprovede postupak faktorske analize, imamo podatke o
svojstvenim vrednostima faktora i o korelacijama svakog od faktora sa
svakom od manifestnih varijabli. Nemamo imena faktora, odnosno ne
znamo koji faktor je koja latentna varijabla. To moramo sami da smislimo.
Kako?
• Posmatramo pojedinačni faktor i vidimo koje manifestne varijable imaju
najveća zasićenja na tom faktoru, a koje nemaju uopšte. Onda se razmišlja
o tome šta je zajednicko tim varijablama koje imaju visoka zasićenja na
njemu, a što im istovremeno nije zajedničko sa onim varijablama koje na
njemu nemaju zasićenja i prema tome mu se odredi ime. Dakle, na osnovu
teorijskih znanja formiramo pretpostavku o tome koja bi to mogla da bude
latentna varijabla koja utične na one varijable koje dati faktor u većoj meri
zasićuje, a koja istovremeno ne utiče na one varijable koje dati faktor ne
zasićuje i prema tome faktoru dajemo ime. Prilikom imenovanja vodimo
računa i smeru zasićenja – faktoru se obično daje ili ime koje izražava
bipolarnost ili ime koje odgovara pozitivnom polu date latentne varijable.
• Važno – faktore možemo razlikovati samo ako imamo varijable na koje
deluju jedni i druge na koje deluju drugi. Ako dva faktora deluju zajedno na
ceo set varijabli i to u srazmernom intenzitetu, mi ih u postupku faktorske
analize nećemo dobiti kao dva različita, nego kao jedan jedinstveni faktor,
bez obzira na njihovu pravu prirodu. Ovo se lako dešava onda kada
proučavamo faktore na osnovu uzoraka ponašanja koji nisu reprezentativni
za domen ponašanja na koja utiče određeni faktor.
 Faktorska rotacija
• Šta kada ne možemo na osnovu poznavanja
teorije da valjano imenujemo određeni faktor,
odnosno kada se sklop zasićenja ne uklapa u
teoriju?
– A) Loša teorija
– B) Neodgovarajuća rotacija faktora
• Prostor koji ima određeni broj dimenzija se neće
promeniti niti će informacije biti izgubljene ako
koordinatni sistem zarotiramo, odnosno ose
postavimo tako da budu drugačije orijentisane
Faktorska rotacija
 Faktorska rotacija
• Faktorska rotacija se radi nakon ekstrakcije faktora, dakle na onim faktorima
koje smo odlučili da zadržimo. Cilj faktorske rotacije je da se dobije
faktorsko rešenje, odnosno raspored osa u latentnom prostoru koji
omogućava lakšu interpretaciju faktora.
• Pravougana/ortogonalna rotacija – u rotiranom rešenju faktori su
međusobno nezavisni, odnosno ose ostaju pod pravim uglovima.
• Kosa rotacija – Faktori mogu u konačnom rešenju da budu u korelaciji, tj.
Ose ne moraju da budu postavljene pod pravim uglovima jedna u odnosu na
drugu.
• Nakon rotacije, ukupna varijansa objašnjena faktorima se ne menja. Ne
menja se ni komunalitet pojedinačnih varijabli.
• Menjaju se svojstvene vrednosti pojedinačnih faktora
• Menjaju se faktorska zasićenja pojedinačnih varijabli (ovo zapravo
omogućava drugačiju interpretaciju).
• Sva rešenja dobijena faktorskom rotacijom su ekvivalentna – to je isti
latentni prostor, samo sa drugačije raspoređenim koordinatnim osama.
Hvala