Tổng quan về phân tích nhân tố khám phá efa trong spss, cã¡c tiãªu chã­ trong phã¢n tã­ch efa

Teoria e analizës së faktorëve eksplorues (EFA .)Përpara testimit të teorisë shkencore, është e nevojshme të vlerësohet besueshmëria dhe vlefshmëria e shkallës. Metoda Cronbach Alpha përdoret për të vlerësuar besueshmërinë e shkallës. Metoda e analizës së faktorëve eksplorues (EFA) (Analiza e faktorëve eksplorues, shkurtuar si metoda EFA) na ndihmon të vlerësojmë dy lloje të rëndësishme të vlerave të shkallës, domethënë vlerën konvergjente dhe vlerën diskriminuese. Analiza e faktorëve EFA i përket grupit të ndërvarësisë teknika, pra nuk ka variabla të varur dhe të pavarur por mbështetet në korrelacionin ndërmjet variablave (ndërlidhjet). EFA përdoret për të reduktuar një grup k variablash vëzhgimesh në një grup F (F Autorët Mayers, LS, Gamst, G., Guarino AJ (2000) përmendi se: Në analizën e faktorëve, metoda e nxjerrjes së analizës së komponentëve kryesorë largohet. Së bashku me rotacionin Varimax është metoda më e përdorur. Sipas Hair & ctg (1998, 111), ngarkimi i faktorit (faktori i ngarkesës së faktorit ose pesha e faktorit) është kriteri për të siguruar nivelin e rëndësisë praktike të EFA:• Ngarkimi me faktorë > 0.3 konsiderohet minimale • Ngarkimi faktor > 0.4 konsiderohet i rëndësishëm • Ngarkimi faktor > 0.5 konsiderohet të jetë me rëndësi praktike Kushti për analizën e faktorëve eksplorues është që të plotësohet duke plotësuar kërkesat e mëposhtme: Ngarkimi faktor > 0.50.5 ≤ KMO ≤ 1: Koeficienti KMO (Kaiser-Meyer-Olkin) është indeksi i përdorur për të marrë në konsideratë përshtatshmërinë e analizës së faktorëve. Një vlerë e madhe KMO që është domethënëse për analizën e faktorëve është e përshtatshme. Testi i Bartlett ka rëndësi statistikore (Sig. Përqindja e variancës > 50%: Tregon variacioni në përqindje i variablave të rëndësishëm, domethënë, duke pasur parasysh variacionin është 100%, kjo vlerë tregon se sa shpjegon analiza faktoriale.

Po shikoni: Vështrim i përgjithshëm i analizës së faktorëve eksplorues efa në spss

Si të bëni analizën e faktorëve eksplorues EFA

Shkoni te zgjedhja e menysë: Analizo-> Reduktimi i të dhënave -> Faktori.

Zgjidhni të gjitha variablat (qoftë të pavarur ose të varur) në kolonën Variablat në të djathtë.

Klikoni në Përshkruesit, zgjidhni KMO dhe testin e sfericitetit të Bartlett

Klikoni butonin Rotation, zgjidhni Varimax

Klikoni butonin Options, zgjidhni Renditur sipas madhësisë dhe zgjidhni Suppress vlerat absolute më të vogla se, shkruani .3

Pastaj klikoni OK, rezultatet do të shfaqen mjaft gjatë, duke përfshirë tabelën Matrica e komponentëve të rrotulluar si në vazhdim:

Video tutorial për analizën EFA:

Kontaktoni ekipin master të mbështetjes SPSS.

– SMS, Zalo, Viber:

SPSS/gmail.com

– Përpunimi/korrigjimi i të dhënave të anketës për të ekzekutuar rezultatet e analizës së faktorëve konvergjent, analizës së regresionit me rëndësi statistikore – Konsulencë/pyetësor/trajnim i drejtpërdrejtë mbi analizën e regresionit, faktorit, alfa kronbach… në SPSS, dhe modelet SEM, CFA, AMOS

Çfarë është analiza e faktorëve eksplorues (EFA)? Sa është faktori i saktë i ngarkesës së ngarkimit të faktorit? Si të krijohen faktorë dhe variabla përfaqësuese në SPSS? Të gjitha pyetjet tuaja do të jenë Teza vietnamezeShërbimi i njohur SPSS do të përgjigjet në këtë artikull.

1. Koncepti 2. Çfarë është Faktori? Sa është i saktë faktori i ngarkesës së faktorit të ngarkimit të faktorit? 3. Udhëzime për krijimin e faktorëve dhe variablave përfaqësuese në SPSS

1. Konceptet

EFA Analiza e faktorëve eksplorues është një metodë analize statistikore e përdorur për të reduktuar një grup të shumë variablave të ndërvarura të vëzhguara në një grup më të vogël variablash (të quajtur faktorë) në mënyrë që ato të jenë më kuptimplote, por megjithatë të përmbajnë pjesën më të madhe të përmbajtjes. informacioni i grupit fillestar të variablave (Hair et al. ., 1998).

Mund të kuptojë analiza faktoriale është emri i përgjithshëm i një grupi procedurash të përdorura kryesisht për tkurrjen dhe përmbledhjen e të dhënave. Në studim, ne mund të mbledhim një numër mjaft të madh variablash. Shumica e këtyre variablave janë të lidhur dhe numri i tyre duhet të reduktohet në një numër të përdorshëm. Variablat e vëzhguar të përfshirë në EFA do të reduktohen në një sërë faktorësh. Secili faktor përbëhet nga një numër variablash të vëzhguar që plotësojnë kushtet statistikore.

Emërtoni faktorin EFA

Analisti do të shohë se cilat janë variablat e vëzhguara në secilin faktor, çfarë nënkuptojnë ato, dhe gjithashtu duhet të bazohet në teori… Prej këtu, faktori emërtohet. Ky emër duhet të jetë përfaqësues i variablave të vëzhguara të faktorit. EFA përdoret shpesh në fushat e administratës, ekonomisë, psikologjisë, sociologjisë, etj. Pasi të jetë marrë kuadri konceptual nga teoritë ose studimet e mëparshme.

Në studimet ekonomike, shpesh përdoret një shkallë, indeksi përfshin shumë pyetje (variabla të matur). Për të matur konceptet në modelin konceptual, dhe EFA do të kontribuojë në reduktimin e një grupi të shumë variablave matëse në një numër faktorësh. Kur kemi një numër të vogël faktorësh, nëse këta faktorë i përdorim si variabla të pavarur në funksionin e regresionit të shumëfishtë. Më pas, modeli do të zvogëlojë mundësinë e cenimit të fenomenit të multikolinearitetit.

Për më tepër, faktorët e nxjerrë pas kryerjes së EFA do të mund të kryhen në Analizën e Regresionit Shumëvariak.

ekuacioni EFA

Në EFA, çdo variabël matës përfaqësohet si një kombinim linear i faktorëve themelorë. Sasia e ndryshimit në secilën masë shpjegohet nga faktorë të përbashkët. Ndryshueshmëria e përgjithshme e variablave matëse përshkruhet nga një numër i vogël faktorësh të përbashkët plus një faktor unik për secilën variabël. Nëse ndryshoret e matura janë normalizuar, modeli faktor shprehet me ekuacionin: Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Qëllimi * Fm + Vi*Ui

aty brenda,

Xi: ndryshorja e i-të e masës që është normalizuar

Aij: koeficienti i regresionit të shumëfishtë i normalizuar i faktorit j për ndryshoren i

F1, F2, . . ., Fm: faktorë të përbashkët

Vi: koeficienti i standardizuar i regresionit të faktorit karakteristik i për ndryshoren i

Ui: faktori karakteristik i ndryshores i

Faktorët specifikë janë të ndërlidhur me njëri-tjetrin dhe me faktorët e përbashkët. Vetë faktorët e përbashkët mund të shprehen gjithashtu si kombinime lineare të variablave të matshëm. Kjo tregohet përmes modelit të mëposhtëm:

Fi = Wi1*X1 + Wi2*X2 + Wi3*X3 + . . . + Wik*Xk

Aty:

Fi: vlerësoni vlerën e faktorit i

Wi: pesha ose koeficienti i rezultateve të faktorëve

k: numri i variablave

Kriteret e rëndësishme në EFA

Ngarkimi i faktorit duhet të jetë më i madh ose i barabartë me 0,5 Varianca totale e nxjerrë duhet të jetë më e madhe se 60%KMO duhet të jetë më e madhe se 0,5Në procesin EFA duhet të kryhet rrotullimi i faktorëve (Varimax ose Proximax)

Për sa i përket aplikimit, EFA është e zbatueshme për konceptet që nuk mund të maten drejtpërdrejt. Për shembull, kënaqësia e klientit, lumturia e popullit vietnamez. EFA bëhet duke bashkuar shumë variabla për të formuar faktorë të rëndësishëm që ne mund t’i shpjegojmë.

2. Cili është faktori faktor? Sa është i saktë faktori i ngarkesës së faktorit të ngarkimit të faktorit?

2.1. Çfarë është faktori faktor?

Ideja kryesore e EFA është variablat e vëzhgueshme Ka disa karakteristika që ne të gjithë i kemi nuk mund të vëzhgohet drejtpërdrejt.

Për shembull:

Shumë njerëz kur bëhen pyetje në lidhje me të ardhurat, arsimin dhe profesionin kanë përgjigje mjaft të ngjashme sepse kanë karakteristika të përbashkëta të statusit socio-ekonomik. Statusi socio-ekonomik është faktori kryesor që ndikon në të ardhurat, arsimimin dhe profesionin e tyre.

Sa më i lartë të jetë koeficienti i ngarkesës së faktorit, aq më i madh është korrelacioni midis variablit të vëzhguar dhe faktorit dhe anasjelltas.

Në analizën e faktorëve eksplorues, çdo faktor funksionon si një variabël. Ai mat variancën e përgjithshme të variablave të vëzhguar dhe zakonisht rendisim me radhë fuqinë shpjeguese të atij faktori.

2.2. Sa ngarkimi i faktorëve është i saktë?

Sipas Hair & et al (2009,116), Analiza e të dhënave Multivariate, Botimi i 7-të pastaj:

Ngarkimi i faktorit në ± 0.7: Variabli i vëzhguar ka një rëndësi statistikore shumë të mirë. Ngarkimi i faktorit në ± 0.5: Variabli i vëzhguar ka një rëndësi të mirë statistikore. Ngarkimi i faktorit në ±0.3: Kushti minimal për të mbajtur variablin e vëzhguar.

Megjithatë, vlera standarde e Ngarkimi i faktorit duhet të varet nga madhësia e kampionit. Me çdo interval të ndryshëm të madhësisë së kampionit, niveli i peshës së faktorit që variabli i vëzhguar të jetë statistikisht i rëndësishëm është krejtësisht i ndryshëm. Konkretisht, ne do të shohim tabelën e mëposhtme:

Foto 1 – Shembuj specifikë

Madhësia e kampionit të ngarkimit të faktorit

Në praktikë, është mjaft e vështirë të mbahet mend çdo nivel i faktorit të ngarkesës për çdo interval të madhësisë së mostrës. Prandaj Është e zakonshme të merret një faktor ngarkese prej 0.45 ose 0.5 si standard me madhësitë e mostrës që variojnë nga 120 në më pak se 350. OFERTAFaktori standard i ngarkesës është 0.3 me një madhësi mostre prej 350 ose më shumë.

Figura 2 – Ngarkimi i faktorit

Kur kryeni personalizime kur analizoni EFA, në opsionin Opsionet, shënoni 2 artikuj:

Renditur sipas madhësisë: për të rregulluar rendin e faktorëve të ngarkesës së madhe ose të vogël në një grup që është më i lehtë për t’u parë.Shtypni vlerat absolute më pak se: Futni një vlerë të faktorit të ngarkesës bazuar në madhësinë e mostrës. Kjo kërkohet për të kryer filtrimin e faktorëve të ngarkesës më të mëdhenj se 0.5. Vlerat më të vogla se 0.5 nuk do të shfaqen në matricën e rrotullimit

Matrica e rrotullimit më poshtë është në studim me madhësinë e mostrës 220. Kështu që unë marr faktorin standard të ngarkesës si 0.5. Në matricën e rrotullimit, variablat e vëzhguara kanë një faktor ngarkese

Foto 3 – Matrica e Rrotullimit

Variablat B5, B7, B6 përjashtohen sepse nuk garantojnë një faktor ngarkese prej 0,5 ose më shumë. Variabli A7 është i përjashtuar sepse nuk garanton diskriminim në EFA

shënim

Më sipër, teza vietnameze ju ka treguar se si të hiqni variablat kur analizoni faktorët eksplorues të EFA bazuar në koeficientët e ngarkimit të faktorëve.

3. Udhëzime për krijimin e faktorëve dhe variablave përfaqësuese në SPSS

Pas kryerjes së analizës së faktorëve eksplorues, të kryhet analiza e korrelacionit Pearson dhe për më tepër, regresioni. Ju duhet krijoni variabla përfaqësuese nga rezultati përfundimtar i rrotullimit të faktorëve.

Hapi i zbatimit analiza e faktorëve eksplorues, kur përfundon analiza përfundimtare. Variablat e vrojtuar renditen në grupe të reja faktorësh sipas 2 kritereve: konvergjenca dhe diskriminuese. Këtu është një shembull i një matrice të plotë të rrotullimit të faktorëve:

Imazhi 4 – Matrica e Rrotullimit të Faktorëve

Si rezultat i rrotullimit të faktorit të fundit, marrim 6 faktorë të rinj. Çdo faktor do të përfshijë variabla përfaqësuese të vendosura në të njëjtën kolonë. Për të kryer korrelacionin Pearson dhe vlerësimin e regresionit, do të duhet të gjenerojmë variablat përfaqësuese mesatare përmes komandës Mesatarja në Llogaritja e variablit.

Këtu, supozoni se keni krijuar variablat proxy një nga një:

X1 = Mesatarja (TN3, TN2, TN1, TN5, TN4)

X2 = Mesatarja (LD2, LD5, LD4, LD3)

…..

X6 = Mesatarja (DN3, DN4, DN2)

Kryeni në SPSS me hapat e mëposhtëm:

Hapi 1: Shkoni te kartela Transformo > Llogarit variablin

Foto 5 – Krijimi i një elementi përfaqësues

Një ndërfaqe e re dritare shfaqet siç tregohet më poshtë. Në qeli Ndryshorja e synuar, do të shkruani emrin e ndryshores së re të shkronjave të egra (X1, X2, X3….). Artikulli Lloji & Etiketa që ju të plotësoni shënimin për variablin, roli i tij është si Lable kur krijoni variablin në dritaren e ndërfaqes Variable View. Për shembull, ndryshorja X1 përfaqëson grupin e variablave të vëzhguar: TN3, TN2….TN4, ju e shënoni këtë variabël si një variabël. Të ardhura pastaj shkruani Lloji & Etiketa.

Hapi 2: Shkruani strukturën e funksionit në tabelë

Në qeli Shprehje numerike Ju shkruani strukturën e funksionit: MEAN (TN3,TN2,TN1,TN5,TN4). Kjo do të thotë, krijimi i një ndryshoreje përfaqësuese X1 është mesatarja e variablave të vëzhguar TN3, TN2, TN1, TN5, TN4.

Figura 6 – Shkruani strukturën e funksionit në tabelë

Tabela e rezultateve

Pas krijimit, ju ktheheni në ndërfaqe Pamja e të dhënave do të shihni karakteret e reja të krijuara rishtazi pranë vëzhguesve origjinalë:

Foto 7 – Tabela e rezultateve

Pra, ju keni krijuar variabla përfaqësuese pas analizës EFA për t’i përdorur këto variabla në analizën e korrelacionit Pearson dhe regresionin më vonë.

Shihni gjithashtu: Tregoni rëndësinë historike të Revolucionit të Tetorit në Rusi: Jetoni përgjithmonë kuptimin e kohës

Nëse keni vështirësi në analizën e faktorëve eksplorues EFA, mund t’i referoheni Shërbimi i përpunimit të të dhënave SPSS i përkasin teza vietnameze. Me më shumë se 10 vjet përvojë në këtë fushë, ne jemi të sigurt që do t’ju sjellim cilësinë më të mirë të shërbimit si dhe çmimin më të përballueshëm.