Faktorová analýza je statistická redukční metoda, jejímž cílem je vysvětlit možné korelace mezi určitými proměnnými. K tomu je třeba vzít v úvahu účinek dalších faktorů, které nelze pozorovat.
To, co tato analýza dělá, je proto snížení. Vezmeme tedy velké množství proměnných a pomocí této techniky se nám podaří je zmenšit na zvládnutelnější velikost. K tomu se používá řada lineárních kombinací pozorovaných s ostatními, které nejsou viditelné.
Dva modely: průzkumný a potvrzovací
Máme dva způsoby provádění této statistické techniky, mezi těmito dvěma, které by měly být známy, existují jasné rozdíly.
- Analýza průzkumných faktorů: V tomto případě je cílem znát latentní konstrukty (které nejsou vidět) za účelem kontroly, zda mohou být platné. Máme tedy co do činění s informacemi průzkumného typu, které slouží k vytvoření pozdějšího modelu, ale to apriori nevíme.
- Konfirmační faktorová analýza: V tomto případě čelíme procesu statistického potvrzení. Vycházíme z teoretického modelu vytvořeného s existující literaturou o studovaném jevu. Později jej porovnáme, abychom poznali jeho stupeň platnosti.
Jak provést faktorovou analýzu
Podívejme se jednoduchým způsobem, jak lze provést průzkumnou faktorovou analýzu, která je jednou z nejpoužívanějších ve společenských vědách. Je třeba poznamenat, že níže uvedené body lze při provádění analýzy zvolit ve statistických programech, jako je SPSS.
- Analýza spolehlivosti: Normálně se používá Cronbachova Alpha, což umožňuje znát vnitřní konzistenci modelu. Hodnoty vyšší než 0,70 jsou považovány za přijatelné.
- Deskriptivní statistika: Poskytují nám základní informace o analyzovaných datech. Průměr, rozptyl nebo maximum a minimum.
- Korelační maticová analýza: Tyto výpočty provádí SPSS. Zde musíme věnovat pozornost tomu, zda je determinant blízký nule. Na druhou stranu se vypočítané korelace musí lišit od nuly.
- Míra přiměřenosti vzorku KMO: Umožňuje nám porovnat korelační koeficienty. Na jedné straně pozorované a na straně druhé částečné. Má hodnoty mezi 0 a 1 a považuje se za přijatelné, pokud je větší než 0,5.
- Bartlettův test sférickosti: V tomto případě to kontrastuje s tím, že korelační matice je maticí identity, v takovém případě nelze provést analýzu. Vypočítá se odhadovaný chí kvadrát, a pokud je menší než teoretický, lze provést faktoriální analýzu.
- Analýza shodnosti: Opět je to indikátor relevance. Aby byla platná, musí mít hodnoty větší než 0,5.
- Otočená matice komponent: Používá se k extrakci vlastních čísel, která jsou větší než hodnota, obvykle 1. Tímto způsobem se získají redukované faktory, které představují proměnné. K výběru čísla se používají sedimentační grafy a samotná matice.
- Celková odchylka vysvětlena: Nakonec nám tato analýza říká, jaká je celková odchylka vysvětlená navrhovaným modelem. Čím vyšší je tato hodnota, tím lépe model vysvětluje celkovou sadu dat.
Příklady faktorové analýzy
Faktorová analýza má mnoho aplikací v různých vědních oblastech.
Podívejme se na několik příkladů:
- V marketingu je široce používán, když chceme znát vůli nakupovat. Například analyzujeme různé socioekonomické, emocionální nebo osobní proměnné. Jakmile je máme, snížíme jejich počet pomocí faktorové analýzy a můžeme je lépe interpretovat.
- V účetnictví můžeme vědět, které položky nejjasněji ovlivňují získávání obchodních zisků. Budeme tedy vědět, kde bychom měli mít větší vliv.
- Ve vzdělávání můžeme znát predispozici studenta k předmětu. Provedením určitých průzkumů o způsobu jeho studia můžeme získat databázi, ve které lze použít faktorovou analýzu.