Faktoranalízis az SPSS-ben

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Faktoranalízis az SPSS-ben = Adatredukciós módszer

Petrovics Petra Doktorandusz


Feladat

Forrás: Sajtos-Mitev 250.oldal

Megnyitás: faktoradat_msc.sav

Fogyasztók materialista vonásai (Richins-skála)


Faktoranalízis folyamata


• Feltáró = új faktorok létrehozására Közös faktroelemzés

Főkomponens elemzés

(közös variancia)

(teljes variancia)

Ha nem ismerjük a változókat

Lehető legmagasabb magyarázott varianciahányad

Ha nem ismerjük a varianciákat

Lehető legkevesebb faktor

DE: gyakorlat: Bonyolult, időigényes

Általában ezt használjuk

• Megerősítő (konformatikus) = modell tesztelésére, bizonyítására Szubjektív


1. Elemzés érvényessége, változók alkalmassága 2. Metrikus változók / Dummy változók 3. A változók eloszlása normális Analyze / Regression / Linear / Plots… / Histogram

Stb.


2.

• Feltételek vizsgálata

4. Homoszkedaszticitás Analyze / Regression / Linear / Plots… / Scatterdot…

Stb.



2.

5. Multikollinearitás – korrelációs mátrix

Analyze / Correlate/ Bivariate

…

…

Stb.



2.

6. Nagyobb minta 7. „Minta elemszáma / változók száma” arány 329 18

= 18,27

Min. 10-szer több válaszadó, mint változó


3.

• Adatok alkalmasságának vizsgálata

a) Korrelációs mátrix Erős korreláció, de nem túl erős Analyze / Dimension Reduction / Factor / Descriptives

Az értékek 75%-a szignifikáns.


3.


b) Anti-image mátrix „nem magyarázott szórásnégyzet” Analyze / Dimension Reduction / Factor / Descriptives Anti-image kovariancia mátrix Anti-image korrelációs mátrix ~ korrelációs mátrixának átlóbeli értékei függnek: Mintanagyság Változók száma Korrelációk átlagos mértéke Faktorok száma


3.


…

b) Anti-image mátrix

Kis érték (0,09 alatt az esetek min. ¾-ében)– a variancia független a többitől ⇒ nincs szoros kapcsolat

MSA (Measure of Sampling Adequecy)

…

Mennyire van szoros kapcsolatban a többi változóval ⇒ 0,5 alattit kizárni Itt: 0,67-0,87


3.


c) Bartlett teszt H0: nincs korreláció H1: van korreláció Analyze / Dimension Reduction / Factor / Descriptives


3.


d) Kaiser-Meyer-Olkin kritérium MSA értékek átlaga (összes változóra)

Analyze / Dimension Reduction / Factor / Descriptives

KMO KMO KMO KMO KMO KMO

≥ ≥ ≥ ≥ ≥ <

0 ,9 − kiváló 0 ,8 − nagyon _ jó 0 ,7 − megfelel ő 0 ,6 − közepes 0 ,5 − gyenge 0 ,5 − elfogadhat atlan


4.

• Faktormódszer kiválasztása

Analyze / Dimension Reduction / Factor / Extraction Ha a változók száma magas (sajátérték sorrendjében magyaráz) Nem kell ismerni az eloszlást DE: standardizálni Ha az anti-image mátrix átlójában levő elemek 1-hez, az azon kívüliek pedig 0-hoz közelítenek

Ha a változók száma nő: maximum-likelihood, alfa, image módszer


5.

• Faktorok számának meghatározása 2. Kaiser kritérium: ha 1 alatti a sajátérték, kevesebb információt hordoz a faktor, mint 1 változó Ha 20-50 változónk van Egy faktor által az összes változó varianciájából magyarázott variancia

1. A priori információk alapján 3

Minél magasabb varianciahányadot tudunk magyarázni, annál, több információ marad meg az elemzés során ⇒ 3. Varianciahányad-módszer


Output 3. Varianciahányad-módszer Ahány kiinduló változónk volt

Faktorelemzés után 1-nél nagyobb sajátérték!

Csökkenő sorrend Magyarázott variancia %-a (Min. 60% kell)

Faktorok száma


5.

• Faktorok számának meghatározása 4. Scree plot Sajátérték ábrázolása

5-6 faktor Könyökkritérium: ahol az egyenes meredeksége megváltozik


5.

• Faktorok számának meghatározása Maximum likelihood módszer

~ H0 : illeszkedik H1: nem illeszkedik 56 0,1 feletti α esetén jól illeszkedik

4 faktor

5 faktor

6 faktor


• Faktorok számának meghatározása

5.

Módszer

Faktorok száma

A priori

3

Kaiser-kritérium

4

Varianciahányad-módszer Scree-teszt Maximum-likelihood

(4) 5↑ 5-6 6


6.

• Faktorok rotálása = A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és értelmezhetőbb faktormegoldásokat kapjunk.

Térben is látni

Ferdeszögű forgatás A faktorok korrelálnak egymással

Derékszögű forgatás A faktorok nem korrelálnak egymással

Használata A faktorok értelmezhetősége az elsődleges

Pl. regresszióhoz vagy más előrejelző technikához használjuk


6.

• Faktorok rotálása

KMO&Bartlett; Anti-image Principal Components; faktorok száma (4) Varimax

Faktorok mentése: Factor Analysis / Scores


Output x;σ ; n érvényesség

Kezdeti érték Mindig 1 (ha Principal Comp.) Egy változó varianciájának mekkora részét magyarázza az összes faktor (faktorsúlyok négyzetösszege) Hüvelykujjszabály: min. 0,25


Output Faktorszám meghatározása Kezdeti értékek



• Faktorok értelmezése, jellemzése

7.

1. faktor

2. faktor

3. faktor

4. faktor

M14_HAPY M17_HAPY M15_HAPY M18_HAPY M16_HAPY

M4_SUCES M12_CENTR M2_SUCES M1_SUCES

M10_CENTR M11_CENTR M7_CENTR M8_CENTR M9_CENTR

M6_SUCES M3_SUCES M13_CENTR M5_SUCES

HAPY

SUCES

CENTR

„Mások véleményének figyelmen kívül hagyása”

-: Fontosak a tárgyak az élet élvezéséhez


8.

• Faktorelemzés érvényességének ellenőrzése

• Ne fogadjuk el az első megoldást: o Több rotációs eljárás o Változók elhagyása (alacsony faktorsúly) • Keresztérvényesség-vizsgálat A mintát 2 véletlenül kiválasztott részre osztjuk - faktorelemzés


Köszönöm a figyelmet!

Faktoranalízis az SPSS-ben

Recommend Documents