Analytické metody výzkumu

Prezentace na téma: "Analytické metody výzkumu"— Transkript prezentace:

1 Analytické metody výzkumu
Semináře ke kurzu Analytické metody výzkumu Jindřich Krejčí Faktorová analýza

2 Faktorová analýza explorační / konfirmační
cíl: identifikace několika málo faktorů, které reprezentují vztahy ve větším počtu vzájemně souvisejících prom. metoda: analýza korelací uvnitř sady proměnných identifikace faktorů, různé úlohy: popis vztahů mezi proměnnými pomocí faktorů interpretace faktorů podle shluků silně korelovaných proměnných vytvoření nových proměnných shrnujících variabilitu celé sady proměnných Analytické metody výzkumu, seminář Jindřich Krejčí,

3 Model pro analýzu teoreticky zdůvodněný výběr proměnných (nikoliv výlov rybníka) předpoklad, že za sadou měřených proměnných je skrytá dimenze - faktor (1 - více) vysvětlující komplexnější jev měřené proměnné v sadě lze vyjádřit jako lineární kombinace faktorů, která nejsou přímo měřené a společné faktory zakládají některé vztahy mezi prom. Logika dobré analýzy: cílem je sumarizace a simplifikace hledáme malý počet smysluplných - dobře interpretovatelných faktorů Analytické metody výzkumu, seminář Jindřich Krejčí,

4 SPSS: Postup analýzy 1. matice korelací mezi všemi proměnnými v sadě
identifikace nekorelovaných proměnných když jsou korelace malé je menší předpoklad existence společného faktoru, testy: Barlett test of sphericity - že koef. jsou větší než 0 - významnost předpokladem pro faktorovou analýzu anti-image correlation matrix - negativ parciálních korelací: pokud proměnné sdílejí spol. faktor parciální korelace (mezi páry prom. za eliminace vlivu ostatních prom.) by měly být malé KMO (Kaiser-Meyer-Olkin): porovnání významností normálních a parciálních korelací (hodnoty: 0,9 úžasné, 0,8 chvályhodné, 0,7 průměrné, 0,5 mizerné, <0,5 nepřijatelné) Analytické metody výzkumu, seminář Jindřich Krejčí,

5 2. Extrakce faktorů určení společných faktorů pro sadu proměnných, několik metod: nejběžnější - analýza hlavních komponent: faktory jako lineární navzájem nekorelované kombinace pozorovaných proměnných nezadávají se předem faktorové zátěže zformuje tolik faktorů, kolik je proměnných, postupně od nejsilnějšího po nejslabší informuje o rozsahu vysvětlení variance - eigenvalue převede sadu navzájem korelovaných proměnných na sadu nekorelovaných výsledné faktory ve standardizované podobě, průměr 0 a std. odchylka 1 Analytické metody výzkumu, seminář Jindřich Krejčí,

6 signifikance modelu o různém počtu faktorů: chí2 výsledky:
další metody extrakce: principal-axis (stejně jako principal component, ale diagonála korelační matice nahrazena odhady komunalit) unweighted least-squares (počet faktorů dán předem, minimální rozdíly mezi původní a reprodukovanou korelační maticí) maximum-likelihood (původní korelační matice za předpokladu normálního rozdělení) alpha (předpokládá, že proměnné, ne případy pocházejí z výběru) image factoring (společná část proměnné def. jako lin. regrese zbývajících proměnných) určení počtu faktorů pro další práci (SPSS default: eigenvalue>1, další horší, než jednotlivá prom.) signifikance modelu o různém počtu faktorů: chí2 výsledky: 1. každá proměnná může být vyjádřena pomocí faktorů 2. každý faktor je různě „sycen“ jednotlivými proměnnými a na základě toho je možné jej interpretovat Analytické metody výzkumu, seminář Jindřich Krejčí,

7 3. Rotace hledání smysluplnějších faktorů pomocí transformace původní matice faktorových zátěží zpřehlednění matice tak, aby jednotlivé faktory měly silné vztahy k některým proměnným a výrazně slabší k ostatním a šli tak lépe interpretovat děje se tak pomocí rotace os v prostoru faktorových zátěží procento vysvětlení a signifikance modelu se nezmění Analytické metody výzkumu, seminář Jindřich Krejčí,

8 4. Interpretace faktorů:
Metody rotace: ortogonal rotation: zachová pravé úhly, oblique: zkreslení Ortogonal: varimax: pro každý faktor minimalizuje počet proměnných s vysokými zátěžemi => tj. zjednodušení vysvětlení faktorů quartimax: pro každou proměnnou minimalizuje počet faktorů => tj. zjednodušení vysvětlení proměnných equamax: kombinace varimax a quartimax 4. Interpretace faktorů: vyřazení faktorů s malými zátěžemi seřazení matice tak, aby prom. interpretující jednotl. faktory byly pohromadě Analytické metody výzkumu, seminář Jindřich Krejčí,