1. anÁlisi “components principals” sense …friasnav/anÁlisifactorial.pdf12 -exercicis: 1)...
TRANSCRIPT
1
1. ANÁLISI “COMPONENTS PRINCIPALS” SENSE ROTACIÓ
Base: CONTACT Análisis amb SPSS
Anàlisi de Components Principals: reducció
de dades que estan intercorrelacionades.
En aquesta anàlisi (sense rotació) només s'ha
especificat que es tracta d'un Anàlisi de
Components Principals. No es demanen cap
tipus de rotació encara.
COMUNALITAT (h2): proporció de la
variància de cada variable que es pot explicar
pel model d'anàlisi obtingut: el model de
compostos principals o el model d'anàlisi
factorial
Comunalitat inicial:
En l'anàlisi de components principals és
sempre 1.
En l'anàlisi factorial s'estima.
2
………………………………
3
2. ANÁLISI “COMPONENTS PRINCIPALS” AMB ROTACIÓ VARIMAX
Base: CONTACT Análisis amb SPSS
+ DESCRIPTIVOS + EXTRACCIÓ + ROTACIÓ + OPCIONS: ORDENAR
4
9 variables
Variables estandarditzades: tenen una
variància de 1.
COMUNALITAT (h2): proporció de la
variància de cada variable que es pot explicar
pel model d'anàlisi obtingut: el model de
components principals o el d'anàlisi factorial.
És la suma dels pesos factors (càrregues
factorials) al quadrat.
Comunalitat inicial:
-En l'anàlisi de components principals és sempre
1 que que és la variança d'una variable en
puntuacions típiques
-En l'anàlisi factorial s'estima.
Comunalitat reproduïdes per la solució
del model (Components Principals/Factorial):
Les comunalitats permeten analitzar les variables
que són millor i pitjor explicades pel model. Les
variables amb valors alts estan millor
representades en el model.
Per exemple, la comunalitat de ,643 significa que
el model d'anàlisi reprodueix el 64.3% de la
variabilitat original de la variable.
5
-Durant l'anàlisi es van extreure tant components (factors) com variables (n = 9 en
l'exemple).
-Autovalors= ‘eigenvalues’: és la proporció de la variança de cada explicada pels
components (factors). És la variància dels components (factors). De major a menor
autovalor. Regla de Kaisser (K1): autovalor major a 1. S'extrauen tant components
(factors) com autovalors major a 1 ja que amb la regla de Kaisser s'especifica que
autovalor > 1. I com les variables estandarditzades tenen una variància d'1 aleshores
s'extreuen tants components (factors) com a variables utilitzades en l'anàlisi i la suma
dels valors dels seus autovalors és igual a la variància total (es dir, al nombre de
variables utilitzades).
-Si, per exemple, l'investigador voldria explicar com a mínim el 90% de la variabilitat
continguda en les dades aleshores caldria extreure 4 factors.
En general interessen només els
components (factors) que tenen un
autovalor major a 1 ja que si el autovalor
és menor a 1 llavors explicaria menys
variància que la variable original (que en
ser estandarditzada té una variància d'1) i
serien poc útils.
6
-La matriu de components (factorial) té les
saturacions (pesos) de les variables en cada
component (factor) i són les correlacions
entre la variable i el component (factor). Els
valors poden oscil·lar de -1 a 1.
-Aquesta matriu és difícil d'interpretar
perquè no està rotada. Per a la interpretació
s'utilitza la matriu de components (factors
rotada).
……………………………………….
7
-La matriu de components (factorial)
rotada té les saturacions (pesos) de les
variables en cada component (factor).
Saturacions: són les correlacions entre
la variable i el component (factor).
-Els valors poden oscil·lar de -1 a 1.
-I aquí s'observa com s'agrupen les
variables i en quin component (factor)
obtenen un valor de saturació més gran.
Cada variable serà assignada al
component (factor) on el valor del seu
pes sigui més gran. I totes les variables
que saturin amb pes més gran en un
component (factor) constitueixen un
grup diferenciat de variables dins de
l'anàlisi ja que comparteixen major
variància comú. El investigor haurà de
donar-li contingut teòric (nom del
constructe) a la descripció d'aquest
conjunt de variables.
-Si hi ha una variable que satura en 2
components (factors) amb valors
superiors a, 4 llavors cal valorar la seva
eliminació perquè no es pot discriminar
quin factor pertany en major mesura.
L'ideal és que una variable tingui un pes
molt alt en un component (factor) i baix
en la resta.
8
3. ANÁLISI FACTORIAL “EIXOS PRINCIPALS” AMB ROTACIÓ
VARIMAX
9
10
11
12
-Exercicis:
1) Comprovar els resultats amb la rotació oblimin.
I a continuació:
Utilitzarem l'anàlisi d'eixos principals amb solució oblimin per interpretar els resultats
de l'exercici.
2) Estimar la consistència interna (alfa de Cronbach) i l'anàlisi dels ítems.
3) Calcular les puntuacions totals dels factors.
4) Comprovar la correlació entre els factors obtinguts.
5) Comprovar si hi ha diferències per sexe entre les puntuacions mitjanes dels factors.
https://www.uv.es/friasnav/ANÁLISIFACTORIAL.pdf