Eksploracyjna analiza czynnikowa (EFA) jest odpowiednia (psychometrycznie i w inny sposób) do zbadania, w jakim stopniu można wyjaśnić korelacje między wieloma elementami poprzez wywnioskowanie wspólnego wpływu (an) nie mierzonego (tj. Utajonego) czynnika (ów). Jeśli nie jest to twój konkretny zamiar, rozważ alternatywne analizy, np .:
- Ogólne modelowanie liniowe (np. Regresja wielokrotna, korelacja kanoniczna lub (M) AN (C) OVA)
- Potwierdzająca analiza czynnikowa (CFA) lub utajone analizy cech / klas / profili
- Modelowanie równań strukturalnych (SEM) / częściowe modelowanie najmniejszych kwadratów
Wymiarowość to pierwszy problem, którym EFA może się zająć. Możesz zbadać wartości własne macierzy kowariancji (np. Tworząc wykres piargowy za pomocą EFA) i przeprowadzić równoległą analizę w celu ustalenia wymiarów swoich miar. (Zobacz także kilka świetnych porad i alternatywnych sugestii Williama Revelle'a ). Powinieneś to zrobić ostrożnie przed wyodrębnieniem ograniczonej liczby czynników i obróceniem ich w EFA lub przed dopasowaniem modelu z określoną liczbą ukrytych czynników za pomocą CFA, SEM lub jak. Jeśli równoległa analiza wskazuje na wielowymiarowość, ale twój ogólny (pierwszy) czynnik znacznie przewyższa wszystkie inne (tj. Ma zdecydowanie największą wartość własną / wyjaśnia większość wariancji w twoich pomiarach), rozważ analizę dwuskładnikową (Gibbons i Hedeker, 1992;Reise, Moore i Haviland, 2010 ) .
Wiele problemów pojawia się w EFA i modelowaniu współczynnika utajonego ocen skali Likerta. Skale Likerta wytwarzają dane porządkowe (tj. Kategoryczne, wielomianowe, uporządkowane), a nie dane ciągłe. Analiza czynnikowa ogólnie zakłada, że wszelkie surowe dane są ciągłe, a ludzie często przeprowadzają analizy czynnikowe macierzy korelacji iloczynu Pearsona, które są odpowiednie tylko dla danych ciągłych. Oto cytat Reise i współpracowników (2010) :
Zwykłe techniki analityczne z czynnikiem potwierdzającym nie mają zastosowania do danych dychotomicznych lub wielomianowych (Byrne, 2006) . Zamiast tego wymagane są specjalne procedury szacowania (Wirth i Edwards, 2007) . Zasadniczo istnieją trzy opcje pracy z danymi odpowiedzi wielomianowej. Pierwszym z nich jest obliczenie macierzy polichorycznej, a następnie zastosowanie standardowych metod analizy czynnikowej (patrz Knol i Berger, 1991) . Drugą opcją jest zastosowanie analizy czynnikowej pełnej informacji (Gibbons i Hedeker, 1992) . Trzecim jest zastosowanie ograniczonych procedur szacowania informacji zaprojektowanych specjalnie dla uporządkowanych danych, takich jak ważone najmniejsze kwadraty z korektą średniej i wariancji (MPLUS; Muthén i Muthén, 2009) .
Poleciłbym połączenie zarówno pierwszego, jak i trzeciego podejścia (tj. Zastosować ważoną po przekątnej estymację najmniejszych kwadratów na polikorycznej macierzy korelacji), w oparciu o omówienie problemów przez Wanga i Cunninghama (2005) z typowymi alternatywami:
Kiedy przeprowadzono analizę czynnikową potwierdzającą z nietypowymi danymi porządkowymi z maksymalnym prawdopodobieństwem i na podstawie korelacji iloczynu Pearsona z momentem produktu, oszacowania parametrów w dół uzyskane w tym badaniu były zgodne z ustaleniami Olssona (1979) . Innymi słowy, wielkość nietypowości obserwowanych zmiennych porządkowych jest głównym wyznacznikiem dokładności oszacowań parametrów.
Wyniki potwierdzają również ustalenia Babakusa i in. (1987) . Gdy w analizie czynników potwierdzających stosowane jest oszacowanie maksymalnego prawdopodobieństwa z macierzą wejściową korelacji polichorycznej, rozwiązania zwykle powodują niedopuszczalne, a zatem znaczące wartości chi-kwadrat wraz ze słabymi statystykami dopasowania.
Pozostaje pytanie, czy badacze powinni stosować estymatory najmniejszych kwadratów ważone czy ukośne estymatory najmniejszych kwadratów do szacowania modeli równań strukturalnych z nienormalnymi danymi kategorialnymi. Ani ważone oszacowanie najmniejszych kwadratów, ani oszacowanie najmniejszych kwadratów ważonych po przekątnej nie przyjmuje założeń dotyczących charakteru rozkładu zmiennych i obie metody dają asymptotycznie poprawne wyniki. Niemniej jednak, ponieważ szacowane ważenie metodą najmniejszych kwadratów opiera się na momentach czwartego rzędu, takie podejście często prowadzi do problemów praktycznych i jest bardzo wymagające obliczeniowo. Oznacza to, że oszacowanie metodą najmniejszych kwadratów ważonych może być mało wiarygodne, gdy stosuje się je do oceny modeli średnich, tj. Z 10 wskaźnikami, do dużych rozmiarów i małych do średnich rozmiarów próbek.
Nie jest dla mnie jasne, czy to samo dotyczy estymacji metodą najmniejszych kwadratów ważonych dotyczy estymacji DWLS; niezależnie od tego autorzy zalecają ten estymator. Jeśli nie masz jeszcze środków:
- R (R Core Team, 2012) jest bezpłatny. Będziesz potrzebować starej wersji (np.
2.15.2
) Dla tych pakietów:
psych
Pakiet (Revelle 2013) zawiera polychoric
funkcję.
- Ta
fa.parallel
funkcja może pomóc w określeniu liczby czynników do wyodrębnienia.
lavaan
Pakiet (Rosseel 2012) oferty DWLS estymację analizy zmienna ukryta.
semTools
Pakiet zawiera efaUnrotate
, orthRotate
oraz oblqRotate
funkcje.
- Na
mirt
pakiet (Chalmers 2012) oferty obiecujących alternatyw wykorzystaniem teorii reakcji poz.
Wyobrażam sobie, że Mplus (Muthén i Muthén, 1998-2011) też by działał, ale darmowa wersja demo nie pomieści więcej niż sześciu pomiarów, a wersja licencjonowana nie jest tania. Może jednak warto, jeśli możesz sobie na to pozwolić; ludzie kochają Mplus , a obsługa klienta Muthéns za pośrednictwem forów jest niesamowita!
Jak stwierdzono powyżej, oszacowanie DWLS rozwiązuje problem naruszeń założeń normalności (zarówno jedno-, jak i wielowymiarowych), co jest bardzo częstym problemem i prawie wszechobecnym w danych oceny skali Likerta. Jednak niekoniecznie jest to problem związany z pragmatycznymi konsekwencjami; większość metod nie jest zbyt wrażliwa na (bardzo stronnicze) małe naruszenia (por. Czy testowanie normalności jest „zasadniczo bezużyteczne”? ). Odpowiedź @ chl na to pytanie podnosi także ważniejsze, doskonałe punkty i sugestie dotyczące problemów z ekstremalnym stylem odpowiedzi; zdecydowanie problem z ocenami skali Likerta i innymi subiektywnymi danymi.
Piśmiennictwo
· Babakus, E., Ferguson, JCE i Jöreskog, KG (1987). Wrażliwość analizy potwierdzającego maksymalnego współczynnika prawdopodobieństwa na naruszenia skali pomiarowej i założeń dystrybucyjnych. Journal of Marketing Research, 24 , 222–228.
· Byrne, BM (2006). Modelowanie równań strukturalnych za pomocą EQS. Mahwah, NJ: Lawrence Erlbaum.
· Chalmers, RP (2012). mirt: Wielowymiarowy pakiet teorii odpowiedzi na elementy dla środowiska R. Journal of Statistics Software, 48 (6), 1–29. Źródło: http://www.jstatsoft.org/v48/i06/ .
· Gibbons, RD i Hedeker, DR (1992). Analiza dwuskładnikowa pozycji pełnej informacji.
Psychometrika, 57 , 423–436.
· Knol, DL i Berger, MPF (1991). Empiryczne porównanie między analizą czynnikową a wielowymiarowymi modelami reakcji na elementy. Multivariate Behavioural Research, 26 , 457–477.
· Muthén, LK, i Muthén, BO (1998-2011). Podręcznik użytkownika Mplus (wydanie 6). Los Angeles, Kalifornia: Muthén i Muthén.
· Muthén, LK i Muthén, BO (2009). Mplus (wersja 4.00). [Oprogramowanie komputerowe]. Los Angeles, Kalifornia: autor. URL: http://www.statmodel.com .
· Olsson, U. (1979). Oszacowania maksymalnego prawdopodobieństwa dla współczynnika korelacji polichorycznej. Psychometrika, 44 , 443–460.
·Zespół R Core. (2012). R: Język i środowisko dla obliczeń statystycznych. R Foundation for Statistics Computing, Wiedeń, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM i Haviland, MG (2010). Modele i obroty bifaktorów: badanie stopnia, w jakim dane wielowymiarowe dają wyniki w skali jednoznacznej. Journal of Personality Assessment, 92 (6), 544–559. Źródło: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Revelle, W. (2013). psych: Procedury dotyczące osobowości i badań psychologicznych. Northwestern University, Evanston, Illinois, USA. Źródło: http://CRAN.R-project.org/package=psych . Wersja = 1.3.2.
· Rosseel, Y. (2012). lavaan: pakiet R do modelowania równań strukturalnych. Journal of Statistics Software, 48 (2), 1–36. Źródło: http://www.jstatsoft.org/v48/i02/ .
· Wang, WC i Cunningham, EG (2005). Porównanie alternatywnych metod oceny w potwierdzających analizach czynnikowych ogólnego kwestionariusza zdrowia. Raporty psychologiczne, 97 , 3–10.
· Wirth, RJ i Edwards, MC (2007). Analiza czynnikowa pozycji: aktualne podejścia i przyszłe kierunki. Metody psychologiczne, 12 , 58–79. Źródło: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .