1 / 27

Faktoranalízis az SPSS-ben

Faktoranalízis az SPSS-ben. = Adatredukciós módszer. Petrovics Petra Doktorandusz. Feladat Megnyitás: faktoradat_msc.sav. Forrás: Sajtos-Mitev 250.oldal. Fogyasztók materialista vonásai ( Richins-skála ). Faktoranalízis folyamata. Feltáró = új faktorok létrehozására

Download Presentation

Faktoranalízis az SPSS-ben

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz

  2. FeladatMegnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála)

  3. Faktoranalízis folyamata

  4. Feltáró = új faktorok létrehozására • Megerősítő (konformatikus) = modell tesztelésére, bizonyítására Szubjektív

  5. Elemzés érvényessége, változók alkalmassága • Metrikus változók / Dummy változók • A változók eloszlása normális Analyze / Regression / Linear / Plots… / Histogram Stb.

  6. Homoszkedaszticitás Analyze / Regression / Linear / Plots… / Scatterdot… Stb.

  7. Analyze / Correlate/ Bivariate • Multikollinearitás – korrelációs mátrix … … Stb.

  8. Nagyobb minta • „Minta elemszáma / változók száma” arány Min. 10-szer több válaszadó, mint változó

  9. Korrelációs mátrix Erős korreláció, de nem túl erős Analyze / Data Reduction / Factor / Descriptives Az értékek 75%-a szignifikáns.

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

  11. Kis érték (0,09 alatt az esetek min. ¾-ében)– a variancia független a többitől  nincs szoros kapcsolat MSA (Measure of SamplingAdequecy) Mennyire van szoros kapcsolatban a többi változóval  0,5 alattit kizárni Itt: 0,67-0,87 Anti-image mátrix …

  12. c) Bartlett teszt H0: nincs korreláció H1: van korreláció Analyze / Data Reduction / Factor / Descriptives

  13. Kaiser-Meyer-Olkin kritérium MSA értékek átlaga (összes változóra) Analyze / Data Reduction / Factor / Descriptives

  14. Analyze / Data 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

  15. 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 A priori információk alapján 3 Minél magasabb varianciahányadot tudunk magyarázni, annál, több információ marad meg az elemzés során  3. Varianciahányad-módszer

  16. Output 3. Varianciahányad-módszer Faktorelemzés után 1-nél nagyobb sajátérték! Ahány kiinduló változónk volt Csökkenő sorrend Magyarázott variancia %-a (Min. 60% kell) Faktorok száma

  17. 4. Screeplot Sajátérték ábrázolása 5-6 faktor Könyökkritérium: ahol az egyenes meredeksége megváltozik

  18. Maximum likelihood módszer ~ H0 : illeszkedik H1: nem illeszkedik 0,1 feletti α esetén jól illeszkedik 5 6 4 faktor 5 faktor 6 faktor

  19. = A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és értelmezhetőbb faktormegoldásokat kapjunk. Térben is látni

  20. KMO&Bartlett PrincipalComponents; faktorok száma (4) Varimax Faktorok mentése: FactorAnalysis / Scores

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

  22. Output Faktorszám meghatározása Kezdeti értékek

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

  24. Köszönöm a figyelmet!

More Related