Co oznacza Macierz struktury?
Zastosowanie, warunki i dobre praktyki
Najważniejsze zastosowanie: Użyj macierzy struktury do odczytania prostych korelacji wskaźników z czynnikami i porównaj ją z macierzą modelową, gdy czynniki mogą być skorelowane.
Macierz struktury odpowiada na pytanie, jak silnie każda pozycja koreluje z każdym czynnikiem, także pośrednio przez korelacje między czynnikami. Jest cenna dla zrozumienia treściowego zasięgu wymiaru, lecz nie zastępuje macierzy modelowej przy przypisywaniu pozycji do czynnika.
Jak poprawnie stosować i interpretować hasło „Macierz struktury”?
Przy ocenie pojęcia „Macierz struktury” trzeba odróżnić redukcję danych od modelowania wspólnych przyczyn odpowiedzi. Przy ocenie hasła „Macierz struktury” następnie ustala się skalę wskaźników, macierz poddaną analizie, metodę ekstrakcji, sposób wyboru liczby wymiarów i rotację. W analizie dotyczącej hasła „Macierz struktury” interpretacja powinna wynikać z całego wzorca ładunków oraz treści pozycji, a nie tylko z najwyższej liczby w każdym wierszu.
Ocena pojęcia „Macierz struktury” obejmuje stabilność rozwiązania, ładunki krzyżowe, wspólności, korelacje czynników i zgodność z przewidywaną strukturą. Dla interpretacji hasła „Macierz struktury” reguła Kaisera lub sam wykres osypiska rzadko wystarczają; lepiej połączyć analizę równoległą, teorię i sprawdzenie modeli alternatywnych. W odniesieniu do hasła „Macierz struktury” usuwanie pozycji powinno zachowywać zakres treści konstruktu.
Co trzeba opisać w raporcie?
W opisie „Macierz struktury” należy podać rodzaj analizy, macierz wejściową, ekstrakcję, rotację, kryterium liczby wymiarów i liczebność próby. Przy ocenie hasła „Macierz struktury” tabela powinna zawierać właściwe ładunki, informację o ładunkach krzyżowych i wspólnościach, a tekst — uzasadnienie nazw czynników oraz każdej zmiany modelu.
Zakres raportowania dla hasła „Macierz struktury”: Raportuj macierz struktury obok macierzy modelowej i korelacji czynników, aby czytelnik mógł oddzielić korelacje proste od unikatowych współczynników wzorca.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Ta sama pozycja korelowała .76 z A i .41 z B w macierzy struktury, ponieważ czynniki były powiązane; proste korelacje nie są unikatowymi ładunkami.
Jak ją zinterpretować: Wysoka wartość oznacza silną prostą korelację pozycji z czynnikiem, która może częściowo wynikać z korelacji między czynnikami. Do przypisania wskaźnika potrzebne jest równoczesne odczytanie macierzy wzorca.
Najczęstsza pułapka i granica interpretacji
Wysoka wartość w macierzy struktury może wynikać z korelacji czynników i nie oznacza unikatowego przypisania pozycji do danego wymiaru.
Rozwiązanie uzyskane dla „Macierz struktury” jest zależne od próby, zestawu pozycji i decyzji analitycznych. Dla interpretacji hasła „Macierz struktury” nadanie czynnikowi nazwy nie dowodzi jego trafności ani nie zastępuje replikacji struktury.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Fabrigar et al., 1999).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikAlfa Cronbacha: jak oceniać rzetelność skali bez uproszczeń
Alfa Cronbacha krok po kroku: wzór, założenia, interpretacja, ograniczenia i sytuacje, w których lepiej raportować współczynnik omega.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
- Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675
- McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
- Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
- Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Cytowania BibTeX
@article{fabrigar1999efa, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={Evaluating the use of exploratory factor analysis in psychological research}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989X.4.3.272}}@article{hayton2004parallel, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={Factor retention decisions in exploratory factor analysis: a tutorial on parallel analysis}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}@article{jolliffe2016pca, author={Jolliffe, Ian T. and Cadima, Jorge}, title={Principal Component Analysis: A Review and Recent Developments}, journal={Philosophical Transactions of the Royal Society A}, year={2016}, volume={374}, number={2065}, pages={20150202}, doi={10.1098/rsta.2015.0202}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}