Słownik metodologiczny · Analiza czynnikowa

Metoda głównych składowych (analiza czynnikowa)

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Metoda głównych składowych (analiza czynnikowa)

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Metoda głównych składowych (analiza czynnikowa)?

PCA tworzy składowe wyjaśniające maksymalną całkowitą wariancję obserwowanych zmiennych.
Co odróżnia to pojęcie? Metoda głównych składowych, czyli PCA, rozkłada całkowitą wariancję obserwowanych zmiennych na ortogonalne kombinacje liniowe. Nie oddziela wariancji wspólnej od swoistej i błędu. Jest użyteczna do kompresji oraz predykcji, ale nie stanowi automatycznie modelu zmiennej latentnej. Liczbę składowych należy walidować, a interpretację oprzeć na ładunkach i stabilności, nie tylko procencie wariancji.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Wybierz PCA, gdy celem jest kompresja całkowitej informacji w obserwowanych zmiennych do mniejszej liczby składowych, a nie wyjaśnianie ich przez wspólne czynniki.

PCA jest właściwe, gdy celem jest redukcja wymiaru lub stworzenie syntetycznych składowych zachowujących możliwie dużo całkowitej wariancji. Przed analizą ustal sposób skalowania zmiennych, liczbę składowych i plan walidacji; nie nazywaj składowych czynnikami latentnymi bez odrębnego modelu pomiarowego.

Jak poprawnie stosować i interpretować hasło „Metoda głównych składowych (analiza czynnikowa)”?

Przy ocenie pojęcia „Metoda głównych składowych (analiza czynnikowa)” trzeba odróżnić redukcję danych od modelowania wspólnych przyczyn odpowiedzi. Przy ocenie hasła „Metoda głównych składowych (analiza czynnikowa)” następnie ustala się skalę wskaźników, macierz poddaną analizie, metodę ekstrakcji, sposób wyboru liczby wymiarów i rotację. W analizie dotyczącej hasła „Metoda głównych składowych (analiza czynnikowa)” interpretacja powinna wynikać z całego wzorca ładunków oraz treści pozycji, a nie tylko z najwyższej liczby w każdym wierszu.

Ocena pojęcia „Metoda głównych składowych (analiza czynnikowa)” obejmuje stabilność rozwiązania, ładunki krzyżowe, wspólności, korelacje czynników i zgodność z przewidywaną strukturą. Dla interpretacji hasła „Metoda głównych składowych (analiza czynnikowa)” reguła Kaisera lub sam wykres osypiska rzadko wystarczają; lepiej połączyć analizę równoległą, teorię i sprawdzenie modeli alternatywnych. W odniesieniu do hasła „Metoda głównych składowych (analiza czynnikowa)” usuwanie pozycji powinno zachowywać zakres treści konstruktu.

Co trzeba opisać w raporcie?

W opisie „Metoda głównych składowych (analiza czynnikowa)” należy podać rodzaj analizy, macierz wejściową, ekstrakcję, rotację, kryterium liczby wymiarów i liczebność próby. Przy ocenie hasła „Metoda głównych składowych (analiza czynnikowa)” tabela powinna zawierać właściwe ładunki, informację o ładunkach krzyżowych i wspólnościach, a tekst — uzasadnienie nazw czynników oraz każdej zmiany modelu.

Zakres raportowania dla hasła „Metoda głównych składowych (analiza czynnikowa)”: Podaj N, sposób skalowania zmiennych, kryteria liczby składowych, wartości własne, procent odtworzonej wariancji, rotację i najważniejsze ładunki.

Przykład praktyczny i gotowa interpretacja

Sytuacja: PCA skompresowało dziesięć wskaźników do dwóch składowych odtwarzających 68% całkowitej wariancji; wynik służył redukcji, nie modelowaniu błędu pomiaru.

Jak ją zinterpretować: Zachowane składowe kompresują całkowitą wariancję wskaźników i nie reprezentują automatycznie wspólnych cech latentnych. Interpretację należy ograniczyć do redukcji danych, procentu wariancji i stabilności ładunków.

Najczęstsza pułapka i granica interpretacji

Składowa maksymalizująca całkowitą wariancję nie staje się przez samą interpretację wspólnym czynnikiem latentnym.

Rozwiązanie uzyskane dla „Metoda głównych składowych (analiza czynnikowa)” jest zależne od próby, zestawu pozycji i decyzji analitycznych. Dla interpretacji hasła „Metoda głównych składowych (analiza czynnikowa)” 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

PCA (analiza głównych składowych)Metoda osi głównychMetoda CattellaMetoda KaiseraZasoby zmienności wspólnej (analiza EFA)K-M-O i test sferyczności Bartletta

Poradniki, w których użyjesz tego pojęcia

Poradnik

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 →Poradnik

Alfa 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 →Poradnik

Regresja 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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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
  3. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
  4. 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
  5. 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
  6. 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}}
R