Słownik metodologiczny · Analiza czynnikowa

Test sferyczności Bartletta

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

Strona główna / Słownik / Test sferyczności Bartletta

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test sferyczności Bartletta?

Test sferyczności Bartletta sprawdza hipotezę, że macierz korelacji w populacji jest macierzą jednostkową.

Zastosowanie, warunki i dobre praktyki

Test Bartletta w analizie czynnikowej sprawdza hipotezę, że macierz korelacji w populacji jest jednostkowa. Istotny wynik wskazuje, że istnieją korelacje możliwe do modelowania, ale przy dużym N może wystąpić nawet dla słabej struktury. Nie rozstrzyga liczby czynników ani jakości poszczególnych wskaźników, dlatego łączy się go z KMO, macierzą i analizą równoległą.

Najważniejsze zastosowanie: Używaj testu Bartletta do sprawdzenia, czy macierz korelacji różni się od jednostkowej, ale nie do wyboru liczby czynników.

Jak poprawnie stosować i interpretować hasło „Test sferyczności Bartletta”?

Przy ocenie hasła „Test sferyczności Bartletta” KMO i test sferyczności Bartletta odpowiadają na dwa różne pytania przed analizą wymiarowości. W analizie dotyczącej hasła „Test sferyczności Bartletta” KMO opisuje, czy korelacje cząstkowe są na tyle małe, by wspólna struktura mogła być użyteczna, natomiast test Bartletta sprawdza zgodność macierzy korelacji z macierzą jednostkową. Dla interpretacji hasła „Test sferyczności Bartletta” żaden z tych wyników nie wyznacza liczby czynników i nie zastępuje oceny treści pozycji.

Dla interpretacji hasła „Test sferyczności Bartletta” KMO należy oglądać zarówno dla całej macierzy, jak i dla poszczególnych zmiennych, ponieważ niski wynik jednej pozycji może być ukryty w wartości ogólnej. W odniesieniu do hasła „Test sferyczności Bartletta” test Bartletta jest silnie zależny od liczebności: w dużej próbie wykrywa także niewielkie korelacje. Przy ocenie hasła „Test sferyczności Bartletta” trzeba dodatkowo skontrolować macierz wejściową, rozkłady, adekwatność korelacji dla skali pozycji i stabilność rozwiązania czynnikowego.

Co trzeba opisać w raporcie?

Przy ocenie hasła „Test sferyczności Bartletta” w raporcie należy podać ogólną wartość KMO, ewentualnie zakres MSA dla pozycji, statystykę χ² Bartletta, stopnie swobody, wartość p, liczebność i rodzaj analizowanej macierzy korelacji. W analizie dotyczącej hasła „Test sferyczności Bartletta” decyzję o liczbie wymiarów trzeba opisać osobno, wskazując na przykład analizę równoległą i uzasadnienie teoretyczne.

Zakres raportowania dla hasła „Test sferyczności Bartletta”: KMO = …; χ² Bartletta(df) = …, p = …; dodaj sposób wyboru liczby czynników.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Test Bartletta dał χ²(45) = 286.4, p < .001, więc macierz korelacji nie była jednostkowa; wynik nie wskazał jednak, czy zachować dwa, czy trzy czynniki.

Jak ją zinterpretować: Odrzucenie macierzy jednostkowej oznacza, że wskaźniki są ze sobą powiązane dostatecznie, by rozważać strukturę. Nie mówi, ile czynników zachować ani czy każdy wskaźnik dobrze pasuje.

Najczęstsza pułapka i granica interpretacji

Przy dużej próbie test prawie zawsze wykrywa choćby małe korelacje i nie wybiera liczby czynników.

Dla interpretacji hasła „Test sferyczności Bartletta” akceptowalne KMO i istotny test Bartletta mówią jedynie, że macierz może zawierać strukturę wartą dalszej analizy. W odniesieniu do hasła „Test sferyczności Bartletta” nie dowodzą jednowymiarowości, trafności skali ani poprawności konkretnego rozwiązania EFA lub PCA.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Fabrigar et al., 1999).

Powiązane hasła

K-M-O i test sferyczności BartlettaŁadunek czynnikowyMacierz modelowaMacierz strukturyMetoda CattellaMetoda głównych składowych (analiza czynnikowa)

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