因素分析(3).pptVIP

第七章 因素分析 7-1　因素分析 7-2　因素分析的基本統計假設 7-3　因素分析之檢定 7-4　選取因素之數目 7-5 因素的轉軸和命名成為構面 7-6　樣本的大小和因素分析的驗證 7-7　因素分析在研究上的重要應用 7-8　研究範例 7-1 因素分析 　　因素分析(factor analysis)，因素分析並無依變數(dependent variable)和自變數(independent variable)之分，而是將所有的變數選取進來，除了可以看到每個變數和其它所有變數的關係外，更可以用來形成對所有變數的最大化解釋。因素分析的目的是用來定義潛在的構面，由於潛在的因子(例如：道德、勇氣…等等)無法直接量測，我們可以藉由因素分析來發掘這些概念的結構成份，以定義出結構的各個維度(構面)，以及每個維度(構面)包含了那些變數。 　　因素分析的使用：在確認結構成份後，我們經常使用因素分析於 彙總 (summarization)和資料縮減 (Data reduction)，我們分別介紹如下： 彙總 (summarization) 所有的變數經由因素分析後，可以得到少數的概念，這些概念等同於彙總所有的變數，經由適當的命名後，就成了我們所謂的構面。 資料縮減 (Data reduction) 我們可以經由因素分析後，選取具有代表性的變數，這些有代表性的變數仍然具有原有變數的大部份解釋量外，也保留了原始的結構，因此，透過因素分析我們可以得到資料縮減的功能。 7-2 因素分析的基本統計假設 　　在作因素分析之前，必須檢定資料是否符合下列4種基本的統計假設 (statistical assumption)： 1. 線性關係 – 兩組變數的相關係數是基於線性關係，若不是線性關係， 　則變數需要轉換，以達成線性關係。 2. 常態性 (normality) – 雖然，典型相關並無最嚴格要求常態性，但常態 　性會使分配標準化以允許變數間擁有較高的相關，因此，符合常態是 　較好的作法，由多變量的常態難以判讀，所以大多都是針對單一變量 　要求是常態性。 3. 變異數相等 (Homoscedasticity) – 若不相等，會降低變數間的相關， 　因此，需要符合變異數相等。 4. 樣本的同質性 (Homogeneity of sample) – 有相同性質的樣本就會產 　生多元共線性 mulitcollinearity，由於因素分析是用來辨識變數之間的 　關係，因此，適度的多元共線性是需要的，也就是說，相同構面下的 　項目應該具有高度的相關性。 7-3 因素分析之檢定 　　當變數之間的相關太高或太低時，都不適合作因素分析，我們一般都會使用KMO和Bartlett’s 球形檢定來判定是否作因素分析。KMO的全名是 Kaiser-Meyer-Olkin，KMO是使用淨相關 (partial correlation) 矩陣來計算， Kaiser (1974) 提出了KMO抽樣適配度的判定準則如下： 　　Bartlett’s球形檢定是使用相關係數來計算，在一般的情形下，相關矩陣的值必須明顯地大於0，我們使用spss軟體時可以查看Bartlett’s球形檢定 的顯著性，作為判定是否適合作因素因分的檢定之一項準則。 7-4 選取因素之數目 　　在眾多的變數下，我們應該選取多少因素之數目才好呢? 基本上，没有單一的標準，可以決定一切，研究人員仍必須考慮實務上的經驗和判斷來決定，在一般情形下，我們常用下列4種方法來作初始的判定。 特徵值 (eigenvalue1)：特徵值大於1的涵義是變數能解釋的變異超過1時，就表示很重要，可以保留下來，若是小於1時，就表示不重要，可以拾棄，特徵值也稱為是隱藏根 (Latent Root)，特徵值特別適用於變數的數量介於20個至50個，若是變數的數量少於20個，則有萃取太少的問題，若是變數的數量大於50個，則有萃取太多的問題。 陡坡圖(Scree Test)：陡坡圖可以用來判定最適切的因素個數，它是用特徵值當y軸，因素的個數當x軸，曲線上的點代表變數可以解釋的變異，如下圖： 陡坡圖的判定方式是當曲線下降至平坦處，就是判定點，如上圖，我們會選取5個因素，若是採用特徵值 = 1的方法，則會選取4個因素，研究人員到底選取4個還是5個因素，得考慮實務上的經驗來判定了。 理論決定 研究人員根據過去的文獻或理論架構來選取因素時，則在作因素分析前，已經知道需要選取多少個因素，因素分析則是用來驗證有關多少因素應該被選取。 變異的百分比 在萃取的因素能解釋的變異數，累積到一定程度就可以了，在社會科學中，大多都同意變異數累積到60%左右，就達到標準了，有些研究的選取準則，有可能會再低一些。 7-5 因素的轉軸和命名成為構面 　　我