第9章_因素分析.ppt

因素分析 因素分析 壹、探索性因素分析 貳、驗證性因素分析 參、在SPSS中使用探索性因素分析的範例 肆、分析結果 伍、因素命名及信度分析 探索性因素分析 1/4 因素模型(factor model) Xi = λi1Y1 + λi2Y2 +…+ λiKYK + εi λij稱為因素負載(factor loadings)，εi為估計Xi時的量測誤差(measurement error)。 探索性因素分析 2/4 因素分析目的： 將許多的變數減縮為少數幾個因素，以做為建立更深入的研究模型之基礎。 建立一組相互獨立的因素以用於處理共線性(multicollinearity)對某些研究方法所產生的問題(例如：迴歸)。 找出可能的變數集群(clustering)。 探索性因素分析 3/4 因素分析的性質： 因素彼此間為獨立的，也就是說彼此的相關係數應該很小(接近於0)。 因素的決定並非是唯一的，也就是說不同方法可選出不同的因素。這也是使用因素分析時的一個問題。 使用因素分析時資料不需標準化(也就是說資料不需要有相同的量測尺度)。 因素分析的條件 因素分析的變項都必須是連續變項，符合線性關係的假設。順序與類別變項不得使用因素分析簡化結構。 抽樣的過程必須具有隨機性，並具有一定的規模。如果研究的母群據有相當的同質性（如學生樣本），變項數目不多，樣本數可以介於100到200之間。 變數之間需具有一定程度的相關，一群相關太高或太低的變項，皆會造成執行因素分析的困難。太低的相關難以抽取一組穩定的因素，不適於進行因素分析。相關太高的變項，多重共線性（multicollinearity）明顯，有區辨效度不足的疑慮，所獲得的因素結構價值不高。可透過球形檢定與KMO檢定來檢驗上述問題。 進行因素分析前資料的檢視 1. 檢視資料的相關係數矩陣，相關係數須顯著的大於0.3。 2. Bartlett的球型檢定(Bartlett test of sphericity)，此種統 計檢定主要是用來檢定變數間的相關係數是否顯著，核定 結果若p值小於0.05即代表顯著。 3. 取樣適切性量數(KMO)，其值介於0到1之間，若KMO等於 1表示每一變數均可被其他變數完全的預測，若KMO≧0.9， 表示資料非常適合做因素分析；0.9＞KMO≧0.8，表示很適 合；0.8＞KMO≧0.7，表示還不錯；0.6＞KMO≧0.5，表示不 太適合；KMO＜0.5，表示資料不適合做因素分析。 探索性因素分析 4/4 因素的抽取(extraction of factors) 主要是用主成分分析法(Principal components)及主軸因素法(Principal axis factoring)。 因素的旋轉解(rotated solution) 因素負載(factor loadings) 共同性(Communality) 因素個數的決定 因素命名 因素分數(factor scores) 主成分分析法(Principal components) 一、主成份分析的基本概念(1/2) 若欲將變數減少成少數幾個互相獨立的線性組合變數，亦即潛在變量或成份，就必須使用主成份分析。 主成份分析法是考慮將資料中原有的p個變數做線性組合得到k個新變數。通常k比p小很多。 主成份分析法的另一項功能是能將彼此間具有相關關係的p個變數，經過線性組合後成為k個彼此間相關係數為0的新變數，此過程稱為萃取（Extraction）。 使經由線性組合而得到的成份之變異數為最大，使觀測值在這些成份上顯示出最大的個別差異來。 一、主成份分析的基本概念(2/2) 主成份分析除了用來簡化變數間之關係外，可用來縮減某一組欲進行多變量分析之變數的數目。 主成份分析也可將各變數的原始分數轉為主成份分數，以供進一步的統計分析。 主成份分析還可用來建構多種具有不同衡量單位變數之綜合指標。 主成份亦可根據其負荷量來對主成份命名。 例如：以身高與體重來建構「塊頭」指標、以成長率與市場佔有率來建構「行銷績效」指標。 二、主成份的萃取 (1/2) 1、計算相關矩陣或共變數矩陣估計共同性(community，或稱共通性)：變數的變異數由主成份決定的比例。 2 、從相關矩陣或共變數矩陣中，萃取主成份。 3、決定因素的數目。 4、因素命名與結果解釋。 二、主成份的萃取 (2/2) 假設有p個數字變數，則可計算出p個主成份。 共同性會等於1，亦即沒有誤差項，故此公式不寫出誤差項。 主成份分析重視的是「變異數」，因素分析重視的則是「共變異數」。 主成份分析使觀察值在這些主成份乃顯示出最大的個別差異。因素分析的目的是找出共同性