Factor analysis 因素分析是一種用來簡化變項，分析變項間的主軸關係研究应用.docxVIP

Factor analysis 因素分析是一種用來簡化變項，分析變項間的主軸關係，尋找共同潛在構念的統計技術，亦即以少數幾個因素來解釋一群有相互關係存在的變數之模式，又能保有原有資料結構所提供的大部份資訊。 Factor analysis的目的 1. Data Summarization彙整 (將類似的變數放在一起) 2. Data Reduction縮減變數 3. 驗證/衡量問卷 Variable Selection and Measurement Issues (1) What type of variables can be used in factor analysis? 連續型態的變數。 ☆Metric variables (十進制) ☆Nonmetric variables (非十進制)：轉為Dummy variables(二進制，0、1)，最好避免使用。 例如：是否會購物，可以0代表會，1代表不會。 (2) How many variables should be included? 5個變數以上。 Sample Size 至少要大於觀察變數的數量，不能少於50，最好超過100。通常最少能接受的數量是變數的5倍，較多人能接受的是變數的10倍，最好為20倍。 Testing Assumptions of Factor Analysis 概念上的issues 1. 觀查的patterns是概念上有效的且適合利用factor analysis研究、探討。 2. 確認樣本是同質的 3. 在單因素分析上結合依變數及自變數，然後利用衍生出的因素去支持依賴關係是不適合的。 統計的issues 1. Intercorrelation (要高) 2. 太大的partial correlation或anti-image correlations 不適合於factor analysis 3. Bartiett test of sphericity = 檢定correlation matrix在一些變數間是否有顯著關係。(應大於0.5) 4. MSA(Measure of sampling adequacy)，值介於0~1之間，1代表每個變數無與其他變數間未存在錯誤。低於0.5將不被接受。 提高MSA的方法 (1) 增加sample sizes (2) 增加平均的相關性 (3) 增加變數的數量 (4) 減少factors的數量 Extration Decisions(見圖五) PCA(Principal components analysis, Component analysis) 考慮所有的變數並衍生factors，包含小部分的unique variance 及 error variance. 適合用於： (1) Data reduction為首要考量 (2)根據先前的經驗建議unique variance 及 error variance代表相對小部分的 總變異量。 CF(Common factor analysis) [理論為基礎] 只考慮Common or shared variance，不包含unique variance 及 error variance. 適合用於： (1) 首要目標為分辨潛在維度或概念能指出原始的變數，即best in well-specified theoretical applications. (2) 研究者對於specific and error variance只有一些認識，因此希望排除這些變異。 Number of Factors 1. priori criterion 在進行因素分析時，已清楚知道要分成幾個。 適用於： (1) 驗證理論或假說淬取出的因素數目。 (2) 試圖重製其他人的研究，利用相同數量的因素。 2. Latent Root criterion 找出Latent roots 或 eigenvalues(特徵值) 大於1對應的數量。 最常被使用。 利用eigenvalues最有效的變數範圍為20-50間。 低於20，會淬取出較少、保守的因素數量。 高於50，not uncommon。 3. Percentage of variance criterion 在自然科學產生因素時，通常直到淬取的因素能解釋95%的變異量或直到最後一個因素只能解釋少部分的變異(低於5%)。 在社會科學，總變異量不可低於60% 4. Scree test criterion 找出趨於平緩的那個點。 Processes of Factor Interpretation 1. estimate the fa