探索性因素分析explorativefactoranalysis.pdfVIP

探索性因素分析(explorative factor analysis) 因素分析可分為驗證性因素分析和探索性因素分析。驗證性因素分析主要目的是 利用樣本來驗證已有的理論，這些已有的理論可包含質性研究 (如個案研究) ，而 質性研究是利用田野調查或深入訪談等等歸納發現，並整理成提議或假設的理論 這理論包含許多構念(constructs) ，而每個構念又含許多具體的題項或( 稱為指 標變數) ，驗證性因 素分析是利用新的樣本來驗證這個假設的理論是否無法被拒 絕 。另外，驗證性因素分析也可驗證其他已驗證過的理論在不同時間點、不同族 群、或不同領域等等是否一樣也成立。 在探索性因素分析裡，雖然在一般情形下，假設所有的題項涵蓋了潛在的因 素，但是不確定哪些題項是屬於哪個因素 ，且因素個數也不確定。另外，探索性 因素分析也可當作驗證性因素分析的前測分析，此時因素個數是已確定，利用探 索性因素分析的結果檢查理論是否可被支持，若是，則再進一步利用驗證性因素 分析驗證理論為真的假設是否無法被拒絕，以下的探討是針對探索性因素分析。 一、因素分析的目的 探索性因素分析的一般目的可做為資料的縮影 (summarize)和資料的縮減 (reduction) ：在資料縮影的目的下，因素 分析希望將原始許多變數所含的資訊， 在損失少量的資訊下，將剩餘的資訊濃縮在少數潛在的維度 。當瞭解了這些潛在 的維度後 ，我們就可 不必使用原始所有變數來描述資料，而是用較少數的構念 或( 因素 )來描述資料。而資料縮減則延續了資料縮影的過程，藉由導出每個維度的 因素數值來取代原始變數值，來達成資料縮減的目的。 二、執行因素分析的要件 (1)通常輸入的變數為定量變數，這些定量變數的測量單位可以不同。 (2)計算輸入變數的相關矩陣：主對角線的位置皆為 1 ，非主對角線的位置之數 值為兩個對應的變數之相關係數。 (3) 樣本大小：最低的要求是一個變數要有 5個觀察值，理想上一個變數至少要 有 10個觀察值，這樣才不會使得因素分析的結果只應用於這個個別的樣 本。 因此，若輸入 30個變數，則最低的要求是要有 150個觀察值，理想上是至 少要有300個觀察值。 三、因素分析的假設 因素分析的基本假設是原始輸入的變數存在一些少量潛在的結構。因此，因素分 1 析的 執行是否可行 ，需仰賴於變數之間是否具有充分的相關，使得同一個因素下 的變數 具有高度的相關。以下之統計度量是測量因素分析的執行是否適合。 (1)巴特雷球形檢 定(Bartlett test of sphericity) ：當此檢定的顯著性P值 小，表示輸入的變數適合做因素分析，但其缺點是樣本愈大顯著性 (P值就) 愈小，所以即使變數間只有些微的相關，在大樣本下，P值也會變 小。 (2) KMO(Kaiser-Meyer-Olkin)值或 MSA(Measure of sampling adequacy)值 ： 這些測量值介於 0 至1之間，值愈大表示輸入的變數愈適合做因素分析。值 為 0.8或以上表示極佳的、 0.7或以上表示還不錯、 0.6或以上表示普通的、 0.5或以上表示差勁的、 0.5 以下表示不可接受的。 另外， MSA值也可用於個別變數的篩檢：當個別變數的 MSA值低於 0.5 應考慮將其刪除 ，再重做因素分析。若有數個個別變數的 MSA值低於 0.5 ， 若欲刪除的話，則一次刪除一個變數，再重做因素分析，從 MSA值最低變數 先刪除起。 四、因素的獲得和適合度的評估 (1)因素萃取的方法 在談及萃取的方法之前，首先瞭解個別變數的總變異數可分成三部份： 1.共同變異數(common variance) ：是個別變數與其他輸入的變數所共有的 變異數。而共同性 (communality)為個別變數與因素分析所 萃取的因素所 共有的估計變異數。 2.特定變異數(specific variance)或稱為唯一變異數 (unique variance) ： 為個別變數的特定變異數，此部份的變異數是無法被其他輸入的變數所解 釋的。 3.誤差變異數 (error variance) ：此部份的變異數也是無法被其他輸入的變