心理学の基礎(6 因子分析の基本問題.pptVIP

心理学の基礎(6)因子分析の基本問題 香川大学経済学部 堀　啓造 日本心理学会第回大会 ２０００年１１月６日 １．主成分分析?因子分析（直交モデル） 主成分分析はデータの集約 因子分析は潜在因子を仮定する この違いを示す。 データの作成 全く相関しない乱数データを多数作る。 N=1000　の変数を任意に作成する。 SPSS使用 互いに独立な正規乱数生成マクロ http://www.ec.kagawa-u.ac.jp/~hori/spss/ spss.html#ranzero 変数の作成(v1～v10) 第１因子 compute x1=0.6**2. compute w1=sqrt(x1). compute w2=sqrt(1-x1). compute v1=w1*f1+w2*e1. compute v2=w1*f1+w2*e2. compute v3=w1*f1+w2*e3. compute v4=w1*f1+w2*e4. compute v5=w1*f1+w2*e5. 第２因子 compute x1=0.5**2. compute w1=sqrt(x1). compute w2=sqrt(1-x1). compute v6=w1*f2+w2*e6. compute v7=w1*f2+w2*e7. compute v8=w1*f2+w2*e8. compute v9=w1*f2+w2*e9. compute v10=w1*f2+w2*e10. 相関行列 主成分分析を行う FACTOR /VARIABLES v1 to v10 　/ANALYSIS v1 to v10 /PRINT extraction /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION pc. 因子分析はモデルをきれいに再現させた。 主成分分析はもとのモデルよりも負荷量?共通性とも大きくなる。 主成分分析がデータの記述であることを示すにはもう一つつっこむ必要がある。 変数の数を減らしてみる。 v9,v10をカット 主成分分析と因子分析の違い 主成分分析は関係する変数の数が変わると負荷量?共通性が変わる。　　　　　　　　→主成分分析は記述 しかも，数値はその因子に関連する変数の数によって意味が違っていて，結果を誤読するおそれがある。 因子分析は関係する変数の数が変わっても負荷量?共通性の値は変化しない。 ２．主成分分析と因子分析の直交解?斜交解 斜交解が適切な場合におこる問題を指摘し，斜交解が適切であることを示す。 特に主成分分析は斜交解が適切な場合におおきな問題を抱えている。回転をしない解の問題を指摘する。 斜交回転は 直接oblimin(0) データの作成 compute a1=0.5. /*因子 compute a3=0.3. /*　g compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v6=w1*f2+w3*f5+w2*e6. compute v7=w1*f2+w3*f5+w2*e7. compute v8=w1*f2+w3*f5+w2*e8. compute v9=w1*f2+w3*f5+w2*e9. compute v10=w1*f2+w3*f5+w2*e10. compute a1=0.3. /*因子 compute a3=0.3. /*g compute a2=1-a1-a3. compute w1=sqrt(a1). compute w3=sqrt(a3). compute w2=sqrt(a2). compute v16=w1*f4+w3*f5+w2*e16. compute v17=w1*f4+w3*f5+w2*e17. compute v18=w1*f4+w3*f5+w2*e18. compute v19=w1*f4+w3*f5+w2*e19. compute v20=w1*f4+w3*f5+w2*e20. exec. 主成分分析をすると 一般因子がある場合，主成分分析（回転をしない本来のもの）は，意味もなく，２つの因子をひっつける。これは単に分散を最大化するためのもの。 だから，解釈する意味はないと考えたほうがいい。 実際にはいろんな複雑な関係があるから，解釈したくなる。 意味づけできるものでも分散最大化の人工的なものと抑える。 主成分分析変数の数を減らす 因子分析の負荷量は変化しないが， 主成分負荷量は変化する。 主成分間相関?因子間相関 主成分分析 5+2 .383 主成分分析 5+5 .397 因子分析