Documente Academic
Documente Profesional
Documente Cultură
DIV4. Rai
DIV6. Judecata de Apoi DIV8. Puterea rugciunii
DIV5. Horoscop Credine religioase magice DIV3. Ghicit DIV7. Vrjitorie DIV2. Telepatie
DIV4. Rai
DIV6. Judecata de Apoi DIV8. Puterea rugciunii
DIV5. Horoscop Credine religioase magice DIV3. Ghicit DIV7. Vrjitorie DIV2. Telepatie
X1 = b11*F1 + b12*F2 + b13*F3 + + b1n*Fn + d1*U1 X2 = b21*F1 + b22*F2 + b23*F3 + + b2n*Fn + d2*U1 X3 = b31*F1 + b32*F2 + b33*F3 + + b3n*Fn + d3*U1 Xm = bm1*F1 + bm2*F2 + bm3*F3 + + bmn*Fn + dm*U1
12 = bk12 22 = bk22 32 = bk32 m2 = bkm2 unde 12 > 22 > 32 > >m2
Dac rotaia este ortogonal atunci structure matrix coincide cu pattern matrix Dac rotaia este oblic atrunci structure matrix este diferit de pattern matrix.
1. Calculm matricea de corelaie ntre variabile. 2. Supunem matricea la o descompunere n valori proprii (DVP): (1) obine o serie de vectori proprii = variabile latente i (2) valori proprii asociate = varianele acestor variabile latente.
Algoritmul DVP este un algoritm iterativ i urmrete s extrag pe rnd variabilele latente astfel nct s maximize variana acestora. Dup ce a extras o variabil latent, va ncerca s surprind variabilitatea rmas. Aceste variabile latente sunt perpendiculare = necorelate ntre ele
3. Pentru c algoritmul DVP extrage variabile latente perpendiculare, vom roti variabilele latente astfel nct s obinem o adecvare maxim a variabilelor la date:
Algoritmul DVP pornete de la matricea de corelaie, ns o poate face n dou moduri. Variabilitatea fiecrei variabile poate fi compus din:
A. Variabiliatea comun (suprins de factor) + variabilitate unic B. Variabilitate comun (surprins de factor) + variabilitate eroare (indicat de fidelitate) + variabilitate unic
Variabilitate eroare
Putem presupune c fiecare variabil este msurat cu o anumit eroare, prin urmare variabilitatea acesteia nu este adevrata variabilitate. Variana msurat = Variana real + Varian eroare Variana real este msurat cu ajutorul fidelitii (reliabilitii). Atunci cnd extragem variabilele latente putem ncercm ca n loc de variana msurat s folosim variana real, iar pe diagonalele matricii de corelaie s punem n loc de x s avem Crombah
n cazul
A. Spunem c se extrag COMPONENTELE PRINCIPALE, care sunt simple combinaii liniare a variabilelor manifeste B. Spunem c sunt extrai FACTORII LATENI
Pentru a extrage componentele principale n SPSS, selectai Data Reduction | Factor din meniul Analyze.
Selectarea variabilelor
2. Click pe butonul Descriptives pentru a obine statistici de evaluare a adecvrii modelului la date .
3. Marcai Coefficients pentru a obine matricea e corelaie, necesar pentru a evalua n ce msur analiza factorial este adecvat pentru aceste variable.
4. Selectai KMO and Bartletts test of sphericity pentru a obine statistici necesare evalurii adecvrii analizei factoriale pentru aceste variable.
Metoda de extragere
Metoda de extragere se refer la metoda matematic i la asumpiile pe care le facem relativ la model cnd calculm factorii sau componentele.
Metoda de extragere
3. Click butonul Continue .
1. Pentru nceput retinem metoda implicit Principal components. 2. Scree plot este o reprezentare grafic care ne ajut s selectm numrul adecvat de componente principale. Metoda componentelor principale pornete de la asumpia c (a) variana unei variabile se descompune n variana comun i variana unic i (b) ca nu avem erori de msurare
2. Solicitm reprezentarea grafic a relaiei dintre componentele extrase i variabilele introduse n analiz
1. Click OK
Scale de msurare
Variabilele sunt ordinale. Nivelul solicitat de msurare este intervale sau rapoarte. Pentru c scalele ordinale folosesc proprietatea ordinalitii numerelor (nu i cea a caridinalitii) unii analiti le consider numerice i prin urmare se consider c se satisface cerina acestei metode. Totui simulrile au artat c atunci cnd se folosete corelaia Pearsons pentru variabile ordinale (i cu dihotomice) analiza factorial NU poate extrage corect componentele principale sau factorii lateni! Metoda este ns suficeint de acurat dac se folosesc corelaii adecvate pentru aceste scale de msur:
Dihotomice: r tetracorhic Ordinale: b Cea mai eficent form de corelaie pentru variabilele ordinale este corelaia policorhic o generaliza a corelaiei tetracorhice i care pornete de la asumpia c variabila ordinal este o variabil continu i i adaug cozi marginale. Aceast corelaie nu este implementat nc n SPSS
O alt soluie este s se realizeze o analiz de omogenitate care este o descompunere n componente principale nonliniar
Mean 1.39 1.68 1.89 1.30 1.74 1.32 1.89 1.11 3.39 2.05 1.92
Std. Deviation .487 .468 .313 .460 .438 .468 .311 .313 .831 1.406 .266
Analysis N 1219 1219 1219 1219 1219 1219 1219 1219 1219 1219 1219
2. Raportul dintre numrul de cazuri i variabile ar trebui s fie 5 to 1 (unii analiti merg la 2 la 1). Noi avem 1219 cazuri i 12 variabile. Raportul este 101 la 1. Este foarte bun.
Correlation
Dvs. personal credei n Viaa de dup moarte? Dvs. personal credei n Viaa de dup moarte? 1.000 Dvs. personal credei n Telepatie (transmiterea gndurilor)? .244 Dvs. personal credei n Ghicit (cafea, cri, etc.)? .107 Dvs. personal credei n Rai? .574 Dvs. personal credei n Horoscop? .071 Dvs. personal credei n Judecata de Apoi? .535 Dvs. personal credei n Vrjitorie? .114 Dvs. personal credei n Puterea rugciunii? .361 Dvs. inei zilele de srbtoare religioas (nu lucrai)? -.109 Anul acesta Dvs. ai inut postul de Pate ? -.193 Ai apelat vreodat contra cost la ghicitoare sau astrologi, .057 direct sau prin reviste/telefoane?
Dvs. personal credei n Ghicit (cafea, cri, etc.)? .107 .250 1.000 .095 .283 .114 .494 .073 .019 .021 .284
Dvs. personal credei n Rai? .574 .129 .095 1.000 .110 .631 .081 .441 -.170 -.200 .069
Dvs. personal credei n Horoscop? .071 .294 .283 .110 1.000 .113 .216 .130 .026 .037 .176
.0
a. Determinant = .109
1. n afara diagonalei Dac corelaiile pariale sunt mici atunci ntre factorii unici exist corelaie mic Noi dorim ca ele s fie ct mai mici pentru ca s exist posibilitatea factorilor comuni.
2. Testul de sfericitate Bartlett verific cu ajutorulu unui test n ce msur exist o diferen ntre matricea de corelaie propriu-zis i o matrice de corelaie n care corelaiile ar fi 0 i varianele 1 (matricea identitate). n cazul nostru diferena este semnificativ p < 0.001.
1. O msur global de adecvare a eantionrii este KMO = 0.761 pentru acest set de variabile. El este mai mare de 0.50 prin urmare continu[m analiza.
Numrul de factori care trebuie extrai: criteriul valorilor proprii mai mari ca 1
Total Variance Explained Initial Eigenvalues % of Variance Cumulative % 26.343 26.343 17.691 44.034 10.114 54.148 8.475 62.624 7.604 70.227 6.497 76.725 5.906 82.631 5.696 88.327 4.450 92.777 3.994 96.770 3.230 100.000 Extraction Sums of Squared Loadings Total % of Variance Cumulative % 2.898 26.343 26.343 1.946 17.691 44.034 1.113 10.114 54.148 Rotation Sums of Squared Loadings Total % of Variance Cumulative % 2.537 23.066 23.066 2.061 18.736 41.802 1.358 12.346 54.148
Component 1 2 3 4 5 6 7 8 9 10 11
Total 2.898 1.946 1.113 .932 .836 .715 .650 .627 .490 .439 .355
Criteriul valorilor proprii mai mari ca 1 indic c am putea avea 3 componente. Acest criteriu tinde s supraestimeze numrul componentelor princiale necesare pentru a reproduce datele. Acesta este criteriu implicit n SPSS.
Aceste componente principale explic din totalul varianei (11) doar 5.95, adic 54.148. Un alt criteriu pentru selectarea numrului de componente principale este s trecem pragul de 70.0% n explicarea varianei. Acest criteriu tinde s supraestimeze CP.