Documente Academic
Documente Profesional
Documente Cultură
In AFE (analiza factoriala exploratorie) exploram “liber” relatiile dintre itemi/variabile cu scopul
de a identifica factorii latenti care explica in mod economic covariatia acestora. Altfel spus, in
AFE nu avem un model (structural) predefinit cu privire la numarul de factori latenti si la relatiile
de asociere dintre acesti factori. Putem spune ca cercetatorul este condus mai degraba de date
(driven by data), relatiile dintre itemi configurand o anumita solutie/ structura (cercetatorul poate
doar rota solutia extrasa, dar de regula accepta toti factorii interpretabili cu eigenvalue >1).
In AFC cercetatorul incepe cu formularea unui model ipotetic cu privire la structura datelor
(relatiile dintre itemi/ variabile). Aceasta modelare este ghidata de: 1. solutiile factoriale obtinute
anterior prin demersuri de tip AFE (daca vorbim de modelele de masurare); 2. de sinteza cognitiva
a unor relatii teoretice verosimile, cu sau fara confirmare empirica prealabila (cazul modelelor de
tip path-analysis si full SEM).
Dupa formularea unui model, cercetatorul colecteaza datele empirice de care are nevoie, pentru a
supune aceasta structura ipotetica confirmarii statistice. Pentru decizia de confirmare exista definiti
mai multi indicatori de potrivire (fit indexes), care indica daca modelul formalizat este sau nu
sustinut de datele reale culese. Frecvent se intampla ca modelul initial al cercetatorului sa nu fie
sustinut de date, motiv pentru care acesta poate sa-si ajusteze si sa-si redefineasca modelul pe baza
unor informatii statistice oferite de indicatorii de modificare (”modification indices”). Chiar daca
aceasta practica este reglementata in domeniu, cercetatorul trebuie sa fie constient ca in acest
moment cercetarea sa trece din paradigma confirmatorie in paradigma exploratorie.
AFC este o tehnica de analiza multivariata, in care structura unui fenomen (de exemplu: factor
psihic latent) este formalizata printr-o serie de constrangeri si eliberari aplicate asupra unui set de
relatii intre mai multe variabile. AFC utilizeaza frecvent doar matricea de varianta si covarianta,
desi uneori sunt introduse in analiza si mediile si intercepturile (cazul compararii mediilor latente).
De exemplu, in figura de mai jos variatia itemilor 6, 18, 13 si 7 este contransa sa fie controlata
doar de factorul F1, nu si de factorii F2--F4 (regresiile dinspre acestia fiind constranse la zero). De
asemenea, regresiile F1 it18, F1 it13 si F1 it7 sunt estimate liber, in timp ce regresia F1
it6 este constransa la valoarea 1 (cu scop de standardiza metrica de masurare). Covariatiile dintre
factorii F1--F4 sunt constranse la zero.
Pentru ilustrarea AFC vom utiliza baza de date SAQ.sav (Field, 2003), analizata cu programul
SPSS AMOS (Arbuckle, 2012).
AFC Page |2
Tipuri de variabile
F1 -- F4 & e1 -- e15= exogene, neobservate/ latente
it 6 -- it 2 = endogene, observate/ manifeste
Sumarul parametrilor
AMOS ofera acest sumar in tabelul urmator
Sumarul parametrilor
AMOS ofera acest sumar in tabelul urmator.
p (p+1) / 2
df = degree of freedom = 84
CMIN = (N-1)*Fmin
d.f. CMIN = ½ (p)(p+1) - t
Unde:
p = numarul de variabile observate
t = numarul de parametri de estimat
In diagram AMOS de mai sus valoarea de semnificatie asociata lui X2 este semnificativa,
respectiv p <.001. Prin urmare modelul nu este sustinut de date.
Aceasta este o situatie frecventa la care concura complexitatea modelului, de aceea se recomanda
calcularea raportului X2/d.f. Ideal ar fi ca valoarea acestui raport sa fie cat mai apropiata de 1,
fapt ce ar indica o buna potrivire a modelului estimat. Totusi in practica sunt diferite recomandari
cu privire la limita maxima a acestui raport, asa cum se poate vedea in extrasul AMOS, atasat
mai jos.
AFC Page |8
Raportul X2/d.f. calculat pentru modelul cu 4 factori corelati este 12.33, indicand faptul
ca modelul nu este sustinut de date.
Se considera ca valorile GFI >.95 arata o buna potrivire. Din perspectiva acestui indicator
modelul cu 4 factori corelati ar putea fi sustinut de date (GFI =.95).
AFC Page |9
3.2.Indicatori incrementali
CFI comparative fit index (Hu & Bentler, 1999)
este un indice de potrivire incrementală care compară raportul dintre modelul structural
ipotetic cu un model independent (independece model). Acesta din urmă asumă
independenţa/ necorelarea variabilelor incluse, având cea mai slabă potrivire posibilă).
CFI = modelul ipotetic / independece model
In cazul CFI, discrepanța dintre date și modelul ipotetic este calculată, ajustând pentru
mărimea eşantionului (problemă inerentă în cazul testului chi-pătrat de potrivire). CFI
variază de la 0 la 1, valorile CFI >.95 indică o bună potrivire.
Din perspectiva acestui indicator modelul cu 4 factori corelati nu este sustinut de date
(CFI=.92).
3.3.Indicatori de parcimonie
RMSEA root mean square error of approximation (Steiger & Lind, 1980)
este un indice de potrivire absolută ce evaluează cât de departe este un model strucural
ipotetic în raport cu un model perfect (saturated model).
RMSEA = modelul ipotetic / saturated model
RMSEA este definit in populatie ca
unde:
λ = parametrul de noncentralitate al distribuției non-centrale X2,
df = gradele de libertate ale modelului,
N = dimensiunea eșantionului.
În eșantion, λ este estimat de (X2- df) sau zero dacă valoarea X2 este mai mica decât
valoarea pentru df.
Browne și Cudeck (1993) au sugerat ca valori ale parametrilor populației RMSEA <.05
indică o bună potrivire a modelului; valorile de RMSEA < .08 indică o eroare rezonabilă
de aproximare.
Din perspectiva acestui indicator, modelul cu 4 factori corelati doar la limită ar putea fi
sustinut de date (RMSEA =.07).