Sunteți pe pagina 1din 9

 AFC Page |1

ANALIZA FACTORIALA CONFIRMATORIE / AFC

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.

In psihologie, utilitatea analizelor de tip confirmator este legata de posibilitatea de a determina


schema precisa dupa care se organizeaza (static si dinamic) fenomenele psihice complexe, atat la
nivel intra-individual cat si inter-individual.

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

Modelul factorial cu 4 factori independenti / necorelati

Diagrama modelului de masurare


 4 factori latenti (F1-F4)
 15 variabile observate/ itemi
 15 erori de masurare/ variabile latente (e1-e15)

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

Parametri fixati (19) = 15 regresii de tip “e” + 4 regresii de tip “F”


Parametri neetichetati (30) = 11 ponderi de regresie de tip “Fitem” +
+ 19 variante (15 itemi + 4 factori)
Total 49 parametri, din care 30 de estimat.

Indicatori de potrivire pentru modelul factorial cu 4 factori independenti / necorelati

Concluzie: datele nu suporta modelul cu 4 factori independenti.


 AFC Page |3

Modelul factorial cu 4 factori corelati


Diagrama modelului de masurare
 4 factori latenti (F1-F4)
 15 variabile observate/ itemi
 15 erori de masurare/ variabile latente (e1-e15)
 6 covariatii (intre F1--F4)

Sumarul parametrilor
AMOS ofera acest sumar in tabelul urmator.

Parametri fixati (19) = 15 regresii de tip “e” + 4 regresii de tip “F”


Parametri neetichetati (36) = 11 ponderi de regresie de tip “Fitem” + 19 variante (15 itemi + 4 factori)

+ 6 covariante de tip “F1< - > F4”


Total 55 parametri, din care 36 de estimat.
 AFC Page |4

Concepte importante in AFC


In AFC, matricea de covarianță generalizează noțiunea de varianță (abaterea patratică de
la media unei variabile) la dimensiuni/ variabile multiple. De exemplu, variația într-o
colecție de puncte aleatorii în spațiul bidimensional nu poate fi caracterizată deplin de un
singur număr și nici de varianțele separate pe direcțiile x şi y nu ar conține toate informațiile
necesare. Prin urmare, avem nevoie de o matrice 2 x 2 pentru a caracteriza deplin variația
bidimensională. O matrice de covarianță este o matrice pătrată care conţine covarianța între
fiecare pereche de elemente ale unui vector aleator dat. Orice matrice de covarianță este
simetrică și pozitiv-semidefinită, iar diagonala sa principală conține varianțe (covarianța
fiecărui element cu sine). https://en.wikipedia.org/wiki/Covariance_matrix

1. Identificarea unui model si gradele de libertate

Numarul de momente de esantionare distincte (unitati de informatie)

p (p+1) / 2

p = nr de variabile observate/ prezente in model


p = 15 (15+1) / 2
p = 120

AMOS ofera aceasta informatie in tabelul

df = degree of freedom = 84

Daca df > 1  ”identified model” , deci modelul este identificabil

df = 0  ”unidentified model” (modelul nu este identificabil!)


df = 1  ”just identified model” (modelul este identificabil dar nu are valoare
inferentiala!)
 AFC Page |5

2. Potrivirea modelului/ ”model fit”


= se refera la faptul ca modelul formalizat prin diagrama descrie adecvat structura
datelor din matricea de varianta/ covarianta.
Atunci cand modelul nu se potriveste datelor (”misfit”) trebuie cautate sursele acestei
nepotriviri. Surse posibile:

2.1. Fezabilitatea parametrilor estimati


 corelatii > 1
 variante negative
 matricea de varianta/ covarianta nu este pozitiv definita
În matematică, o matrice simetrică M cu intrări reale este pozitivă-definită dacă
numărul real zTMz este pozitiv pentru fiecare vector-coloană real non-zero z, unde zT
este transpusa lui z. Mai general, o matrice hermitiană (adică o matrice complexă egală
cu transpusa conjugată) este pozitiv-definită dacă numărul real z*Mz este pozitiv pentru
fiecare vector-coloană complex non-zero z, unde z* denotă transpusa conjugată a lui z.
O matrice este pozitiv-definită dacă și numai dacă definește un produs interior. O
matrice care nu este pozitiv-definită este nedefinită (neputând genera soluţii unice).
https://en.wikipedia.org/wiki/Definite_matrix

2.2. Erorile standard (S.E.) sunt adecvate


 nu sunt excesiv de mari
 sunt diferite de zero.

2.3. Semnificatia statistica a parametrilor estimati


Pentru fiecare parametru estimat avem caclulat un test ”Z” de semnificatie sau ”Critical
Ratio” (Z=CR).
Z= valoarea parametrului estimat / eroarea standard
Daca
Z > +/- 1.96, atunci pentru acel parametru estimat avem p <.05
Relatiile pentru care parametrii estimati sunt nesemnificativi dpdv statistic trebuie eliminate din
model si astfel modelul este respecificat. Prin astfel de respecificari se ajunge la un model in care
toate relatiile estimate sunt semnificative statistic.
 AFC Page |6

De exemplu, in ceea ce priveste semnificatia statistica a ponderilor de regresie pentru itemii


controlati de factorul F1, AMOS ofera aceasta informatie in tabelul de mai jos.

3. Indicatori de potrivire/ Model Fit


Exista trei tipuri de indicatori: 1. absoluti; 2. incrementali; 3.de parcimonie (Hooper et al.,
2008). Rezultatele estimarii modelului cu 4 factori corelati sunt redate in urmatoarea
diagrama AMOS.
 AFC Page |7

3.1. Indicatori absoluti


Masoara potrivirea de ansamlu dintre model si datele observate.
Valoarea testului X2 sau CMIN
masora gradul in care relatiile stipulate de model sunt sustinute de
matricea de variatie si covariatie a datelor culese. Pentru ca un model
structural sa fie confirmabil, valoarea testului X2 sau CMIN ar trebui sa
fie cat mai mica iar pragul de semnificatie p atasat testului ar trebui sa aiba
valoari p <.05.
CMIN este o valoare minima calculata pentru o functie ce determina marimea
discrepantei intre doua matrici (vezi extras AMOS mai jos).

CMIN = matricea cov S nerestrictionata / matricea cov Σ(θ) restrictionata

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.

GFI goodness of fit index


AMOS defineste GFI conform autorilor (Jöreskog and Sörbom , 1984)

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).