Phân tích nhân tố khám phá (EFA) là phù hợp (về mặt tâm lý và mặt khác) để kiểm tra mức độ mà người ta có thể giải thích mối tương quan giữa nhiều mục bằng cách suy ra ảnh hưởng chung của (một) yếu tố không được đo lường (nghĩa là tiềm ẩn). Nếu đây không phải là mục đích cụ thể của bạn, hãy xem xét các phân tích thay thế, ví dụ:
- Mô hình tuyến tính tổng quát (ví dụ: hồi quy bội, tương quan chính tắc hoặc (M) AN (C) OVA)
- Phân tích nhân tố khẳng định (CFA) hoặc phân tích tính trạng / lớp / hồ sơ tiềm ẩn
- Phương trình cấu trúc (SEM) / mô hình bình phương nhỏ nhất một phần
Kích thước là vấn đề đầu tiên EFA có thể giải quyết. Bạn có thể kiểm tra giá trị riêng của ma trận hiệp phương sai (như bằng cách tạo ra một biểu đồ scree qua EFA) và tiến hành phân tích song song để giải quyết tính chiều của các biện pháp của bạn. (Xem thêm một số lời khuyên tuyệt vời và đề xuất thay thế từ William Revelle .) Bạn nên làm điều này một cách cẩn thận trước khi trích xuất một số yếu tố hạn chế và xoay chúng trong EFA, hoặc trước khi lắp một mô hình với một số yếu tố tiềm ẩn cụ thể bằng CFA, SEM, hoặc như thế. Nếu một phân tích song song cho thấy tính đa chiều, nhưng yếu tố chung (đầu tiên) của bạn vượt xa tất cả các yếu tố khác (nghĩa là, có giá trị riêng lớn nhất / giải thích phần lớn phương sai trong các biện pháp của bạn), hãy xem xét phân tích hai yếu tố (Gibbons & Hedeker, 1992;Reise, Moore, & Haviland, 2010 ) .
Nhiều vấn đề phát sinh trong EFA và mô hình nhân tố tiềm ẩn của xếp hạng thang đo Likert. Thang đo Likert tạo ra dữ liệu thứ tự (nghĩa là phân loại, đa hình, có trật tự), không phải dữ liệu liên tục. Phân tích nhân tố thường cho rằng bất kỳ dữ liệu thô nào là liên tục và mọi người thường tiến hành phân tích nhân tố về ma trận của tương quan thời điểm sản phẩm Pearson, chỉ phù hợp với dữ liệu liên tục. Đây là một trích dẫn từ Reise và các đồng nghiệp (2010) :
Các kỹ thuật phân tích nhân tố xác nhận thông thường không áp dụng cho dữ liệu nhị phân hoặc đa hình (Byrne, 2006) . Thay vào đó, các thủ tục ước tính đặc biệt được yêu cầu (Wirth & Edwards, 2007) . Về cơ bản có ba tùy chọn để làm việc với dữ liệu phản hồi mục đa hình. Đầu tiên là tính toán một ma trận đa âm và sau đó áp dụng các phương pháp phân tích nhân tố tiêu chuẩn (xem Knol & Berger, 1991) . Tùy chọn thứ hai là sử dụng phân tích nhân tố vật phẩm đầy đủ thông tin (Gibbons & Hedeker, 1992) . Thứ ba là sử dụng các thủ tục ước tính thông tin hạn chế được thiết kế dành riêng cho dữ liệu theo thứ tự như bình phương tối thiểu có trọng số với điều chỉnh trung bình và phương sai (MPLUS; Muthén & Muthén, 2009) .
Tôi sẽ khuyên bạn nên kết hợp cả hai cách tiếp cận thứ nhất và thứ ba (nghĩa là sử dụng ước lượng bình phương nhỏ nhất theo đường chéo trên ma trận tương quan đa âm), dựa trên thảo luận về các vấn đề của Wang và Cickyham (2005) về các vấn đề thay thế điển hình:
Khi phân tích nhân tố xác nhận được thực hiện với dữ liệu thứ tự không bình thường sử dụng khả năng tối đa và dựa trên tương quan thời điểm sản phẩm Pearson, các ước tính tham số đi xuống được tạo ra trong nghiên cứu này phù hợp với kết quả của Olsson (1979) . Nói cách khác, mức độ không biến dạng trong các biến số thứ tự quan sát được là một yếu tố chính quyết định độ chính xác của các ước tính tham số.
Các kết quả cũng hỗ trợ những phát hiện của Babakus, et al. (1987) . Khi ước tính khả năng tối đa được sử dụng với ma trận đầu vào tương quan đa âm trong các phân tích nhân tố xác nhận, các giải pháp có xu hướng dẫn đến các giá trị chi bình phương đáng kể và do đó có thể thống kê kém phù hợp.
Câu hỏi đặt ra là liệu các nhà nghiên cứu nên sử dụng các ước lượng bình phương nhỏ nhất có trọng số hoặc ước lượng bình phương nhỏ nhất theo đường chéo trong việc ước tính các mô hình phương trình cấu trúc với dữ liệu phân loại không bình thường. Không phải ước lượng bình phương nhỏ nhất có trọng số hay ước lượng bình phương nhỏ nhất theo đường chéo đều đưa ra các giả định về bản chất của phân phối các biến và cả hai phương pháp đều cho kết quả không có giá trị. Tuy nhiên, vì ước lượng bình phương tối thiểu có trọng số dựa trên khoảnh khắc bậc bốn, phương pháp này thường dẫn đến các vấn đề thực tế và đòi hỏi rất cao về mặt tính toán. Điều này có nghĩa là ước lượng bình phương tối thiểu có trọng số có thể thiếu độ mạnh khi được sử dụng để đánh giá các mô hình của phương tiện, tức là, với 10 chỉ số, đến kích thước lớn và cỡ mẫu nhỏ đến trung bình.
Tôi không rõ liệu mối quan tâm tương tự với ước lượng bình phương tối thiểu có trọng số có áp dụng cho ước tính DWLS hay không; Bất kể, các tác giả đề nghị ước tính đó. Trong trường hợp bạn chưa có phương tiện:
- R (Nhóm R Core, 2012) là miễn phí. Bạn sẽ cần một phiên bản cũ (ví dụ
2.15.2
:) cho các gói này:
- Các
psych
gói (Revelle, 2013) chứa các polychoric
chức năng.
- Các
fa.parallel
chức năng có thể giúp xác định số lượng các yếu tố cần trích xuất.
- Các
lavaan
gói (Rosseel, 2012) Mời DWLS ước lượng để phân tích biến tiềm ẩn.
- Các
semTools
gói chứa efaUnrotate
, orthRotate
và oblqRotate
các chức năng.
- Các
mirt
gói (Chalmers, 2012) Mời hứa hẹn thay thế bằng lý thuyết ứng đáp câu hỏi.
Tôi tưởng tượng Mplus (Muthén & Muthén, 1998-2011) cũng sẽ hoạt động, nhưng phiên bản demo miễn phí sẽ không chứa hơn sáu phép đo và phiên bản được cấp phép không rẻ. Nó có thể là giá trị nó nếu bạn có thể đủ khả năng mặc dù; mọi người yêu thích Mplus và dịch vụ khách hàng của Muthéns thông qua diễn đàn của họ là không thể tin được!
Như đã nêu ở trên, ước tính DWLS khắc phục vấn đề vi phạm giả định quy tắc (cả đơn biến và đa biến), đây là một vấn đề rất phổ biến và gần như phổ biến trong dữ liệu xếp hạng thang đo Likert. Tuy nhiên, nó không nhất thiết là một vấn đề hậu quả thực tế; hầu hết các phương pháp không quá nhạy cảm với (thiên vị nặng nề bởi) các vi phạm nhỏ (xem Kiểm tra tính quy phạm 'về cơ bản là vô dụng'? ). Câu trả lời của @ chl cho câu hỏi này làm tăng thêm những điểm quan trọng, xuất sắc và đề xuất liên quan đến các vấn đề với kiểu phản ứng cực đoan; chắc chắn là một vấn đề với xếp hạng thang đo Likert và dữ liệu chủ quan khác.
Tài liệu tham khảo
· Babakus, E., Ferguson, JCE, & Jöreskog, KG (1987). Độ nhạy của phân tích nhân tố khả năng tối đa xác nhận đối với vi phạm quy mô đo lường và các giả định phân phối. Tạp chí Nghiên cứu Marketing, 24 , 222 Từ228.
· Byrne, BM (2006). Mô hình hóa phương trình cấu trúc với EQS. Mahwah, NJ: Lawrence Erlbaum.
· Chalmer, RP (2012). mirt: Một gói lý thuyết đáp ứng vật phẩm đa chiều cho môi trường R. Tạp chí phần mềm thống kê, 48 (6), 1 trận29. Lấy từ http://www.jstatsoft.org/v48/i06/ .
· Vượn, RD, & Hedeker, DR (1992). Mục đầy đủ thông tin phân tích hai yếu tố.
Psychometrika, 57 , 423 bóng436.
· Knol, DL, & Berger, MPF (1991). So sánh thực nghiệm giữa phân tích nhân tố và mô hình phản ứng vật phẩm đa chiều. Nghiên cứu hành vi đa biến, 26 , 457 .477.
· Muthén, LK, & Muthén, BO (1998-2011). Hướng dẫn sử dụng của Mplus (tái bản lần thứ 6). Los Angeles, CA: Muthén & Muthén.
· Muthén, LK, & Muthén, BO (2009). Mplus (Phiên bản 4,00). [Phần mềm máy tính]. Los Angeles, CA: Tác giả. URL: http://www.statmodel.com .
· Olsson, Hoa Kỳ (1979). Ước tính khả năng tối đa cho hệ số tương quan đa âm. Psychometrika, 44 , 443 bóng460.
·Đội ngũ cốt lõi. (2012). R: Một ngôn ngữ và môi trường cho tính toán thống kê. R Foundation cho máy tính thống kê, Vienna, Áo. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM, & Haviland, MG (2010). Các mô hình Bifactor và phép quay: Khám phá mức độ mà dữ liệu đa chiều mang lại các thang điểm không theo tiêu chuẩn. Tạp chí đánh giá tính cách, 92 (6), 544 Phép559. Lấy từ http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Khải huyền, W. (2013). tâm lý: Thủ tục nghiên cứu tính cách và tâm lý. Đại học Tây Bắc, Evanston, Illinois, Hoa Kỳ. Lấy từ http://CRAN.R-project.org/package=psych . Phiên bản = 1.3.2.
· Rosseel, Y. (2012). lavaan: Một gói R cho mô hình phương trình cấu trúc. Tạp chí phần mềm thống kê, 48 (2), 1 trận36. Lấy từ http://www.jstatsoft.org/v48/i02/ .
· Wang, WC, & Cickyham, EG (2005). So sánh các phương pháp ước tính thay thế trong phân tích nhân tố xác nhận của Câu hỏi sức khỏe tổng quát. Báo cáo tâm lý, 97 , 3 trận10.
· Wirth, RJ, & Edwards, MC (2007). Phân tích nhân tố vật phẩm: Cách tiếp cận hiện tại và định hướng trong tương lai. Phương pháp tâm lý, 12 , 58 Hàng79. Lấy từ http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .