faktoranalízis az spss-ben · 2012. 2. 10. · faktoranalízis az spss-ben petrovics petra...
TRANSCRIPT
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Faktoranalízis az SPSS-ben
Petrovics PetraDoktorandusz
= Adatredukciós módszer
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
FeladatMegnyitás: faktoradat_msc.sav
Fogyasztók materialista vonásai (Richins-skála)
Forrás: Sajtos-Mitev
250.oldal
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Faktoranalízis folyamata
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
• Feltáró = új faktorok létrehozására
Közös faktroelemzés(közös variancia)
Főkomponens elemzés (teljes variancia)
Ha nem ismerjük a változókatLehető legmagasabb magyarázott
• Megerősítő (konformatikus)
= modell tesztelésére, bizonyítására
Szubjektív
Ha nem ismerjük a változókatLehető legmagasabb magyarázott
varianciahányad
Ha nem ismerjük a varianciákat Lehető legkevesebb faktor
DE: gyakorlat:Bonyolult, időigényes
Általában ezt használjuk
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
1. Elemzés érvényessége, változók alkalmassága
2. Metrikus változók / Dummy változók
3. A változók eloszlása normális
Analyze / Regression / Linear / Plots… / Histogram
Stb.
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
4. Homoszkedaszticitás
Analyze / Regression / Linear / Plots… /
Scatterdot…
2.• Feltételek vizsgálata
Scatterdot…
Stb.
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
5. Multikollinearitás – korrelációs mátrix
2.• Feltételek vizsgálata
Analyze / Correlate/
Bivariate
…
Stb.…
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
6. Nagyobb minta
7. „Minta elemszáma / változók száma” arány
2.• Feltételek vizsgálata
Min. 10-szer több válaszadó, mint változó
18,2718
329=
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
a) Korrelációs mátrix
Erős korreláció, de nem túl erős
Analyze / Dimension Reduction / Factor /
Descriptives
3.• Adatok alkalmasságának vizsgálata
Descriptives
Az értékek 75%-a szignifikáns.
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
b) Anti-image mátrix
„nem magyarázott szórásnégyzet”
Analyze / Dimension Reduction / Factor / Descriptives
3.• Adatok alkalmasságának vizsgálata
Analyze / Dimension Reduction / Factor / Descriptives
Anti-image kovariancia mátrix
Anti-image korrelációs mátrix
~ korrelációs mátrixának átlóbeli
értékei függnek:
� Mintanagyság
� Változók száma
� Korrelációk átlagos mértéke
� Faktorok száma
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Kis érték (0,09 alatt az esetek
min. ¾-ében)– a variancia
független a többitől
⇒ nincs szoros kapcsolat
b)Anti-image mátrix
3.• Adatok alkalmasságának vizsgálata
…
MSA (Measure of Sampling
Adequecy)
Mennyire van szoros
kapcsolatban a többi
változóval
⇒ 0,5 alattit kizárni
Itt: 0,67-0,87
…
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
c) Bartlett teszt
H0: nincs korreláció
H1: van korreláció
3.• Adatok alkalmasságának vizsgálata
1
Analyze / Dimension Reduction / Factor / Descriptives
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
d) Kaiser-Meyer-Olkin kritérium
MSA értékek átlaga (összes változóra)
Analyze / Dimension Reduction / Factor / Descriptives
3.• Adatok alkalmasságának vizsgálata
atlanelfogadhatKMO
gyengeKMO
közepesKMO
megfelel őKMO
jónagyonKMO
kiválóKMO
−<
−≥
−≥
−≥
−≥
−≥
5,0
5,0
6,0
7,0
_8,0
9,0
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
4.• Faktormódszer kiválasztása
Analyze / Dimension Reduction / Factor / Extraction
Ha a változók száma magas
(sajátérték sorrendjében
magyaráz)magyaráz)
Nem kell ismerni az eloszlást
DE: standardizálni
Ha az anti-image mátrix
átlójában levő elemek 1-hez,
az azon kívüliek pedig 0-hoz
közelítenek
Ha a változók száma nő: maximum-likelihood, alfa, image módszer
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
5.• Faktorok számának meghatározása
2. Kaiser kritérium: ha 1 alatti
a sajátérték, kevesebb
információt hordoz a faktor,
mint 1 változó
� Ha 20-50 változónk vanEgy faktor által az összes változó
1. A priori információk alapján
Egy faktor által az összes változó
varianciájából magyarázott variancia
Minél magasabb
varianciahányadot tudunk
magyarázni, annál, több
információ marad meg az
elemzés során
⇒ 3. Varianciahányad-módszer
3
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Output
Ahány kiinduló változónk volt
Faktorelemzés után
1-nél nagyobb sajátérték!
3. Varianciahányad-módszer
Faktorok száma
Csökkenő
sorrend
Magyarázott
variancia %-a
(Min. 60% kell)
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
5.• Faktorok számának meghatározása
4. Scree plot
Sajátérték ábrázolása
5-6 faktor
Könyökkritérium: ahol
az egyenes meredeksége
megváltozik
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
5.• Faktorok számának meghatározása
Maximum likelihood módszer
4 faktor 5 faktor 6 faktor
5 6
~ H0 : illeszkedik
H1: nem illeszkedik
0,1 feletti α esetén jól illeszkedik
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
5.• Faktorok számának meghatározása
Módszer Faktorok száma
A priori 3
Kaiser-kritérium 4
Varianciahányad-módszer (4) 5↑
Scree-teszt 5-6
Maximum-likelihood 6
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
6.• Faktorok rotálása
= A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és
értelmezhetőbb faktormegoldásokat kapjunk.
Ferdeszögű forgatás Derékszögű forgatás
A faktorok korrelálnak
egymással
A faktorok nem
korrelálnak egymással
Használata
A faktorok
értelmezhetősége az
elsődleges
Pl. regresszióhoz vagy
más előrejelző
technikához használjuk
Térben is látni
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
6.• Faktorok rotálása
KMO&Bartlett; Anti-image
Principal Components;
faktorok száma (4)
Varimax
Faktorok mentése:
Factor Analysis / Scores
Varimax
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Output
nx ;; σérvényesség
Kezdeti érték
Mindig 1 (ha Principal Comp.)
Egy változó varianciájának
mekkora részét magyarázza az
összes faktor
(faktorsúlyok négyzetösszege)
Hüvelykujjszabály: min. 0,25
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Output
Faktorszám meghatározása
Kezdeti értékek
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
7.• Faktorok értelmezése, jellemzése
1. faktor 2. faktor 3. faktor 4. faktor
M14_HAPY
M17_HAPY
M15_HAPY
M4_SUCES
M12_CENTR
M2_SUCES
M10_CENTR
M11_CENTR
M7_CENTR
M6_SUCES
M3_SUCES
M13_CENTRM15_HAPY
M18_HAPY
M16_HAPY
M2_SUCES
M1_SUCES
M7_CENTR
M8_CENTR
M9_CENTR
M13_CENTR
M5_SUCES
HAPY
-: Fontosak a
tárgyak az élet
élvezéséhez
SUCES CENTR „Mások
véleményének
figyelmen kívül
hagyása”
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
• Ne fogadjuk el az első megoldást:
o Több rotációs eljárás
Változók elhagyása (alacsony faktorsúly)
8.• Faktorelemzés érvényességének ellenőrzése
o Változók elhagyása (alacsony faktorsúly)
• Keresztérvényesség-vizsgálat
A mintát 2 véletlenül kiválasztott részre osztjuk - faktorelemzés
Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Köszönöm a figyelmet!Köszönöm a figyelmet!