Εισαγωγή
Η Παραγοντική Ανάλυση αποτελεί μία από τις σημαντικότερες πολυμεταβλητές στατιστικές τεχνικές για τη διερεύνηση της δομής ενός συνόλου μεταβλητών. Χρησιμοποιείται όταν πολλές παρατηρούμενες μεταβλητές εμφανίζουν μεταξύ τους συσχετίσεις και ο ερευνητής επιθυμεί να εξετάσει αν αυτές οι συσχετίσεις μπορούν να εξηγηθούν από μικρότερο αριθμό μη άμεσα παρατηρήσιμων διαστάσεων, οι οποίες ονομάζονται παράγοντες.
Βασικοί στόχοι της μεθόδου είναι η μείωση του αριθμού των μεταβλητών, η δημιουργία νέων σύνθετων διαστάσεων και η ερμηνεία της κοινής δομής των δεδομένων. Το αρχικό αρχείο επισημαίνει ακριβώς ότι η παραγοντική ανάλυση επιτρέπει τη μείωση της διάστασης, τη δημιουργία νέων μεταβλητών και την εξήγηση των συσχετίσεων μέσω κοινών παραγόντων.
Το Βασικό Παραγοντικό Μοντέλο
Στο ορθογώνιο παραγοντικό μοντέλο μια παρατηρούμενη μεταβλητή εκφράζεται ως συνδυασμός κοινών παραγόντων και ενός μοναδικού σφάλματος.
Σε μορφή πίνακα:
X − μ = LF + ε
όπου:
X είναι το διάνυσμα των παρατηρούμενων μεταβλητών,
μ οι μέσοι όροι,
L ο πίνακας φορτίσεων,
F οι κοινοί παράγοντες,
και ε οι μοναδικοί παράγοντες ή σφάλματα.
Η βασική ιδέα είναι ότι οι συσχετίσεις μεταξύ των μεταβλητών προκύπτουν επειδή αυτές επηρεάζονται από κοινούς λανθάνοντες παράγοντες.
Communality και Uniqueness
Η συνολική διακύμανση μιας μεταβλητής μπορεί να διαχωριστεί σε δύο μέρη.
Η communality εκφράζει το ποσοστό της διακύμανσης που εξηγείται από τους κοινούς παράγοντες.
Η uniqueness ή specificity εκφράζει το μέρος που δεν εξηγείται από το κοινό παραγοντικό μοντέλο και αποδίδεται σε ειδικούς παράγοντες και σφάλμα.
Υψηλή communality σημαίνει ότι η μεταβλητή αναπαρίσταται καλά από τους παράγοντες που έχουν εξαχθεί.
Παραγοντική Ανάλυση και PCA
Μία από τις σημαντικότερες διακρίσεις είναι αυτή μεταξύ Factor Analysis και Principal Component Analysis (PCA).
Η PCA επιδιώκει κυρίως να εξηγήσει όσο το δυνατόν μεγαλύτερο μέρος της συνολικής διακύμανσης των αρχικών μεταβλητών μέσω νέων συνιστωσών.
Η Παραγοντική Ανάλυση, αντίθετα, εστιάζει στην κοινή διακύμανση και στη λανθάνουσα δομή που εξηγεί τις συσχετίσεις των μεταβλητών.
Το αρχικό υλικό τονίζει αυτή τη διαφορά, σημειώνοντας ότι η παραγοντική ανάλυση ερμηνεύει κυρίως τη δομή και τη συνδιακύμανση, ενώ η PCA τη συνολική διακύμανση.
Στη σύγχρονη ανάλυση είναι σημαντικό να μην χρησιμοποιούνται οι δύο έννοιες ως πλήρως ισοδύναμες.
Έλεγχος Καταλληλότητας Δεδομένων
Πριν από την εξαγωγή παραγόντων πρέπει να εξεταστεί αν οι μεταβλητές παρουσιάζουν επαρκείς συσχετίσεις.
Το αρχικό αρχείο προτείνει:
πίνακα συσχετίσεων,
Bartlett’s test of sphericity,
Kaiser–Meyer–Olkin (KMO),
και Measure of Sampling Adequacy (MSA).
KMO
Ο δείκτης KMO κυμαίνεται από 0 έως 1.
Σε γενικές γραμμές:
KMO < 0,50 θεωρείται ανεπαρκές,
0,50–0,60 οριακό,
0,60–0,70 μέτριο,
0,70–0,80 καλό,
>0,80 πολύ καλό.
Στο παράδειγμα του αρχείου προκύπτει KMO = 0,525, άρα η καταλληλότητα του δείγματος είναι σχετικά χαμηλή.
Bartlett’s Test
Ο Bartlett ελέγχει αν ο πίνακας συσχετίσεων διαφέρει από τον μοναδιαίο πίνακα.
Στο αρχικό παράδειγμα:
χ² ≈ 5004,8, df = 528, p < .001
γεγονός που δείχνει ότι υπάρχουν σημαντικές συσχετίσεις και επομένως η παραγοντική ανάλυση δεν αποκλείεται λόγω πλήρους απουσίας συσχέτισης.
Εδώ χρειάζεται διόρθωση του αρχικού κειμένου: η απόρριψη της μηδενικής υπόθεσης του Bartlett σημαίνει ότι ο πίνακας συσχετίσεων δεν είναι μοναδιαίος, άρα οι μεταβλητές είναι επαρκώς συσχετισμένες για περαιτέρω διερεύνηση.
Επιλογή Αριθμού Παραγόντων
Το αρχικό αρχείο χρησιμοποιεί:
το κριτήριο ιδιοτιμών > 1,
το scree plot,
και το ποσοστό εξηγούμενης διακύμανσης.
Στο παράδειγμα επιλέγονται 5 παράγοντες, οι οποίοι εξηγούν περίπου 96,0% της συνολικής διακύμανσης στην PCA.
Στη σύγχρονη μεθοδολογία, όμως, το κριτήριο eigenvalue > 1 δεν θεωρείται αρκετό από μόνο του.
Προτιμώνται επίσης:
parallel analysis,
scree plot,
θεωρητική ερμηνευσιμότητα,
και έλεγχος της σταθερότητας της λύσης.
Factor Loadings
Οι φορτίσεις (factor loadings) εκφράζουν τη σχέση κάθε μεταβλητής με έναν παράγοντα.
Υψηλή απόλυτη φόρτιση σημαίνει ότι η μεταβλητή συνδέεται έντονα με τον συγκεκριμένο παράγοντα.
Για παράδειγμα, φόρτιση:
0,85
υποδηλώνει πολύ ισχυρή σχέση.
Στην πράξη χρησιμοποιούνται συχνά όρια περίπου 0,30–0,40 ως ελάχιστες αποδεκτές φορτίσεις, ανάλογα με το μέγεθος δείγματος και τον ερευνητικό σκοπό.
Οι φορτίσεις πρέπει να εξετάζονται μαζί με cross-loadings, δηλαδή περιπτώσεις όπου μία μεταβλητή φορτίζει έντονα σε περισσότερους παράγοντες.
Περιστροφή Παραγόντων
Η περιστροφή χρησιμοποιείται για να γίνει η λύση πιο εύκολα ερμηνεύσιμη.
Το αρχικό υλικό αναφέρει:
Varimax,
Quartimax,
Equimax,
και oblique rotation.
Ορθογώνιες Περιστροφές
Σε ορθογώνιες μεθόδους, όπως Varimax και Quartimax, οι παράγοντες θεωρούνται ασυσχέτιστοι.
Το αρχικό παράδειγμα χρησιμοποιεί Quartimax, η οποία επιδιώκει να μειώσει τον αριθμό των παραγόντων που απαιτούνται για την ερμηνεία κάθε μεταβλητής.
Πλάγιες Περιστροφές
Στις oblique rotations, όπως Promax ή Direct Oblimin, οι παράγοντες επιτρέπεται να συσχετίζονται.
Στις κοινωνικές και ψυχολογικές επιστήμες αυτό συχνά είναι πιο ρεαλιστικό, επειδή οι λανθάνουσες κατασκευές συνήθως δεν είναι πλήρως ανεξάρτητες.
Εκτίμηση Παραμέτρων
Το αρχικό υλικό παρουσιάζει δύο προσεγγίσεις:
τη μέθοδο κύριων συνιστωσών
και τη Maximum Likelihood.
Η Maximum Likelihood αποτελεί καθαρότερη μέθοδο παραγοντικής ανάλυσης, αλλά απαιτεί ισχυρότερες υποθέσεις, κυρίως πολυμεταβλητή κανονικότητα.
Άλλες σύγχρονες επιλογές είναι:
Principal Axis Factoring,
Minimum Residual (MINRES),
και Robust Maximum Likelihood.
Factor Scores
Μετά την εξαγωγή των παραγόντων μπορούν να υπολογιστούν factor scores για κάθε παρατήρηση.
Οι βαθμολογίες αυτές μπορούν να χρησιμοποιηθούν σε επόμενες αναλύσεις, όπως:
παλινδρόμηση,
cluster analysis,
ANOVA,
ή ταξινόμηση.
Στο αρχικό αρχείο παρουσιάζεται ειδικά ο Component Score Coefficient Matrix και η δημιουργία scores για τους εξαγόμενους παράγοντες.
Μέγεθος Δείγματος
Η παραγοντική ανάλυση απαιτεί επαρκές δείγμα.
Δεν υπάρχει ένας απόλυτος κανόνας, αλλά η αξιοπιστία της λύσης επηρεάζεται από:
τον αριθμό των μεταβλητών,
το μέγεθος των φορτίσεων,
τις communalities,
και τον αριθμό των παραγόντων.
Παλιότεροι κανόνες όπως «5 ή 10 άτομα ανά μεταβλητή» μπορούν να λειτουργούν μόνο ως χονδρικές ενδείξεις.
Σήμερα προτιμάται η αξιολόγηση του δείγματος βάσει της πολυπλοκότητας και της ποιότητας του παραγοντικού μοντέλου.
Διερευνητική και Επιβεβαιωτική Παραγοντική Ανάλυση
Η Exploratory Factor Analysis (EFA) χρησιμοποιείται όταν η δομή δεν είναι γνωστή και ο ερευνητής επιθυμεί να την ανακαλύψει.
Η Confirmatory Factor Analysis (CFA) χρησιμοποιείται όταν υπάρχει ήδη συγκεκριμένο θεωρητικό μοντέλο και ελέγχεται η προσαρμογή του στα δεδομένα.
Στη CFA χρησιμοποιούνται δείκτες όπως:
CFI,
TLI,
RMSEA,
SRMR.
Η EFA και η CFA δεν πρέπει ιδανικά να εφαρμόζονται στο ίδιο δείγμα όταν ο στόχος είναι η ανεξάρτητη επιβεβαίωση της δομής.
Συχνά Λάθη
Συχνά λάθη είναι:
η μη διάκριση PCA και Factor Analysis,
η επιλογή παραγόντων αποκλειστικά με eigenvalue > 1,
η χρήση ορθογώνιας περιστροφής χωρίς θεωρητική αιτιολόγηση,
η αγνόηση cross-loadings,
και η εξαγωγή υπερβολικά πολλών παραγόντων.
Επίσης, σημαντικό στατιστικό αποτέλεσμα στο Bartlett δεν εξασφαλίζει από μόνο του καλή παραγοντική λύση. Πρέπει να συνεκτιμώνται KMO, communalities, φορτίσεις και ερμηνευσιμότητα.
Συμπεράσματα
Η Παραγοντική Ανάλυση αποτελεί ισχυρό εργαλείο για την κατανόηση της υποκείμενης δομής ενός συνόλου μεταβλητών.
Η σωστή εφαρμογή της απαιτεί:
έλεγχο καταλληλότητας δεδομένων,
ορθή επιλογή μεθόδου εξαγωγής,
τεκμηριωμένη επιλογή αριθμού παραγόντων,
κατάλληλη περιστροφή,
και προσεκτική ερμηνεία φορτίσεων και communalities.
Η σύγχρονη προσέγγιση δεν αντιμετωπίζει την παραγοντική ανάλυση ως μηχανική διαδικασία «κλικ και εξαγωγής παραγόντων», αλλά ως συνδυασμό στατιστικής τεκμηρίωσης και θεωρητικής ερμηνείας.
Βιβλιογραφία
Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
Fabrigar, L. R., & Wegener, D. T. (2012). Exploratory factor analysis. Oxford University Press.
Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
Gorsuch, R. L. (1983). Factor analysis (2nd ed.). Lawrence Erlbaum Associates.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Watkins, M. W. (2021). A step-by-step guide to exploratory factor analysis with SPSS. Routledge.