Использование Internet и компьютера. Существуют компьютерные программы для выполнения обоих подходов к проведению факторного анализа — методом анализа главных компонент и анализа общих факторов

Существуют компьютерные программы для выполнения обоих подходов к проведению факторного анализа — методом анализа главных компонент и анализа общих факторов. В про­граммном пакете SPSS можно использовать программу FACTOR для анализа главных компо­нент, так же как и для анализа общих факторов. Доступны и другие методы факторного ана­лиза и вычисления значения фактора.

В пакете SAS с помощью программы PRINCOMP выполняют анализ главных компонент и вычисляют их значения. Для выполнения анализа общих факторов можно использовать про­грамму FACTOR. Программа FACTOR также выполняет анализ главных компонент. В пакете BMDP можно выполнить анализ главных компонент и анализ общих факторов с помощью программы 4М [14].

В программе Minitab можно выполнить факторный анализ с помощью опции Multivari-ate>Factor analysis, используя главные компоненты или метод максимума правдоподобия для исходного выделения факторов. При использовании метода максимума правдоподобия опре­делите количество выделяемых факторов. Если количество не установлено при выделении главных компонент, то программа установит количество, равное количеству переменных в на­боре данных. Выполнение факторного анализа недоступно в Excel (версия 7.0 для PC).

резюме

Факторный анализ — это общее название для класса методов, используемых, главным о разом, для сокращения числа переменных и их обобщения. Каждую переменную выражают к линейную комбинацию латентных факторов. Аналогично, сами факторы можно выразить к линейную комбинацию наблюдаемых переменных. Факторы выделяют таким образом, ч первый фактор объясняет самую высокую долю дисперсии, второй — следующую по величи долю дисперсии и т.д. Кроме того, можно выделить факторы так, что они будут некоррелир ванными, как это и делают в анализе главных компонент.

При формулировании проблемы факторного анализа переменные, включаемые в факто ный анализ, задаются, исходя из прошлых исследований, теоретических выкладок и по усмс рению исследователя. Эти переменные измеряются в интервальной или относительной iiiKaj В основе факторного анализа лежит матрица корреляций между переменными. Приемлемое корреляционной матрицы для факторного анализа определяется статистической проверкой.

Существует два основных метода проведения факторного анализа — анализ главных ко понент и анализ общих факторов. В анализе главных компонент учитывается полная диспе сия. Анализ главных компонент рекомендуется, если основная задача исследователя — опред] ление минимального числа факторов, которые вносят максимальный вклад в дисперсию, чт бы в последующем использовать их во многомерном анализе. В анализе общих фактор факторы оценивают только по общей (для всех факторов) дисперсии. Этот метод подходит, е ли основная задача — определение факторов, лежащих в основе изучаемой переменной, и о щей дисперсии. Этот метод также известен как разложение матрицы.

Число выделяемых факторов определяется, исходя из предварительной информации; со ственных значений факторов; критерия "каменистой осыпи"; процента объясненной диспе сии; метода расщепления; критериев значимости. Несмотря на то, что матрица исходных и. неповернутых факторов указывает на взаимосвязь факторов и отдельных переменных, она ре ко приводит к факторам, которые можно интерпретировать, поскольку факторы коррелиру] со многими переменными. Поэтому вращением матрицу факторных коэффициентов прео разуют в более простую, которую легче интерпретировать. Самый распространенный мет вращения матрицы — метод варимакс (вращение, максимизирующее дисперсию), которь приводит к ортогональным факторам. Если факторы в совокупности высококоррелированн то можно использовать косоугольное вращение. Матрица повернутых факторов создает осно для интерпретации факторов.

Для каждого респондента можно вычислить значение фактора. Альтернативно, можно в] брать переменные-заменители, изучив матрицу факторных нагрузок и выбрав для каждо фактора переменную с наивысшим (или ближайшим к наивысшему) значением факторн» нагрузки. Разницу между наблюдаемыми корреляциями и вычисленными, которую оценив ют исходя из матрицы факторных нагрузок, используют для определения степени подгон) эмпирической модели.