Факторный анализ раньше использовался в психологии для выявления ментальных и интеллектуальных способностей человека. Тестовые данные в психологии обрабатываются при помощи факторного анализа

гументация содержания, фактически угадываемого в том или ином факторе - самая сложная и противоречивая задача. Например, если с большими положительными весами в один из выделившихся факто­ров вошли такие переменные, как высокий рост, грубый голос, боль­шая мышечная масса, склонность к риску, широкие плечи, агрессив­ное поведение, то вероятнее всего подобная комбинация антропологом будет трактоваться как фактор мужского пола, эндок­ринолог увидит влияние какого-то гормона, а психолог попытается найти некие аналоги в типологии личности. Особо широко в психоло­гии приемы факторного анализа представлены при попытках произ­вести упорядочение (объединение в шкалы) многочисленных пунк­тов в объемных личностных опросниках.

Большинство программ факторного анализа построено таким об­разом, что первый выделившийся фактор обладает самым большим влиянием на разброс показателей в группе (объяснимая дисперсия), а значение остальных факторов последовательно убывает.

Существует несколько основных форм факторного анализа, даю­щих в итоге различные результаты. Выбор необходимого варианта дик­туется конкретными задачами дипломного исследования.

❖ Кластерный анализ

Если вам необходимо разбить множество ваших переменных (объектов) на заданное или неизвестное число классов, то целесооб­разно использовать кластерный анализ (cluster - гроздь, пучок, скоп­ление, группа элементов, характеризуемых каким-либо общим свой­ством). Это не слишком часто используемая в дипломных работах форма математической обработки эмпирических материалов, пред­ставляющая интерес в тех случаях, когда переменных достаточно мно-

Рис. 3. Пример одного из вариантов графического представления результа­тов кластерного анализа шести переменных.

го и хочется наглядно увидеть их упорядоченность - в каких иерархи­ческих отношениях находятся переменные более высокого уровня обоб­щенности к более конкретным, частным (рис. 3).

Весьма любопытные результаты, тяготеющие к сфере психолингвис­тики, с помощью кластерного анализа можно получить при применении его к пунктам психологических тестов, вопросам опросников и анкет.

Существует точка зрения, что в отличие от многих других статисти­ческих процедур, методы кластерного анализа используются в боль­шинстве случаев тогда, когда еще не имеется каких-либо гипотез отно­сительно классов, т. е. когда вы все еще находитесь в описательной стадии исследования.

Пользоваться результатами кластерного анализа нужно осторож­но, поскольку он может навязывать экспериментатору гипотезу об отношениях переменных, построенную на внешних, формальных критериях и не учитывать их качественную специфику. Для того, чтобы избежать подобной ошибки, предпочтительно применять несколько разных алгоритмов расчета (их много, техники группи­ровки отличаются) и выбрать из результатов тот, который лучше всего объясняется с позиции здравого смысла. Следует понимать, что кластерный анализ определяет «наиболее возможно значимое решение».

❖ Дискримииантный анализ

Еще один из методов статистической обработки, который может оказаться полезным в дипломной работе, называется дискриминант- ним анализом. Суть его состоит в том, что он позволяет делить облада­ющие какими-то признаками объекты или состояния, относя их к како- му-либо классу или оценивать близость конкретного состояния к одному из классов. Сама исследовательская процедура дискриминан- тного анализа состоит из нескольких шагов:

определяются группы, которые в дальнейшем нужно разли­чать (например, больных истерическим неврозом от больных не­врозом навязчивых состояний) - это так называемая обучающая выборка;

эти группы, каждый член которых уже имеет точный (верифи­цированный) диагноз, исследуются по максимальному числу при­знаков (текущая симптоматика, личностная предрасположенность, специфика семейного воспитания, характер психотравмирующих ситуаций и т. п.);

по каждому из исследованных признаков вся обучающая выбор­ка (и тех и других больных) дискриминируется и отслеживается - на­сколько точно данный признак разделил группу по диагнозам по срав­нению с фактическим положением дел;

из всех просмотренных признаков отбираются наиболее инфор­мативные (те, которые наиболее точно делят обучающую выборку) и в дальнейшем они начинают использоваться для улучшения точности диагноза у тех, кому он еще не поставлен;

Попутно, при необходимости, можно отследить, насколько близ­ко или далеко находится каждый из обследованных индивидов к тому или другому состоянию.

В итоге дискриминантного анализа для каждой переменной вы получите стандартизованный коэффициент (Т - лямбда Уилк- са), интерпретируемый следующим образом: чем он больше, тем меньше вклад соответствующей переменной в различение сово­купностей.

Другими словами, основная идея дискриминантного анализа зак­лючается в том, чтобы определить, отличаются ли совокупности по среднему какой-либо переменной (или их комбинации), и затем ис­пользовать эту переменную, чтобы предсказать для новых членов их принадлежность к той или иной группе (это задача прогноза). Более простой пример: показатель роста может служить дискриминирую­щим признаком для отнесения неизвестного нам человека к мужскому или женскому полу, поскольку уже точно известно, что средний рост мужчины выше среднего роста женщины.

Один подобный признак, как можно догадаться из представленно­го примера, не гарантирует надежности прогноза, но совокупность характеристик может сделать его достаточно уверенным.

Ниже приводится иллюстрация графического представления диск­риминантного анализа (рис. 4).

Root 1 vs. Root2

Рис. 4. Графический пример разделения носителей признака на три группы, полученный в результате дискриминантного анализа.

❖ Непараметрические методы

Еще раз хотелось бы подчеркнуть, что все рассмотренные проце­дуры статистического анализа могут быть корректно использованы только в том случае, если ваши экспериментальные данные подчиня­ются т. н. нормальному закону распределения или хотя бы приближа­ются к нему. Это значит, что в имеющемся у вас распределении край­ние значения признака - и наименьшие и наибольшие - появляются редко, а чем ближе значение признака к средней арифметической, тем чаще оно встречается (см. рис. 1).

Если такого соответствия нет, что, как правило, объясняется либо малыми размерами выборки (менее 20-30), либо измерениями в по­рядковых шкалах (типа «высокий», «средний», «низкий»), либо тем, что переменные объективно распределены «ненормально», то для обработки эмпирических материалов диплома нужно использовать так называемые непараметрические критерии, хотя они и имеют мень­шую мощность и обладают меньшей гибкостью (для их расчета не рас­сматриваются и не учитываются значения среднего и стандартного отклонения). Но у них есть и ряд преимуществ. Они малочувствитель­ны к неточным измерениям и эти методы могут применяться для обра­ботки данных, имеющих полуколичественную природу (ранги, баллы и т. д.). Кроме того, с их помощью можно получить ответы на такие вопросы, которые неразрешимы с использованием методов, основан­ных на нормальном распределении. Следовательно, они иногда оказы­ваются уместны и для обработки нормально распределенных резуль­татов исследования.

Не вдаваясь в подробности, укажем лишь на названия непарамет­рических процедур, позволяющих получить показатели, аналогичные нормально распределенным.

Для выяснения достоверности различий между двумя независи­мыми выборками (например, при сравнении мальчиков и девочек) непараметрическими альтернативами t-критерия являются серийный критерий В альд а-Вольфович a, U критерий Манна-Уитни и двухвы- бор очный критерий типа Колмогорова-Смирнова.

Если в дипломе выясняются различия между зависимыми выбор­ками (например, показателями одной группы до коррекционной рабо­ты и после нее), то нужно использовать Т-критерий Уилкоксона для разностей пар, который может быть применен также и к ранжирован­ным данным. По сравнению сt-критерием Стъюдента, он требует зна­чительно меньшего объема вычислений и почти также строго прове­ряет нормально распределенные выборки. Его эффективность для больших и малых выборок составляет около 95%.

Если две рассматриваемые переменные имеют альтернативное распределение (включают только две градации, как например, показа­тели теста в группе ниже или выше некой избранной величины до и после тренировок, либо количество справившихся с контрольной по математике среди мальчиков и девочек), то подходящими непарамет­рическими критериями достоверности различий будут % 2 (хи-квадрат­ен не рекомендован к применению, если число опытов в каждом из сравниваемых распределений меньше 10) и точный критерий Фише­ра для четырехпольной таблицы. Внимание: не путайте алгоритм рас­чета упомянутого непараметрического критерия % 2 с имеющим много общего алгоритмом расчета критерия согласия х 2 Пирсона, полезного при сравнении эмпирического и теоретического распределений, как правило используемого для установления соответствия реально полу­ченного распределения нормальному закону.

Для выяснения связей между признаками (корреляции) можно рассчитать уже упоминавшийся тетрахорический показатель (г),ранговые коэффициенты корреляции Спирмена (R или р) и may (т)Кендалла. Последние два могут быть использованы для определения тесноты связей как между количественными, так и между качествен­ными признаками при условии, если их значения упорядочить или проранжировать по степени убывания или возрастания признака.

❖ Компьютерная обработка и графические иллюстрации

Пускай вас не смущает некоторая перегруженность статистичес­ких процедур, рекомендуемых для использования в дипломной работе. В большинстве случаев вам не обязательно (хотя и желательно) быть знакомыми с их математическим аппаратом. К сегодняшнему дню для нужд науки разработаны многочисленные компьютерные програм­мы, позволяющие даже не сведущему в математике человеку доволь­но легко рассчитывать большинство желаемых показателей. Самыми известными и популярными из них являются пакеты Statistica (таблич­ные и графические примеры с ее использованием приведены выше) иSPSS. Обе программы снабжены справочным материалом в формеHelp-ов и специальным информационным сопровождением с обзо­ром основных расчетных алгоритмов. При выведении показателей раз­личия, в корреляционных матрицах и в других таблицах автоматически выделяются цветом и жирностью числовые значения, представляющие для исследователя особый интерес (по достоверности, важности, при­оритетности и т. д.).

Эти же пакеты позволяют существенно улучшить внешний вид дипломной работы за счет внесения в нее большей наглядности. Это достигается заменой некоторых трудно читаемых таблиц и цифровых данных на графики, гистограммы, и другие формы иллюстраций, хо­рошо вписывающихся в смысловую канву предъявленных результатов (но ничего лишнего!).

Выбор формы графика не должен быть случаен. Например, изме­нения во времени лучше воспринимаются в линейном представлении, сопоставление показателей двух групп - в столбчатом, пропорции - в круговых гистограммах, а рассеяние - в точечном (рис. 5-8).

Вторая многомерная процедура - это факторный анализ. В ходе факторного анализа определяются значения большого количества переменных, находится корреляция между ними, а затем выявляется группы переменных, образующие «факторы». Поясним эту идею на простом примере. Предположим, вы дали школьникам следующие задания:

словарный тест (СЛ);

тест на понимание прочитанного (ПП);

тест на аналогии (например, доктор связан с пациентом, как адвокат с_) (АН);

тест по геометрии (ГЕОМ);

тест на решение головоломок (РГ);

тест на вращение фигур (ВФ).

Для всех возможных пар тестов можно вычислигь пирсоново г, в результате получится так называемая матрица корреляции:

Обратите внимание на то, как некоторые значения корреляции образуют группы (я обвел две группы). Все корреляции между словарем, пониманием прочитанного и аналогиями довольно высоки. Это верно и для геометрии, головоломок и вращения фигур. Корреляции между тестами, принадлежащими к разным группам, практически равны нулю. Это говорит о том, что эти тесты направлены на исследование двух существенно различающихся умственных способностей, или «факторов». Мы можем обозначить их как «беглось речи» и «пространственные навыки».

Факторный анализ - это сложный статистический метод, с помощью которого из набора взаимных корреляций выделяются отдельные факторы. При анализе данной матрицы без сомнения будут выделены те же два фактора. В ходе анализа также определяются «факторные нагрузки», представляющие собой корреляции между каждым из тестов и каждым из выделенных факторов. В приведенном выше примере первые три теста будут иметь «высокую нагрузку» на фактор 1 (беглость речи), а вторые три - «высокую нагрузку» на фактор 2 (пространственные навыки). Конечно, в реальном исследовании корреляции никогда не группируются так четко, как в данном примере, и полученные результаты нередко приводят исследователей к бурным дискуссиям по поводу того, действительно ли обнаружены различные факторы. Также возникают расхождения в том, как правильно называть факторы, ведь факторный анализ сам по себе лишь выявляет факторы, а как их назвать - это решают сами исследователи.

Факторный анализ применялся в одном из самых долгих психологических споров - является ли интеллект единым свойством человека. Чарльз Спирмен - основоположник факторного анализа (начало XX в.), - считал, что все тесты интеллекта имеют одинаковую нагрузку на один фактор, который он назвал фактором общего интеллекта, или g (от англ. general). Более того, по его мнению, каждый тест должен давать высокую нагрузку на второй фактор, включающий навык, проверяемый данным тестом (например, математические способности). Эти факторы второго порядка, или «особые», он обозначил как s (от англ. special). Согласно его «двухфакторной» теории, выполнение тестов интеллекта напрямую зависит от общего интеллекта человека (g) и его особых навыков (л). Спирмен считал, что g наследуется, а различные 5-факторы приобретаются в процессе обучения (Fruchter, 1954).

Другие исследователи, и в том числе Льюис Терстоун, считали, что интеллект состоит из множества факторов, и отвергали существование общего фактора g. По результатам факторного анализа Терстоун сделал вывод, что существуют семь различных факторов, которые он назвал «первичными умственными способностями»: понимание речи, беглость речи, навыки счета, пространственные навыки, память, скорость восприятия и способность к рассуждениям.

Вопрос о том, является ли интеллект единым целым, продолжает ставить в тупик ученых, занимающихся его измерением, и его обсуждение не входит в задачи этой главы. Для нас важно, что факторный анализ может привести к различным результатам. Это связано с тем, что а) существует несколько разновидностей факторного анализа, по-разному оценивающих, насколько высокой должна быть корреляция для выявления отдельных факторов, и б) в различных исследованиях этой проблемы используются различные тесты интеллекта. Поэтому исследователи, использующие различные подходы и тесты, получают самые разные результаты. Говоря коротко, так же, как и остальные статистические методы, факторный анализ - это лишь инструмент, и он не может сам по себе решать такие теоретические вопросы, как природа интеллекта.

Как стало ясно из этого небольшого введения, корреляционные процедуры играют заметную роль в современных психологических исследованиях. Очень часто в них возникает необходимость, если экспериментальные процедуры использовать невозможно. Кроме того, разработка сложных многомерных процедур упростила решение вопроса о причинах и следствиях по сравнению с прошлым, когда большинство корреляционных процедур были двумерными по своей природе.

Многие корреляционные исследования проходят за пределами лабораторий. В следующей главе мы более подробно изучим во

Результаты: основной эффект и взаимодействие
Факторные исследования дают два вида результатов: основной эффект и взаимодействие. Основной эффект показывает общее влияние независимых переменных, а взаимодействие отражает совместное действие п...

Корреляция и регрессия: основы
Считается, что переменные коррелируют, если между ними существует какая-либо взаимосвязь. Это подразумевает сам термин «корреляция»: «ко» означает взаимное действие, а «реляция» (от англ. relation ...

Межличностная коммуникация
Межличностная коммуникация - это неформальное взаимодействие, которое происходит один на один или в малых группах. Беседуем ли мы с соседями по студенческому общежитию, болтаем ли по телефону с то...

Факторный анализ - статистический метод, который используется при обработке больших массивов экспериментальных данных. Задачами факторного анализа являются: сокращение числа переменных (редукция данных) и определение структуры взаимосвязей между переменными, т.е.

Классификация переменных, поэтому факторный анализ используется как метод сокращения данных или как метод структурной классификации.

Важное отличие факторного анализа от всех описанных выше методов заключается в том, что его нельзя применять для обработки первичных, или, как говорят, «сырых», экспериментальных данных, т.е. полученных непосредственно при обследовании испытуемых. Материалом для факторного анализа служат корреляционные связи, а точнее - коэффициенты корреляции Пирсона, которые вычисляются между переменными (т.е. психологическими признаками), включенными в обследование.

Факторный анализ имеет три основных применения в психологии. Во-первых, он может быть использован для конструирования тестов. Например, можно написать 50 заданий для измерения каких-либо способностей, личностной черты или аттитюда (такого, например, как консерватизм). Затем задания будут предъявлены репрезентативной выборке из нескольких сотен индивидуумов и обработаны (в случае тестов способностей) таким образом, что правильный ответ будет кодироваться «1», а неправильный - «О». Ответы, которые получают при использовании ранговых шкал (как в большинстве опросников личности и аттитюдов), просто вводятся в их сыром виде: один балл, если выбирается вариант ответа (а), два балла, если выбирается вариант ответа (б), и т.д. Ответы на эти 50 заданий затем коррелируют между собой и подвергают факторному анализу. Задания, которые имеют высокие нагрузки по каждому фактору, измеряют один и тот же лежащий в их основе психологический конструкт и таким образом формируют шкалу. Это позволяет определить, как обрабатывать опросники в будущем, просто взглянув на факторную матрицу: если задания 1, 2, 10 и 12 - единственные, которые имеют существенные нагрузки по одному фактору, тогда одна шкала теста будет состоять только из этих четырех заданий.

Кроме того, каждая из шкал нуждается в валидизации, например, путем подсчета баллов, полученных каждым человеком по каждому фактору, и оценки конструктной и(или) прогностической валидности этих шкал. Например, баллы, полученные по факторам, можно прокоррелировать с баллами, полученными из других опросников, используемых для прогноза успешности обучения, и т.д. Вторая задача, которую может решить факторный анализ, заключается в редукции данных, или в «концептуальной чистке». Было разработано огромное количество тестов для измерения личности, основывающихся на различных теоретических позициях, и далеко не всегда очевидно, в какой степени они перекрываются.

В-третьих, факторный анализ применяется при проверке психометрических свойств опросников, особенно когда они используются в новых культурах или популяциях. Например, предположим, что, в соответствии с руководством по использованию австралийского личностного теста, его следует обрабатывать путем сложения баллов, полученных по всем нечетным заданиям, которые формируют одну шкалу, в то время как сумма баллов, полученных по всем четным заданиям, образует другую шкалу.

Главное понятие факторного анализа - фактор. Это искусственный статистический показатель, возникающий в результате специальных преобразований таблицы коэффициентов корреляции между изучаемыми психологическими признаками, или матрицы интеркорреляций. Процедура извлечения факторов из матрицы интеркорреляцийназыв-ся факторизацией матрицы. В результате факторизации из корреляционной матрицы м.б. извлечено разное кол-во факторов вплоть до числа, равного кол-ву исходных переменных. Однако факторы, выделяемые в результате факторизации, как правило, неравноценны по своему значению. Формальным критерием качества проведения процедуры факторного анализа является процент объединенной дисперсии исходных признаков.

В настоящее время факторный анализ широко используется как для решения исследовательских задач, так и при конструировании психодиагностических методик.

Вы также можете найти интересующую информацию в научном поисковике Otvety.Online. Воспользуйтесь формой поиска:

Еще по теме 31. Применение факторного анализа в психологии.:

1. 1. Способы факторного анализа, их виды, особенности применения.
2. Факторный анализ, полный и дробный факторный эксперимент и математическая модель.
3. 62. Планирования экспериментов. Факторный анализ, полный и дробный факторный эксперимент и математическая модель.

Гальтоном Ф. (1822-1911), внесшим также большой вклад в исследование индивидуальных различий. Но в разработку Факторного анализа внесли вклад многие ученые. Разработкой и внедрением факторного анализа в психологию занимались такие ученые как Спирмен Ч. (1904, 1927, 1946), Терстоун Л. (1935, 1947, 1951) и Кеттел Р. (1946, 1947, 1951). Также нельзя не упомянуть английского математика и философа Пирсона К., в значительной степени развившего идеи Ф. Гальтона, американского математика Хотеллинга Г. , разработавшего современный вариант метода главных компонент . Внимания заслуживает и английский психолог Айзенк Г. , широко использовавший Факторный анализ для разработки психологической теории личности. Математически факторный анализ разрабатывался Хотеллингом, Харманом, Кайзером, Терстоуном, Такером и др. Сегодня факторный анализ включён во все пакеты статистической обработки данных - , SAS , SPSS , Statistica и т. д.

Задачи и возможности факторного анализа

Факторный анализ позволяет решить две важные проблемы исследователя: описать объект измерения всесторонне и в то же время компактно . С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.

Таким образом можно выделить 2 цели Факторного анализа:

При анализе в один фактор объединяются сильно коррелирующие между собой переменные, как следствие происходит перераспределение дисперсии между компонентами и получается максимально простая и наглядная структура факторов. После объединения коррелированность компонент внутри каждого фактора между собой будет выше, чем их коррелированность с компонентами из других факторов. Эта процедура также позволяет выделить латентные переменные, что бывает особенно важно при анализе социальных представлений и ценностей. Например, анализируя оценки, полученные по нескольким шкалам, исследователь замечает, что они сходны между собой и имеют высокий коэффициент корреляции, он может предположить, что существует некоторая латентная переменная, с помощью которой можно объяснить наблюдаемое сходство полученных оценок. Такую латентную переменную называют фактором . Данный фактор влияет на многочисленные показатели других переменных, что приводит нас к возможности и необходимости выделить его как наиболее общий, более высокого порядка. Для выявления наиболее значимых факторов и, как следствие, факторной структуры, наиболее оправданно применять метод главных компонентов (МГК). Суть данного метода состоит в замене коррелированных компонентов некоррелированными факторами. Другой важной характеристикой метода является возможность ограничиться наиболее информативными главными компонентами и исключить остальные из анализа, что упрощает интерпретацию результатов. Достоинство МГК также в том, что он - единственный математически обоснованный метод факторного анализа .

Факторный анализ может быть:

• разведочным - он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках;
• конфирматорным , предназначенным для проверки гипотез о числе факторов и их нагрузках (примечание 2).

Условия применения факторного анализа

Практическое выполнение факторного анализа начинается с проверки его условий. В обязательные условия факторного анализа входят:

Основные понятия факторного анализа

• Фактор - скрытая переменная
• Нагрузка - корреляция между исходной переменной и фактором

Процедура вращения. Выделение и интерпретация факторов

Сущностью факторного анализа является процедура вращения факторов, то есть перераспределения дисперсии по определённому методу. Цель ортогональных вращений - определение простой структуры факторных нагрузок, целью большинства косоугольных вращений является определение простой структуры вторичных факторов, то есть косоугольное вращение следует использовать в частных случаях. Поэтому ортогональное вращение предпочтительнее. Согласно определению Мюльека простая структура соответствует требованиям:

• в каждой строке матрицы вторичной структуры V должен быть хотя бы один нулевой элемент;
• Для каждого столбца k матрицы вторичной структуры V должно существовать подмножество из r линейно-независимых наблюдаемых переменных, корреляции которых с k-м вторичным фактором - нулевые. Данный критерий сводится к тому, что каждый столбец матрицы должен содержать не менее r нулей.
• У одного из столбцов каждой пары столбцов матрицы V должно быть несколько нулевых коэффициентов (нагрузок) в тех позициях, где для другого столбца они ненулевые. Это предположение гарантирует различимость вторичных осей и соответствующих им подпространств размерности r-1 в пространстве общих факторов.
• При числе общих факторов больше четырех в каждой паре столбцов должно быть некоторое количество нулевых нагрузок в одних и тех же строках. Данное предположение дает возможность разделить наблюдаемые переменные на отдельные скопления.
• Для каждой пары столбцов матрицы V должно быть как можно меньше значительных по величине нагрузок, соответствующих одним и тем же строкам. Это требование обеспечивает минимизацию сложности переменных.

(В определении Мьюлейка через r обозначено число общих факторов, а V - матрица вторичной структуры, образованная координатами (нагрузками) вторичных факторов, получаемых в результате вращения.) Вращение бывает:

• ортогональным
• косоугольным .

При первом виде вращения каждый последующий фактор определяется так, чтобы максимизировать изменчивость, оставшуюся от предыдущих, поэтому факторы оказываются независимыми, некоррелированными друг от друга (к этому типу относится МГК). Второй вид - это преобразование, при котором факторы коррелируют друг с другом. Преимущество косоугольного вращения состоит в следующем: когда в результате его выполнения получаются ортогональные факторы, можно быть уверенным, что эта ортогональность действительно им свойственна, а не привнесена искусственно. Существует около 13 методов вращения в обоих видах, в статистической программе SPSS 10 доступны пять: три ортогональных, один косоугольный и один комбинированный, однако из всех наиболее употребителен ортогональный метод «варимакс ». Метод «варимакс» максимизирует разброс квадратов нагрузок для каждого фактора, что приводит к увеличению больших и уменьшению малых значений факторных нагрузок. В результате простая структура получается для каждого фактора в отдельности .

Главной проблемой факторного анализа является выделение и интерпретация главных факторов. При отборе компонент исследователь обычно сталкивается с существенными трудностями, так как не существует однозначного критерия выделения факторов, и потому здесь неизбежен субъективизм интерпретаций результатов. Существует несколько часто употребляемых критериев определения числа факторов. Некоторые из них являются альтернативными по отношению к другим, а часть этих критериев можно использовать вместе, чтобы один дополнял другой:

Практика показывает, что если вращение не произвело существенных изменений в структуре факторного пространства, это свидетельствует о его устойчивости и стабильности данных. Возможны ещё два варианта: 1). сильное перераспределение дисперсии - результат выявления латентного фактора; 2). очень незначительное изменение (десятые, сотые или тысячные доли нагрузки) или его отсутствие вообще, при этом сильные корреляции может иметь только один фактор, - однофакторное распределение. Последнее возможно, например, когда на предмет наличия определённого свойства проверяются несколько социальных групп, однако искомое свойство есть только у одной из них.

Факторы имеют две характеристики: объём объясняемой дисперсии и нагрузки. Если рассматривать их с точки зрения геометрической аналогии, то касательно первой отметим, что фактор, лежащий вдоль оси ОХ, может максимально объяснять 70 % дисперсии (первый главный фактор), фактор, лежащий вдоль оси ОУ, способен детерминировать не более 30 % (второй главный фактор). То есть в идеальной ситуации вся дисперсия может быть объяснена двумя главными факторами с указанными долями . В обычной ситуации может наблюдаться два или более главных факторов, а также остаётся часть неинтерпретируемой дисперсии (геометрические искажения), исключаемая из анализа по причине незначимости. Нагрузки, опять же с точки зрения геометрии, есть проекции от точек на оси ОХ и ОУ (при трёх- и более факторной структуре также на ось ОZ). Проекции - это коэффициенты корреляции, точки - наблюдения, таким образом, факторные нагрузки являются мерами связи. Так как сильной считается корреляция с коэффициентом Пирсона R ≥ 0,7, то в нагрузках нужно уделять внимание только сильным связям. Факторные нагрузки могут обладать свойством биполярности - наличием положительных и отрицательных показателей в одном факторе. Если биполярность присутствует, то показатели, входящие в состав фактора, дихотомичны и находятся в противоположных координатах .

Методы факторного анализа:

Примечания

Литература

• Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. - М .: Мир, 1982. - С. 488.
• Колин Купер. Индивидуальные различия. - М.: Аспект Пресс, 2000. - 527 с.
• Гусев А. Н., Измайлов Ч. А., Михалевская М. Б. Измерение в психологии. - М.: Смысл, 1997. - 287 с.
• Митина О. В., Михайловская И. Б. Факторный анализ для психологов. - М.: Учебно-методический коллектор Психология, 2001. - 169 с.
• Факторный, дискриминантный и кластерный анализ / сборник работ под ред. Енюкова И. С. - М.: Финансы и статистика, 1989. - 215 с.
• Пациорковский В. В., Пациорковская В. В. SPSS для социологов. - М.: Учебное пособие ИСЭПН РАН, 2005. - 433 с.
• Бююль А., Цёфель П. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. - СПб.: ООО «ДиаСофтЮП», 2002. - 603 с.
• Факторный, дискриминантныи и кластерный анализ: Пер.

Ф18 с англ./Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др.; Под ред. И. С. Енюкова. - М.: Финансы и статистика, 1989.- 215 с:

Ссылки

• Электронный учебник StatSoft. Главные компоненты и факторный анализ
• Нелинейный метод главных компонент (сайт-библиотека)

Wikimedia Foundation . 2010 .

Смотреть что такое "Факторный анализ" в других словарях:

факторный анализ - — факторный анализ Область математической статистики (один из разделов многомерного статистического анализа), объединяющая вычислительные методы, которые в ряде случаев позволяют … Справочник технического переводчика

Статистический метод проверки гипотез о влиянии разл. факторов на изучаемую случайную величину. Разработана и общепринята модель, при которой влияние фактора представлено в линейном виде. Процедура анализа сводится к оценочным операциям с помощью … Геологическая энциклопедия

факторный анализ - (от лат. factor действующий, производящий и греч. analysis разложение, расчленение) метод многомерной математической статистики (см. статистические методы в психологии), применяемый при исследовании статистически связанных признаков с целью… … Большая психологическая энциклопедия

Метод исследования экономики и производства, в основе которого лежит анализ воздействия разнообразных факторов на результаты экономической деятельности, ее эффективность. Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б.. Современный экономический … Экономический словарь

Факторный анализ - область математической статистики (один из разделов многомерного статистического анализа), объединяющая вычислительные методы, которые в ряде случаев позволяют получить компактное описание исследуемых явлений на основе… … Экономико-математический словарь

ФАКТОРНЫЙ АНАЛИЗ, в статистике и психометрии математический метод, при помощи которого большое количество измерений и исследований сводится к малому числу «факторов», полностью объясняющих полученные результаты исследований, а также их… … Научно-технический энциклопедический словарь

Раздел статистического анализа многомерного (См. Статистический анализ многомерный),. объединяющий методы оценки размерности множества наблюдаемых переменных посредством исследования структуры ковариационных или корреляционных матриц.… … Большая советская энциклопедия

Факторный анализ широко используется в психологии в раз­ных направлениях, связанных с решением как теоретических, так и практических проблем.

В теоретическом плане использование факторного анализа связано с разработкой так называемого факторно-аналитическо­го подхода к изучению структуры личности, темперамента и способностей. Использование факторного анализа в этих сферах основано на широко принятом допущении, согласно которому наблюдаемые и доступные для прямого измерения показатели являются лишь косвенными и/или частными внешними прояв­лениями более общих характеристик. Эти характеристики, в от­личие от первых, являются скрытыми, так называемыми латен­тными переменными, поскольку они представляют собой поня­тия или конструкты, которые не доступны для прямого измере­ния. Однако они могут быть установлены путем факторизации корреляционных связей между наблюдаемыми чертами и выде­лением факторов, которые (при условии хорошей структуры) можно интерпретировать как статистическое выражение иско­мой латентной переменной.

Хотя факторы имеют чисто математический характер, пред­полагается, что они репрезентируют скрытые переменные (тео­ретически постулируемые конструкты или понятия), поэтому

названия факторов нередко отражают сущность изучаемого гипо­тетического конструкта. Так, факторный анализ, который был разработан в начале XX века Ч. Спирменом для исследования структуры способностей, позволил ввести в психологию понятие общего фактора способностей - фактора g. Впоследствии Л. Тер-стоун выдвинул и экспериментально апробировал модель, кото­рая включала 12 факторов способностей. Факторно-аналитичес­кие исследования темперамента и личности в зарубежной психо­логии охватывают целый ряд теорий прошлого и настоящего, включая теории Г. Олпорта, Р. Кэттелла, Г. Айзенка и других.

В отечественной психологии факторный анализ наиболее ши­роко использовался в дифференциальной психологии и психо­физиологии при изучении свойств нервной системы человека в работах Б.М. Теплова и его школы. Теплов придавал большое значение этому виду статистической обработки данных, подчер­кивая, что факторный анализ - ценное орудие в любой облас­ти, где можно хотя бы в виде предварительной гипотезы пред­положить наличие некоторых основных параметров, функций, свойств, образующих «структуру» данной области явлений.

В настоящее время факторный анализ широко используется в дифференциальной психологии и психодиагностике. С его помо­щью можно разрабатывать тесты, устанавливать структуру связей между отдельными психологическими характеристиками, измеря­емыми набором тестов или заданиями теста (см. Приложение 2).

Еще один аспект использования факторного анализа заключа­ется в так называемой «редукции» данных или «концептуальной чистке» большого количества тестов, разработанных с различных теоретических позиций для измерения личностных особенностей. В результате факторизации матрицы корреляций, полученной на большой выборке испытуемых при использовании различных лич­ностных тестов, можно более точно выявить структуру личност­ных особенностей, определяемых используемыми тестами.

Факторный анализ используется также для стандартизации тестовых методик, которая проводится на репрезентативной вы­борке испытуемых.

Для более подробного ознакомления с различными вариан­тами применения факторного анализа в психологии рекоменду­ем следующую литературу (4, 12, 15, 25, 39).