Ana menüden Analiz ➔ Boyut Azaltma ➔ Faktör’ü seçiyoruz ve ön analizde olduğu gibi değişkenleri Değişkenler paneline taşıyoruz.

Sunulan Tanımlayıcılar penceresinde, İstatistik alanında yalnızca İlk çözümü işaretleyin (ön analizde Tek Değişkenli tanımlayıcıları ve KMO ve Bartlett’in küresellik testini zaten aldık ve bunları yeniden oluşturmamız gerekmiyor). Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Gösterilen Extraction penceresinde, Method açılır menüsünden Principal axis factoring’i seçiyoruz. Bu analizden elde edilen boyutlar, bileşenlerden ziyade faktörler olarak adlandırılır. Bundan sonra, Temel bileşenleri seçmiş olmamız dışında (diyalog ekranlarını göstermeden) aynı analizi yapacağız.

Döndürülmemiş faktör çözümünü görüntüle altında talep ediyoruz, ancak Scree grafiğini değil (ön analizde zaten elde ettik). Çıkart alanında Sabit sayıda faktör seçiyoruz ve çıkarmak için Faktörler etiketli panelde 4 yazıyoruz. Bu, döndürme aşamasına getirilecek faktör sayısını belirtir. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Döndürme penceresi gösterilir. Promax’ı seçiyoruz ve Kappa değerini varsayılan 4’te tutuyoruz (promax rotasyonundaki adımlardan biri, değişkenlerin faktörlerle bağıntılarını kappa olarak etiketlenen bir güce yükseltmektir ve varsayılan dördüncü güçtür—bkz. Meyers et (2013), bu rotasyon stratejisinin daha kapsamlı bir açıklaması için). Görüntü alanında Döndürülmüş çözümü görmek istiyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Seçenekler penceresi gösterilir. Varsayılan Eksik Değerler prosedürünü liste halinde Hariç Tut’u koruyoruz (tüm vakalar, analize dahil edilecek tüm değişkenlerde geçerli değerlere sahip olmalıdır). Katsayı Görüntüleme Formatı altında Boyuta göre sırala’yı seçiyoruz; bu, faktör matrisindeki değişkenlerin faktörle ilişkilerinin gücüne göre listelenmesini düzenleyecek ve böylece çıktının okunmasını daha uygun hale getirecektir (bize göre). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

DÖRT BİLEŞENLİ/FAKTÖR YAPISI İÇİN ANALİZ ÇIKTILARI

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Açıklanan Toplam Varyans

Temel bileşenler analizi (üst tablo) ve temel eksen faktör analizi (alt tablo) için Toplam Varyans Açıklaması tabloları sunulmaktadır. Artık döndürme aşaması hakkında bilgi içeren son sütun dışında temel bileşenler tablosunu zaten görmüştük. Son sütun (Yüklemelerin Karesi Döndürme Toplamları), açıklanan varyansın bileşenler arasında daha eşit olarak dağıtıldığı, döndürmeden sonra bileşenlerin özdeğerlerini görüntüler.

Bir ortogonal döndürmede, bu özdeğerler, çıkarma aşamasının sonunda (8.978) dört bileşen için özdeğerlerin toplamı ile aynı değere eklenir; eğik bir döndürme stratejisi kullandığımız için (faktörlerin korelasyon göstermesine izin verilir), döndürülen bileşenlere dayalı özdeğerlerin toplamı daha büyük bir değerdir.

Ana eksen faktör analizi için Açıklanan Toplam Varyans tablosu yenidir. İlk Özdeğerler etiketli ilk ana sütunun, temel bileşenler analizindekiyle aynı olduğunu görebiliriz (boyutlar artık faktör olarak etiketlenmiştir), çünkü analizden ilk geçiş, tamamlanan bir temel bileşenler analizidir.

Doğrulayıcı faktör analizi örneği
Açımlayıcı faktör analizi Nedir
Açımlayıcı ve doğrulayıcı faktör analizi Nedir
Açımlayıcı faktör analizi yorumlama
Faktör analizi Nedir
Doğrulayıcı faktör analizi raporlama
Ölçek faktörü nedir
Faktör analizi raporlama

Kare Yüklemelerin Çıkarma Toplamları, temel bileşenler analizi sonuçlarından farklı bir resim sunar ve bu, temel bileşenler analizi ile faktör analizi prosedürleri arasındaki büyük bir farkı vurgular. Temel bileşenler analizinde, korelasyon matrisinin köşegenindeki 1.000 değerini korur ve böylece toplam varyansı açıklamaya çalışırız.

Faktör analizinde, 1.000 değerleri, her bir değişkenin diğer değişkenlerle paylaştığı (ortak olarak sahip olduğu) varyans miktarının bir tahmini ile değiştirilir. Böylece toplam varyans, analizdeki değişkenler kümesinde ortak olan varyans ve her bir değişkene özgü veya benzersiz olan varyans olarak bölünür ve faktör analizi yöntemleri yalnızca ortak varyansı açıklamaya çalışır; yani, tüm değişkenler için ortak olan varyansı açıklayan boyutları tanımlarlar. Ortak varyans toplam varyanstan daha küçük olduğu için faktör analizi yöntemleri temel bileşenlere göre daha az varyansı açıklayacaktır.

Burada, ana eksen çözümündeki ilk dört faktörün toplam varyansın %56.475’ini, ana bileşenler çözümündeki ilk dört bileşenin ise toplam varyansın %69.058’ini oluşturduğunu görüyoruz.

Ayrıca, dördüncü ana eksen faktörü, dördüncü ana bileşen 1.095’lik bir özdeğerle gıcırdayarak geçmesine rağmen, çoğu araştırmacının alt sınırı olan 1.000’den önemli ölçüde daha düşük bir özdeğer sunar. Araştırmacıların temel bileşenler üzerinden faktör analizine yöneldiği ölçüde (bize göre bu konuda alan oldukça eşit bir şekilde bölünmüştür), bu araştırmacıların dört faktörlü çözümü terk etmeleri ve üç faktörü incelemeleri için muhtemelen yeterli olacaktır.

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Topluluklar

Değişkenler için Toplulukları sunar. Bunları temel bileşenler analizi için zaten tartışmıştık ve ana eksen faktör analizinde önemli farklılıklar görebiliriz. Temel eksen faktör analizinin ilk sütununda gösterilen başlangıç ​​toplulukları, temel bileşenler analizinde sahip olduğumuz 1.000’ler değil, belirli değişken ile diğerleri arasındaki R2’lerdir (çünkü burada ortak varyansa odaklanıyoruz).

Örneğin, bir çoklu regresyon analizinde diğer değişkenlerden cntrlcpi’yi tahmin etseydik, .515’lik bir R2 değeri elde ederdik. Bu Başlangıç ​​tahmini, Çıkarma sütununda sağlanan nihai bir tahmini ilişki gücüyle sonuçlanan yinelemeli bir süreç aracılığıyla yeniden tahmin edilir. Farklı faktör analizi prosedürleri, bu hesaplamalarda biraz farklı algoritmalar kullanır, ancak ana eksen faktoringi gibi faktör analizi prosedürlerinden türetilen topluluklar, genellikle temel bileşenler analizinden türetilenlerden daha düşük olacaktır.

Dört Bileşenli/Faktör Yapısı için Analiz Çıktısı: Bileşen/Faktör Korelasyonları

Bu analiz dizisinde çözmeyi umduğumuz sorunlardan biri, burada bir eğik döndürme stratejisinin uygun olup olmadığıydı. Gösterilen bileşen/faktör korelasyon matrisleri, bu sorunu çözmek için kullandığımız bilgileri sağlar. Aynı korelasyon modeli her iki tabloda da gösterilmektedir ve bu nedenle ana eksen faktör analizinden korelasyonları vurgularız.

Bazı bileşen/faktör çiftleri birbiriyle ilişkili değildir (örn., Faktör 2 ve 3, −.047’lik bir r değeri gösterir), ancak diğer çiftler nispeten yüksek düzeyde ilişkilidir (örn., Faktör 1 ve 2, .517’lik bir r değeri gösterir). .3’lerde veya daha büyük herhangi bir korelasyonun varlığı, eğik bir döndürmenin kullanımını destekler; bu nedenle, eğik olarak döndürülmüş çözüme dayalı yorumlama ile ilerliyoruz ve varimax (ortogonal) döndürülmüş bir çözüm izlemiyoruz (varimax ve promax rotasyonlarının yorumlarının çakışması muhtemel olsa da).

The post DÖRT FAKTÖR YAPISI – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).