Faktoranalízis az SPSS-ben

Slides:



Advertisements
Hasonló előadás
Petrovics Petra Doktorandusz
Advertisements

Nem hierarchikus klaszterelemzés az SPSS-ben
Kvantitatív Módszerek
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Összefoglalás - Faktor- és klaszteranalízis - Petrovics Petra.
Klaszterelemzés az SPSS-ben
A statisztika alapjai - Bevezetés az SPSS-be -
Budapesti Műszaki és Gazdaságtudományi Egyetem Áramlástan Tanszék
Földrajzi összefüggések elemzése
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Potenciális feladattípusok
Általános lineáris modellek
Összefüggés vizsgálatok x átlag y átlag Y’ = a + bx.
TARTÓK STATIKÁJA II TAVASZ HATÁSÁBRÁK-HATÁSFÜGGVÉNYEK
Ozsváth Károly NYME ACSJK Testnevelési Tanszék. Faktor = „jellemző”, „háttérváltozó” A faktoranalízis (FA) alapjában a változók csoportosítására, redukciójára.
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Ozsváth Károly NYME ACSJK Testnevelési Tanszék. Fábián Gy. – Zsidegh M.: A testnevelési és sporttudományos kutatások módszertana, p. (SPSS: p.,
Mintavételes eljárások
Regresszióanalízis 10. gyakorlat.
SPSS leíró statisztika és kereszttábla elemzés (1-2. fejezet)
SPSS többváltozós (lineáris) regresszió (4. fejezet)
SPSS többváltozós regresszió
Diszkriminancia analízis
Főkomponens és faktor analízis
Kovarianciaanalízis Tételezzük fel, hogy a kvalitatív tényező(k) hatásának azonosítása után megmaradó szóródás egy részének eredete ismert, és nem lehet,
Kvantitatív módszerek
Egytényezős variancia-analízis
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
II. Demográfia Népesség összetételének vizsgálata
Az új besorolásokhoz felhasznált adatok, mutatócsoportok és mutatók a következők: Demográfiai mutatócsoport M1. Terület Ú-RKK M2. Lakónépesség, Ú-RKK M3.
Többváltozós adatelemzés
Többváltozós adatelemzés
Többváltozós adatelemzés
Következtető statisztika 9.
A sztochasztikus kapcsolatok (Folyt). Korreláció, regresszió
Alapsokaság (populáció)
Lineáris regresszió.
Adatleírás.
Két kvantitatív változó kapcsolatának vizsgálata
Paleobiológiai módszerek és modellek 7. Hét TÖBBVÁLTOZÓS ADATELEMZÉS
Paleobiológiai módszerek és modellek 4. hét
Többváltozós számítások
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Mintavételes Eljárások.
Sztochasztikus kapcsolatok
Petrovics Petra Doktorandusz
Bevezetés a Korreláció & Regressziószámításba
A szóráselemzés gondolatmenete
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Megerősítő elemzés „Big Data” elemzési módszerek Salánki.
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Többváltozós lineáris regressziós modell feltételeinek tesztelése.
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz.
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Parciális korreláció Petrovics Petra Doktorandusz.
2. Előadás Tervezés, Tényezőkre bontás
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Az SPSS programrendszer.
Gazdaságstatisztika Gazdaságstatisztika Korreláció- és regressziószámítás II.
„R” helyett „Q”? – Új lehetőségek a faktoranalízis alkalmazásában
Korreláció, regresszió
Lineáris regressziós modellek
A hazai középvárosok területi tőkéje

Adatelemzési gyakorlatok
Dr. Varga Beatrix egyetemi docens
Bevezetés a kvantitatív kutatásba
Faktor- és főkomponensanalízis
Az Európai Unió tagországainak, a csatlakozásra váró országoknak
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Dr. Varga Beatrix egyetemi docens
Előadás másolata:

Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz

Feladat Megnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála)

Faktoranalízis folyamata 1. A probléma megfogalmazása 2. Feltételek vizsgálata 3. Az adatok alkalmasságának vizsgálata 4. Faktormódszer kiválasztása 5. Faktorok számának meghatározása 6. Faktorok rotálása 7. Faktorok értelmezése, jellemzése Elnevezés, értékelés 8. Faktorelemzés érvényességének ellenőrzése

A probléma megfogalmazása 1. A probléma megfogalmazása Feltáró = új faktorok létrehozására Megerősítő (konformatikus) = modell tesztelésére, bizonyítására Szubjektív Közös faktroelemzés (közös variancia) Főkomponens elemzés (teljes variancia) Ha nem ismerjük a változókat Lehető legmagasabb magyarázott varianciahányad Ha nem ismerjük a varianciákat Lehető legkevesebb faktor DE: gyakorlat: Bonyolult, időigényes Általában ezt használjuk

Feltételek vizsgálata 2. Feltételek vizsgálata Elemzés érvényessége, változók alkalmassága Metrikus változók / Dummy változók A változók eloszlása normális Analyze / Regression / Linear / Plots… / Histogram Stb.

Feltételek vizsgálata 2. Feltételek vizsgálata Homoszkedaszticitás Analyze / Regression / Linear / Plots… / Scatterdot… Stb.

Feltételek vizsgálata 2. Feltételek vizsgálata Analyze / Correlate/ Bivariate Multikollinearitás – korrelációs mátrix … … Stb.

Feltételek vizsgálata 2. Feltételek vizsgálata Nagyobb minta „Minta elemszáma / változók száma” arány Min. 10-szer több válaszadó, mint változó

Adatok alkalmasságának vizsgálata 3. Adatok alkalmasságának vizsgálata Korrelációs mátrix Erős korreláció, de nem túl erős Analyze / Data Reduction / Factor / Descriptives Az értékek 75%-a szignifikáns.

Adatok alkalmasságának vizsgálata 3. Adatok alkalmasságának vizsgálata Anti-image mátrix „nem magyarázott szórásnégyzet” Analyze / Data Reduction / Factor / Descriptives Anti-image kovariancia mátrix Anti-image korrelációs mátrix ~ korrelációs mátrixának átlóbeli értékei függnek: Mintanagyság Változók száma Korrelációk átlagos mértéke Faktorok száma

Adatok alkalmasságának vizsgálata 3. Adatok alkalmasságának vizsgálata … Kis érték (0,09 alatt az esetek min. ¾-ében)– a variancia független a többitől  nincs szoros kapcsolat MSA (Measure of Sampling Adequecy) Mennyire van szoros kapcsolatban a többi változóval  0,5 alattit kizárni Itt: 0,67-0,87 Anti-image mátrix …

Adatok alkalmasságának vizsgálata 3. Adatok alkalmasságának vizsgálata c) Bartlett teszt H0: nincs korreláció H1: van korreláció Analyze / Data Reduction / Factor / Descriptives

Adatok alkalmasságának vizsgálata 3. Adatok alkalmasságának vizsgálata Kaiser-Meyer-Olkin kritérium MSA értékek átlaga (összes változóra) Analyze / Data Reduction / Factor / Descriptives

Faktormódszer kiválasztása 4. Faktormódszer kiválasztása Analyze / Data Reduction / Factor / Extraction Ha a változók száma magas (sajátérték sorrendjében 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

Faktorok számának meghatározása 5. Faktorok számának meghatározása Kaiser kritérium: ha 1 alatti a sajátérték, kevesebb információt hordoz a faktor, mint 1 változó  Ha 20-50 változónk van Egy faktor által az összes változó varianciájából magyarázott variancia A priori információk alapján 3 Minél magasabb varianciahányadot tudunk magyarázni, annál, több információ marad meg az elemzés során  3. Varianciahányad-módszer

Output 3. Varianciahányad-módszer Faktorelemzés után 1-nél nagyobb sajátérték! Ahány kiinduló változónk volt Csökkenő sorrend Magyarázott variancia %-a (Min. 60% kell) Faktorok száma

Faktorok számának meghatározása 5. Faktorok számának meghatározása 4. Scree plot Sajátérték ábrázolása 5-6 faktor Könyökkritérium: ahol az egyenes meredeksége megváltozik

Faktorok számának meghatározása 5. Faktorok számának meghatározása Maximum likelihood módszer ~ H0 : illeszkedik H1: nem illeszkedik 0,1 feletti α esetén jól illeszkedik 5 6 4 faktor 5 faktor 6 faktor

Faktorok számának meghatározása 5. Faktorok számának meghatározása Módszer Faktorok száma A priori 3 Kaiser-kritérium 4 Varianciahányad-módszer (4) 5↑ Scree-teszt 5-6 Maximum-likelihood 6

6. Faktorok rotálása = A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és értelmezhetőbb faktormegoldásokat kapjunk. Térben is látni Hegyesszögű 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

Faktorok rotálása Faktorok mentése: Factor Analysis / Scores 6. Faktorok rotálása KMO&Bartlett Principal Components; faktorok száma (4) Varimax Faktorok mentése: Factor Analysis / Scores

Output érvényesség Kezdeti érték Mindig 1 (ha Principal Comp.) Egy változó varianciájának mekkora részét magyarázza az összes faktor (faktorsúlyok négyzetösszege) Hüvelykujjszabály: min. 0,25

Output Faktorszám meghatározása Kezdeti értékek

Faktorok értelmezése, jellemzése 7. Faktorok értelmezése, jellemzése 1. faktor 2. faktor 3. faktor 4. faktor M14_HAPY M17_HAPY M15_HAPY M18_HAPY M16_HAPY M4_SUCES M12_CENTR M2_SUCES M1_SUCES M10_CENTR M11_CENTR M7_CENTR M8_CENTR M9_CENTR M6_SUCES M3_SUCES M13_CENTR M5_SUCES HAPY -: Fontosak a tárgyak az élet élvezéséhez SUCES CENTR „Mások véleményének figyelmen kívül hagyása”

Faktorelemzés érvényességének ellenőrzése 8. Faktorelemzés érvényességének ellenőrzése Ne fogadjuk el az első megoldást: Több rotációs eljárás Változók elhagyása (alacsony faktorsúly) Keresztérvényesség-vizsgálat A mintát 2 véletlenül kiválasztott részre osztjuk - faktorelemzés

Köszönöm a figyelmet!