Faktoranalízis az SPSS-bennemzetkozi-gazdalkodas.hu/files/952/9_MM_faktor.pdfFaktoranalízis az...

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Faktoranalízis az SPSS-ben

Petrovics PetraDoktorandusz

= Adatredukciós módszer

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

FeladatMegnyitás: faktoradat_msc.sav

Fogyasztók materialista vonásai (Richins-skála)

Forrás: Sajtos-Mitev

250.oldal

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Faktoranalízis folyamata

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

• Feltáró = új faktorok létrehozására

Közös faktroelemzés(közös variancia)

Főkomponens elemzés (teljes variancia)

Ha nem ismerjük a változókatLehető legmagasabb magyarázott

• Megerősítő (konformatikus)

= modell tesztelésére, bizonyítására

Szubjektív

Ha nem ismerjük a változókatLehető legmagasabb magyarázott

varianciahányad

Ha nem ismerjük a varianciákat Lehető legkevesebb faktor

DE: gyakorlat:Bonyolult, időigényes

Általában ezt használjuk

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

1. Elemzés érvényessége, változók alkalmassága

2. Metrikus változók / Dummy változók

3. A változók eloszlása normális

Analyze / Regression / Linear / Plots… / Histogram

Stb.

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

4. Homoszkedaszticitás

Analyze / Regression / Linear / Plots… /

Scatterdot…

2.• Feltételek vizsgálata

Scatterdot…

Stb.

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

5. Multikollinearitás – korrelációs mátrix

2.• Feltételek vizsgálata

Analyze / Correlate/

Bivariate

…

Stb.…

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

6. Nagyobb minta

7. „Minta elemszáma / változók száma” arány

2.• Feltételek vizsgálata

Min. 10-szer több válaszadó, mint változó

18,2718

329=

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

a) Korrelációs mátrix

Erős korreláció, de nem túl erős

Analyze / Dimension Reduction / Factor /

Descriptives

3.• Adatok alkalmasságának vizsgálata

Descriptives

Az értékek 75%-a szignifikáns.

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

b) Anti-image mátrix

„nem magyarázott szórásnégyzet”

Analyze / Dimension Reduction / Factor / Descriptives

3.• Adatok alkalmasságának vizsgálata

Analyze / Dimension Reduction / Factor / Descriptives

Anti-image kovariancia mátrix

Anti-image korrelációs mátrix

~ korrelációs mátrixának átlóbeli

értékei függnek:

� Mintanagyság

� Változók száma

� Korrelációk átlagos mértéke

� Faktorok száma

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Kis érték (0,09 alatt az esetek

min. ¾-ében)– a variancia

független a többitől

⇒ nincs szoros kapcsolat

b)Anti-image mátrix

3.• Adatok alkalmasságának vizsgálata

…

MSA (Measure of Sampling

Adequecy)

Mennyire van szoros

kapcsolatban a többi

változóval

⇒ 0,5 alattit kizárni

Itt: 0,67-0,87

…

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

c) Bartlett teszt

H0: nincs korreláció

H1: van korreláció

3.• Adatok alkalmasságának vizsgálata

1

Analyze / Dimension Reduction / Factor / Descriptives

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

d) Kaiser-Meyer-Olkin kritérium

MSA értékek átlaga (összes változóra)

Analyze / Dimension Reduction / Factor / Descriptives

3.• Adatok alkalmasságának vizsgálata

atlanelfogadhatKMO

gyengeKMO

közepesKMO

megfelel őKMO

jónagyonKMO

kiválóKMO

−<

−≥

−≥

−≥

−≥

−≥

5,0

5,0

6,0

7,0

_8,0

9,0

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

4.• Faktormódszer kiválasztása

Analyze / Dimension Reduction / Factor / Extraction

Ha a változók száma magas

(sajátérték sorrendjében

magyaráz)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

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

5.• Faktorok számának meghatározása

2. Kaiser kritérium: ha 1 alatti

a sajátérték, kevesebb

információt hordoz a faktor,

mint 1 változó

� Ha 20-50 változónk vanEgy faktor által az összes változó

1. A priori információk alapján

Egy faktor által az összes változó

varianciájából magyarázott variancia

Minél magasabb

varianciahányadot tudunk

magyarázni, annál, több

információ marad meg az

elemzés során

⇒ 3. Varianciahányad-módszer

3

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Output

Ahány kiinduló változónk volt

Faktorelemzés után

1-nél nagyobb sajátérték!

3. Varianciahányad-módszer

Faktorok száma

Csökkenő

sorrend

Magyarázott

variancia %-a

(Min. 60% kell)

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

5.• Faktorok számának meghatározása

4. Scree plot

Sajátérték ábrázolása

5-6 faktor

Könyökkritérium: ahol

az egyenes meredeksége

megváltozik

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

5.• Faktorok számának meghatározása

Maximum likelihood módszer

4 faktor 5 faktor 6 faktor

5 6

~ H0 : illeszkedik

H1: nem illeszkedik

0,1 feletti α esetén jól illeszkedik

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

5.• Faktorok számának meghatározása

Módszer Faktorok száma

A priori 3

Kaiser-kritérium 4

Varianciahányad-módszer (4) 5↑

Scree-teszt 5-6

Maximum-likelihood 6

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

6.• Faktorok rotálása

= A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és

értelmezhetőbb faktormegoldásokat kapjunk.

Ferdeszögű 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

Térben is látni

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

6.• Faktorok rotálása

KMO&Bartlett; Anti-image

Principal Components;

faktorok száma (4)

Varimax

Faktorok mentése:

Factor Analysis / Scores

Varimax

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Output

nx ;; σérvényesség

Kezdeti érték

Mindig 1 (ha Principal Comp.)

Egy változó varianciájának

mekkora részét magyarázza az

összes faktor

(faktorsúlyok négyzetösszege)

Hüvelykujjszabály: min. 0,25

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Output

Faktorszám meghatározása

Kezdeti értékek

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

7.• Faktorok értelmezése, jellemzése

1. faktor 2. faktor 3. faktor 4. faktor

M14_HAPY

M17_HAPY

M15_HAPY

M4_SUCES

M12_CENTR

M2_SUCES

M10_CENTR

M11_CENTR

M7_CENTR

M6_SUCES

M3_SUCES

M13_CENTRM15_HAPY

M18_HAPY

M16_HAPY

M2_SUCES

M1_SUCES

M7_CENTR

M8_CENTR

M9_CENTR

M13_CENTR

M5_SUCES

HAPY

-: Fontosak a

tárgyak az élet

élvezéséhez

SUCES CENTR „Mások

véleményének

figyelmen kívül

hagyása”

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

• Ne fogadjuk el az első megoldást:

o Több rotációs eljárás

Változók elhagyása (alacsony faktorsúly)

8.• Faktorelemzés érvényességének ellenőrzése

o Változók elhagyása (alacsony faktorsúly)

• Keresztérvényesség-vizsgálat

A mintát 2 véletlenül kiválasztott részre osztjuk - faktorelemzés

Miskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi KarMiskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Köszönöm a figyelmet!Köszönöm a figyelmet!