Faktoranalízis az SPSS-bennemzetkozi-gazdalkodas.hu/files/952/9_MM_faktor.pdfFaktoranalízis az SPSS-ben Petrovics Petra Doktorandusz = Adatredukciós módszer Miskolci Egyetem Gazdaságtudományi

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



FeladatMegnyitás: faktoradat_msc.sav

Fogyasztók materialista vonásai (Richins-skála)

Forrás: Sajtos-Mitev

250.oldal



Faktoranalízis folyamata



• 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



1. Elemzés érvényessége, változók alkalmassága

2. Metrikus változók / Dummy változók

3. A változók eloszlása normális

Analyze / Regression / Linear / Plots… / Histogram

Stb.



4. Homoszkedaszticitás

Analyze / Regression / Linear / Plots… /

Scatterdot…

2.• Feltételek vizsgálata

Scatterdot…

Stb.



5. Multikollinearitás – korrelációs mátrix


Analyze / Correlate/

Bivariate

…

Stb.…



6. Nagyobb minta

7. „Minta elemszáma / változók száma” arány


Min. 10-szer több válaszadó, mint változó

18,2718

329=



a) Korrelációs mátrix

Erős korreláció, de nem túl erős

Analyze / Dimension Reduction / Factor /

Descriptives

3.• Adatok alkalmasságának vizsgálata

Descriptives

Az értékek 75%-a szignifikáns.



b) Anti-image mátrix

„nem magyarázott szórásnégyzet”

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



Kis érték (0,09 alatt az esetek

min. ¾-ében)– a variancia

független a többitől

⇒ nincs szoros kapcsolat

b)Anti-image mátrix


…

MSA (Measure of Sampling

Adequecy)

Mennyire van szoros

kapcsolatban a többi

változóval

⇒ 0,5 alattit kizárni

Itt: 0,67-0,87

…



c) Bartlett teszt

H0: nincs korreláció

H1: van korreláció


1




d) Kaiser-Meyer-Olkin kritérium

MSA értékek átlaga (összes változóra)



atlanelfogadhatKMO

gyengeKMO

közepesKMO

megfelel őKMO

jónagyonKMO

kiválóKMO

−<

−≥

−≥

−≥

−≥

−≥

5,0

5,0

6,0

7,0

_8,0

9,0



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



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



Output

Ahány kiinduló változónk volt

Faktorelemzés után

1-nél nagyobb sajátérték!

3. Varianciahányad-módszer

Faktorok száma

Csökkenő

sorrend

Magyarázott

variancia %-a

(Min. 60% kell)




4. Scree plot

Sajátérték ábrázolása

5-6 faktor

Könyökkritérium: ahol

az egyenes meredeksége

megváltozik




Maximum likelihood módszer

4 faktor 5 faktor 6 faktor

5 6

~ H0 : illeszkedik

H1: nem illeszkedik

0,1 feletti α esetén jól illeszkedik




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.

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



6.• Faktorok rotálása

KMO&Bartlett; Anti-image

Principal Components;

faktorok száma (4)

Varimax

Faktorok mentése:

Factor Analysis / Scores

Varimax



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



Output

Faktorszám meghatározása

Kezdeti értékek





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”



• 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



Köszönöm a figyelmet!Köszönöm a figyelmet!

Documents

Faktoranalízis az SPSS-bennemzetkozi-gazdalkodas.hu/files/952/9_MM_faktor.pdfFaktoranalízis az SPSS-ben Petrovics Petra Doktorandusz = Adatredukciós módszer Miskolci Egyetem Gazdaságtudományi