1 / 16

Analisi Fattoriale

Analisi Fattoriale. Tecnica utilizzata per studiare, riassumere e semplificare le relazioni in un insieme di variabili. Scopo. Ridurre l’informazione contenuta in un insieme di dati individuando uno o più fattori (dimensioni) latenti che raggruppano una serie di variabili. Risultato.

penney
Download Presentation

Analisi Fattoriale

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Analisi Fattoriale • Tecnica utilizzata per studiare, riassumere e semplificare le relazioni in un insieme di variabili

  2. Scopo • Ridurre l’informazione contenuta in un insieme di dati individuando uno o più fattori (dimensioni) latenti che raggruppano una serie di variabili

  3. Risultato • Pochi fattori partendo da molte variabili

  4. Fasi dell’AF • Il punto di partenza è la trasformazione di una matrice “soggetti x variabili” in una matrice “variabili x variabili” (matrice di correlazione R ridotta) • Il punto di arrivo è una matrice delle saturazioni (relazioni fra variabili e fattori latenti)

  5. Tipi di Analisi Fattoriale • Analisi Fattoriale Esplorativa (AFE) è la situazione in cui il ricercatore non ha in mente nessuna ipotesi teorica • Analisi Fattoriale Confermatoria (AFC) il ricercatore dispone di una precisa ipotesi a priori sulla struttura dei fattori

  6. Modello teorico dell’AFE • Zik = Fi1ak1+ Fi2ak2+… Fimakm+uik • Zik= punteggio standardizzato del soggetto i nella variabile k • Fi1 il punteggio standardizzato per il soggetto i nel fattore comune 1 • ak1= saturazione fattoriale (factor loading) della variabile k nel fattore comune 1 • uik punteggio standardizzato per il soggetto i nel fattore unico associato alla variabile k

  7. Scomposizione della varianza • Varianza totale= varianza comune+varianza unica (1= h2+u2) • Comunalità=Varianza totale – varianza unica (h2= 1 – u2) • Unicità= varianza totale-varianza comune (u2= 1 – h2)

  8. Espressione matriciale • Z = F*A’+U • Z matrice dei punteggi standardizzati • F matrice dei punteggi nei fattori comuni • A matrice (trasposta) delle saturazioni nei fattori comuni • U matrice dei fattori unici per ogni soggetto in ogni variabile

  9. L’Analisi delle Componenti Principali (ACP) • La differenza fra Analisi Fattoriale (AFE) e Analisi delle Componenti Principali (ACP) consiste nel fatto che quest’ultima non fa distinzione fra varianza comune (comunalità) e varianza specifica delle variabili

  10. Non esistendo un modello l’ACP assume che tutta la varianza di una variabile sia comune • Nel processo di calcolo delle componenti principali è possibile individuare tante componenti quanto sono le variabili originali

  11. Esaminata la varianza spiegata (e lo scree plot) si considerano di solito le componenti con autovalore >1 (criterio di Kaiser). • Non si possono ruotare le componenti

  12. Riassumendo • Matrice soggetti x variabili • Matrice variabili x variabili • Matrice variabili x fattori

  13. Esempio • 100 soggetti x 10 item • 10 item x 10 item • 10 item x 2 fattori

  14. Prodotto finale Fattore 1 Fattore 2 • Item 1 .70 • Item 3 .63 • Item 4 .54 • Item 10 .45 • Item 2 .77 • Item 5 .75 • Item 6 .66 • Item 7 .60 • Item 8 .54 • Item 9 .51

More Related