Fkt Faktoranalízis líi Olyan többváltozós statisztikai módszer, amely adattömörítésre, a változók számának csökkentésére, az adatstruktúra feltárására szolgál. A kiinduló változók számát úgynevezett faktorváltozókba vonja össze.
A faktoranalízis a a scélja Az egymással erős ő korrelációs kapcsolatban levő változókat faktorváltozókba tömöríteni. Oly módon, hogy a kialakított faktorváltozók egymással már ne korreláljanak.
Többváltozós statisztikai elemzések A többváltozós statisztikai elemzések többségében alapvető feltétel, hogy a vizsgált változók között ne álljon fenn sztochasztikus kapcsolat. Lásd: Multikollinearitás, klaszterelemzés feltételei.
A faktorelemzés menete 1. A kutatási probléma áttekintése 2. Az elemzési feltételek ellenőrzése 3. A faktoranalízis elvégzése 4. Az adatok alkalmasságának vizsgálata 5. Döntés a faktorok k számáról á 6. A faktorok rotálása 7. Az eredmények értelmezése 8. Az elemzés érvényességének vizsgálata
A faktorelemzés feltételei 1. A változók mérési szintje A faktorelemzés a regresszió számításhoz hasonlóan metrikus változókra épül, de alkalmazhatók dummy változók is. Ü ljü k h é é i é Ügyeljünk arra, hogy azonos mérési és tartalmi szintű változókat vonjunk be az elemzésbe.
A faktorelemzés feltételei 2. A változók közötti ötti kapcsolat Az elemzés csak a vizsgált változók között fennálló szignifikáns ifik korrelációs kapcsolat esetén alkalmazható. Minél több korrelációs együttható értéke legyen nagyobb, mint 0,3!
A faktorelemzés feltételei 3. A minta homogenitása Az elemzés a változók varianciájára épül, ezért fontos, hogy a minta homogén legyen Azaz ne legyenek az egyedeknek k olyan heterogén csoportjai az egyes változókban, melyekre a variancia nem azonos.
A diszkriminanciaelemzés feltételei 4A 4. mintanagyság it Általánosan lefogadott szabályként itt is elmondható, hogy minél nagyobb a minta annál megbízhatóbbak az eredmények. Egyes szakirodalmak szerint minimum 50, mások szerint minimum 100 adat kell az elemzéshez. A teljes mintanagyság legalább tízszer nagyobb legyen a változók számánál. á ál
A faktorelemzés feltételei 5. Általános lá többváltozós feltételek l Linearitás, Homoszkedaszticitás, Normalitás (kivéve multikollinearitás) Ezek a feltételek a korrelációs együtthatók értékét és megbízhatóságát befolyásolják, így ezen keresztül közvetetten hatnak a változók alkalmasságára, az eredmények megbízhatóságára.
Outputok 1. Correlation Matrix Eltöltött Szakmai FoglalakoztatáKépzettség Kisebbség munkaidő nem tapasztalatok si kategória (év) Kezdő fizetés csoport orrelationeltöltött munkaidő 1,000,066,003,005,047 -,020,050 nem,066 1,000,165,378,356,457,076 Szakmai tapasztala,003,165 1,000,063 -,252,045,145 Foglalakoztatási kategória,005,378,063 1,000,514,755 -,144 Képzettség (év),047,356 -,252,514 1,000,633 -,133 Kezdő fizetés -,020,457,045,755,633 1,000 -,158 Kisebbségi csopor,050,076,145 -,144 -,133 -,158 1,000
Outputok 2. KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy.,686 Bartlett's tt' Test of Approx. Chi-Square 887,501 Sphericity df 21 Sig.,000
A Kaiser-Meyer-Olkin (KMO) mutató tó megítélése KMO 0,9 KMO 0,8 kiváló nagyon jó KMO 0,7 megfelelő KMO 0,6 KMO 0,5 KMO<0,5 közepes gyenge elfogadhatatlan atat a
Outputok 3. Anti-image Matrices Eltöltött Szakmai FoglalakoztatáKépzettség Kisebbsé munkaidő nem tapasztalatoksi kategória (év) Kezdő fizetés csoport nti-image image Covari Eltöltött munkaidő,985 -,055 -,011 -,015 -,049,044 -,035 nem -,055,728 -,144 -,023 -,096 -,099 -,120 Szakmai tapaszta -,011 -,144,812 -,042,245 -,067 -,103 Foglalakoztatási kategória -,015 -,023 -,042,424 -,039 -,220,034 Képzettség (év) -,049 -,096,245 -,039,499 -,166,006 Kezdő fizetés,044 -,099 -,067 -,220 -,166,322,055 Kisebbségi i csopo -,035 -,120 -,103,034,006,055,928 nti-image CorrelaEltöltött munkaidő,356 a -,065 -,012 -,022 -,070,078 -,037 nem -,065,799 a -,187 -,041 -,160 -,204 -,146 Szakmai tapaszta -,012 -,187,348 a -,071,386 -,132 -,119 Foglalakoztatási kategória -,022 -,041 -,071,729 a -,084 -,595,054 Képzettség (év) -,070 -,160,386 -,084,709 a -,416,009 Kezdő fizetés,078 -,204 -,132 -,595 -,416,667 a,100 Kisebbségi csopo -,037 -,146 -,119,054,009,100,650 a. Measures of Sampling Adequacy(MSA)
Outputok 4. Total Variance Explained ompo Total of Varianumulative Total of Varianumulative Total of Varianumulativ Initial Eigenvalues tion Sums of Squared Loaion Sums of Squared Lo 2,601 37,163 37,163 2,601 37,163 37,163 2,589 36,979 36,979 1,292 18,451 55,614 1,292 18,451 55,614 1,294 18,489 55,468 1,028 14,688 70,302 1,028 14,688 70,302 1,038 14,833 70,302,876 12,511 82,812,602 8,605 91,418,385 5,507507 96,925925,215 3,075 100,000 xtraction Method: Principal Component Analysis.
A faktorok számának meghatározása htá á A priori Kaiser kritérium i Varianciahányad módszer Scree-teszt Maximum-likelihood lih esetén
Scree Plot Outputok 5. 30 3,0 2,5 2,0 Eigenvalu ue 1,5 1,0 0,5 0,0 1 2 3 4 5 6 7
Outputok 6. Goodness-of-fit of fit Test Chi-Square df Sig. 1,016 3,797
Outputok 7. Kezdő fizetés Foglalakoztatási kategória Rotated Component Matrix a Component 1 2 3,909 -,044 -,092,849 -,014 -,097 Képzettség (év),759 -,367,127 nem,663,350,152 Szakmai tapasztalatok,063,841 -,177 Kisebbségi csoport -,146,573,350 Eltöltött munkaidő,035 -,014,910 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 4 iterations.
Ajánlott irodalom: Naresh K. Malhotra: Marketingkutatás Budapest, 2005. SékliMái Székelyi Mária-Barna Ildikó: Túlélőkészlet l az SPSS-hez, Budapest, 2005. Elérhetőség: strolsz@uni-miskolc.hu
Köszönöm a figyelmet!