Пригодность данных для факторного анализа

Не все данные могут быть подвергнуты факторному анализу. Он может быть применен, если соблюдаются следующие критерии.

1.Все переменные в анализе являются непрерывными, т.е. измеряются по меньшей мере по трехбалльной интервальной шкале (такой, как «да/? /нет», кодируемой как 2/1/0). Обычно нельзя подвергать факторному анализу категориальные данные, которые образуют шкалу наименований, перечисляющую, например, цвет волос (черный/каштановый/рыжий), страну проживания, предпочтение при голосовании, профессию. Иногда можно выбрать коды для категориальных данных, которые позволят преобразовать их в некоторый род интервальной шкалы, и она уже законно может быть подвергнута факторному анализу. Например, если мы хотим сформировать шкалу доминирования «взглядов правого крыла», то поддержка коммунистической партии может кодироваться «1», социал-демократической партии – «2», консервативной/республиканской партии – «3» и партии правого крыла – «4». Эти шкала может быть подвергнута факторному анализу на законных основаниях.

2.Все переменные имеют (приблизительно) нормальное распределение, а асимметричные величины выделены и преобразованы.

3.Связи между всеми парами переменных приблизительно линейны или по крайней мере не имеют очевидной U-образной или J-образной формы.

4. Переменные независимы. Самый простой способ проверить это – просмотреть все статистические выражения и обеспечить, чтобы каждая измеряемая переменная отражала действие не более чем одной оценки из числа подвергающихся факторному анализу. Если у каждого индивидуума получены оценки по четырем заданиям теста, допустимо создавать и факторизовать новые переменные, такие как:

(оценка 1 + оценка 2) и оценка3/оценка 4, или

{(оценка 1 + оценка 2 - оценка 3) и оценка 4},

но не {(оценка 1 + оценка 2 + оценка 3) и (оценка 1 + оценка 4)} или

{(оценка 1) и (оценка 1 + оценка 2 + оценка 3 + оценка 4)},

поскольку в последних двух случаях одна из наблюдаемых тестовых оценок («оценка 1») действует на две переменные, подвергающиеся факторизации. Вот общие случаи, когда этот принцип нарушается:

(а) факторизуется набор переменных, часть из которых – произведение от других переменных, также участвующих в анализе. Например, факторный анализ оценок по шести заданиям теста совместно с обобщенной оценкой индивидуумов по этим шести заданиям;

(б) вопросы, заданные в такой форме: «Вопрос 1: сколько будет 2 х 3? »

«Вопрос 2: чему равен ответ на первый вопрос, возведенный в квадратную степень? »

Иногда выделить такие взаимозависимости бывает трудным делом. Например, экспериментатор может зарегистрировать отдельные показатели биотоков из разных отделов мозга наряду с мышечной активностью из двух точек и намеревается подвергнуть факторному анализу средний показатель этих реакций вместе с некоторыми заданиями опросника. Как известно, маловероятно, что все эти величины будут независимыми. Мышечные движения (такие, как мигание глаз и биение сердца) могут обнаруживаться во всех записях физиологических процессов, если не предпринять специальных мер предосторожности. Это может привести к тому, что различные электрические сигналы будут взаимозависимы и, следовательно, они не подходят для факторного анализа;

(в) невозможно подвергать факторному анализу все оценки любого теста, в котором испытуемый не в состоянии получить предельно высокую (или предельно низкую) оценку по всем его шкалам (так называемые «ипсативные тесты»), поскольку все шкалы в этих тестах обязательно связаны отрицательными корреляциями. Сторонники этих тестов утверждают, что можно просто удалить одну из шкал перед факторизацией. Однако тогда интерпретация результатов будет зависеть от того, какую шкалу мы (произвольно) изъяли.

5. Корреляционная матрица обнаруживает лишь несколько корреляций выше 0, 3. Если все корреляции небольшие, следует серьезно задуматься над тем, можно ли будет извлечь из матрицы какие-либо факторы.

6. Пропущенные данные распределены по матрице данных случайным образом. Например, одни испытуемые могут пройти тесты А, В и С. Другие могут пройти только тесты А и С, а остальные могут пройти только тесты В и С. По этой причине такие данные нельзя подвергать факторному анализу, хотя некоторые статистические пакеты сделают это.

7. Любые пропущенные величины либо оценены (Tabatchnick, Fidell, 1989), либо в компьютерной программе заложена команда игнорировать их.

8. Большая выборка испытуемых. Эксперты дают различные рекомендации, однако не следует пытаться применять факторный анализ, если число испытуемых меньше 100, поскольку стандартные ошибки корреляции в этом случае окажутся неприемлемо большими. Это означает, что корреляционная матрица небольшой выборки испытуемых практически не будет похожа на «подлинную» корреляционную матрицу. Обычно считается, что необходимо связать размер выборки с числом переменных, подвергающихся анализу. Показано, что в случае, если испытуемых больше, чем переменных, само отношение числа испытуемых к числу переменных не так важно, как абсолютный размер выборки и величина факторных нагрузок. Следовательно, если факторы хорошо определены (например, с нагрузками 0, 7, а не 0, 4), экспериментатору нужна меньшая выборка, чтобы выделить их. Если известно, что анализируемые данные отличаются высокой надежностью (например, тестовые оценки, а не ответы на отдельные задания), то эти ограничения можно в некоторой степени ослабить. Однако попытки проводить факторный анализ на небольших наборах данных (таких, как репертуарные решетки) обречены на провал, поскольку большая стандартная ошибка корреляций гарантирует, что факторное решение будет и произвольным, и невоспроизводимым.

Проблема возникает при дихотомических данных, т.е. в тех случаях, когда оценки могут принимать только одно из двух значений. Такие данные часто встречаются при анализе ответов на задания теста (1 = «да», 0 = «нет» или 1 = «правильный ответ», 0 = «неправильный ответ»). Когда дихотомические задания коррелируют между собой, корреляции могут достичь 1 только в случае, если оба задания теста имеют приблизительно одинаковые уровни сложности. Таким образом, небольшая корреляция может означать, что

• не существует связи между заданиями сходного уровня сложности,

или

• два задания имеют сильно различающиеся уровни сложности.

Таким образом, факторный анализ обычных пирсоновских корреляций между дихотомическими заданиями обнаруживает тенденцию порождать факторы «трудности задания», поскольку только задания, близкие по уровню сложности, могут, вероятно, коррелировать между собой и формировать фактор. Иные задания, которые измеряют тот же самый конструкт, но имеют другие уровни сложности, будут по этой причине обнаруживать низкие нагрузки по результирующему фактору. Однако чрезвычайно сложно обойти эту проблему, используя стандартный статистический пакет, который не предлагает альтернативы использованию пирсоновских корреляций. Короче говоря, жизнь станет намного легче, если можно будет избежать использования дихотомических данных.

Тесты для определения количества факторов

Разработано несколько способов, помогающих исследователям выбрать «правильное» количество факторов. Они требуют осторожного обращения: при принятии этого важного решения нельзя полагаться на компьютерные программы, поскольку известно, что большинство из них (в частности SPSS) используют методы, которые оказываются несостоятельными и не могут включить некоторые из наиболее полезных тестов. Определение количества выделяемых факторов, вероятно, – наиболее важное решение, которое необходимо принять, когда проводишь факторный анализ. Ложное решение может привести к бессмысленным результатам при обработке самого четкого набора данных. Можно попытаться выполнить несколько вариантов анализа, базирующегося на разном количестве факторов, и использовать несколько различных тестов, определяющих выбор факторов.

В большинстве случаев факторный анализ является, по сути, исследовательской методикой. Исследователь часто не будет иметь весомых теоретических оснований для решения вопроса о том, сколько факторов следует выделить. Самое безопасное – рассматривать несколько решений и проверять их на психологическую пригодность. Пользователи должны установить также:

• не способствует ли увеличение количества факторов упрощению решения (например, уменьшению доли нагрузок в диапазоне от -0, 4 до 0, 4). Если увеличение количества факторов не влияет на простоту решения (или очень незначительно его упрощает), то его применение скорее всего не имеет смысла;

• не появляются ли какие-либо большие корреляции между факторами при осуществлении облических вращений. Последнее может указывать на то, что было извлечено слишком много факторов и два из них пытаются пройти через один и тот же кластер переменных. Об этом могут косвенно свидетельствовать корреляции между факторами, которые будут больше приблизительно 0, 5;

• не разделились ли какие-либо хорошо известные факторы на две или более частей. Например, если во множестве предшествующих исследований было показано, что набор заданий формирует только один фактор (например, экстраверсию), а в вашем анализе они все же формируют два фактора, это говорит о том, что было, вероятно, извлечено слишком много факторов.

Один из старейших и наиболее простых тестов для определения количества факторов – это тест, известный как «критерий Кайзера–Гуттмана». Его преимуществом является простота исполнения. Надо просто провести анализ данных методом главных компонент, выделив столько факторов, сколько существует переменных, но без проведения операции, известной как «вращение» (она будет обсуждаться ниже). После этого надо просто посчитать, сколько факторов имеют собственные значения выше 1, 0 – это и есть количество факторов, которое можно использовать.

Однако показано, что данная процедура не предназначена для определения количества факторов. И несмотря на то, что большинство статистических пакетов выполняют тест Кайзера–Гуттмана как задаваемый по умолчанию, этот тест следует всегда отвергать.

Тест «каменистой осыпи» («scree test»), предложенный Кэттеллом, концептуально тоже прост. Так же как и критерий Кайзера–Гуттмана, он базируется на собственном значении факторов, полученных в результате применения метода главных компонент, не прошедших вращение. Однако он учитывает относительные величины собственных значений факторов, и поэтому не должен быть чувствителен к вариациям в количестве анализируемых переменных. Этот тест основывается на зрительном изучении графика, представляющего последовательные собственные значения факторов, так как это показано на рис. 5. График должен быть построен с максимально возможной аккуратностью с использованием специальной бумаги или графопостроительной программы. Точность графиков, производимых некоторыми статистическими пакетами, недостаточна для этой цели.

Основная идея проста. Очевидно, что точки в правой стороне рис. 5 образуют прямую линию, называемую «склон». Можно проложить через эти точки линейку и определить, сколько собственных значений факторов явно располагаются над этой линией – это и есть количество факторов, которые должны быть извлечены.

Рис. 3. 5.Тест «каменистой осыпи», демонстрирующий собственные значения факторов, полученных в результате анализа главных компонент девяти переменных до вращения матрицы. График показывает, что следует извлечь два фактора.

Рис. 3.5. представляет, скорее всего, трехфакторное решение. «Последний реальный фактор – это тот фактор, который обнаруживается перед тем, как график превращается в горизонтальную прямую линию», утверждает Кеттелл.

Проблема теста «каменистой осыпи» заключается в том, что он полностью основывается на субъективных суждениях и может иногда иметь несколько возможных интерпретаций, особенно когда размер выборки или факторные нагрузки невелики. Иногда на графике обнаруживается более чем один четко идентифицируемый излом прямой линии. В таких случаях необходимо просто просмотреть собственные значения факторов, которые расположены над крайним слева отрезком прямой линии.

Хорошая методика для определения количества извлекаемых факторов – МАР-тест, однако она не включена в основные коммерческие пакеты для выполнения факторного анализа, несмотря на то что является одной из наиболее признанных точных методик. Компьютерные моделирующие исследования показали, что в отсутствие МАР-теста тест «каменистой осыпи», вероятно, представляет наиболее точный руководящий принцип для принятия всех важных решений по поводу количества факторов, извлекаемых из корреляционной матрицы.

Определение общностей

Общность переменной – это часть ее вариативности, которая может быть разделена с другими переменными, включенными в факторный анализ. Но в факторных моделях предполагается, что каждая переменная обладает и некоторой долей надежно измеряемой вариативности, которая «уникальна» для этой переменной и, следовательно, не может быть разделена с какими-либо другими переменными в анализе. Поэтому общности переменных в моделях факторного анализа, как правило, меньше 1, 0.

Оценка общностей – это теоретическая проблема факторного анализа, потому что не существует простого способа проверить, правильны ли оценки, которые для этого применяются.

Разные методы выделения факторов отличаются способами, которые используются для оценки общностей. Однако следует подчеркнуть, что на практике редко имеет значение, какая методика оценки общности используется.

Выделение факторов

Для выделения факторов существует ряд приемов, и все они имеют различные теоретические основания. Большинство статистических пакетов предлагает пользователям выбор между несколькими методами. Большинство из этих методов имеют свои собственные, присущие только им приемы для оценки общностей. На практике при условии, что оценивается одинаковое количество факторов и общностей, все методы будут, как правило, давать почти идентичные результаты.

Выше, говоря, что факторы проводятся через кластеры переменных, мы излишне упростили процедуру выделения факторов. На практике этот процесс имеет две стадии. Сначала факторы помещаются в некоторую произвольную позицию по отношению к переменным, а затем факторы проводят через кластеры переменных (эта процедура называется вращение фактора).

Следовательно, все методы выделения факторов помещают факторы, по сути, в произвольные положения по отношению к переменным. В типичных случаях факторы располагают так, чтобы каждый последующий фактор находился:

• под прямыми углами по отношению к предыдущим факторам и

• в положении, в котором он «объясняет» существенную часть
вариативности заданий (т.е. там, где его собственное значение велико).

На рис. 6 представлены корреляции между четырьмя переменными от VI до V4. Можно видеть, что VI и V2, так же как V3 и V4, значительно коррелируют между собой. Изучение рисунка показывает, что наиболее разумным было бы двухфакторное решение, при котором один фактор проходит между VI и V2, а другой – между V3 и V4. Однако первоначальное выделение не помещает факторы в эту осмысленную позицию. Вместо этого первый фактор проходит между двумя кластерами переменных, а не через середину любого из них. Все переменные будут иметь умеренные положительные нагрузки по этому фактору. Второй фактор находится под прямым углом к первому и имеет положительные корреляции с переменными V3 и V4 и отрицательные корреляции с VI и V2. Ни в одном случае фактор не проходит через середину пары высококоррелирующих переменных.

V1 V2 Фактор 1

Фактор 2

Рис. 3. 6. Типичные позиции двух факторов по отношению к четырем переменным, наблюдающиеся после выделения факторов.

Вращение факторов

Вращение факторов изменяет положение факторов по отношению к переменным таким образом, что получаемое решение легко интерпретировать. Выше говорилось, что факторы выделяют, учитывая, какие переменные имеют большие и/или нулевые нагрузки по ним. Решения, не поддающиеся интерпретации, – это те решения, в которых большое число переменных, вошедших в фактор, имеют нагрузки «среднего уровня», т.е. порядка 0, 3. Они слишком малы, чтобы рассматриваться как «весомые» и использоваться для выделения фактора, и все же слишком велики, чтобы их можно было игнорировать без всякого риска.

Вращение (ротация) факторов перемещает факторы относительно переменных таким образом, что каждый фактор получит несколько больших нагрузок и несколько нагрузок, близких к нулю. По сути, это иной способ заявить, что факторы вращают до тех пор, пока те не пройдут через кластеры переменных, например, между VI и V2 и между V3 и V4 (рис. 6).

Терстоун первым осознал, что первоначальная позиция факторных осей устанавливалась произвольно, и поэтому такие решения было трудно интерпретировать и еще труднее воспроизвести. Он ввел термин «простая структура», чтобы обозначить случай, при котором каждый фактор имеет некоторое число больших нагрузок и некоторое число маленьких и аналогично каждая переменная имеет существенные нагрузки только по небольшому числу факторов. Его «эмпирические правила» были тщательно обобщены последователями.

Табл. 5 демонстрирует, насколько легче интерпретировать факторные решения, полученные после вращения, по сравнению с решениями, имевшимися до вращения. Решение, имевшееся до вращения, трудно интерпретировать, поскольку все переменные имеют умеренные нагрузки по первому фактору, в то время как второй фактор, по-видимому, дифференцирует «математические» и «языковые» способности.

После вращения решение становится абсолютно ясным. Первый фактор, по-видимому, измеряет языковые способности (благодаря существенным нагрузкам по тестам понимания и правописания), второй – соответствует математическим способностям. Представлены также собственные значения факторов и общности. Благодаря этому становится ясным, что во время вращения общность каждой переменной остается той же самой, а собственные значения факторов – нет.

Таблица3. 5

Факторные решения до и после вращения

	До вращения	После вращения (VARIMAX)	h²
	Фактор 1	Фактор 2	Фактор 1	Фактор 2
Понимание	0, 4	0, 3	0, 50	0, 00	0, 25
Правописание	0, 4	0, 5	0, 64	0, 00	0, 41
Сложение	0, 4	-0, 4	0, 13	0, 55	0, 32
Вычитание	0, 5	-0, 3	0, 06	0, 58	0, 34
Собственное	0, 59	0, 73	0, 68	0, 64	1, 32
значение фактора

Перед вращением факторов необходимо принять одно принципиальное решение. Должны ли они оставаться под прямым углом друг к другу («ортогональное вращение») или следует допустить их взаимную корреляцию («облическое вращение»)? Рис. 7 четко показывает, что облическое решение иногда необходимо, чтобы позволить факторам занять осмысленное положение по отношению к переменным. Однако вычисление и интерпретация ортогональных решений значительно проще, что объясняет их большую популярность.

Многие компьютерные программы осуществляют по умолчанию программу Кайзера VARIMAX. Концептуально это достаточно просто. Табл. 6 содержит квадраты каждой нагрузки из табл. 5 (возведение в квадрат используется для того, чтобы удалить отрицательные знаки в тех случаях, когда они есть). Нижний ряд табл. 6 представляет вариативность (квадрат стандартного отклонения = дисперсию) этих четырех нагрузок, возведенных в квадрат. Видно, что, поскольку некоторые из нагрузок в матрице после вращения стали больше, а другие – меньше, вариативность квадратов нагрузок после вращения оказывается намного больше, чем вариативность нагрузок в матрице до вращения (0, 038 и 0, 034 по сравнению с 0, 002 и 0, 006). Следовательно, если факторы располагаются так, что вариативность нагрузок (возведенных в квадрат) максимально велика, это должно быть гарантией, что достигнута «простая структура». Именно так действует программа VARIMAX. Она находит вариант вращения, при котором вариативность квадратов факторных нагрузок максимальна.

Таблица3. 6

Возведенные в квадрат факторные нагрузки из табл. 5, демонстрирующие принцип вращения по методу VARIMAX

	До вращения	Поте вращения
			(VARIMAX)
	Фактор I	Фактор 2	Фактор 1	Фактор 2
Понимание	0, 160	0, 090	0, 250	0, 000
Правописание	0, 160	0, 250	0, 410	0, 000
Сложение	0, 160	0, 160	0, 017	0, 302
Вычитание	0, 250	0, 090	0, 003	0, 336
Вариативность	0, 002	0, 006	0, 038	0, 034
квадратов нагрузок

Облическое вращение является более сложным. Первая проблема заключается в определении того, может ли такое вращение привести к появлению простой структуры. Из рис. 7 ясно, что, хотя каждый фактор проходит точно через кластер переменных, поскольку факторы коррелируют между собой, больше не соблюдается положение, при котором каждая переменная имеет большую нагрузку (корреляцию) только в одном факторе. Поскольку факторы коррелируют между собой, корреляции между VI, V2 и V3 и фактором 2 не приближаются к нулю. Подобно этому, хотя V4, V5 и V6 будут иметь значительные нагрузки по фактору 2, они будут также иметь существенные корреляции с фактором 1. Это значит, что больше нельзя использовать факторную матрицу после вращения, чтобы определить, достигнута ли «простая структура».

VI V2 V3

Рис. 3. 7. Шесть переменных и два коррелирующих фактора.

Для этой цели может быть вычислена другая матрица, называемая «матрицей факторных паттернов». Она не дает корреляции между переменными и факторами; на самом деле числа, которые она включает, могут быть больше 1, 0. Зато она показывает, какому фактору какие переменные «принадлежат», по сути, корректируя структуру матрицы с учетом корреляций между факторами. Таким образом, она может быть использована, чтобы определить, достигнута ли простая структура.

Для данных, представленных на рис.7, матрица факторных паттернов будет напоминать запись, полученную при вращении методом VARIMAX из табл.5. (В случае ортогональных вращений, таких, как VARIMAX, корреляция между факторами всегда равна 0, и не существует корреляций между факторами, которые нуждались бы в корректировке. Таким образом, числа в матрице факторных паттернов соответствуют числам в матрице после вращения = структурной матрице.)

Не существует единой точки зрения относительно того, что следует интерпретировать – матрицу факторной структуры или матрицу факторных паттернов, для того чтобы отождествить факторы или сообщить результаты факторного анализа. Например, Клайн утверждает, что «очень важно... чтобы интерпретировалась структура, но не паттерн», однако Кэттелл придерживается полностью противоположного мнения. Брогден предполагает, что если факторный анализ использует хорошо понятные тесты, но интерпретация факторов неизвестна, тогда следует принимать во внимание матрицу факторных паттернов. Напротив, если известна природа факторов, тогда следует принимать во внимание структурную матрицу. Позиция Брогдена в этом вопросе кажется обоснованной.

Может вызвать удивление тот факт, что вообще существует возможность идентификации фактора, а не переменных, которые в него входят. Однако это так. Например, можно провести корреляционный и факторный анализы выборки поведенческих и психологических показателей. Факторные оценки могут быть подсчитаны для каждого человека, и их можно прокоррелировать с другими тестами. Если набор факторных оценок обнаруживает корреляцию 0, 7 с оценками испытуемых по признанной шкале тревожности, с определенной уверенностью можно сделать вывод, что полученный фактор измеряет тревогу. В качестве альтернативы можно включить в анализ несколько хорошо проверенных тестов, чтобы те действовали как «переменные, выполняющие функцию маркеров». Если они имеют большие нагрузки по одному из факторов после вращения, это четко выявит природу данных факторов.

Для проведения облических вращений было написано несколько программ. Почти все эти программы для достижения простой структуры нуждаются в «тонкой настройке» обычно с помощью программного параметра, который контролирует получение облических факторов. Он определяется задаваемой по умолчанию величиной, которая, как отчасти надеется автор программы Харман, будет адекватна в большинстве случаев. Использование этой величины вслепую – хотя и распространенная, но опасная практика. Харман предлагает использовать несколько вращений – каждое с разным значением этого параметра – и интерпретировать то из них, которое окажется самым близким к простой структуре.

Факторы и факторные оценки

Представим себе, что проводится факторный анализ заданий теста, измеряющего некоторые умственные способности, например, скорость, с которой люди могут визуально представить себе, как будут выглядеть различные геометрические формы после их вращения или переворачивания. После выполнения факторного анализа полученных данных можно обнаружить, что большую часть вариативности объясняет один фактор, в котором существенные нагрузки имеют многие задания теста.

Можно валидизировать этот фактор, например, определяя, насколько высоко фактор коррелирует с другими психологическими тестами, измеряющими пространственные способности, с показателями выполнения теста и т.д. Однако, чтобы сделать это, необходимо для каждого испытуемого получить показатель по этому фактору – его «факторную оценку».

Один очевидный путь вычисления факторной оценки заключается в том, чтобы выделить задания, имеющие существенные нагрузки по данному фактору, и для каждого испытуемого суммировать оценки, полученные по этим заданиям, игнорируя задания, которые имеют незначительные нагрузки по данному фактору. Например, представим себе, что показатели времени ответов были профакторизованы только для четырех заданий и что они получили факторные нагрузки 0, 62; 0, 45; 0, 18 и 0, 90 (после вращения). Это дает основание считать, что задания 1, 2 и 4 измеряют в значительной степени один и тот же конструкт, в то время как задание 3 измеряет скорее что-то отличное от них. Следовательно, можно было бы просмотреть файл данных и у каждого испытуемого усреднить показатели времени ответов только на задания 1, 2 и 4. Таким образом, каждый испытуемый получит «факторную оценку», являющуюся показателем скорости, с которой они могут решить три задания, имеющие существенные нагрузки по фактору. Другой способ проанализировать это – допустить, что оценки каждого испытуемого «взвешены» с использованием следующих чисел 1, 1, 0 и 1. Вес, равный «1», дается, если факторная нагрузка считается существенной (выше 0, 4 например); вес, равный нулю, соответствует маленьким незначимым факторным нагрузкам. Таким образом, факторная оценка испытуемого может быть вычислена по такой формуле:

1 × RT₁ +1 × RT₂ + 0 × RT₃ +1 × RT₄,

или

RT₁ +RT₂+RT₄,

где символы от RT₁ до RT₄ представляют показатели времени ответа на задания с 1-го по 4-е, соответственно. «Веса» (нули или единицы) называются «коэффициентами факторной оценки». Если вычислены факторные оценки каждого испытуемого, их можно коррелировать с другими переменными, чтобы установить валидность этого показателя пространственных способностей.

Хотя эта методика вычисления факторных оценок иногда встречается в литературе, она на самом деле имеет свои недостатки. Например, хотя задания 1, 2 и 4 имели факторные нагрузки больше 0, 4, задание 4 имело нагрузку, которая существенно выше, чем нагрузка задания 2. Это означает, что задание 4 представляет собой намного лучший показатель фактора, чем задание 2. Должны ли веса – «коэффициенты факторной оценки» – отражать это? Вместо того чтобы быть нулями и единицами, должны ли они каким-то образом быть связаны с размером факторных нагрузок? Этот подход явно имеет смысл, и стандартная программа факторного анализа почти неизменно будет предлагать пользователям опцию вычисления этих коэффициентов факторных оценок – по одной для каждой переменной и для каждого фактора. После их получения не составит труда умножить оценку каждого испытуемого по каждой переменной на соответствующий коэффициент факторной оценки и таким образом вычислить «факторную оценку» каждого испытуемого по каждому фактору. Большинство компьютерных программ даже сделают это вычисление.

Для полноты картины следует упомянуть, что коэффициенты факторной оценки не применимы к «сырым» оценкам по каждому заданию, их можно использовать только со «стандартизованными» оценками. Рассмотрим задание 1. Если испытуемый имеет время ответа на это задание 0, 9 с, тогда как среднее время ответа на остальные задания выборки вместе с этим заданием составляет 1, 0 с, а стандартное отклонение – 0, 2 с, то время ответа 0, 9 с будет преобразовано в стандартизованную величину (0, 9 – 0, 1)/0, 2 = – 0, 5. Именно эта величина, а не первичная величина 0, 9 с, используется при вычислении факторных оценок.

Сама процедура вычисления коэффициентов факторной оценки не должна нас здесь беспокоить. Для тех, кто заинтересуется этим вопросом, его основательные обсуждения можно найти в литературе.

⇐ Предыдущая 1 2 3 4 567 8 Следующая ⇒