Escolar Documentos
Profissional Documentos
Cultura Documentos
Scopo
1
Aspetti storici
1904, Charles Spearman: Teoria bifattoriale
sosteneva che le misure di abilità mentale
relative ad un test potevano essere spiegate
come attribuibili ad un’abilità generale
comune a tutte le abilità e ad un’abilità
specifica e queste abilità dipendono ciascuna
da un “fattore”, chiamati da Spearman
“Fattore generale” (G) e “fattore specifico o
unico” (U).
Aspetti storici
1945, Thurstone: Teoria multifattoriale
2
ANALISI FATTORIALE E
PSICOLOGIA
Nasce come metodo di spiegazione di dati
di tipo psicologico
XCHE’
ANALISI FATTORIALE:
che cos’è
Sviluppo Psicologia
3
Tecnica utilizzata per
STUDIARE
RIASSUMERE
SEMPLIFICARE
SCOPO
4
RISULTATO
5
Scopo dell’analisi fattoriale è ricondurre una serie di M
variabili osservate (“manifeste”) tra loro correlate ad un
numero inferiore di H variabili latenti dette “fattori”.
FASI dell’AF
6
Quando si suppone che vi sia un meccanismo generatore dei dati,
in altre parole si suppone che le variabili manifeste siano riflesso di
un costrutto latente, è opportuno utilizzare come tecnica di analisi
dei dati l’analisi fattoriale.
Una persona che si droga DRUG
Un alcolizzato DRINK
Esempio: World
Una persona con precedenti penali CRIME
Value Survey Un omosessuale OMO
Un malato di AIDS AIDS
Batteria per misurare Una persona emotivamente instabile UNST
il grado di tolleranza Un estremista di sinistra LWE
dei cittadini Un estremista di destra RWE
Uno zingaro GYPS
Un mussulmano MUSS
Lei accetterebbe Un lavoratore straniero W_STRAN
come vicino di Un ebreo JEWS
casa… Uno straniero STRAN
Una famiglia numerosa LFAM
tania.parisi@unito.it 13
Andrea 3 2 2 …
Anna 2 4 1 …
Paola 4 5 3 …
… … … … …
7
Matrice VARIABILI X VARIABILI
es. 10 X 10
… … … … …
8
Matrice VARIABILI X FATTORI
es. 10 X 2
Fattore 1 Fattore 2
… … …
Riassumendo
Matrice 100 X 10
Matrice 10 X 10
Matrice 10X 2
9
Tipi di Analisi Fattoriale
Analisi Fattoriale Esplorativa (AFE) è la
situazione in cui il ricercatore non ha in
mente nessuna ipotesi teorica (approccio
data driven)
X2
F2
X3
10
Analisi fattoriale
confermativa
X1 F1
X2
F2
X3
I requisiti minimi (o
desiderabili)
Dati quantitativi veri (scale a intervallo o a rapporto)
Variabili con distribuzione normale (o almeno non troppo diversa dalla
normale)
Esclusione dei valori anomali (che alterano le correlazioni)
Più soggetti che variabili (almeno 100)
11
Modello teorico dell’AFE
IPOTESI FONDAMENTALE
12
FATTORE 1 FATTORE 2
VAR 1 VAR 2
Scomposizione della
varianza
Varianza totale= varianza
comune+varianza unica (1= h2+u2)
13
COMUNALITA’: parte di varianza totale che
viene
spiegata dai fattori comuni
UNICITA’: parte di varianza totale che viene
spiegata dal fattore unico
14
ASSUNTO FONDAMENTALE AFE
15
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
EQUAZIONE FONDAMENTALE AF
R = AA’ + U2
16
Analisi fattoriale esplorativa
Z=FA’+U R=AA’+U2 (ipotesi ortogonale)
R=PP’+ U2 (ipotesi obliqua)
Z=dati grezzi standardizzati nxm n=soggetti
F=Fattori comuni nxh m=osservate
A,P=saturazioni/pesi mxh h=latenti
U=fattori unici nxm
R=matrice correlazioni mxm
=correlazioni fra fattori hxh
COMUNALITA’
Somme dei quadrati delle saturazioni riga x riga
17
Matrice delle saturazioni fattoriali A
Fattore 1 Fattore 2 h2
(comunalità)
… … … …
… … … … …
18
COSA ACCADREBBE SE SI METTESSE 1
SULLA DIAGONALE PRINCIPALE?
19
MATRICE DELLE SATURAZIONI FATTORIALI A
Fattore 1 Fattore 2
… … …
In modo che:
solo poche variabili presentino saturazioni
elevate su ciascuno di essi
20
MATRICE DELLE SATURAZIONI RUOTATA
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
INTERPRETAZIONE
21
MATRICE SOGGETTI x VARIABILI
22
PROGETTO DI RICERCA:
VARIABILI E CAMPIONE
VARIABILI:
•ogni fattore atteso deve essere sovradeterminato, cioè
rappresentato da più variabili con un rapporto di
almeno 1:4-1:5
•Le variabili con bassa comunalità dovrebbero essere
eliminate;
23
CAMPIONE:
Campioni
CONDIZIONI OTTIMALI anche piccoli
APPROPRIATEZZA AFE
PARSIMONIOSA SEMPLIFICAZIONE
RAPPRESENTAZIONE DEI DATI
DELLE ASSOCIAZIONI TRA
LE VARIABILI
AFE ACP
24
L’Analisi delle Componenti
Principali (ACP)
25
TECNICA DI ESTRAZIONE DEI FATTORI
AFP MQ ML
26
SELEZIONE DEL NUMERO DI FATTORI
DA ESTRARRE
27
ROTAZIONE DEI FATTORI
X1 X2 X3 X4 X5 X6
X1
X2 .75
X3 .83 .70
X4 .32 .25 .39
X5 .28 .31 .25 .79
X6 .36 .32 .33 .82 .76
28
ANALISI DEI FATTORI PRINCIPALI (AFP)
Fattore 1 Fattore 2 h2
X1 .77 .55 .89
X2 .66 .44 .63
X3 .74 .49 .78
X4 .78 –.49 .85
X5 .71 –.48 .73
X6 .77 –.45 .79
.75
.5 X3 X1
X2
.25
FATTORE I
.25 .5 .75 1
X6
X5 X4
29
ROTAZIONI ORTOGONALI: durante la
rotazione i fattori mantengono il vincolo
dell’ortogonalità
1
FATTORE I
.75
.5 X3 X1
X2
.25
.25 .5 .75 1
X6
X5 X4
FATTORE II
30
ROTAZIONE OBLIQUA (ANGOLI DIVERSI)
1
FATTORE I
.75
.5 X3 X1
X2
.25
.25 .5 .75 1
X6
X5 X4
FATTORE II
31
ROTAZIONI OBLIQUE PIU’ COMPLESSE PERCHE’:
32
FATTORI PIU’ CORRELATI / FATTORI MENO CORRELATI /
ROTAZIONE PIU’ OBLIQUA ROTAZIONE MENO OBLIQUA
F F
A A
T T
T T
T T
O O
Pattern Structure Pattern Structure
R R
E E
II II
FATTORE I FATTORE I
Variabili
• Progetto di ricerca Campione
33
ESEMPIO PRATICO DI AFE
1) PROGETTO DI RICERCA
VARIABILI: ?
34
Verificare l’adeguatezza
La matrice di correlazione deve avere alte
correlazioni
Determinante: se è alto, le correlazioni sono basse;
se è basso, ci sono correlazioni alte
2) APPROPRIATEZZA AFE
35
3) SCELTA TECNICA ESTRAZIONE FATTORI
Poiché la distribuzione è
NORMALE MULTIVARIATA,
conoscendo i vantaggi e gli
svantaggi delle varie tecniche, si
sceglie di utilizzare il metodo
della Massima Verosimiglianza
ML
AUTOVALORI > 1
SCREE TEST
ANALISI PARALLELA
36
AUTOVALORI
Autovalori iniziali
% di % cumulative
Fattori
Totale varianza
1 3.88 29.84 29.84
2 2.66 20.51 50.36
3 1.02 7.88 58.24
4 .84 6.48 64.73
5 .78 6.00 70.73
6 .70 5.40 76.14
…
SCREE PLOT
Scree Plot
5
2
Eigenvalue
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Factor Number
37
ANALISI PARALLELA
Number of variables: 13
Number of subjects: 300
Number of replications: 1000
++++++++++++++++++++++++++++++++++++++++++++++++
Random Eigenvalue DS
++++++++++++++++++++++++++++++++++++++++++++++++
1 1.3585 .0481
2 1.2733 .0311
3 1.2056 .0305
4 1.1396 .0286
5 1.0860 .0232
6 1.0369 .0210
χ2 gl p
26.94 53 .26
38
5) ROTAZIONE DEI FATTORI
39
Esempio matrice correlazioni
Correlazione di Pearson
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1
X2 ,891**
X3 -,300 -,177
X4 ,126 ,000 -,804**
X5 -,221 -,124 ,876** -,721**
X6 ,842** ,799** -,127 -,086 -,074
X7 ,747** ,704** -,161 -,150 -,206 ,878**
X8 -,258 -,151 ,885** -,880** ,798** -,084 -,001
X9 -,763** -,787** ,280 ,106 ,273 -,787** -,850** ,201
X10 ,264 ,141 -,884** ,928** -,820** ,076 ,036 -,915** -,109
**.
40
Matrice di correlazionea
a. Determinante = ,000
41
Quanti fattori estrarre
Rango della matrice (teorico)
Autovalori maggiori di 1
Almeno l’x% (60-75%) di varianza spiegata
Scree-test di Cattell
Teoria
Soprattutto: Analisi parallela
Autovalori iniziali
Fattore Totale % di varianza % cumulata
1 4,961 49,611 49,611
2 3,743 37,429 87,041
3 ,532 5,319 92,359
4 ,272 2,724 95,084
5 ,177 1,767 96,850
6 ,102 1,020 97,870
7 ,078 ,785 98,655
8 ,071 ,710 99,365
9 ,048 ,480 99,845
10 ,015 ,155 100,000
Metodo di estrazione: Fattorizzazione dell'asse principale.
42
Scree-test
Grafico decrescente degli autovalori
6
5
Punto di flesso
3
Per Harman si
2 esclude (fattori 2)
Autovalore
1
per Cattell si
0 include (fattori 3)
1 2 3 4 5 6 7 8 9 10
Fattore
43
Metodi di rotazione
Metodi ortogonali
Varimax (semplifica le righe: ogni variabile osservata
è correlata massimamente con un fattore e nulla
con gli altri). Metodo quasi sempre usato, per la sua
efficacia semplificativa
Quartimax (semplifica le colonne: ogni colonna è
massimamente correlata con tutte le variabili
osservate e poco con le restanti)
Equamax (bilancia i due criteri)
Metodi obliqui
Promax: rende gli assi obliqui in funzione di una
soluzione iniziale Varimax.
Oblimin (obliquità minima): permette di fissare
La rotazione ortogonale
La rotazione degli assi fattoriali rende
interpretabili le dimensioni latenti (o fattori),
mantenendo l’indipendenza fra i fattori.
La rotazione obliqua permette un migliore
adeguamento degli assi fattoriali alle variabili
osservate ma il criterio di indipendenza
statistica fra i fattori non è più osservato.
44
Non ruotata
F2
F1
F2
Ruotata
F1
45
Varianza
La varianza dell’osservata X, può essere
suddivisa in una parte dovuta ai fattori unici e
una parte dovuta ai fattori comuni:
var(X)=var(F)+ var(U)
Il rapporto fra var(F) e var(X) si chiama
“comunalità” (h2), mentre var(U) si chiama
“unicità” (u2).
Essendo la var(x) = 1 = h2 + u2
L’unicità può essere ulteriormente suddivisa in
varianza specifica dell’item ed varianza
d’errore, ma l’AF non fa distinzione fra le due
46
Soluzione non ruotata
Matrice fattorialea
Fattore
1 2
X3 -,819 ,464
X10 ,788 -,571
X8 -,780 ,541
X5 -,739 ,431
X1 ,716 ,563
X9 -,642 -,624
X6 ,588 ,719
X7 ,561 ,698
X4 ,633 -,681
X2 ,612 ,625
Metodo estrazione: fattorizzazione dell'asse principale.
a. 2 fattori estratti. 6 iterazioni richieste.
Varimax-Rotated F. Loadings
Factor 1 Factor 2 Unique Var
-------- -------- ---------- 1-
VAR1 0.209 0.882 0.178 (.209^2
VAR2 0.085 0.867 0.240 +.882^2)
VAR3 -0.901 -0.166 0.160 =.178
VAR4 0.946 -0.122 0.089
VAR5 -0.831 -0.142 0.290
VAR6 0.009 0.929 0.138
VAR7 -0.027 0.906 0.178
VAR8 -0.939 -0.081 0.112
VAR9 -0.071 -0.892 0.200
VAR10 0.977 0.064 0.041
47
Soluzione ruotata
semplificata
Matrice fattoriale ruotataa Fattore 1:
Fattore
1 2
items x10, x8, x3,
X10 -,970 x4, x5
X8 ,946
X3 ,926
X4 -,922
X5 ,843 Fattore 2:
X6 ,929
X7 ,895 items x6, x7, x9, x1,
X9 -,891 x2
X1 ,890
X2 ,872
Metodo estrazione: fattorizzazione dell'asse principale.
Metodo rotazione: Varimax con normalizzazione di Kaiser.
a. La rotazione ha raggiunto i criteri di convergenza
in 3 iterazioni.
Promax-Rotated F. Loadings
Factor 1 Factor 2 Unique Var
-------- -------- ----------
1-
VAR1 0.875 0.141 0.178
(.875^2
VAR2 0.869 0.017 0.240
+.141^2)
VAR3 -0.106 -0.895 0.160
diverso da
VAR4 -0.188 0.963 0.089
.178
VAR5 -0.086 -0.826 0.290
VAR6 0.936 -0.065 0.138 Factor Correlations
VAR7 0.916 -0.099 0.178
Factor 1 Factor 2
VAR8 -0.017 -0.940 0.112 -------- --------
VAR9 -0.894 -0.001 0.200 Factor 1 1.000
VAR10 -0.003 0.980 0.041 Factor 2 0.070 1.000
48
Punteggi fattoriali
49