" 탐색적요인분석 방법
spss 설정방법"
#논문통계분석 및 #논문작성법 길잡이_#퀵데이터 #탐색적요인분석 #SPSS분석
SPSS를 이용한 탐색적요인분석 설정 방법에 대해 살펴보겠습니다.
▣ 탐색적 요인분석
- 상관관계를 기반으로 측정 항목의 구성을 파악하는 분석
- 측정항목들이 개념을 잘 구성하는지, 타당성을 가지고 요인을 잘 설명하고 있는지 통계적 검증
- 이론적 모형을 기반하기 보다 변수들이 요인에 가지는 적재값을 토대로 변수들을 통계적으로 그룹화
Example
“청소년의 사회적 지지가 자기효능감을 매개로 학교생활 적응에 미치는 영향”
친구지지 :
1) 친구들은 나를 좋아한다.
2) 나와 친구들은 서로 잘 도와준다.
3) 친구들은 내 말을 잘 들어준다.
4) 친구들은 나를 격려한다.
가족지지 :
1) 우리 가족은 날 사랑한다.
2) 우리 가족은 나에게 힘과 용기를 준다.
3) 우리 가족은 날 중요한 사람으로 생각한다
교사지지 :
1) 담임 선생님과 친하다.
2) 담임 선생님은 나에게 관심이 많다.
3 )담임 선생님은 날 잘 도와준다.
4) 담임 선생님과 대화하는게 어렵지 않다.
자기효능감 :
1) 나는 어려움에 처할 때 자신있게 나의 의견을 말한다.
2) 나는 어떤 문제를 분석해서 해결방안을 찾는다.
3) 나는 조별과제에서 목표를 정할 때 우리 조에 도움이 된다.
학교생활적응 :
1) 나는 교실에서 규칙에 맞게 행동한다
2) 나는 학교생활이 즐겁다.
3) 수업시간에 공부하는 내용이 유익하다.
4) 나는 학교 시설물을 깨끗하게 사용한다.
5) 나는 학급에서 친구들과 잘 지낸다.
6) 수업시간에 내 의견을 자유롭게 발표한다.
▣ 분석 - 차원축소 - 요인분석
□ Bartlett의 구형성 검정
- 상관행렬 상의 모든 상관관계 값들의 전반적 유의성을 의미
- 값이 유의적일 때 자료가 요인분석을 수행하는데 적합함
□ KMO(Kaiser Mayer Olkin) 표본적합도
- 전체 상관행렬이 요인분석에 적합한가를 나타내는 지표
- 0.5~0.6이상이면 분석에 적합
- 0.9이상(매우 적합), 0.8~0.9미만(다소 높음), 0.7~0.8미만(보통)
□ KMO(Kaiser Mayer Olkin)
- 요인분석은 관련성을 갖는 변수들의 집합이 존재해야 효과적으로 수행됨
- KMO 표본적합도는 상관계수의 크기와 편상관계수의 크기를 비교하는 지표
- KMO=(상관계수 제곱의 합)/(상관계수 제곱의합+ 편상관계수 제곱의 합)
□ 주성분 분석 : 일반적으로 가장 많이 사용되고, 변수들을 요인들의 선형결합으로 가정하는 방법으로 가장 적은 수의 요인으로 압축할 때 효과적
□ 가중되지 않은 최소제곱법 : 공통요인분석 방법으로 기본 상관행렬과 관측 상관행렬 차이가 최소의 제 곱합을 갖는 요인끼리 그룹화
□ 일반화 최소 제곱법: 각 요인의 고유값이 높은 변수가 좀 더 가중 되어져 요인을 생성
□ 최대우도법 : 공통요인 분석방법으로 관측 상관행렬로부터 모상관행렬을 추정하는데 가장 적합한
요인 추출
□ 주축요인 추출법: 공통성에 대한 변화량을 수렴하는 점까지 반복 계산하여 적합한 요인들을 추출하는 방법
□ 알파요인 추출법: 표본으로부터 모집단을 간주하는 요인추출 방법
□ 이미지요인 추출법 : 대량의 표본과 많은 변수를 가질 때 적합한 방법
※ 주성분 분석 VS 공통요인분석
□ 주성분 분석 : 다수의 변수들을 소수의 요인으로 축약하기 위함
- 변수의 총분산을 기반으로 요인을 추출
- 먼저 추출되는 주성분 요인일수록 변수들이 가지고 있는 총분산을 설명할 수 있도록 주성분 요인을 순차적으로 추출하는 방법
□ 공통요인분석 : 분석대상이 되는 변수들의 기저를 이루는 구조를 정의하기 위함
- 변수들 간의 공통분산만을 기반으로 요인을 추출
- 자료 축소 차원을 포함하여 자료의 내재적 존재 속성까지 탐색하는 방법
□ 주성분 분석이 많이 이용되는 이유는 변수의 총분산을 이용함으로써 정보 손실을 줄이고 변수들이 가지고 있는 총분산을 가능한 많이 설명할 수 있는 요인을 추출할 수 있기 때문
□ 변수의 수가 30개 이상, 모든 변수의 공통성이 0.6 이상일 때 주성분, 공통요인분석 모두 유사한 결과 도출됨
□ 변수들 간의 상관관계가 높거나 변수의 수가 너무 많거나 결측치가 많을 때 공통요인분석이 유용
주성분분석의 목적은 상관관계를 갖는 다수의 변수에 포함된 정보를 가능한 많이 포착하면서 이 다수의 변수를 상관관계를 갖지 않는 그보다 적은 개수의 새로운 변수로 대체하는 것이다. 여기서 추출된 변수를 주성분이라고 하는 것이고 기존 변수들의 선형결합으로 표현된다. 주성분 분석은 사전 선행연구 및 이론적 지식이 충분하고 최소 요인으로 축소하고자 할 때 사용되고, 공통요인분석은 분산을 구성하는 사전 지식이 부족할 때 사용하면 적절하다.
□ 상관행렬
- 변수들 간의 상관행렬(기본설정)
□ 회전되지 않은 요인해법
- 요인해법에 대한 회전하지 않은 요인적재값, 공통성, 고유값 등을 나타냄(기본 설정)
□ 고유값 기준, 다음 값보다 큰 고유값(1 기본설정) => 선행연구가 없고 새로 개발하는 척도일 때
- 고유값이 1보다 큰 요인만 추출되고, 요인 추출용 분리점으로 다른 고유값 사용 가능
□ 고정된 요인 수, 추출할 요인
- 고유값과 관계없이 지정한 요인 수에 따라 요인 추출
□ 수렴을 위한 최대반복(25 기본설정)
- 요인 추출에 대해 25회의 최대반복계산을 수행한다는 의미, 최대값을 달리 지정 가능
□ 직각회전
- 베리맥스: 요인행렬의 열(column)의 분산 합계를 최대화함으로써 요인을 단순화하는 방식(가장 많이 사용되는 방식)
- 쿼티맥스 : 행(row)을 중심으로 한 변수가 한 요인에는 높게, 다른 요인들에는 낮게 적재되도록 하여 변수를 단순화하는 방식
- 이쿼맥스 : 베리맥스와 쿼티맥스를 절충하는 방식
□ 사각회전
- 직접 오블리민 : 델타가 음수에 가까워질수록 요인 기울기가 평평해짐
- 프로맥스 : 회전요인이 상관되게 하는 회전으로 대용량 데이터에 적합
□ 회전 해법
- 회전된 요인행렬을 나타냄
퀴티맥스는 변수 해석은 용이하지만 요인의 설명은 부족한 것이 단점이고, 이쿼맥스는 베리멕스와 쿼티맥스를 혼합한 만큼 논의성이 크다는 것이 단점이다. 사각회전은 절차 문제와 내부 알고리즘 등의 일부 문제로 논란의 소지도 있고 특별하지 않으면 잘 사용되지 않는 편이다.
□ 변수로 저장
- 요인 점수를 변수로 저장하여 구분된 요인에 변수 생성
- FAC로 시작되는 변수가 요인별로 생성되고 회귀분석 등에 사용
- 생성된 요인점수는 그 요인을 나타내는 비교적 정확한 값이 되지만 요인점수에 미치는 개별 변수의 영향을 명확하게 구분하여 판단하기 어려움(회귀분석 등에서 요인점수보다 평균점수도 많이 사용)
□ 크기순 정렬
- 요인적재값 행렬과 구조 행렬을 정렬하여 동일한 요인에 대해 높은 적재값을 가지는 변수부터 순차적 표시
spss를 이용한 탐색적요인분석 방법에 대해 살펴보았습니다. 해석은 탐색적요인분석 3편에서 확인하세요.
[논문통계분석] 2편. 탐색적요인분석 SPSS 설정 방법 설명_퀵데이터 통계강의▼▼▼
"논문의 품질을 높이는 열쇠!!!
퀵데이터 논문통계분석을 통해 더욱 탄탄한 논문을 완성하세요."
퀵데이터 논문컨설팅은 논문 주제 선정부터, 연구모형, 통계분석, 심사 준비까지 전문 지도 박사님의 1:1 맞춤형 컨설팅 통해 효율적이고 빠른 논문작성을 도와드립니다. 논문 검토, 논문편집, 논문 통계분석까지 직접적인 컨설팅을 원한다면 퀵테이터에 문의하세요 상담문의 1600-7473
홈페이지 : www.quickdata.co.kr 대표번호 : 1600-7473 e-mail : quickdata7@naver.com
'논문 > 논문통계' 카테고리의 다른 글
| [논문통계] 1편. 확인적요인분석 AMOS를 활용한 분석방법 및 해석_논문통계강의 (0) | 2024.01.16 |
|---|---|
| [논문통계분석] 3편. 탐색적요인분석 SPSS분석 결과 해석 및 통계분석작성법_통계분석강의 (0) | 2024.01.04 |
| [논문통계분석] 1편. 탐색적 요인분석 완벽 정복, EFA 이해_배리맥스, 직접오블리민_논문강의 (0) | 2024.01.02 |
| [논문통계분석] 2편. 논문의 타당도분석(집중타당도, 판별타당도, 법칙타당도)_논문통계강의 (0) | 2023.12.26 |
| [논문통계분석] 1편. 논문의 타당도분석 이해하기_내적타당도(Internal validity)& 외적 타당도(External validity), 내용타당도&준거관련 타당도 (0) | 2023.12.15 |
