Faktoranalys

Faktoranalys är en statistisk metod som syftar till att identifiera underliggande latent variabler, eller faktorer, som kan förklara sambanden mellan uppmätta variabler. Genom att sammanfoga variablerna i färre faktorer kan man få en mer överskådlig bild av strukturen i datasetet.

Det finns två huvudgrenar: utforskande faktoranalys (EFA) och konfirmatorisk faktoranalys (CFA). EFA används när man inte har en stark hypotes om hur variablerna hänger ihop; CFA används när modellen överensstämmer med teoretiska förväntningar.

Modellen antar y = Λf + ε, där y är en vektor av observerade variabler, Λ laddningar, f latent faktorer och ε unika felvariabler. Kommunaliteter är andelen varians för varje variabel som förklaras av faktorerna. Antaganden inkluderar linjära relationer, kontinuerliga variabler, tillräckligt stort urval, samt viss normalitet och frånvaro av starka outliers.

Procedur: extraktion av faktorer (t.ex. gemensam faktoranalys eller PCA som närbesläkt alternativ), sedan rotation (t.ex. varimax eller oblimin) för tolkningsbarhet. Antalet faktorer avgörs ofta med eigenvärden större än 1, scree-plot eller parallelanalys. Faktorladdningar tolkas som hur starkt varje variabel associeras med en faktor.

Bedömning: KMO-mått, Bartletts test och faktorens laddningar används för att bedöma passform och tolkbarhet. I CFA används modellfitmått som CFI/TLI och RMSEA. Tillämpningar: psykologi, utbildning, marknadsforskning och psykometri. Begränsningar inkluderar att resultaten påverkas av urval och beslut kring antal faktorer och rotation, samt att data kan vara känsliga för outliers och missanpassade antaganden.