Miskolci Egyetem Gazdaságtudományi Kar

Üzleti Információgazdálkodási és Módszertani Intézet

Faktoranalízis az SPSS-ben
= Adatredukciós módszer

Petrovics Petra
Doktorandusz
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Forrás: Sajtos-Mitev
Feladat 250.oldal

Megnyitás: faktoradat_msc.sav

Fogyasztók materialista vonásai (Richins-skála)

Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

Faktoranalízis folyamata
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

• Feltáró = új faktorok létrehozására

Közös faktroelemzés
(közös variancia)
Ha nem ismerjük a változókat
Ha nem ismerjük a varianciákat
DE: gyakorlat:
Bonyolult, időigényes
Főkomponens elemzés
(teljes variancia)
Lehető legmagasabb magyarázott
varianciahányad
Lehető legkevesebb faktor
Általában ezt használjuk

• Megerősítő (konformatikus)
= modell tesztelésére, bizonyítására
Szubjektív
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

1. Elemzés érvényessége, változók alkalmassága

2. Metrikus változók / Dummy változók
3. A változók eloszlása normális
Analyze / Regression / Linear / Plots… / Histogram

Stb.
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

2.
• Feltételek vizsgálata

4. Homoszkedaszticitás
Analyze / Regression / Linear / Plots… /
Scatterdot…

Stb.
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

2.
• Feltételek vizsgálata
Analyze / Correlate/
5. Multikollinearitás – korrelációs mátrix Bivariate
…

… Stb.
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

2.
• Feltételek vizsgálata

6. Nagyobb minta
7. „Minta elemszáma / változók száma” arány
329
= 18,27
18
Min. 10-szer több válaszadó, mint változó
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

3.
• Adatok alkalmasságának vizsgálata

a) Korrelációs mátrix
Erős korreláció, de nem túl erős
Analyze / Dimension Reduction / Factor /
Descriptives

Az értékek 75%-a szignifikáns.

Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

3.
• Adatok alkalmasságának vizsgálata

b) Anti-image mátrix
„nem magyarázott szórásnégyzet”
Analyze / Dimension Reduction / Factor / Descriptives

Anti-image kovariancia mátrix

Anti-image korrelációs mátrix

~ korrelációs mátrixának átlóbeli

értékei függnek:

Mintanagyság

Változók száma

Korrelációk átlagos mértéke

Faktorok száma
 Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

3.
• Adatok alkalmasságának vizsgálata

… Kis érték (0,09 alatt az esetek

b) Anti-image mátrix min. ¾-ében)– a variancia
független a többitől
⇒ nincs szoros kapcsolat

MSA (Measure of Sampling

Adequecy)
Mennyire van szoros
kapcsolatban a többi
változóval
… ⇒ 0,5 alattit kizárni
Itt: 0,67-0,87
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

3.
• Adatok alkalmasságának vizsgálata

c) Bartlett teszt
H0: nincs korreláció
H1: van korreláció
Analyze / Dimension Reduction / Factor / Descriptives
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

3.
• Adatok alkalmasságának vizsgálata

d) Kaiser-Meyer-Olkin kritérium
MSA értékek átlaga (összes változóra)
Analyze / Dimension Reduction / Factor / Descriptives

KMO ≥ 0 ,9 − kiváló
KMO ≥ 0 ,8 − nagyon _ jó
KMO ≥ 0 ,7 − megfelel ő
KMO ≥ 0 ,6 − közepes
KMO ≥ 0 ,5 − gyenge
KMO < 0 ,5 − elfogadhat atlan
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

4.
• Faktormódszer kiválasztása

Analyze / Dimension Reduction / Factor / Extraction

Ha a változók száma magas

(sajátérték sorrendjében
magyaráz)

Nem kell ismerni az eloszlást

DE: standardizálni

Ha az anti-image mátrix
átlójában levő elemek 1-hez,
az azon kívüliek pedig 0-hoz
közelítenek

Ha a változók száma nő: maximum-likelihood, alfa, image módszer

Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

5.
• Faktorok számának meghatározása

2. Kaiser kritérium: ha 1 alatti

a sajátérték, kevesebb
információt hordoz a faktor,
mint 1 változó

Ha 20-50 változónk van
Egy faktor által az összes változó
varianciájából magyarázott variancia
1. A priori információk alapján
3
Minél magasabb
varianciahányadot tudunk
magyarázni, annál, több
információ marad meg az
elemzés során
⇒ 3. Varianciahányad-módszer
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

Output
3. Varianciahányad-módszer Faktorelemzés után
Ahány kiinduló változónk volt 1-nél nagyobb sajátérték!

Csökkenő
sorrend

Magyarázott
variancia %-a
(Min. 60% kell)

Faktorok száma
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

5.
• Faktorok számának meghatározása

4. Scree plot
Sajátérték ábrázolása

5-6 faktor
Könyökkritérium: ahol
az egyenes meredeksége
megváltozik
 Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

5.
• Faktorok számának meghatározása

Maximum likelihood módszer

~ H0 : illeszkedik
H1: nem illeszkedik
56
0,1 feletti α esetén jól illeszkedik

4 faktor 5 faktor 6 faktor

Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

5.
• Faktorok számának meghatározása

Módszer Faktorok száma

A priori 3

Kaiser-kritérium 4

Varianciahányad-módszer (4) 5↑

Scree-teszt 5-6

Maximum-likelihood 6
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

6.
• Faktorok rotálása
= A faktorok tengelyeinek elforgatása úgy, hogy egyszerűbb és
értelmezhetőbb faktormegoldásokat kapjunk.

Térben is látni

Ferdeszögű forgatás Derékszögű forgatás

A faktorok korrelálnak A faktorok nem
egymással korrelálnak egymással
Használata
A faktorok Pl. regresszióhoz vagy
értelmezhetősége az más előrejelző
elsődleges technikához használjuk
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

6.
• Faktorok rotálása

KMO&Bartlett; Anti-image
Principal Components;
faktorok száma (4)
Varimax

Faktorok mentése:
Factor Analysis / Scores
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

Output
x;σ ; n
érvényesség

Kezdeti érték
Mindig 1 (ha Principal Comp.)

Egy változó varianciájának

mekkora részét magyarázza az
összes faktor
(faktorsúlyok négyzetösszege)
Hüvelykujjszabály: min. 0,25
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

Output

Faktorszám meghatározása

Kezdeti értékek
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

7.
• Faktorok értelmezése, jellemzése

1. faktor 2. faktor 3. faktor 4. faktor

M14_HAPY M4_SUCES M10_CENTR M6_SUCES
M17_HAPY M12_CENTR M11_CENTR M3_SUCES
M15_HAPY M2_SUCES M7_CENTR M13_CENTR
M18_HAPY M1_SUCES M8_CENTR M5_SUCES
M16_HAPY M9_CENTR
HAPY SUCES CENTR „Mások
-: Fontosak a véleményének
tárgyak az élet figyelmen kívül
élvezéséhez hagyása”
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

8.
• Faktorelemzés érvényességének ellenőrzése

• Ne fogadjuk el az első megoldást:

o Több rotációs eljárás

o Változók elhagyása (alacsony faktorsúly)

• Keresztérvényesség-vizsgálat
A mintát 2 véletlenül kiválasztott részre osztjuk - faktorelemzés
Miskolci Egyetem Gazdaságtudományi Kar
Üzleti Információgazdálkodási és Módszertani Intézet

Köszönöm a figyelmet!