SPSS프로그램 탐색적 요인분석 실습 [ 나의 필기노트]

 

 

타당도

 

타당도란 검사도구가 측정하고자 하는 것을 얼마나 충실히 측정하였는가를 의미하며 공인 타당도( 타당성을 인증받는 기존의 이론이나 가설에 근거 )와 예측 근거( 미래의 행위를 얼마나 잘 예측할 수 있는지에 근거 ), 그리고 구인 타당도를(숫자로 정의되지 않는 인간의 성격적 특징이나 성질을 분석하여 조작적 정의를 부여한 후 검사 점수가 조작적 정의에서 규명한 심리적 구인을 제대로 측정하였는가를 검정하는 방법) 기반으로 타당도가 파악된다.

 

 

탐색적 요인분석

• 다양한 변수들의 공통된 요인을 단순화하는 방법
• 검사나 측정척도의 개발 과정에서 측정도구의 타당성을 파악하기 위해 사용
• 적절한 요인으로 묶이지 않을 경우 검사 문항에서 제외되거나 수정됨 

 

< 탐색적 요인 분석의 기본 가정 >

•  사례수 : 100-200개 이상의 사례 사용 / 변수와 표본수의 비율은 1:5 정도로 하나의 구인을 설명하기 위하여 5개 이상의 문항이 요구됨 (최소 3개)
• 다변량 정상성 : 잠재적인 요인 수에 대한 통계적 추론을 하고자 하는 경우에는 모든 변수의 가능한 선형 조합이 정상분포를 이루어야 함 (정상분포란 한쪽으로 편중되지 않는 분포를 의미)
• 변수들 간의 선형성 : 변수들 간의 선형적 관계를 가정함
• 다중공선성 : 변수들 간의 적절한 분포도를 이룬다는 것으로 산출된 공통분이 1.0에 가깝거나 요인의 고유값이 0에 근접하면 다중공선성의 문제가 있다고 판단
• 표본 상관 행렬의 적절성 검정 : 상관 행렬의 크기에서 변수의 절반 이상이 0.3 을 초과해야 요인분석이 가능함, 표본 적절성 측정치 (KMO) 의 값이 1에 가까울수록 요인을 분석하기에 적합함, 개별 변수에 대한 표본의 적절성 검정(MSA)에 따르면 상관행렬의 대각선에 제시되는 값으로 값이 클수록 요인 분석을 하기에 적합

 

< 상관행렬의 적절성 검정 >

• Bartlett 구형성 검정 : 변수들 간의 상관이 0인지 검정하며 유의 확률이 0.05보다 작을수록 요인분석을 하기 적합함을 나타낸다.

 

<탐색적 요인 분석의 사용 목적 >

• 잠재적인 요인의 수 파악 : 신뢰할만한 요인의 수 파악
• 잠재요인의 본질 파악 : 문항들의 잠재적 본질 파악
• 잠재요인의 상대적 중요도 파악 
• 가설적 이론의 검정 : 사전의 이론에 기초하여 요인의 가설 설정, 검정
• 추후 연구를 위한 요인 점수의 산출 : 다른 목적을 위한 분석에 사용 가능

< 모형 >

• 주성분 분석
• 공통요인 분석 

< 요인 분석의 요인 수 결정 >

• 스크리 검사 : 급격한 차이 및 평준화 이전의 가능한 요인의 수 해석
• 누적 분산 퍼센트 기준 : 전체 공통 분산의 60% 이상 설명될 수 있는 요인의 수 기준으로
• 해석 가능성 : 이론적 근거를 토대로 한 해석 가능성

 

---

 

요인 분석 실습

 

변수와 데이터 입력을 완료한다.

[분석] -> [차원 축소] -> [요인 분석]

원하는 변수와 선택 변수를 넣어준다.

오른쪽 요인 추출 버튼을 누르면 위의 창이 나오게 되는데 이때 방법으로는 주성분이 기본으로 선택된다. 주성분이란 관측된 변수의 상관되지 않은 선형 조합을 형성하며 초기 요인 해법을 구할 수 있어 상관 행렬이 단순할 때 사용된다. 추출에서는 고윳값을 기준으로 할지 고정된 요인의 수를 할지 결정하면 된다. 

오른쪽 버튼 중 기술통계에서는 일변량 기술통계와 초기 해법-초기 공통성, 고윳값, 설명된 분산의 퍼센트를 제시해주며 상관 행렬에서의 KMO와 Bartlett의 구형성 검정은 자료가 요인 분석에 적합한지의 여부를 검정해준다. 후에 확인을 누르면 결과값이 나오게 된다.

 

스크리 도표를 볼 때는 요인의 수가 다섯 개인 지점부터 경사가 완만해지므로 추출된 요인의 수는 다섯 개가 적당함을 알 수 있다, 요인의 수를 결정함은 연구자의 주관적 판단이 적용될 수 있기에 연구자의 이론적 혹은 경험적 배경에 의한다 는 점을 알고 있어야 한다.

설명의 총분산에서 값을 확인할 때는 회전 제곱한 적재량에서 전체와 % 분산을 보아야 한다. 누적% 에서 50%를 넘어가지 않는 경우에는 자료의 공신력이 있는지 생각해보아야 한다. (수치가 클수록 설명할 것이 많아진다.)

공통성은 추출된 요인들에 의해 설명되는 각 관찰 변수들의 분산비율을 의미한다. 0.9에 가까울수록 좋지만 0.3의 이하가 될수록 적절하지 못한 자료일 가능성이 크다. (각 문항들이 얼마나 타당한지를 보여준다.)

KMO는 표본의 적절성을 측정하며 Bartlett의 구형성 검정은 변인들 간의 상관이 0인지를 검정한다. 유의 확률이 0.05보다 작을 경우 자료가 적정하다고 표현한다. 표본 적절성의 KMO에서는 1에가까울수록 자료가 적정하며 적어도 0.7이상은 되어야 한다.

 

 

회전된 요인 행렬의 요인 부하량은 각 변수 혹은 문항의 요인에 대한 가중치를 나타낸다. 요인 간 상관이 없다고 가정할 때 각 변수 혹은 문항과 요인 간의 상관관계로 해석을 하며 일반적으로 0.3 이상이면 해당 요인과의 상관이 높다라고 해석한다.