Testaan gradussani erästä mittausmenetelmää, jonka tuloksena alkuperäisen tutkijan mukaan on 7 faktoria. Tein muuten identtisen tutkimuksen, mutta vastaajajoukko oli tietysti eri, kooltaan n. 25% alkuperäisestä, ja kyselyn kieli englannin sijasta suomi.
Olen päässyt faktorianalyysiin asti, ja tehnyt kaksi eri ajoa. Toiseen määritin faktoreiden määräksi sen alkuperäisen tutkimuksen 7 kpl, toisessa annoin ohjelman hakea faktorit. Ohjelma tarjosi 10 faktoria. Mitä päätelmävaihtoehtoja minulla on? 10 faktorin selitysaste on parempi, jos olen osannut tulokset oikein tulkita. Onko tämä ihan oikeasti mahdollista, vai olenkohan tyrinyt jossain? Miten edetä? Jos haluan nyt kuitenkin testata, kuinka ne ap:n 7 faktoria pätevät aineistooni, niin miten sen fiksuiten teen? Jatkoanalyysin kanssa siis kaipailisin apuja.
Seuraava kysymys: 1- vai 2-tailed metodi faktorianalyysissa, kun kyseessä on asennemittaus 5-portaisella likertin asteikolla? Vai onko sillä merkitystä? Ohjelmahan ehdottaa 2-häntäistä menetelmää.
Oisko jollain ehdottaa hyvää ja selkeää rautalangasta vääntävää opusta tulosten tulkintaan? Tähtinen ja Isoaho on jo luettu. Olen huono matikassa ja inhoan tilastotiedettä (voisi siis ehkä kysyä, miksi teen kvantigradun... :D).
Olen päässyt faktorianalyysiin asti, ja tehnyt kaksi eri ajoa. Toiseen määritin faktoreiden määräksi sen alkuperäisen tutkimuksen 7 kpl, toisessa annoin ohjelman hakea faktorit. Ohjelma tarjosi 10 faktoria. Mitä päätelmävaihtoehtoja minulla on? 10 faktorin selitysaste on parempi, jos olen osannut tulokset oikein tulkita. Onko tämä ihan oikeasti mahdollista, vai olenkohan tyrinyt jossain? Miten edetä? Jos haluan nyt kuitenkin testata, kuinka ne ap:n 7 faktoria pätevät aineistooni, niin miten sen fiksuiten teen? Jatkoanalyysin kanssa siis kaipailisin apuja.
Seuraava kysymys: 1- vai 2-tailed metodi faktorianalyysissa, kun kyseessä on asennemittaus 5-portaisella likertin asteikolla? Vai onko sillä merkitystä? Ohjelmahan ehdottaa 2-häntäistä menetelmää.
Oisko jollain ehdottaa hyvää ja selkeää rautalangasta vääntävää opusta tulosten tulkintaan? Tähtinen ja Isoaho on jo luettu. Olen huono matikassa ja inhoan tilastotiedettä (voisi siis ehkä kysyä, miksi teen kvantigradun... :D).
Vastaukset 7
Vanhimmat
Faktorianalyysin ideana on pyrkiä löytämään taustalla vaikuttavat ns. latentit tekijät. Mikäli ohjelmalle ei kerro vaikuttavien tekijöiden (faktorien lukumäärää) se määrittää ne oletuksellisesti ns. Kaisserin kriteerillä (faktorien ominaisarvot yli 1). Mitä enemmän faktoreita lasketaan ratkaisun selitysaste aina kasvaa (jos määritetään faktoreita yhtä paljon kuin muuttujia on se tasan 100%).
Keskeistä onkin erottaa toisistaan mittausvirheestä aiheutuva vaihtelu ja ns. todellinen vaihtelu. Siksi faktoreiden lukumäärä pitäisi määrättää teorian mukaan. Eli jos oletat että ratkaisussa on 7-faktoria lasket siitä 7-faktoria!
1 tai kaksisuuntaisuus ei liity mitenkään faktorianalyysiin (enintään korrelaatioiden merkitsevyyden testaukseen), joten tätä kohtaa en ymmärrä.
Hyviä kirjoja ovat ainakin:
Lauri Nummemmaa: Tilastolliset menetelmät käyttäytymistieteissä.
Rita, Ranta & Kouki: Biometria
Olisko vielä mahdollista saada apuja seuraavaan ongelmaan:
olen luonut summamuuttujat (4kpl) 24:stä asennekysymyksestä. Puuttuvat tiedot korvasin keskiarvoilla. Tähän asti meni ok. Sitten yritin ristiintaulukointia varten luokitella nuo luomieni summamuuttujien arvot, mutta tässä vaiheessa ohjelma alkoikin ilmoittaa puuttuvia arvoja luokkarajojen kohdalle. Luokkarajat on määritelty ihan oikein, eli esim luokka 1 on arvot 0-2,1442 ja seuraava luokka alkaa 2,1443:sta jne. Ei siis päällekkäisiä tai puuttuvia arvoja. Olen kokeillut desimaalien lissämistä ja vähentämistä, mutta puuttuvia arvoja ilmenee silti aina vaan.
Luokkarajojen kohdat otin perusfrekvenssi- ja kvartiilitulosteista eli luokkien rajat = kvartiilien rajat.
Missä mättää??
...vielä näistä:
”Olen päässyt faktorianalyysiin asti, ja tehnyt kaksi eri ajoa. Toiseen määritin faktoreiden määräksi sen alkuperäisen tutkimuksen 7 kpl, toisessa annoin ohjelman hakea faktorit. Ohjelma tarjosi 10 faktoria. Mitä päätelmävaihtoehtoja minulla on?”
Mahdollisia johtopäätöksiä ja jatkokysymyksiä ovat:
(1) tutkimassasi ilmiökentässä ei yksinkertaisesti ole stabiilia faktorirakennetta, vaan sikäli kun siitä mitattavissa olevien empiiristen muuttujien taustalla on yleisempiä, latentteja muuttujia, niiden lukumäärä ja jopa perusluonne vaihtelee eri populaatioiden (esim. eri ikäiset tutkittavat, eri sukupuolta olevat tutkittavat jne.) välillä ja jopa samassa populaatiossa eri mittauskertojen välillä. Tämä on pikemminkin sääntö kuin poikkeus asennetutkimuksissa, arvo- ja arvostustutkimuksissa, erilaisissa tyytyväisyys- tai mielipidekartoituksissa jne. Ihmis- ja yhteiskuntatieteissä todella stabiileja faktorirakenteita on toistaiseksi löytynyt lähinnä vain älykkyystutkimuksessa;
(2) tutkimassasi ilmiökentässä on stabiili faktorirakenne, mutta mittari ja/tai mittaustilanne ovat jostain syystä tuottaneet erilaisen faktorirakenteen kuin aikaisemmissa tutkimuksissa, eli mittaustuloksissa on satunnaista tai systemaattista virhettä. Kerroit, että tutkimuksesi oli identtinen alkuperäisen kanssa, mutta oliko vastaamistilanteessa kuitenkin eroa alkuperäiseen tutkimukseen (aika, muut olosuhteet), oliko instruktio sama jne.?
(3) Kuinka monta tutkittavaa Sinulla on ja mikä on faktorianalyysissä käytettyjen empiirisesti mitattujen muuttujien ja havaintoyksiköiden lukumäärien suhde? Ovatko faktorianalyysin tekemisen ehdot edes suurin piirtein kunnossa? Jos aineisto on kovin pieni, yhden tai muutaman tutkittavan poikkeavat havainnot voivat vaikuttaa faktorirakenteeseen. Sama pätee empiirisesti mitattujen muuttujien vinousongelmiin.
”Miten edetä? Jos haluan nyt kuitenkin testata, kuinka ne ap:n 7 faktoria pätevät aineistooni, niin miten sen fiksuiten teen?”
Tarkastele rinnakkain ominaisarvokriteerillä saatua ratkaisua (10 faktoria) ja määräämääsi seitsemän faktorin ratkaisua (kokeilitko muuten erilaisia ekstraktiomenetelmiä, ja jos kokeilit, saitko kaikissa kymmenen faktorin ratkaisun?). Selitysprosentin tai –osuuden osalta pätee se, mitä edellisessä vastauksessa sanottiin, joten siihen ei kannata tuijottaa. Katso sen sijaan scree-kuviota (se on molemmissa ratkaisuissa sama). Viittaako scree-kuvio siihen, että todellisia faktoreita ovat nuo 7 kpl, ja toisessa ratkaisussa syntyneet kolme faktoria peittyvät residuaalivaihteluun (muutokset kuviossa näkyvän laskevan linjan kulmassa x-akselin suhteen kertovat tästä)? Ovatko kymmenen faktorin ratkaisussa saadut viimeiset kolme faktoria ”todellisia” eli niillä saa korkeimman latauksen itseisarvon ainakin kaksi muuttujaa, vai onko niin, että niille kullekin latautuu vain yksi muuttuja? Voidaanko kolmelle ”ylimääräiselle” faktorille antaa mielekäs tulkinta? Oman kokemukseni mukaan varsinkin tuo viimeinen kysymys on lopulta se ratkaiseva kysymys…
Minäkään en muuten ymmärrä tuota testauksen suuntaisuuteen tai häntäisyyteen liittyvää kysymystä. Niissä SPSS:n versiossa, joita itse olen käyttänyt, ainut faktorianalyysiin liittyvä testi on Bartlettin sfäärisyystesti, mutta se kai on aina yksisuuntainen…?
Jatkokysymyksessäsi: ” tässä vaiheessa ohjelma alkoikin ilmoittaa puuttuvia arvoja luokkarajojen kohdalle”
Siis millä tavalla ohjelma alkoi ilmoittaa? Tarkoitatko, että luokittelun jälkeen huomasit, että matriisissa on puuttuvia tietoja, vai tuliko jo jossain vaiheessa luokittelua tehdessäsi tällainen ilmoitus?
tarkennusta ja vastaus kohdassa 3 esittämiisi kysymyksiin:
havaintoja on 227, muuttujia 46. Eli noiden suhde pitäisi olla ok ja aineiston kokokin riittävä.
Seitsemän faktorin ratkaisussa tein sekä rotatoimattoman että rotatoidun ajon. Rotatoimattomassa muuttujat latautuivat epätasaisesti, korkeimman latauksen mukaiset muuttujien lukumäärät kullekin faktorille olivat 25, 9, 5, 5, 2, 0 ja 0. Eli faktoreita olisikin itse asiassa vain viisi? Varimax-rotaatio muutti jakautumista faktoreille siten, että vastaavat lukumäärät olivat 8, 10, 8, 9, 4, 4 ja 3. Samalla tosin lataukset pienenivät ja "tasoittuivat". Olen pitänyt ohjenuorana sitä, että alle 0,3:n jäävät lataukset eivät ole tulkinnan kannalta merkittäviä, ja jokainen muuttuja latautui kyllä jollekin faktorille yli 0,3 arvosta, mutta korkeimmatkin lataukset olivat 0,7:n paikkeilla.
Scree-kuvio loivenee siinä 7-10 kohdalla dramaattisesti, mutta yhtä tarkkaa pistettä ei ole erotettavissa. Kymmenen faktorin ratkaisussa löytyi kolme faktoria, joilla ei yksikään muuttuja saa korkeinta latauksen itseisarvoa. Nämä eivät tosin ole kolme viimeistä faktoria vaan numerot 6,7 ja 10. Eli mitä riivattua ne siellä itse asiassa edes tekevät? Kaikesta päätellen siis kannattaa jatkaa seitsemän faktorin tulkintaa, tai vähentää vielä entisestään? Ohjelma siis ihan mekaanisesti määrittää faktoreiden lukumäärän sen mukaan, mitkä faktorit saavat sen eigenvaluen (joka oli suomeksi...ominaisarvo??) joka on yli 1?
Kymmenen faktorin ratkaisussa rotaatio ei edes onnistunut.
Niistä puuttuvista arvoista: sarakkeeseen, joka tulee sinne muuttujalistan loppuun luokittelun jälkeen, ilmestyi puuttuvia arvoja. Kun vertasin sarakkeeseen, jossa olivat ne muuttujat joista luokat oli tehty, puuttuvat tiedot olivat aina tiettyjen arvojen kohdalla ja nämä arvot sattuivat olemaan juuri luokkarajojen kohdalla.
Hiukan hankala selittää, kun en termejäkään kovin hyvin hallitse, mutta toivottavasti tästä saa jotain tolkkua.
Kohdissa 1 ja 2 esittämäsi vaihtoehdot tuntuvat molemmat järkeenkäyviltä, koska kyseesssä on uusi, vain parissa tutkimuksessa testattu menetelmä tietyn ilmiön mittaamiseksi, eikä laajaa vertailupohjaa ja aiempia tutkimuksia ole. Pelkään vaan että olen tehnyt kokemattomuuttani jotain kunnolla pieleen enkä osaa edes tulkita tuloksia oikein.
Tutkimukseni oli identtinen aiemman kanssa siinä mielessä, että kysymykset olivat identtiset lukuunottamatta kielen muutosta. Termien sanantarkka kääntäminen ei tietenkään ole täysin mahdollista, vivahde-eroja löytyy englannin ja suomen välillä ihan väkisin. Kyselyn kohderyhmä oli periaatteessa samanlainen, muttei sama. Molemmat siis kyselytutkimuksia korkeakouluopiskelijoille. Kultturiset erot UK:n ja Suomen välillä varmasti vaikuttavat jotenkin, mutta eikös nämä tekijät ole sinänsä ihan hyväksyttäviä kunhan ne tiedostaa ja huomioi päättelyssään? Ideani onkin ollut testata, onko tämä teoria ja menetelmä yleistettävissä, mitä alkuperäiset tutkijat ehdottivat raportissaan jatkotutkimuksen aiheeksi.
jos tästä olis apua tai sitte vaan kyselemään tilastotieteen laitokselta...
http://www.fsd.uta.fi/menetelmaopetus/
t. KTM
Puuttuvat havainnot oli jo korvattu keskiarvoilla, jotta pääsin edes tekemään summamuuttujat. Summamuuttujiin ilmestyi ns. tyhjästä puuttuvia arvoja niiden arvojen kohdalle jotka olivat tietyn luokkarajan kohdalla.
tarkistaa että muuttujat, jotka valitaan analyysiin täyttävät ehdot (kommunaliteetti) ja tarkastella korrelaatiot muuttujien kesken. tämän jälkeen poistaa epäkelvot muuttujat ja ajaa uusi fakt. analyysi karsitulla muuttujamäärällä. Sitten kannattaa vielä muistaa mitkä muuttujat otti pois analyysistä ja ehkäpä kokeilla palauttaa jonkun näistä jotta päästään haluttuun faktorimäärään..manipulaatio on tutkijan oikeus.