Пошаговое руководство по факторному анализу в Excel

Обновлено: 05.07.2024

Исследовательский факторный анализ – это статистический подход, который можно использовать для анализа взаимосвязей между большим количеством переменных и для объяснения этих переменных с точки зрения меньшего числа общих базовых параметров. Это включает поиск способа сжать информацию, содержащуюся в некоторых исходных переменных, в меньший набор неявных переменных (называемых факторами) с минимальной потерей информации.

Например, предположим, что вы хотите проверить наблюдение о том, что удовлетворенность клиентов основана на знании продукта, навыках общения и навыках работы с людьми. Вы разрабатываете новую анкету об удовлетворенности клиентов с 30 вопросами: 10 о знании продукта, 10 о навыках общения и 10 о навыках работы с людьми. Прежде чем использовать вопросник в своей выборке, вы предварительно протестируете его на группе людей, похожих на тех, кто будет заполнять ваш опрос.

Вы проводите факторный анализ, чтобы увидеть, действительно ли существуют эти три фактора. Если они это сделают, вы сможете создать три отдельные шкалы, суммируя элементы по каждому измерению.

Факторный анализ основан на таблице корреляции. Если в исследовании есть k элементов (например, k вопросов в приведенном выше примере), то корреляционная таблица содержит k × k записей в форме < em>r_ij где каждый r_ij — это коэффициент корреляции между элементом i и элементом < эм>к. Главная диагональ состоит из записей со значением 1.

С факторным анализом тесно связан анализ основных компонентов, который создает картину взаимосвязей между переменными, полезную для выявления общих факторов.

Факторный анализ основан на различных концепциях линейной алгебры, в частности на собственных значениях, собственных векторах, ортогональных матрицах и спектральной теореме. Прежде чем объяснять, как работают анализ основных компонентов и факторный анализ, мы рассмотрим эти концепции.

Основы линейной алгебры
Анализ основных компонентов (АПК)
Основные понятия факторного анализа
Извлечение факторов
Определение количества сохраняемых факторов
Вращение
Оценка фактора
Достоверность матрицы корреляции и размер выборки
Основной метод извлечения факторов
Функции реальной статистики и инструменты анализа данных

Чтобы проиллюстрировать факторный анализ, мы будем использовать пример. Щелкните здесь, чтобы просмотреть полное описание этого примера.

Метод дисперсии используется для анализа дисперсии атрибута под влиянием контролируемых переменных.

Факторный метод подходит для изучения связей между значениями. Рассмотрим подробно инструменты аналитики, а именно факторный, дисперсионный и двухфакторный дисперсионный методы оценки изменчивости.

Анализ отклонений в Excel

В общепринятых терминах цель метода дисперсии состоит в следующем: выделить три частные дисперсии из общей дисперсии параметра:

дисперсия, определяемая влиянием каждого из рассматриваемых значений;
расхождение, продиктованное взаимосвязью между рассматриваемыми значениями;
случайная дисперсия, продиктованная всеми неучтенными обстоятельствами.

Каждый столбец должен содержать значение одного из рассматриваемых факторов.
Столбцы должны быть расположены в порядке возрастания/убывания значения рассматриваемого параметра.

Давайте рассмотрим пример анализа отклонений в Excel.

Специальным методом психолог компании проанализировал стратегии поведения сотрудников в конфликтной ситуации. Предполагается, что на поведение влияет уровень образования субъекта (1 — среднее, 2 — среднее, 3 — высшее).

Введите данные в таблицу Excel:

Важный параметр выделен желтым цветом. Поскольку значение P между группами превышает 1, коэффициент дисперсии Фишера не может считаться важным. Следовательно, поведение в конфликтной ситуации не зависит от уровня образования субъекта.

Факторный анализ в Excel: пример

Факторный анализ – это многовариантный анализ взаимосвязей между значениями переменных. Этот метод позволяет решить несколько очень важных задач:

для полного, но краткого описания наблюдаемого объекта;
для выявления скрытых значений переменных, определяющих наличие линейных статистических корреляций;
классифицировать переменные (определение взаимосвязей между ними);
чтобы уменьшить количество необходимых переменных.

Давайте рассмотрим пример проведения факторного анализа.Предположим, нам известны данные о продажах определенных товаров за последние 4 месяца. Нам нужно проанализировать, какие товары пользуются спросом, а какие нет.

Теперь у нас есть наглядная демонстрация того, какие виды товаров обеспечили основную часть прироста продаж.

Двухфакторный дисперсионный анализ в Excel

Этот метод демонстрирует влияние двух факторов на дисперсию значения случайной величины. Рассмотрим пример выполнения двухфакторного дисперсионного анализа в Excel.

Проблема. Группе мужчин и женщин демонстрировались звуки разной громкости: 1 – 10дБ, 2 – 30дБ, 3 – 50дБ. Время отклика фиксировалось в миллисекундах. Необходимо определить: влияет ли пол испытуемого на время отклика; влияет ли громкость на время отклика.

В качестве другого примера ниже приведен факторный анализ отклонений предельного дохода:

Факторный анализ помогает определить, как независимые и зависимые переменные согласуются друг с другом. Давайте узнаем, как проводить факторный анализ в Microsoft Excel.

Факторный анализ помогает определить, как независимые и зависимые переменные согласуются друг с другом. Это широко используемый метод как в статистике, так и в финансах. К счастью, в Excel это сделать очень просто. Давайте узнаем, как проводить факторный анализ в Microsoft Excel.

Как сделать факторный анализ в Excel

Рассмотрите столбцы данных, содержащие независимые и зависимые переменные. Есть две независимые переменные и одна независимая переменная. Факторный анализ помогает измерять результаты. А Excel делает это проще простого. Чтобы выполнить факторный анализ в Excel, начните с перехода на вкладку «Данные» на ленте. Лента представляет собой набор вкладок меню — «Главная», «Вставка», «Рисование» и т. д. — в верхней части экрана.

На вкладке "Данные" вы можете выбрать один из множества параметров. Тот, который вы ищете, находится в дальнем правом углу и помечен как «Анализ данных». Нажмите на эту опцию.

Появится меню анализа данных. Вы увидите список вариантов для выбора. Для таких наборов данных с двумя независимыми переменными вам понадобится двухфакторный анализ. Прокрутите вверх и выберите Anova: Two-Factor Without Replication. Затем нажмите ОК.

В поле «Входной диапазон» нажмите и перетащите, чтобы выбрать диапазон данных. В данном случае это диапазон A2:B6. Выберите место для вывода и нажмите OK.

Вы можете разместить его на существующем листе в заданном месте. Или вы можете открыть новый лист или даже новую книгу Excel. Excel обработает ваши данные и выполнит их факторный анализ.

Через несколько секунд будет создан отчет со всеми данными вашего факторного анализа. Просмотрев его, вы сможете быстро определить, как переменные взаимодействуют друг с другом. Это поможет вам получать более точную и значимую статистику при работе с экономическими, статистическими или финансовыми вопросами.

В этой статье представлен метод использования Microsoft (MS) Excel для подтверждающего факторного анализа (CFA). CFA часто рассматривается как непостижимая техника, и поэтому, когда ее преподают, часто мало объясняют механизмы или лежащие в основе расчеты. Цель этой статьи — продемонстрировать, что это не так; относительно просто создать электронную таблицу в MS Excel, которая может выполнять простой CFA. Можно с небольшими навыками программирования или вообще без них эффективно запрограммировать анализ CFA и, таким образом, получить представление о работе процедуры.

Откройте для себя мировые исследования

20 миллионов участников
135 миллионов публикаций
Более 700 тыс. исследовательских проектов

(CF А).CF A часто рассматривается как непостижимая техника, и поэтому, когда ее преподают, часто

небольшое объяснение механизмов или лежащих в основе расчетов. Цель этой статьи — продемонстрировать-

убедитесь, что это не так; относительно просто создать электронную таблицу в MS Excel, которая

может выполнять простую CF A. Практически без навыков программирования можно эффективно запрограммировать

<р>. В этом разделе мы обновим предыдущие оценки Excel (МакКаллоу и Уилсон, 1999, 2002, 2005) и уточним неспособность Excel Solver определить, что он остановился на точке, которая не является решением.

<р>. Многие книги рекомендуют Solver для решения нелинейных статистических задач; см., в частности, Barreto and Howland (2006), de Levie (2003) и Gottfreid (2002). Хотя эти книги, как правило, используются в прикладных условиях (т. е. не для публикации в научных журналах), Solver используется в академических журналах. статьи: для решения проблемы GARCH в финансах (Jones et al., 1998), для факторного анализа (Miles, 2005), для моделирования кинетических химических реакций (Denton, 2000), в хроматографии (Nikitas and Pappa-Louisi, 2000). Нетрудно найти применение Solver для статистических целей.

Excel 2007, как и его предшественники, не проходит стандартный набор тестов на точность среднего уровня в трех областях: статистические распределения, генерация случайных чисел и оценка. Обсуждаются дополнительные ошибки в конкретных процедурах Excel. Обсуждается продолжающаяся неспособность Microsoft корректно исправлять ошибки. Никакая статистическая процедура в Excel не должна использоваться до тех пор, пока Microsoft не подтвердит правильность этой процедуры; небезопасно предполагать, что статистические процедуры Microsoft Excel дают правильный ответ. Лица, желающие провести статистический анализ, должны использовать какой-либо другой пакет.

<р>. Для конструкта «ролевая перегрузка» надежность составила 0,69. Мы использовали метод Miles [74] подтверждающего факторного анализа с использованием Excel, который, как было обнаружено, совпадает с выходными данными MPlus или SPSS AMOS с точностью до 2 знаков после запятой. Хи-квадрат (χ 2 ) при 35 степенях свободы (df) составил 95,63 и P ст.

Цель. В этом исследовании изучалась взаимосвязь организационного ролевого стресса: ролевой перегрузки, ролевой дистанции и стагнации ролей с удовлетворенностью работой и намерением текучести кадров в выборке банковских служащих в Индии. Методология В этом исследовании мы использовали шкалу RODS, разработанную Prohit and Pareek (2010) для измерения шкалы профессиональных ролей. Надежность шкалы оказалась равной 0,71. Выводы Большинство сотрудников всех рангов как в частных, так и в государственных банках страдают от высокого ролевого стресса всех типов. Выявлено, что ролевая перегрузка и ролевой застой обратно связаны с удовлетворенностью работой банковских служащих. У сотрудников банков частного сектора больше ролевого стресса и больше неудовлетворенности, чем у сотрудников банков государственного сектора. Было обнаружено, что на намерение текучести кадров положительно влияет удовлетворенность работой, в отличие от многих других исследований. Были предложены возможные причины. Было обнаружено, что удовлетворенность работой играет частичную опосредующую роль в отношениях между ролевой перегрузкой и намерением текучести кадров с посредничеством 40%. Кроме того, сотрудники с более длительным стажем работы (опытом работы) испытывают меньше ролевого стресса и более удовлетворены. Оригинальность. Это исследование уникально в том смысле, что вряд ли существует какое-либо исследование, связывающее ролевой стресс с удовлетворенностью работой и стремлением к текучести кадров, особенно в индийском контексте.

<р>. Положительная корреляция между отрицательным аффектом и положительным аффектом была неожиданной, поскольку результаты предшествующего подтверждающего факторного анализа показали, что ортогональные факторные модели лучше всего соответствуют данным (Tuccitto, Giacobbi & Leite, 2010). Затем был проведен подтверждающий факторный анализ по шкалам эмоций, чтобы оценить их одномерность. . Этот анализ проводился в соответствии с процедурой, описанной Майлзом (2005) для проведения анализа в Excel, что указывает на то, что однофакторные модели были "удовлетворительно подходящими" (обратите внимание, что более низкие значения RMSEA указывают на лучшее соответствие).

<р>. Первый модуль проверяет, соответствуют ли данные условию параллельности или тауэквивалентности, и вычисляет три одномерных коэффициента надежности на основе введенной пользователем ковариационной матрицы. Эта идея возникла из предположения Майлза (2005) о том, что оценка максимального правдоподобия, наиболее часто используемый метод оценки в SEM, является методом оптимизации, который находит решение для минимизации функции расхождения, и для этого Microsoft .

Существующие соглашения о коэффициентах надежности результатов тестов бессистемны и хаотичны. Коэффициенты надежности долгое время обозначались именами, не связанными друг с другом, при этом каждая формула генерировалась разными методами, и они представлялись непоследовательно. Такая непоследовательность не позволяет организационным исследователям понять всю картину и вводит их в заблуждение в пользу безоговорочного использования коэффициента альфа.Это исследование обеспечивает систематическое соглашение об именах, методы генерации формул и методы представления каждого из коэффициентов надежности. Это исследование предлагает простое в использовании решение проблемы выбора между коэффициентом альфа и составной надежностью. В этом исследовании представлен калькулятор, который позволяет пользователям получать значения различных многомерных коэффициентов надежности несколькими щелчками мыши. В этом исследовании также представлены иллюстративные численные примеры, чтобы обеспечить лучшее понимание характеристик и расчетов коэффициентов надежности.

Возможно, электронные таблицы были первыми инструментами расчета и анализа информации, которыми пользовались пользователи микрокомпьютеров, и сегодня они повсеместно используются для расчета и анализа информации. Колебание состояния производителей ПК совпало с состоянием приложений для работы с электронными таблицами, хотя в последние два десятилетия на рынке электронных таблиц доминировал Microsoft Excel. В этой главе показано историческое развитие электронных таблиц в целом и Excel в частности, а также показано, как новые функции позволили использовать новые формы анализа данных в среде электронных таблиц. Microsoft, несомненно, превратила Excel в инструмент для анализа больших данных, добавив и разработав функции, предназначенные для составления отчетов о данных, слишком больших для электронной таблицы. В этой главе обсуждается способность Excel обрабатывать эти данные с помощью прикладного примера. Визуализация данных с помощью диаграмм и информационных панелей рассматривается как распространенная стратегия работы с большими объемами данных.

Обозначение модели, ковариации и анализ путей. Причинность и каузальные модели. Модели структурных уравнений с наблюдаемыми переменными. Последствия ошибки измерения. Модели измерения: связь между скрытыми и наблюдаемыми переменными. Подтверждающий факторный анализ. Общая модель, часть I: комбинированные модели скрытой переменной и измерения. Общая модель, часть II: расширения. Приложения. Теория распределения. Использованная литература. Индекс.

Анализ порядковых категориальных данных Алан Агрести Статистическая наука теперь имеет свое первое согласованное руководство по методам анализа упорядоченных категориальных данных. В этой книге обсуждаются специализированные модели, которые, в отличие от стандартных методов, лежащих в основе номинальных категорийных данных, эффективно используют информацию об упорядочении. Он начинается с введения в основные методы описания и логического вывода для категориальных данных, а затем подробно освещает самые современные разработки, такие как логлинейные и логит-модели для порядковых данных. Особое внимание уделяется интерпретации и применению методов и содержит комплексное сравнение доступных стратегий анализа порядковых данных. Это тематическое исследование с иллюстративными примерами, взятыми из широкого спектра порядковых категориальных приложений. 1984 (0 471-89055-3) 287 стр. Диагностика регрессии, выявление влиятельных данных и источников коллинеарности Дэвид А. Белсли, Эдвин Кух и Рой Э. Уэлш Эта книга предоставляет практикующим статистикам и специалистам по эконометрике новые инструменты для оценки качества и надежности. регрессионных оценок. Разработаны диагностические методы, которые помогают систематически определять точки данных, которые являются либо необычными, либо чрезмерно влиятельными; измерить наличие и интенсивность коллинеарных отношений между данными регрессии и помочь определить переменные, участвующие в каждом из них; и точно определить оценочные коэффициенты, на которые может быть оказано наибольшее неблагоприятное воздействие. Основное внимание в этих вкладах уделяется диагностике, но даны и проиллюстрированы предложения по исправлению положения. 1980 (0 471-05856-4) 292 стр. Прикладной регрессионный анализ, второе издание Норман Дрейпер и Гарри Смит Благодаря значительному расширению материала, отражающему последние достижения, это полное и актуальное введение в основы регрессионного анализа, сосредоточив внимание на понимании последних концепций и приложений этих методов. Авторы тщательно изучают подгонку и проверку моделей линейной и нелинейной регрессии, используя небольшие или большие наборы данных и карманное или высокоскоростное вычислительное оборудование. Функции, добавленные во второе издание, включают практическое применение линейной регрессии; тест Дарбина-Уотсона для последовательной корреляции; семейства преобразований; обратная, гребневая, латентная корень и робастная регрессия; и нелинейные модели роста. Включает множество новых упражнений и рабочих примеров.

Читайте также: