Sei sulla pagina 1di 49

Sommario

Cos’è l’analisi fattoriale


Scopo e cenni storici
Spiegazioni intuitive
L’analisi fattoriale esplorativa
L’analisi fattoriale confermativa

Scopo

Analisi fattoriale (esplorativa)

Ridurre un insieme di variabili osservate ad un


insieme inferiore di variabili non osservate o
latenti (fattori, componenti, dimensioni)
Trasformare le variabili osservate in una struttura
più semplice che contenga però le stesse
informazioni dell’originale

1
Aspetti storici
1904, Charles Spearman: Teoria bifattoriale
sosteneva che le misure di abilità mentale
relative ad un test potevano essere spiegate
come attribuibili ad un’abilità generale
comune a tutte le abilità e ad un’abilità
specifica e queste abilità dipendono ciascuna
da un “fattore”, chiamati da Spearman
“Fattore generale” (G) e “fattore specifico o
unico” (U).

Aspetti storici
1945, Thurstone: Teoria multifattoriale

propose di sostituire il fattore generale con


dei “fattori comuni” (F).
La differenza è che i fattori comuni sono relativi
solo ad alcuni item, quello generale li
prendeva in considerazione tutti
contemporaneamente.

2
ANALISI FATTORIALE E
PSICOLOGIA
Nasce come metodo di spiegazione di dati
di tipo psicologico
XCHE’

Permette di studiare molte variabili


contemporaneamente

ANALISI FATTORIALE:
che cos’è

Corpo di metodi statistici che aiutano il


ricercatore a definire meglio le proprie
variabili e a decidere quali dovrebbero
essere studiate e messe in relazione

Sviluppo Psicologia

3
Tecnica utilizzata per

STUDIARE
RIASSUMERE
SEMPLIFICARE

le relazioni in un insieme di variabili

SCOPO

Ridurre l’informazione contenuta in un


insieme di dati individuando uno o più
FATTORI (dimensioni) latenti che
raggruppano una serie di variabili

4
RISULTATO

POCHI FATTORI partendo da MOLTE VARIABILI

Analisi fattoriale esplorativa (EFA)

L’EFA (Spearman 1904) ha


come obiettivo quello di Fattore
individuare le dimensioni latenti
(“fattori”) che spiegano la
relazione tra le variabili originali
(manifeste) in termini di nuove
variabili (latenti) che rendano
ragione della comunalità (parte x1 x2 x3 x4
di varianza totale di una
variabile manifesta che viene
s1 s2 s3 s4
spiegata dai fattori comuni) tra
di esse.
 Spiegare più covarianza
possibile delle variabili
osservate, rendere ragione al
meglio delle correlazioni tra le
VM

5
Scopo dell’analisi fattoriale è ricondurre una serie di M
variabili osservate (“manifeste”) tra loro correlate ad un
numero inferiore di H variabili latenti dette “fattori”.

L’idea è che le correlazioni tra le variabili osservate siano


SPURIE e che siano quindi destinate a scomparire una volta
tenuto conto dell’effetto delle variabili latenti.

Questi fattori o variabili latenti (H) sono interpretabili come i


costrutti responsabili delle correlazioni osservate tra le
varabili manifeste (M).

L’input minimo delle tecnica è rappresentato dalla matrice di


correlazione R tra le M variabili osservate, che devono essere
misurate a un livello di scala cardinale (almeno a intervalli
equivalenti. Esistono anche tecniche di analisi fattoriale per
variabili ordinali e dicotomiche).

FASI dell’AF

PUNTO DI PARTENZA: trasformazione di


una matrice “soggetti x variabili” in una
matrice “variabili x variabili” (matrice di
correlazione R ridotta)

6
Quando si suppone che vi sia un meccanismo generatore dei dati,
in altre parole si suppone che le variabili manifeste siano riflesso di
un costrutto latente, è opportuno utilizzare come tecnica di analisi
dei dati l’analisi fattoriale.

Una persona che si droga DRUG
Un alcolizzato DRINK
Esempio: World
Una persona con precedenti penali CRIME
Value Survey Un omosessuale OMO
Un malato di AIDS AIDS
Batteria per misurare Una persona emotivamente instabile UNST
il grado di tolleranza Un estremista di sinistra LWE
dei cittadini Un estremista di destra RWE
Uno zingaro GYPS
Un mussulmano MUSS
Lei accetterebbe Un lavoratore straniero W_STRAN
come vicino di Un ebreo JEWS
casa… Uno straniero STRAN
Una famiglia numerosa LFAM

tania.parisi@unito.it 13

Matrice SOGGETTI X VARIABILI


es. 100 X 10

Item 1 Item 2 Item 3 …

Andrea 3 2 2 …

Anna 2 4 1 …

Paola 4 5 3 …

… … … … …

7
Matrice VARIABILI X VARIABILI
es. 10 X 10

Item 1 Item 2 Item 3 …

Item 1 ? .34 .42 …

Item 2 .34 ? .52 …

Item 3 .42 .52 ? …

… … … … …

MATRICE DI CORRELAZIONE R RIDOTTA

PUNTO DI ARRIVO: matrice delle saturazioni


A (relazioni fra variabili e fattori latenti)

8
Matrice VARIABILI X FATTORI
es. 10 X 2

Fattore 1 Fattore 2

Item 1 .60 .34

Item 2 .48 .23

Item 3 .56 .49

… … …

MATRICE DELLE SATURAZIONI A

Riassumendo

Matrice 100 X 10

Matrice 10 X 10

Matrice 10X 2

9
Tipi di Analisi Fattoriale
Analisi Fattoriale Esplorativa (AFE) è la
situazione in cui il ricercatore non ha in
mente nessuna ipotesi teorica (approccio
data driven)

Analisi Fattoriale Confermatoria (AFC) il


ricercatore dispone di una precisa ipotesi
a priori sulla struttura dei fattori

Analisi fattoriale esplorativa


X1 F1

X2
F2
X3

Tutte le X (ma in grado diverso)


X4 partecipano ai fattori (che possono
anche essere correlati fra loro)

10
Analisi fattoriale
confermativa
X1 F1

X2

F2
X3

Solo alcune X contribuiscono ai


X4 Fattori (variabili latenti)

I requisiti minimi (o
desiderabili)
Dati quantitativi veri (scale a intervallo o a rapporto)
Variabili con distribuzione normale (o almeno non troppo diversa dalla
normale)
Esclusione dei valori anomali (che alterano le correlazioni)
Più soggetti che variabili (almeno 100)

I fattori ( o dimensioni latenti o componenti) non possono superare il


numero di variabili osservate
Il numero di soggetti non può essere inferiore al numero di variabili
osservate
Il numero di soggetti dovrebbe essere elevato (almeno 100-200). La
stabilità completa (ripetibilità) si ottiene solo su 3-4000 casi.

11
Modello teorico dell’AFE
IPOTESI FONDAMENTALE

La CORRELAZIONE tra le variabili è DETERMINATA


da dimensioni non osservabili, i FATTORI, che in qualche
modo causano o DETERMINANO i PUNTEGGI
riscontrabili nelle VARIABILI osservate

Esamina la VARIANZA che le variabili hanno in comune


(VARIANZA COMUNE) per cercare di determinare i
fattori sottostanti

VARIANZA: indicatore di variabilità che corrisponde alla


media del quadrato degli scostamenti dalla media
s2 =  (xi-x)2
n

Non tutta la varianza degli item può essere


spiegata dai fattori comuni

FATTORE UNICO VARIANZA UNICA

12
FATTORE 1 FATTORE 2

VAR 1 VAR 2

Fattore unico 1 Fattore unico 2

Scomposizione della
varianza
Varianza totale= varianza
comune+varianza unica (1= h2+u2)

Comunalità = varianza totale – unicità


(h2= 1 – u2)

Unicità = varianza totale – comunalità


(u2= 1 – h2)

13
COMUNALITA’: parte di varianza totale che
viene
spiegata dai fattori comuni
UNICITA’: parte di varianza totale che viene
spiegata dal fattore unico

Varianza dovuta all’errore di misurazione

Varianza attribuibile a processi che agiscono


sistematicamente solo su una variabile
(specificità)

Analisi fattoriale esplorativa


Teorema fondamentale R=AA’+U2
[storicamente, l’AFE si è svolta a partire da una matrice di
correlazione, quindi con dati completamente standardizzati]
Assunzioni
 I fattori unici non correlano con i fattori comuni
 I fattori unici non correlano fra di loro
 I fattori comuni possono essere correlati fra di loro
(soluzione obliqua) o non essere correlati (soluzione
ortogonale)

14
ASSUNTO FONDAMENTALE AFE

Il punteggio standardizzato di un soggetto in una


variabile è uguale alla somma ponderata del
punteggio ottenuto dallo stesso soggetto nei
fattori comuni e nel fattore unico

Zik = Fi1ak1+ Fi2ak2+… Fimakm+uik


Zik= punteggio standardizzato del soggetto i
nella variabile k
Fi1= punteggio standardizzato per il soggetto i
nel fattore comune 1
ak1= saturazione fattoriale (factor loading) della
variabile k nel fattore comune 1
uik = punteggio standardizzato per il soggetto i
nel fattore unico associato alla variabile k

15
Espressione matriciale
Z = F*A’+U
Z matrice dei punteggi standardizzati
F matrice dei punteggi nei fattori comuni
A’ matrice (trasposta) delle saturazioni nei
fattori comuni
U matrice dei fattori unici per ogni soggetto
in ogni variabile

EQUAZIONE FONDAMENTALE AF

R = AA’ + U2

• R matrice delle correlazioni tra le variabili


• A matrice delle saturazioni nei fattori comuni
• A’ matrice (trasposta) di A
• U2 matrice diagonale che contiene la varianza
unica relativa ad ogni variabile

16
Analisi fattoriale esplorativa
Z=FA’+U R=AA’+U2 (ipotesi ortogonale)
R=PP’+ U2 (ipotesi obliqua)
Z=dati grezzi standardizzati nxm n=soggetti
F=Fattori comuni nxh m=osservate
A,P=saturazioni/pesi mxh h=latenti
U=fattori unici nxm
R=matrice correlazioni mxm
=correlazioni fra fattori hxh

La matrice di correlazione è riproducibile tramite una


matrice di saturazioni fattoriali (dipendenti dai fattori
comuni) moltiplicata per la sua trasposta e aggiungendo un
termine “d’errore” corrispondente ai fattori unici

COMUNALITA’
Somme dei quadrati delle saturazioni riga x riga

Rappresentano ciò che vi è in comune tra ogni


variabile e tutti i fattori, cioè la PORZIONE
DI VARIANZA DELLA VARIABILE
SPIEGATA DAI FATTORI

Quadrato saturazioni: porzione di varianza


della singola variabile che è spiegata dal
fattore

17
Matrice delle saturazioni fattoriali A

Fattore 1 Fattore 2 h2
(comunalità)

Item 1 .60 .34 .602 +. 342

Item 2 .48 .23 .482 +. 232

Item 3 .56 .49 .562 +. 492

… … … …

MATRICE DI CORRELAZIONE R RIDOTTA

Item 1 Item 2 Item 3 …

Item 1 ? .34 .42 …

Item 2 .34 ? .52 …

Item 3 .42 .52 ? …

… … … … …

? = STIMA DELLE COMUNALITA’

18
COSA ACCADREBBE SE SI METTESSE 1
SULLA DIAGONALE PRINCIPALE?

La varianza di errore e specifica


andrebbero a gonfiare la varianza
estratta dai fattori distorcendo le stime
dei parametri

LA MATRICE DI CORRELAZIONE CON 1 SULLA


DIAGONALE PRINCIPALE VIENE USATA NELL’ACP

5 PASSI FONDAMENTALI DELL’AFE

1) SELEZIONE DELLE VARIABILI


2) CALCOLO DELLA MATRICE
DELLE CORRELAZIONI TRA LE
VARIABILI (R)
3) ESTRAZIONE DEI FATTORI (A)
4) ROTAZIONE DEI FATTORI
5) INTERPRETAZIONE DELLA
MATRICE DEI FATTORI RUOTATI

19
MATRICE DELLE SATURAZIONI FATTORIALI A

Fattore 1 Fattore 2

Item 1 .60 .34

Item 2 .48 .23

Item 3 .56 .49

… … …

RUOTARE I FATTORI = spostarne la posizione


nello spazio

In modo che:
solo poche variabili presentino saturazioni
elevate su ciascuno di essi

Ogni singola variabile tenda a correlare solo con


un fattore

20
MATRICE DELLE SATURAZIONI RUOTATA
Fattore 1 Fattore 2
Item 1 .70
Item 3 .63
Item 4 .54
Item 10 .45
Item 2 .77
Item 5 .75
Item 6 .66
Item 7 .60
Item 8 .54
Item 9 .51

INTERPRETAZIONE

Ci si serve di tutte le conoscenze disponibili


riguardo alle variabili così come di ogni altra
informazione pertinente

Si comincia analizzando le variabili che


presentano saturazioni più elevate nei fattori
ruotati

21
MATRICE SOGGETTI x VARIABILI

MATRICE DELLE CORRELAZIONI TRA LE VARIABILI R


(MATRICE VARIABILI x VARIABILI)

ESTRAZIONE DEI FATTORI

MATRICE DELLE SATURAZIONI NON RUOTATE A

ROTAZIONE DEI FATTORI

MATRICE DELLE SATURAZIONI RUOTATE

INTERPRETAZIONE DEI FATTORI

DECISIONI DA PRENDERE IN UN AFE


Il ricercatore deve DECIDERE:

1) QUALI VARIABILI E CAMPIONE UTILIZZARE


2) SE L’AFE E’ LA PIU’ APPROPRIATA FORMA DI
ANALISI PER RAGGIUNGERE GLI OBIETTIVI
DELLA SUA RICERCA
3) QUALE PROCEDURA UTILIZZARE PER
ADATTARE IL MODELLO AI DATI
4) QUANTI FATTORI INCLUDERE NELLO STUDIO
5) COME RUOTARLI PER OTTENERE UNA
SOLUZIONE FACILMENTE INTERPRETABILE

22
PROGETTO DI RICERCA:
VARIABILI E CAMPIONE

1) DEFINIRE PRELIMINARMENTE L’AREA CHE SI


VUOLE STUDIARE;
2) FARSI UN’IDEA DEI FATTORI CHE CI ASPETTA
DI OTTENERE;
3) SCEGLIERE LE VARIABILI
4) SELEZIONARE UN CAMPIONE
RAPPRESENTATIVO SU CUI RACCOGLIERE I
DATI
5) FARE LE ANALISI

VARIABILI:
•ogni fattore atteso deve essere sovradeterminato, cioè
rappresentato da più variabili con un rapporto di
almeno 1:4-1:5
•Le variabili con bassa comunalità dovrebbero essere
eliminate;

23
CAMPIONE:

Campioni
CONDIZIONI OTTIMALI anche piccoli

VARIABILI CONDIZIONI MODERATE Campioni di


medie dimensioni

CONDIZIONI SCARSE Anche campioni


grandi potrebbero
non essere
sufficienti!

Il campione deve assicurare variabilità al fattore

Attenzione alle condizioni di raccolta dati

APPROPRIATEZZA AFE

Qual è l’obiettivo del mio progetto di ricerca?

PARSIMONIOSA SEMPLIFICAZIONE
RAPPRESENTAZIONE DEI DATI
DELLE ASSOCIAZIONI TRA
LE VARIABILI

AFE ACP

24
L’Analisi delle Componenti
Principali (ACP)

Tecnica di semplificazione dei dati


diversa dall’AF e creata per raggiungere
scopi diversi

AF: cerca di spiegare più COVARIANZA possibile delle


variabili (spiegare le correlazioni)
ACP: cerca di spiegare più VARIANZA possibile delle
variabili (trasformando linearmente le variabili originali)

L’ACP non fa distinzione fra varianza comune


(comunalità) e varianza specifica delle
variabili

Nel processo di calcolo delle componenti


principali è possibile individuare tante
componenti quanto sono le variabili originali

Non si possono ruotare le componenti

Le componenti non sono latenti

25
TECNICA DI ESTRAZIONE DEI FATTORI

METODO DEI METODO DEI METODO


FATTORI MINIMI DELLA
PRINCIPALI QUADRATI MASSIMA
(AFP) (MQ) VEROSIMIGLIA
NZA (ML)

AFP MQ ML

Vantaggi: Vantaggi: Vantaggi:


-No assunzione di -Non necessaria stima -Test per verificare la
normalità delle comunalità; bontà
multivariata; dell’adattamento del
Limiti:
modello ai dati;
-Raramente risultati
-Spesso risultati
distorti -Non dipendente dalla
diversi da AFP perché
scala di misura delle
Limiti: non analizza gli
variabili
elementi sulla
-Necessaria stima
diagonale principale Limiti:
delle comunalità
elemento di -Assunzione di
indeterminatezza normalità multivariata
nella soluzione

26
SELEZIONE DEL NUMERO DI FATTORI
DA ESTRARRE

Non esiste un metodo certo per determinare


l’esatto numero di fattori da estrarre!

MEGLIO SBAGLIARE ESTRAENDO TROPPI


FATTORI PIUTTOSTO CHE TROPPO POCHI

PRINCIPALI TECNICHE PER DECIDERE


QUANTI FATTORI ESTRARRE

CRITERIO DEGLI SCREE ANALISI INDICI DI


AUTOVALORI > 1 TEST PARALLELA BONTA’
DELL’ADATTA
1) Fare riferimento alla letteratura e a
MENTO DEL
precedenti ricerche;
MODELLO AI
2) Utilizzare più indicatori possibili; DATI
3) Se ci sono, controllare i valori di almeno
un indice di bontà dell’adattamento del
modello ai dati;
4) Testare la scelta effettuate su più gruppi di
dati

27
ROTAZIONE DEI FATTORI

CRITERIO DELLA STRUTTURA


SEMPLICE (THURSTONE)

Ogni fattore deve saturare una minoranza di


variabili e ogni variabile deve essere spiegata
possibilmente da un solo fattore

MATRICE DI CORRELAZIONE DI 6 VARIABILI ARTIFICIALI

X1 X2 X3 X4 X5 X6
X1
X2 .75
X3 .83 .70
X4 .32 .25 .39
X5 .28 .31 .25 .79
X6 .36 .32 .33 .82 .76

28
ANALISI DEI FATTORI PRINCIPALI (AFP)

Fattore 1 Fattore 2 h2
X1 .77 .55 .89
X2 .66 .44 .63
X3 .74 .49 .78
X4 .78 –.49 .85
X5 .71 –.48 .73
X6 .77 –.45 .79

Soluzione originale AFP (i fattori coincidono con


gli assi cartesiani)
1 FATTORE II

.75

.5 X3 X1
X2
.25

FATTORE I
.25 .5 .75 1

X6
X5 X4

29
ROTAZIONI ORTOGONALI: durante la
rotazione i fattori mantengono il vincolo
dell’ortogonalità

ROTAZIONI OBLIQUE: durante la rotazione


i fattori divengono correlati

ROTAZIONE ORTOGONALE 45°

1
FATTORE I
.75

.5 X3 X1
X2
.25

.25 .5 .75 1

X6
X5 X4

FATTORE II

30
ROTAZIONE OBLIQUA (ANGOLI DIVERSI)

1
FATTORE I
.75

.5 X3 X1
X2
.25

.25 .5 .75 1

X6
X5 X4
FATTORE II

LIMITI E VANTAGGI DELLE ROTAZIONI


ORTOGONALI OBLIQUE

● Più semplici da effettuare ● Più complesse


● Inadeguate per molti ● Adeguate per la maggior parte
costrutti esaminati in psicologia dei costrutti psicologici
poiché costituiti da fattori ● Non individuano strutture
correlati fattoriali più povere quando i
● Individuano strutture fattori non sono correlati
semplici più povere di quelle ● Non comportano distorsioni
reali quando i fattori sono se si utilizzano su fattori non
correlati correlati
● Conducono a gravi ● Stimando le correlazioni tra i
distorsioni se si utilizzano con fattori permettono una
fattori correlati comprensione più approfondita
dei dati

31
ROTAZIONI OBLIQUE PIU’ COMPLESSE PERCHE’:

-NO SISTEMA DI RIFERIMENTO CARTESIANO;


-COMUNALITA’ PIU’ DIFFICILI DA CALCOLARE;
-SOLUZIONE SU TRE MATRICI (PATTERN,
STRUCTURE E DI CORRELAZIONE FATTORIALE)

MATRICE PATTERN (P): contiene i coefficienti relativi all’impatto diretto


di ciascun fattore sulle variabili, al netto dell’impatto degli altri fattori

EFFETTO DIRETTO DEL FATTORE SULLA VARIABILE

MATRICE STRUCTURE (S): contiene le correlazioni tra le variabili e i


fattori, che saranno tanto maggiori rispetto ai coefficienti della matrice
Pattern quanto più è elevata la correlazione tra i fattori

CORRELAZIONI TRA VARIABILI E FATTORI

32
FATTORI PIU’ CORRELATI / FATTORI MENO CORRELATI /
ROTAZIONE PIU’ OBLIQUA ROTAZIONE MENO OBLIQUA

F F
A A
T T
T T
T T
O O
Pattern Structure Pattern Structure
R R
E E
II II

FATTORE I FATTORE I

Più la soluzione è obliqua più la S e la P saranno differenti,


più diminuisce il grado di obliquità più le due matrici si
avvicineranno sino ad arrivare a coincidere quando i due
fattori diventano ortogonali

DECISIONI DA PRENDERE IN UN’ANALISI


FATTORIALE ESPLORATIVA
5 TEMI PRINCIPALI:

Variabili
• Progetto di ricerca Campione

• Appropriatezza dell’AFE AFE o ACP?

Analisi dei Fattori Principali


• Tecniche di estrazione dei fattori Minimi Quadrati
Massima Verosimiglianza
Autovalori > 1
• Numero di fattori da estrarre Scree test
Analisi parallela
Indici di goodness of fit
Ortogonali
• Rotazione dei fattori Oblique

33
ESEMPIO PRATICO DI AFE

SCALA DIMENSIONI DEL SELF-CONSTRUAL


(13 ITEM con Likert a 7 punti)

Scala inserita nell’European Opinion


Survey (EOS), questionario costruito per
una ricerca cross-culturale relativa al senso
di identità nazionale in alcuni Paesi Europei

PUNTI FONDAMENTALI AFE:

1) PROGETTO DI RICERCA

VARIABILI: ?

CAMPIONE: medie dimensioni (300


soggetti) in quanto i fattori, stando alla
letteratura, dovrebbero essere
sovradeterminati, ma non si hanno dati
sulle comunalità delle variabili

34
Verificare l’adeguatezza
La matrice di correlazione deve avere alte
correlazioni
Determinante: se è alto, le correlazioni sono basse;
se è basso, ci sono correlazioni alte

Sfericità di Bartlett: le correlazioni (escluso


diagonale) sono 0? Dev’essere significativo (è un
chi-quadro) [tende a sottostimare]

KMO (Indice di Kaiser-Meyer-Olkin): dovrebbe


essere > 0.60 [tende a sottostimare]
Matrice anti-immagine (deve contenere valori alti)

2) APPROPRIATEZZA AFE

SCOPO ANALISI: scoprire se


esistono e dunque individuare i AFE
fattori latenti

ANALISI DELLA DISTIBUZIONE DEI DATI


(minimo-massimo, range, distribuzione di
frequenza, media, deviazione standard etc)

35
3) SCELTA TECNICA ESTRAZIONE FATTORI

Poiché la distribuzione è
NORMALE MULTIVARIATA,
conoscendo i vantaggi e gli
svantaggi delle varie tecniche, si
sceglie di utilizzare il metodo
della Massima Verosimiglianza

ML

4) SELEZIONE DEL NUMERO DEI FATTORI


DA ESTRARRE

Non esistendo un unico criterio certo


si sceglie di utilizzare:

AUTOVALORI > 1

SCREE TEST

ANALISI PARALLELA

36
AUTOVALORI
Autovalori iniziali
% di % cumulative
Fattori
Totale varianza
1 3.88 29.84 29.84
2 2.66 20.51 50.36
3 1.02 7.88 58.24
4 .84 6.48 64.73
5 .78 6.00 70.73
6 .70 5.40 76.14

SCREE PLOT

Scree Plot
5

2
Eigenvalue

0
1 2 3 4 5 6 7 8 9 10 11 12 13

Factor Number

37
ANALISI PARALLELA

Number of variables: 13
Number of subjects: 300
Number of replications: 1000
++++++++++++++++++++++++++++++++++++++++++++++++
Random Eigenvalue DS
++++++++++++++++++++++++++++++++++++++++++++++++
1 1.3585 .0481
2 1.2733 .0311
3 1.2056 .0305
4 1.1396 .0286
5 1.0860 .0232
6 1.0369 .0210

INDICE DI GOODNESS OF FIT

χ2 gl p
26.94 53 .26

Valore del χ2 non significativo  il modello trovato ha


un buon fit con i dati
(se fosse stato significativo il modello a due fattori
sarebbe stato “lontano” dai dati ottenuti con la
somministrazione)

38
5) ROTAZIONE DEI FATTORI

FATTORI NON CORRELATI

RUOTAZIONE ORTOGONALE VARIMAX

MATRICE RUOTATA VARIMAX


Fattori
Item 1 2
INT4 .73
INT7 .72
INT3 .70
INT6 .64
INT2 .63
INT1 .63
INT5 .55
IND4 .64
IND6 .63
IND2 .62
IND5 .60
IND1 .56
IND3 .55

39
Esempio matrice correlazioni
Correlazione di Pearson
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1
X2 ,891**
X3 -,300 -,177
X4 ,126 ,000 -,804**
X5 -,221 -,124 ,876** -,721**
X6 ,842** ,799** -,127 -,086 -,074
X7 ,747** ,704** -,161 -,150 -,206 ,878**
X8 -,258 -,151 ,885** -,880** ,798** -,084 -,001
X9 -,763** -,787** ,280 ,106 ,273 -,787** -,850** ,201
X10 ,264 ,141 -,884** ,928** -,820** ,076 ,036 -,915** -,109
**.

F1?=x1, x2, x6, x7, x9 F2?=x3,x4,x5,x8,x10

40
Matrice di correlazionea

a. Determinante = ,000

Test KMO e di Bartlett


Misura di adeguatezza campionaria KMO (Keiser
Meyer Olkin). ,703

Test di sfericità di Chi-quadrato appross. 228,740


Bartlett df 45
Sig. ,000

La matrice anti-immagine contiene valori molto alti

Come estrarre i fattori


Ci sono diversi metodi per estrarre i fattori
Componenti principali (1 sulla diag.)
Fattori principali (stima iniziale della comunalità sulla
diag.)
Massima verosimiglianza (test sui fattori)
Minimi quadrati (test sui fattori)
Alfa factoring
Image factoring

Con un numero di variabili elevato, si equivalgono tutti

41
Quanti fattori estrarre
Rango della matrice (teorico)
Autovalori maggiori di 1
Almeno l’x% (60-75%) di varianza spiegata
Scree-test di Cattell
Teoria
Soprattutto: Analisi parallela

75% di varianza spiegata


Varianza totale spiegata

Autovalori iniziali
Fattore Totale % di varianza % cumulata
1 4,961 49,611 49,611
2 3,743 37,429 87,041
3 ,532 5,319 92,359
4 ,272 2,724 95,084
5 ,177 1,767 96,850
6 ,102 1,020 97,870
7 ,078 ,785 98,655
8 ,071 ,710 99,365
9 ,048 ,480 99,845
10 ,015 ,155 100,000
Metodo di estrazione: Fattorizzazione dell'asse principale.

42
Scree-test
Grafico decrescente degli autovalori
6

5
Punto di flesso

3
Per Harman si
2 esclude (fattori 2)
Autovalore

1
per Cattell si
0 include (fattori 3)
1 2 3 4 5 6 7 8 9 10

Fattore

Test sui fattori

Massima verosimiglianza e minimi quadrati permettono


di calcolare una statistica di significatività (un chi-
quadro) sull’adattamento del modello fattoriale in
base al numero dei fattori.
Se il chi-quadro è non significativo, possiamo dire che
la soluzione con q fattori si adatta bene.

43
Metodi di rotazione
Metodi ortogonali
Varimax (semplifica le righe: ogni variabile osservata
è correlata massimamente con un fattore e nulla
con gli altri). Metodo quasi sempre usato, per la sua
efficacia semplificativa
Quartimax (semplifica le colonne: ogni colonna è
massimamente correlata con tutte le variabili
osservate e poco con le restanti)
Equamax (bilancia i due criteri)
Metodi obliqui
Promax: rende gli assi obliqui in funzione di una
soluzione iniziale Varimax.
Oblimin (obliquità minima): permette di fissare

La rotazione ortogonale
La rotazione degli assi fattoriali rende
interpretabili le dimensioni latenti (o fattori),
mantenendo l’indipendenza fra i fattori.
La rotazione obliqua permette un migliore
adeguamento degli assi fattoriali alle variabili
osservate ma il criterio di indipendenza
statistica fra i fattori non è più osservato.

44
Non ruotata

F2
F1
F2

Ruotata

F1

Nella soluzione ortogonale, le saturazioni


possono essere interpretate come le
correlazioni fra le variabili e i fattori.
In tal caso il loro quadrato corrisponde alla
proporzione di varianza spiegata dal fattore
per quella variabile

45
Varianza
La varianza dell’osservata X, può essere
suddivisa in una parte dovuta ai fattori unici e
una parte dovuta ai fattori comuni:
var(X)=var(F)+ var(U)
Il rapporto fra var(F) e var(X) si chiama
“comunalità” (h2), mentre var(U) si chiama
“unicità” (u2).
Essendo la var(x) = 1 = h2 + u2
L’unicità può essere ulteriormente suddivisa in
varianza specifica dell’item ed varianza
d’errore, ma l’AF non fa distinzione fra le due

Soluzione non ruotata


Factor 1 Factor 2 Unique Var
-------- -------- ----------
VAR1 0.333 0.843 0.178 h2=
VAR2 0.208 0.846 0.240 .333^2
VAR3 -0.916 -0.036 0.160 +
VAR4 0.919 -0.256 0.089 .843^2)
VAR5 -0.842 -0.022 0.290
VAR6 0.141 0.918 0.138 u2=.178
VAR7 0.102 0.901 0.178
VAR8 -0.941 0.054 0.112 1=
VAR9 -0.197 -0.872 0.200 h2+u2=
VAR10 0.976 -0.076 0.041 .822+178

46
Soluzione non ruotata
Matrice fattorialea

Fattore
1 2
X3 -,819 ,464
X10 ,788 -,571
X8 -,780 ,541
X5 -,739 ,431
X1 ,716 ,563
X9 -,642 -,624
X6 ,588 ,719
X7 ,561 ,698
X4 ,633 -,681
X2 ,612 ,625
Metodo estrazione: fattorizzazione dell'asse principale.
a. 2 fattori estratti. 6 iterazioni richieste.

Varimax-Rotated F. Loadings
Factor 1 Factor 2 Unique Var
-------- -------- ---------- 1-
VAR1 0.209 0.882 0.178 (.209^2
VAR2 0.085 0.867 0.240 +.882^2)
VAR3 -0.901 -0.166 0.160 =.178
VAR4 0.946 -0.122 0.089
VAR5 -0.831 -0.142 0.290
VAR6 0.009 0.929 0.138
VAR7 -0.027 0.906 0.178
VAR8 -0.939 -0.081 0.112
VAR9 -0.071 -0.892 0.200
VAR10 0.977 0.064 0.041

47
Soluzione ruotata
semplificata
Matrice fattoriale ruotataa Fattore 1:
Fattore
1 2
items x10, x8, x3,
X10 -,970 x4, x5
X8 ,946
X3 ,926
X4 -,922
X5 ,843 Fattore 2:
X6 ,929
X7 ,895 items x6, x7, x9, x1,
X9 -,891 x2
X1 ,890
X2 ,872
Metodo estrazione: fattorizzazione dell'asse principale.
Metodo rotazione: Varimax con normalizzazione di Kaiser.
a. La rotazione ha raggiunto i criteri di convergenza
in 3 iterazioni.

Promax-Rotated F. Loadings
Factor 1 Factor 2 Unique Var
-------- -------- ----------
1-
VAR1 0.875 0.141 0.178
(.875^2
VAR2 0.869 0.017 0.240
+.141^2)
VAR3 -0.106 -0.895 0.160
diverso da
VAR4 -0.188 0.963 0.089
.178
VAR5 -0.086 -0.826 0.290
VAR6 0.936 -0.065 0.138 Factor Correlations
VAR7 0.916 -0.099 0.178
Factor 1 Factor 2
VAR8 -0.017 -0.940 0.112 -------- --------
VAR9 -0.894 -0.001 0.200 Factor 1 1.000
VAR10 -0.003 0.980 0.041 Factor 2 0.070 1.000

48
Punteggi fattoriali

49