第四章 研究設計與方法
4.5 研究方法探討
4.5.1 因子分析模型(Factor Analysis Method)
(一)模型的意義
因子分析法為多變量領域中,相當重要的一環,早期因子分析法主要的利用對象在於心 理學領域上,後來則延伸到社會科學的領域上諸如經濟學、教育學等,為一種多變量統計法。
其主要係利用變異互變異矩陣或相關係數矩陣(R)來計算,從相關係數矩陣中抽取少數幾 個共通因子,構成因子負荷量矩陣(A),使能以 AA’大致準確的複製出原來的相關矩陣(R),進 而說明原變數之內容此為因子分析的主要目的。
在各項經營績效之中,所蘊含各項指標是非常的繁瑣;而利用因子分析的方式,可以將 複雜的指標予以簡化,而尋找出比較相關的特性。通常在指標的各項變量之間,其變化並非 互不相關的,而是有些關連存在,此介於全體變量之間所存在的多種共通的基本因子,稱之
是經由運算過程,找出這些共通因子,並求出各變量對這些因子有多大程度的因子負荷量
(1)因子模式(Factor Patterns)
因子分析的領域包括甚廣,而因子分析的模型可將實際變動的數據,利用一次線性結合 式來表示,而其表示式即稱之為因子模式(Factor Patterns),如下列各式:
(1)
B. fB1vB, fB2vB, … , fBmvB分別稱為第1,2, … ,m 個,個體之潛在的共通因子(Common Factor)。
C. aBi1B, aBi2B , … , aBimB 其中i=1,2, … ,p 此稱為因子負荷量(Factor Loading),其意義即為各變數在 因子軸上的座標。
d
BpB稱為獨立因子負荷量(Independent Factor Loading)。u
BpB稱為獨立因子得點(Independent Factor Scores;其表p個變量分別對應之固有變動;在求 取因子分析的過程中,需先將其標準化,因其執行後其平均數為0,變異數為 1,相等於相關(5)
而實際上可利用下式求取 其中為逆矩陣之對角元素。
2.因子分析推導程序
(1)計算相關係數矩陣及因子負荷矩陣(Factor Loading Matrix)A 在因子分析的實際工作中較常 利用相關係數矩陣 R,利用其求出其因子負荷矩陣(Factor Loading Matrix),而其主對角線的元 素並非如主成分分析法都是由「1」所形成的相關矩陣;而是由「hi2」所取代的相關係數矩 陣 R*,又稱為「縮減式相關係數矩陣」(Reduced Correlation Matrix),因其主對角線的元素 不為1,而必須扣除 d i 之唯一性變異數即:
因為
R = A A
'+ D
2;R
*= R − D
2 (6)所以
R
*= A A
'= a
1a
1+ a
2a
2+ ... + a
ma
m最大概似法(Maximum Likelihood Method):利用最大的相關係數hi2當做以取代原來的1。
主成份分析法(Principal Factor Method):利用共通性h2i的反覆計算求取其特徵值,依據特 徵值的大小,決定保留 m 個特徵向量,利用這 m 個特徵向量列元素之平方和,作為共通性
因子負荷矩陣之求法,需經由縮減式相關係數矩陣 R*求取共同因素,以得到一個 m *p 階的因子負荷矩陣 A。我們希望以少數 m 個向度空間(p *m),便能有效代表 p 個變項的資 料,以符合精簡的原則。
(2)在共通因子數目的取決及釋義
因子分析的重要任務在於抽取 m < p 個共通因子,使能以少數 m 個向度空間便可適當的 代表 p 個變數。所以在使用主成份分析法時,由於其反覆的求解,目的即為了使共通因子的 數目減少,而就選取因子的標準有下列各項:
Kaiser 準則:特徵值(Eigen-value)大於 1 者,即選取。此法為電算機程式中最流行的一種,
因特徵值小於 1 的共通因子對總變異數之貢獻被視為微不足道,因此放棄其參考價值,因為 每一個變數的變異數為1 而它的貢獻並未超過 1。
Gutman’s 準則:特徵值(Eigen-value)大於 0 者,即選取其主要為防止重要的共通因子被 忽略。此法稱為「古特曼最強下限」標準,旨在將特徵值為「負」的所有共通因子予以放棄,
這是較為保守的方法。
陡坡考驗法(Scree Test):運用數值曲線圖,其特徵值可經由圖示予以取捨(本法趨於主 觀)。因特徵值通常由大至小順序出現,設定以大小為橫座標,以數值大小為縱座標,其低點 即出現在右下角(第一象限)中,參考價值低。
經驗法則(Lawley):在統計分析時常常出現統計與實質的意義不符合或不能做合理的解 釋,所以抽取到此一共通因子反而是一種困擾。因此在使用上述的任何方法求解時,尚需加 入理智上的判斷,如此方不致失去因子分析的真正意義。
3.因子軸旋轉(Factor Rotation)
旨利用參考軸依順(逆)時針旋轉,使其各變量在近軸上的投影之變異數變為最大(特徵值 大)。而依塞斯通(Thurstone,1967)提出所謂「簡單結構」的觀念,即在每一行或列利用因子負
性的說明較為準確。