Transcript Analisi Fattoriale Esplorativa

Analisi Fattoriale Esplorativa
AFE
Scala Dimensioni del Self Construal
•
•
•
•
•
•
•
SCALA INDIPENDENZA
1. Per me è molto importante essere in grado di aver cura di me stesso
2. La mia identità personale è molto importante per me
3. Se c’è un conflitto tra i miei valori e quelli del gruppo a cui appartengo, seguo i miei valori
4. Cerco di non dipendere dagli altri
5. Mi prendo la responsabilità delle mie azioni
6. È importante per me comportarmi da persona indipendente
•
•
•
•
•
•
•
•
SCALA INTERDIPENDENZA
1. Sono pronto a sacrificare i miei interessi personali per il bene del gruppo
2. Resto fedele al gruppo anche nelle difficoltà
3. Rispetto le decisioni prese dal mio gruppo
4. Sono pronto a stare in un gruppo se c’è bisogno di me, anche se non sono felice di starci
5. Mantengo l’armonia del gruppo di cui sono membro
6. Rispetto la volontà della maggioranza nel gruppo di cui sono membro
7. Rimango nei gruppi a cui appartengo se c’è bisogno di me, anche se non sono soddisfatto di
farne parte
• L’AFE è utilizzata per studiare, riassumere e
semplificare le relazioni in un gruppo di
variabili e il suo scopo è proprio quello di
ridurre l’informazione contenuta in una serie
di dati individuando uno o più fattori o
dimensioni latenti in grado di rendere conto
di ciò che accomuna un insieme di variabili.
• Il risultato dell’applicazione di questa
analisi è che pochi fattori non osservabili
“direttamente” dai dati, servono a rendere
ragione delle informazioni contenute in
insiemi decisamente più ampi di variabili
misurate o osservate.
• il punto di partenza dell’AFE (dopo aver
disposto i soggetti sulle righe e le variabili
sulle colonne di una matrice ovvero avere
a disposizione una matrice soggetti x
variabili diventa la costruzione di una
matrice dei coefficienti di correlazione tra
le variabili studiate (R) che si ottiene
calcolando tutti i coefficienti di correlazione
tra le variabili e disponendoli sulle righe e
sulle colonne di una tabella (matrice
variabili x variabili)
• A partire dai valori delle correlazioni tra le
variabili presenti in R, si riescono a
individuare, estraendoli, quei fattori che sono
in grado di rendere conto e di spiegare tali
correlazioni.
• Dopo aver estratto il primo fattore il suo
effetto viene rimosso dalla matrice delle
correlazioni R per produrre la matrice delle
correlazioni residue rispetto al primo fattore.
• Generalmente si estraggono fattori da R
finché non rimane più nessuna porzione
apprezzabile di varianza da spiegare, cioè
finché le correlazioni residue sono così
vicine allo zero che si presume siano di
importanza trascurabile.
• I metodi di Estrazione dei Fattori sono
numerosi ma tutti determinano una
matrice (chiamata Matrice delle
Saturazioni Non Ruotate, A) costituita da
una o più colonne di numeri, una per
ciascun fattore estratto, che indicano le
saturazioni (o pesi) delle variabili nei
fattori.
• Le saturazioni rappresentano la misura in cui le
variabili sono in relazione con il fattore ipotetico
e possono essere considerate come correlazioni
tra le variabili e il fattore.
• Il loro quadrato esprime la porzione di varianza
della singola variabile che è spiegata dal fattore
mentre le somme dei quadrati riga per riga,
definite comunalità (h2) e riportate nell’ultima
colonna della matrice A, rappresentano ciò che
vi è in comune tra ogni variabile e tutti i fattori,
cioè la porzione di varianza della variabile
spiegata dai fattori.
• La matrice delle saturazioni fattoriali A non
rappresenta tuttavia la soluzione fattoriale
finale. A questo punto, infatti, dopo
l’estrazione dei fattori, il passo successivo
è la loro interpretazione, ma purtroppo la
matrice delle saturazioni fattoriali A non è
utile a questo scopo
• Fortunatamente è possibile ruotare la matrice
fattoriale delle saturazioni verso un’altra forma
che è matematicamente equivalente alla matrice
originale non ruotata A ma di più semplice
interpretazione.
• Dopo aver estratto i fattori bisogna dunque
ruotarli, cioè spostarne la posizione nello spazio
(non è molto diverso da ruotare un barattolo per
leggerne meglio l’etichetta) in modo tale che su
di essi presentino saturazioni elevate solo poche
variabili, mentre molte altre abbiano saturazioni
basse o vicine allo zero.
• La rotazione inoltre viene eseguita in modo
che ogni singola variabile tenda a correlare
solo con un fattore e per poco o nulla con
tutti gli altri.
• Se durante la rotazione i fattori mantengono
il vincolo dell’ortogonalità, continuano cioè
ad essere non correlati, si parla di rotazioni
ortogonali, altrimenti di rotazioni oblique.
• Dopo il calcolo delle correlazioni, l’estrazione e
la rotazione, al ricercatore non resta che cercare
di interpretare i fattori, servendosi a tal fine di
tutte le conoscenze disponibili riguardo alle
variabili così come di ogni altra informazione
pertinente.
• E’ buona regola cominciare l’interpretazione
analizzando attentamente le variabili che
presentano saturazioni più elevate nei fattori
ruotati, in modo da determinare che cosa
condividono e denominare così i fattori proprio
sulla base del contenuto comune identificato.