English version of this page

Et empirisk Kaiser-kriterium - Utvidet sammendrag

I utforskende faktoranalyse, EFA, er de mest populære metodene for å vurdere antall dimensjoner knekkpunktgraf (screeplot), Kaiserkriteriet, og den nåværende gullstandarden, parallellanalyse. Alle disse er basert på å bruke de såkalte egenverdiene som kan utledes fra korrelasjonsmatrisen. Det teoretiske grunnlaget for metodene er imidlertid svakt og metodene er ofte ikke relatert til praktisk skalautvikling. Antall faktorer som beholdes fra faktoranalysen er ett av de viktigste stegene i utforskende faktoranalyse. Hvis man beholder for få faktorer, kaster man ut informasjon som ofte er relevant for å forstå fenomenet man ønsker å studere. Og motsatt: Beholder man for mange faktorer vil dette føre til en for komplisert modell som ikke er tolkbar.

Målet med denne studien er å utvikle et bedre kunnskapsgrunnlag slik at man kan få bedre kriterier for valg av antall faktorer.

Studien bruker teori for såkalte stokastiske matriser, hvor hvert element i matrisen er en stokastisk variabel, for å skille mellom egenverdier på populasjonsnivået og egenverdier på utvalgsnivået. I en situasjon hvor det i praksis ikke eksisterer faktorer (variablene i faktoranalysen er ukorrelerte i populasjonen) viser vi at Kaiserkriteriet («beholde alle faktorer med egenverdi større enn én») generelt svikter, men at parallellanalyse fungerer godt. Videre viser vi hvorfor parallellanalyse likevel ikke kan forventes å fungere i alle situasjoner hvor det eksisterer faktorer i populasjonen. Vi foreslår imidlertid tilpasninger av kriteriene i parallelanalyse som gjør parallelanalyse effektiv også i slike situasjoner.

Disse resultatene ble brukt til å utvikle en ny metode for å avgjøre antallet faktorer som bør beholdes, og vi kaller dette for det empiriske Kaiserkriteriet. Det empiriske Kaiserkriteriet blir deretter sammenlignet med parallellanalyse for en rekke typiske situasjoner for å avgjøre hvilken metode som er mest effektiv. I disse simulerte situasjonene har vi lagt spesiell vekt på å studere tilfeller hvor man har faktorer basert på få variabler, men som likevel har høy relabilitet, noe man ofte ser som ønskelig — eksempelvis i rekrutteringssammenhenger.

Resultater fra teori og simulering viser at det empiriske Kaiserkriteriet er like effektivt som parallellanalyse i tilfeller med ukorrelerte underskalaer, men mye bedre når underskalaene er korrellerte og har få variabler. Vi konkluderer med at det empiriske Kaiserkriteriet er en effektiv og lovende metode for å avgjøre antall faktorer som skal beholdes: Kriteriet er basert på et solid statistisk og teoretisk grunnlag, det er effektivt i en rekke typiske situasjoner, prosedyren er basert på relativt enkle beregninger; det er lett å visualisere, og det er nyttig for styrkeberegninger. Forfatterne har tilgjengeliggjort metoden som en interaktiv R-Shiny-applikasjon (ekstern lenke) der kriteriet kan utregnes på grunnlag av innlagte data.

Publisert 23. feb. 2017 10:27 - Sist endra 24. feb. 2017 15:51