Section author: Danielle J. Navarro and David R. Foxcroft

ஆய்வு காரணி பகுப்பாய்வு

** ஆய்வு காரணி பகுப்பாய்வு (EFA) ** என்பது எங்கள் கவனிக்கப்பட்ட தரவுகளிலிருந்து ஊகிக்கக்கூடிய மறைக்கப்பட்ட மறைந்திருக்கும் காரணிகளை வெளிப்படுத்துவதற்கான ஒரு புள்ளிவிவர நுட்பமாகும். இந்த நுட்பம் அளவிடப்பட்ட மாறிகளின் தொகுப்பு, எடுத்துக்காட்டாக, வி 1, வி 2, வி 3, வி 4, மற்றும் வி 5 ஆகியவை ஒரு அடிப்படை மறைந்திருக்கும் காரணியின் நடவடிக்கைகளாக குறிப்பிடப்படலாம். இந்த மறைந்திருக்கும் காரணியை ஒரு கவனிக்கப்பட்ட மாறி மூலம் அளவிட முடியாது, ஆனால் அதற்கு பதிலாக கவனிக்கப்பட்ட மாறிகளின் தொகுப்பில் அது ஏற்படுத்தும் உறவுகளில் வெளிப்படுகிறது.

இல்: NUMREF: Fig-EFA1 ஒவ்வொரு கவனிக்கப்பட்ட மாறி V க்கும் ஓரளவிற்கு" ஏற்படுகிறது ", இது B1 முதல் B5 வரை (காரணி ஏற்றுதல் என்றும் அழைக்கப்படுகிறது) என்ற குணகங்களால் சித்தரிக்கப்பட்டுள்ளது. கவனிக்கப்பட்ட ஒவ்வொரு மாறியும் தொடர்புடைய பிழை காலத்தைக் கொண்டுள்ளது, E1 முதல் E5 வரை. ஒவ்வொரு பிழை காலமும் தொடர்புடைய கவனிக்கப்பட்ட மாறியில் உள்ள மாறுபாடு, *v *: துணை: i, இது அடிப்படை மறைந்த காரணியால் விவரிக்கப்படவில்லை.

கவனிக்கப்பட்ட மாறிகள் இடையேயான உறவின் அடிப்படையிலான மறைந்த காரணி

Fig. 174 பல கவனிக்கப்பட்ட மாறிகள் இடையேயான உறவின் அடிப்படையிலான மறைந்த காரணி

உளவியலில், மறைந்திருக்கும் காரணிகள் உளவியல் நிகழ்வுகளைக் குறிக்கின்றன அல்லது நேரடியாகக் கவனிக்க அல்லது அளவிட கடினமாக இருக்கும் கட்டுமானங்களைக் குறிக்கின்றன. எடுத்துக்காட்டாக, ஆளுமை, அல்லது நுண்ணறிவு அல்லது சிந்தனை பாணி. எடுத்துக்காட்டில்: NumRef: Fig-EFA1, மக்களுக்கு அவர்களின் நடத்தை அல்லது அணுகுமுறைகள் குறித்து ஐந்து குறிப்பிட்ட கேள்விகளைக் கேட்டிருக்கலாம், அதிலிருந்து ஒரு ஆளுமை கட்டமைப்பைப் பற்றிய ஒரு படத்தைப் பெற முடிகிறது, எடுத்துக்காட்டாக, புறம்போக்கு. குறிப்பிட்ட கேள்விகளின் வேறுபட்ட தொகுப்பு ஒரு நபரின் உள்நோக்கம் அல்லது அவர்களின் மனசாட்சி பற்றிய ஒரு படத்தை எங்களுக்குத் தரக்கூடும்.

இங்கே மற்றொரு எடுத்துக்காட்டு: புள்ளிவிவர கவலையை எங்களால் நேரடியாக அளவிட முடியாமல் போகலாம், ஆனால் ஒரு கேள்வித்தாளில் உள்ள கேள்விகளின் தொகுப்பால் புள்ளிவிவர கவலை அதிகமாகவோ அல்லது குறைவாகவோ இருக்கிறதா என்பதை நாம் அளவிட முடியும். எடுத்துக்காட்டாக, “Q1: புள்ளிவிவர பாடநெறிக்கான வேலையைச் செய்தல்”, “Q2: ஒரு செய்தித் தாள் கட்டுரையில் விவரிக்கப்பட்டுள்ள புள்ளிவிவரங்களைப் புரிந்துகொள்ள முயற்சித்தல்”, மற்றும் “Q3: பாடத்திட்டத்திலிருந்து எதையாவது புரிந்துகொள்ள விரிவுரையாளரிடம் உதவி கேட்பது”, முதலியன, முதலியன, ஒவ்வொன்றும் குறைந்த கவலை முதல் அதிக கவலை வரை மதிப்பிடப்படுகிறது. அதிக புள்ளிவிவர கவலை உள்ளவர்கள் இந்த கவனிக்கப்பட்ட மாறிகள் மீது இதேபோன்ற அதிக பதில்களைக் கொடுப்பார்கள், ஏனெனில் அவர்களின் அதிக புள்ளிவிவர கவலை. அதேபோல், குறைந்த புள்ளிவிவர கவலை உள்ளவர்கள் இந்த மாறிகளுக்கு இதேபோன்ற குறைந்த பதில்களை வழங்குவார்கள், ஏனெனில் அவர்களின் குறைந்த புள்ளிவிவர கவலை.

ஆய்வு காரணி பகுப்பாய்வில் (EFA), கவனிக்கப்பட்ட மாறிகள் இணைந்து விழும் போது அடையாளம் காணப்படும் சுவையான, முக்கியமான அடிப்படை (மறைந்திருக்கும்) காரணிகளைக் கண்டறிய கவனிக்கப்பட்ட மாறிகள் இடையேயான தொடர்புகளை நாங்கள் ஆராய்ந்து வருகிறோம். எந்தவொரு மறைந்திருக்கும் காரணிகளையும் மதிப்பிடுவதற்கும், எங்கள் மாறிகளில் எது அதிக ஏற்றுதல் இருப்பதை அடையாளம் காணவும் புள்ளிவிவர மென்பொருளைப் பயன்படுத்தலாம் [#] _ _ (எ.கா. ஏற்றுதல்> 0.5) ஒவ்வொரு காரணியிலும், அவை மறைந்த காரணியின் பயனுள்ள நடவடிக்கை அல்லது காட்டி என்று பரிந்துரைக்கின்றன . இந்த செயல்முறையின் ஒரு பகுதியாக சுழற்சி என்று அழைக்கப்படும் ஒரு படி அடங்கும், இது நேர்மையாக இருப்பது மிகவும் வித்தியாசமான சிந்தனை, ஆனால் அதிர்ச்டவசமாக அதைப் புரிந்துகொள்வதைப் பற்றி நாம் கவலைப்பட வேண்டியதில்லை; இது உதவியாக இருக்கும் என்பதை நாம் அறிந்து கொள்ள வேண்டும், ஏனெனில் இது வெவ்வேறு காரணிகளில் ஏற்றுதல் வடிவத்தை மிகவும் தெளிவுபடுத்துகிறது. எனவே, ஒவ்வொரு காரணிக்கும் எந்த மாறிகள் கணிசமாக இணைக்கப்பட்டுள்ளன என்பதை இன்னும் தெளிவாகக் காண சுழற்சி உதவுகிறது. எங்கள் தரவைக் கொடுக்கும் எத்தனை காரணிகள் நியாயமானவை என்பதையும் நாம் தீர்மானிக்க வேண்டும், மேலும் இந்த விசயத்தில் உதவியாக இருக்கும் ஈசென் மதிப்புகள் என்று அழைக்கப்படுகிறது. EFA இன் சில முக்கிய அனுமானங்களை நாங்கள் உள்ளடக்கிய பிறகு, ஒரு கணத்தில் நாங்கள் திரும்பி வருவோம்.

அனுமானங்களைச் சரிபார்க்கிறது

பகுப்பாய்வின் ஒரு பகுதியாக சரிபார்க்க வேண்டிய இரண்டு அனுமானங்கள் உள்ளன. முதல் அனுமானம் ** கோள ** ஆகும், இது உங்கள் தரவுத்தொகுப்பில் உள்ள மாறிகள் ஒருவருக்கொருவர் தொடர்புபடுத்தப்பட்டுள்ளதா என்பதைச் சரிபார்க்கிறது, அவை சிறிய காரணிகளுடன் சுருக்கமாகக் கூறப்படலாம். கோளத்திற்கான பார்ட்லெட்டின் சோதனை, கவனிக்கப்பட்ட தொடர்பு மேட்ரிக்ச் ஒரு சுழிய (அல்லது பூச்ய) தொடர்பு மேட்ரிக்சிலிருந்து கணிசமாக வேறுபடுகிறதா என்பதை சரிபார்க்கிறது. எனவே, பார்ட்லெட்டின் சோதனை குறிப்பிடத்தக்கதாக இருந்தால் (பி <0.05), கவனிக்கப்பட்ட தொடர்பு மேட்ரிக்ச் பூச்யத்திலிருந்து கணிசமாக வேறுபடுகிறது, எனவே இது EFA க்கு ஏற்றது என்பதை இது குறிக்கிறது.

இரண்டாவது அனுமானம் ** மாதிரி போதுமான அளவு ** மற்றும் கைசர்-மேயர்-ஓல்கின் (KMO) அளவின் மாதிரி போதுமான (MSA) அளவைப் பயன்படுத்தி சரிபார்க்கப்படுகிறது. KMO குறியீடு என்பது பொதுவான மாறுபாடாக இருக்கக்கூடிய கவனிக்கப்பட்ட மாறிகள் மத்தியில் மாறுபாட்டின் விகிதத்தின் ஒரு நடவடிக்கையாகும். பகுதி தொடர்புகளைப் பயன்படுத்தி, இரண்டு உருப்படிகளை ஏற்றும் காரணிகளை இது சரிபார்க்கிறது. எப்போதாவது இருந்தால், EFA தலா இரண்டு உருப்படிகளை ஏற்றுவதற்கு நிறைய காரணிகளை உருவாக்க விரும்புகிறோம். KMO என்பது போதுமான அளவு மாதிரி பற்றியது, ஏனெனில் பகுதி தொடர்புகள் பொதுவாக போதிய மாதிரிகளுடன் காணப்படுகின்றன. KMO குறியீடு அதிகமாக இருந்தால் (≈ 1), EFA திறமையானது, அதே நேரத்தில் KMO குறைவாக இருந்தால் (≈ 0), EFA பொருந்தாது. 0.5 ஐ விட சிறிய KMO மதிப்புகள் EFA பொருத்தமானதல்ல என்பதையும், EFA பொருத்தமானதாக கருதப்படுவதற்கு முன்பு 0.6 KMO மதிப்பு இருக்க வேண்டும் என்பதையும் குறிக்கிறது. 0.5 மற்றும் 0.7 க்கு இடையிலான மதிப்புகள் போதுமானதாகக் கருதப்படுகின்றன, 0.7 மற்றும் 0.9 க்கு இடையிலான மதிப்புகள் நல்லது மற்றும் 0.9 முதல் 1.0 வரை மதிப்புகள் சிறந்தவை.

EFA எது நல்லது?

EFA ஒரு நல்ல தீர்வை (அதாவது காரணி மாதிரி) வழங்கியிருந்தால், எங்கள் பளபளப்பான புதிய காரணிகளை என்ன செய்வது என்பதை நாம் தீர்மானிக்க வேண்டும். சைக்கோமெட்ரிக் அளவிலான வளர்ச்சியின் போது ஆராய்ச்சியாளர்கள் பெரும்பாலும் EFA ஐப் பயன்படுத்துகிறார்கள். ஒன்று அல்லது அதற்கு மேற்பட்ட உளவியல் கட்டுமானங்களுடன் தொடர்புடையதாக அவர்கள் நினைக்கும் கேள்வித்தாள் உருப்படிகளின் ஒரு குளத்தை அவர்கள் உருவாக்குவார்கள், எந்த உருப்படிகளை மறைந்த காரணிகளாக “ஒன்றாகச் செல்லுங்கள்” என்பதைக் காண EFA ஐப் பயன்படுத்துவார்கள், பின்னர் சில உருப்படிகள் அகற்றப்பட வேண்டுமா என்பதை மதிப்பிடுவார்கள், ஏனெனில் அவை பயனுள்ளதாக இல்லை அல்லது மறைந்திருக்கும் காரணிகளில் ஒன்றை தெளிவாக அளவிடவும்.

இந்த அணுகுமுறைக்கு ஏற்ப, EFA இன் மற்றொரு விளைவு என்னவென்றால், தனித்துவமான காரணிகளில் ஏற்றும் மாறிகளை ஒரு காரணி மதிப்பெண்ணாக இணைப்பது, சில நேரங்களில் அளவிலான மதிப்பெண் என அழைக்கப்படுகிறது. மாறிகளை அளவிலான மதிப்பெண்ணாக இணைக்க இரண்டு விருப்பங்கள் உள்ளன:

  • காரணிக்கு பங்களிக்கும் ஒவ்வொரு பொருளுக்கும் காரணி ஏற்றங்களால் எடையுள்ள மதிப்பெண்ணுடன் புதிய மாறியை உருவாக்கவும்.

  • காரணிக்கு பங்களிக்கும் ஒவ்வொரு உருப்படியின் அடிப்படையில் ஒரு புதிய மாறியை உருவாக்கவும், ஆனால் அவற்றை சமமாக எடைபோடுகிறது.

முதல் விருப்பத்தில், ஒருங்கிணைந்த மதிப்பெண்ணில் ஒவ்வொரு உருப்படியின் பங்களிப்பும் இது காரணியுடன் எவ்வளவு வலுவாக தொடர்புடையது என்பதைப் பொறுத்தது. இரண்டாவது விருப்பத்தில், ஒருங்கிணைந்த அளவிலான மதிப்பெண் மாறியை உருவாக்க ஒரு காரணிக்கு கணிசமாக பங்களிக்கும் அனைத்து உருப்படிகளிலும் சராசரியாக நாங்கள் பொதுவாக சராசரியாக இருக்கிறோம். முதல் விருப்பத்துடன் ஒரு குறைபாடு என்னவென்றால், ஏற்றங்கள் மாதிரியிலிருந்து மாதிரிக்கு சற்று மாறுபடும், மற்றும் நடத்தை மற்றும் சுகாதார அறிவியலில் வெவ்வேறு ஆய்வுகள் முழுவதும் கலப்பு வினாத்தாள் அளவிலான மதிப்பெண்களை உருவாக்குவதற்கும் பயன்படுத்துவதற்கும் நாங்கள் பெரும்பாலும் ஆர்வமாக உள்ளோம் மற்றும் வெவ்வேறு மாதிரிகள். இந்த சந்தர்ப்பத்தில், வேறு மாதிரியிலிருந்து மாதிரி குறிப்பிட்ட ஏற்றங்களால் எடைபோடுவதை விட சமமாக பங்களிக்கும் கணிசமான உருப்படிகளை அடிப்படையாகக் கொண்ட ஒரு கலப்பு அளவைப் பயன்படுத்துவது நியாயமானதே. எந்தவொரு சந்தர்ப்பத்திலும், ஒரு ஒருங்கிணைந்த மாறி நடவடிக்கையை உருப்படிகளின் சராசரியாக புரிந்துகொள்வது ஒரு மாதிரி குறிப்பிட்ட உகந்த எடையுள்ள கலவையைப் பயன்படுத்துவதை விட எளிமையானது மற்றும் மிகவும் உள்ளுணர்வு கொண்டது.

மிகவும் மேம்பட்ட புள்ளிவிவர நுட்பம், இந்த புத்தகத்தின் எல்லைக்கு அப்பாற்பட்டது, பின்னடைவு மாடலிங் மேற்கொள்கிறது, அங்கு பிற மறைந்த காரணிகளின் முன்கணிப்பு மாதிரிகளில் மறைந்திருக்கும் காரணிகள் பயன்படுத்தப்படுகின்றன. இது "கட்டமைப்பு சமன்பாடு மாடலிங்" என்று அழைக்கப்படுகிறது, மேலும் இந்த அணுகுமுறைக்கு அர்ப்பணிக்கப்பட்ட குறிப்பிட்ட மென்பொருள் நிரல்கள் மற்றும் ஆர் தொகுப்புகள் உள்ளன. ஆனால் நம்மை விட முன்னேறக்கூடாது; இப்போது நாம் உண்மையில் கவனம் செலுத்த வேண்டியது சமோவியில் ஒரு EFA ஐ எவ்வாறு செய்வது என்பதுதான்.

EFA மற்றும் குகைகள்

முதலில், எங்களுக்கு சில தரவு தேவை. செயற்கை துளை ஆளுமை மதிப்பீட்டின் (SAPA) ஒரு பகுதியாக பன்னாட்டு ஆளுமை உருப்படி பூல் (https://ipip.ori.org) இலிருந்து எடுக்கப்பட்ட இருபத்தைந்து ஆளுமை சுய-அறிக்கை உருப்படிகள் (பார்க்க: NUMREF: TAB-BFI) சேர்க்கப்பட்டன இணைய அடிப்படையிலான ஆளுமை மதிப்பீடு (https://sapa-project.org) திட்டம். 25 உருப்படிகள் குறுகிய சொற்றொடர்களாகும், இது ஒருவரின் வழக்கமான நடத்தை அல்லது அணுகுமுறைகளை அறிக்கை எவ்வளவு துல்லியமாக விவரிக்கிறது என்பதைக் குறிக்கிறது. உருப்படிகள் ஐந்து தூண்டுதல் காரணிகளால் ஒழுங்கமைக்கப்பட்டுள்ளன: உடன்பாடு, மனசாட்சி, புறம்போக்கு, நரம்பியல் மற்றும் திறந்த தன்மை.

Table 18 Twenty-five observed variable items organised by five putative personality factors in the bfi_sample data set. If there is an R in the second column, the item is reversed.

பெயர்

கேள்வி / உருப்படி

A1

R

மற்றவர்களின் உணர்வுகளுக்கு அலட்சியமாக இருக்கிறேன்.

A2

மற்றவர்களின் நல்வாழ்வைப் பற்றி விசாரிக்கவும்.

A3

மற்றவர்களை எவ்வாறு ஆறுதல்படுத்துவது என்று தெரிந்து கொள்ளுங்கள்.

A4

குழந்தைகளை நேசிக்கவும்.

A5

மக்களை நிம்மதியாக உணர வைக்கவும்.

C1

எனது வேலையில் துல்லியமாக இருக்கிறேன்.

C2

எல்லாம் சரியாக இருக்கும் வரை தொடரவும்.

C3

ஒரு திட்டத்தின் படி விசயங்களைச் செய்யுங்கள்.

C4

R

அரை வழியில் விசயங்களைச் செய்யுங்கள்.

C5

R

என் நேரத்தை வீணாக்குங்கள்.

E1

R

நிறைய பேச வேண்டாம்.

E2

R

மற்றவர்களை அணுகுவது கடினம்.

E3

மக்களை எவ்வாறு வசீகரிப்பது என்று தெரிந்து கொள்ளுங்கள்.

E4

நண்பர்களை எளிதாக உருவாக்குங்கள்.

E5

பொறுப்பேற்கவும்.

N1

எளிதில் கோபமாக இருங்கள்.

N2

எளிதில் எரிச்சலூட்டுங்கள்.

N3

அடிக்கடி மனநிலை மாற்றங்கள்.

N4

பெரும்பாலும் நீல நிறத்தை உணருங்கள்.

N5

எளிதில் அச்சம்.

O1

கருத்துக்கள் நிறைந்தவன்.

O2

R

கடினமான வாசிப்பைத் தவிர்க்கவும்.

O3

உரையாடலை உயர் மட்டத்திற்கு கொண்டு செல்லுங்கள்.

O4

விசயங்களை பிரதிபலிக்கும் நேரத்தை செலவிடுங்கள்.

O5

R

ஒரு விசயத்தில் ஆழமாக விசாரிக்காது.

6-புள்ளி மறுமொழி அளவைப் பயன்படுத்தி உருப்படி தரவு சேகரிக்கப்பட்டது:

  1. மிகவும் துல்லியமற்றது

  2. மிதமான துல்லியமற்றது

  3. சற்று தவறானது

  4. சற்று துல்லியமானது

  5. மிதமான துல்லியமானது

  6. மிகவும் துல்லியமானது.

A sample of N = 250 responses is contained in the bfi_sample data set. In addition to the items, there are three further columns in the data set: ID (the respondent ID, a five digit number) as well as the age (age) and the gender (gender) of the respondent.

ஆராய்ச்சியாளர்களாக, | bfi_sample | _ தரவு தொகுப்பில் கவனிக்கப்பட்ட 25 மாறிகள் மூலம் நியாயமான முறையில் அளவிடப்படும் சில அடிப்படை மறைந்த காரணிகள் உள்ளதா என்பதைப் பார்க்க தரவை ஆராய்வதில் நாங்கள் ஆர்வமாக உள்ளோம். அதைத் திறந்து 25 மாறிகள் தொடர்ச்சியான மாறிகள் என குறியிடப்பட்டுள்ளதா என்பதை சரிபார்க்கவும் | தொடர்ச்சியான | (தொழில்நுட்ப ரீதியாக அவை சாதாரண | சாமோவியில் ஒரு EFA செய்ய:

  • EFA க்கான அமைப்புகளை நீங்கள் தீர்மானிக்கக்கூடிய விருப்பங்கள் குழுவைத் திறக்க `` அனலீச்` தாவலில் இருந்து `` காரணி` `` `` ஆய்வு காரணி பகுப்பாய்வு`` என்பதைத் தேர்ந்தெடுக்கவும் (: NUMREF: Fig-EFA2).

  • 25 ஆளுமை கேள்விகளைத் தேர்ந்தெடுத்து அவற்றை `` மாறிகள்` பெட்டியில் மாற்றவும்.

  • `` அனுமான காசோலைகள்` உள்ளிட்ட பொருத்தமான விருப்பங்களைச் சரிபார்க்கவும், ஆனால் `` முறை` `` சுழற்சி` `` முறை``, `` பிரித்தெடுப்பதற்கான காரணிகளின் எண்ணிக்கை`, மற்றும் `` கூடுதல் வெளியீடு` விருப்பங்கள் (பார்க்க: NumRef: ` இந்த விளக்க EFA க்கான பரிந்துரைக்கப்பட்ட விருப்பங்களுக்காக Fig-EFA2`, மேலும் `` முறை` `` முறை` மற்றும் `` காரணிகளின் எண்ணிக்கை` சுழற்சி` `` ஆகியவற்றின் எண்ணிக்கை பொதுவாக ஆராய்ச்சியாளரால் பகுப்பாய்வின் போது சரிசெய்யப்படுகிறது முடிவு, கீழே விவரிக்கப்பட்டுள்ளபடி).

சாமோவி EFA பகுப்பாய்வு சாளரம்

Fig. 175 சமோவியில் ஒரு ஆய்வு காரணி பகுப்பாய்வு (EFA) நடத்துவதற்கான அமைப்புகளுடன் விருப்பங்கள் குழு

முதலில், அனுமானங்களைச் சரிபார்க்கவும் (: NUMREF: Fig-EFA3). (1) பார்ட்லெட்டின் கோளத்தின் சோதனை குறிப்பிடத்தக்கதாக இருப்பதை நீங்கள் காணலாம், எனவே இந்த அனுமானம் நிறைவு அடைகிறது; மற்றும் (2) மாதிரி போதுமான அளவு (எம்.எச்.ஏ) கிமோ அளவீடு ஒட்டுமொத்தமாக 0.81 ஆகும், இது நல்ல மாதிரி போதுமான தன்மையைக் குறிக்கிறது. இங்கே எந்த பிரச்சனையும் இல்லை!

ஆளுமை கேள்வித்தாள் தரவுகளை சாமோவி இ.எஃப்.ஏ அனுமானம் சரிபார்க்கிறது

Fig. 176 ஆளுமை கேள்வித்தாள் தரவுகளை சாமோவி இ.எஃப்.ஏ அனுமானம் சரிபார்க்கிறது

சரிபார்க்க வேண்டிய அடுத்த சேதி என்னவென்றால், எத்தனை காரணிகளைப் பயன்படுத்த வேண்டும் (அல்லது தரவிலிருந்து “பிரித்தெடுக்க”). மூன்று வெவ்வேறு அணுகுமுறைகள் கிடைக்கின்றன:

  • ஒரு மாநாடு என்னவென்றால், ஈசென் மதிப்புகள் 1 ஐ விட அதிகமாக உள்ள அனைத்து கூறுகளையும் தேர்வு செய்வது [#] _ இது எங்கள் தரவுகளுடன் நான்கு காரணிகளைத் தரும் (அதை முயற்சி செய்து பாருங்கள்).

  • ச்க்ரீ சதித்திட்டத்தை ஆராய்வது, உள்ளதைப் போல: NumRef: Fig-EFA4,“ ஊடுருவலின் புள்ளியை ”அடையாளம் காண உங்களை அனுமதிக்கிறது. ச்க்ரீ வளைவின் சாய்வு “முழங்கை” க்குக் கீழே தெளிவாக நிலைத்திருக்கும் புள்ளி இது. இது எங்கள் தரவுகளுடன் ஐந்து காரணிகளை வழங்கும். ச்க்ரீ அடுக்குகளை விளக்குவது ஒரு கலை: இல்: NUMREF: Fig-EFA4 5 முதல் 6 காரணிகள் வரை குறிப்பிடத்தக்க படி உள்ளது, ஆனால் மற்ற ச்க்ரீ அடுக்குகளில் நீங்கள் அதைப் பார்க்கும் அவ்வளவு தெளிவான வெட்டு இருக்காது.

  • ஒரு இணையான பகுப்பாய்வு நுட்பத்தைப் பயன்படுத்தி, பெறப்பட்ட ஈசென் மதிப்புகள் சீரற்ற தரவுகளிலிருந்து பெறப்படும்வற்றுடன் ஒப்பிடப்படுகின்றன. பிரித்தெடுக்கப்பட்ட காரணிகளின் எண்ணிக்கை சீரற்ற தரவுகளுடன் காணப்படுவதை விட ஈசென் மதிப்புகளைக் கொண்ட எண்.

ஆளுமை தரவின் ச்க்ரீ சூழ்ச்சி

Fig. 177 சாமோவியில் உள்ள EFA இல் ஆளுமை தரவின் ச்க்ரீ சூழ்ச்சி, ஒரு குறிப்பிடத்தக்க ஊடுருவலைக் காட்டுகிறது மற்றும் புள்ளி 5 க்குப் பிறகு (“முழங்கை”)

மூன்றாவது அணுகுமுறை படி: ref: `ஃபேப்ரிகர் மற்றும் பலர். . இதை "அர்த்தமுள்ள அளவுகோல்" என்று புரிந்து கொள்ள முடியும், மேலும் ஆராய்ச்சியாளர்கள் பொதுவாக மேலே உள்ள அணுகுமுறைகளில் ஒன்றிலிருந்து தீர்வுக்கு கூடுதலாக, ஒன்று அல்லது இரண்டு அல்லது குறைவான காரணிகளைக் கொண்ட தீர்வுகளை ஆராய்வார்கள். பின்னர் அவர்கள் தீர்வை ஏற்றுக்கொள்கிறார்கள், இது அவர்களுக்கு மிகவும் புரியும்.

அதே நேரத்தில், இறுதி தீர்வை சுழற்றுவதற்கான சிறந்த வழியையும் நாம் கருத்தில் கொள்ள வேண்டும். சுழற்சிக்கு இரண்டு முக்கிய அணுகுமுறைகள் உள்ளன: ஆர்த்தோகனல் (எ.கா. `` வரிமேக்ச்``) சுழற்சி தேர்ந்தெடுக்கப்பட்ட காரணிகளை ஒன்றிணைக்கும்படி கட்டாயப்படுத்துகிறது, அதேசமயம் சாய்ந்த (எ.கா. `` ஒப்லிமின்``) சுழற்சி தேர்ந்தெடுக்கப்பட்ட காரணிகளை தொடர்புபடுத்த அனுமதிக்கிறது. உளவியலாளர்கள் மற்றும் நடத்தை விஞ்ஞானிகளுக்கு ஆர்வத்தின் பரிமாணங்கள் பெரும்பாலும் ஆர்த்தோகனல் என்று எதிர்பார்க்கும் பரிமாணங்கள் அல்ல, எனவே சாய்ந்த தீர்வுகள் விவாதிக்கக்கூடியவை. [#] _ _

நடைமுறையில், ஒரு சாய்ந்த சுழற்சியில் காரணிகள் கணிசமாக தொடர்புபடுத்தப்பட்டதாகக் கண்டறியப்பட்டால் (நேர்மறை அல்லது எதிர்மறை, மற்றும்> 0.3), இங்: எண்ரெஃப்: FIG-EFA5 பிரித்தெடுக்கப்பட்ட இரண்டு காரணிகளுக்கு இடையே ஒரு தொடர்பு 0.31 ஆகும், பின்னர் இது நடக்கும் சாய்ந்த சுழற்சியை விரும்புவதற்கான எங்கள் உள்ளுணர்வை உறுதிப்படுத்தவும். காரணிகள் உண்மையில் தொடர்புபடுத்தப்பட்டால், ஒரு சாய்ந்த சுழற்சி உண்மையான காரணிகளின் சிறந்த மதிப்பீட்டை உருவாக்கும் மற்றும் ஆர்த்தோகனல் சுழற்சியைக் காட்டிலும் சிறந்த எளிய கட்டமைப்பை உருவாக்கும். மேலும், சாய்ந்த சுழற்சி காரணிகள் ஒருவருக்கொருவர் சுழிய தொடர்புகளுக்கு நெருக்கமாக இருப்பதைக் குறிக்கிறது என்றால், ஆராய்ச்சியாளர் முன்னோக்கி சென்று ஒரு ஆர்த்தோகனல் சுழற்சியை நடத்தலாம் (இது சாய்ந்த சுழற்சியின் அதே தீர்வைக் கொடுக்க வேண்டும்).

காரணி சுருக்கம் புள்ளிவிவரங்கள் மற்றும் தொடர்புகள்

Fig. 178 சமோவியில் நடத்தப்பட்ட EFA இல் ஐந்து காரணி தீர்வுக்கான காரணி சுருக்கம் புள்ளிவிவரங்கள் மற்றும் தொடர்புகள்

பிரித்தெடுக்கப்பட்ட காரணிகளுக்கிடையேயான தொடர்பை சரிபார்க்கும்போது, குறைந்தபட்சம் ஒரு தொடர்பு 0.3 ஐ விட அதிகமாக இருந்தது (: numRef: Fig-EFA5), எனவே பிரித்தெடுக்கப்பட்ட ஐந்து காரணிகளின் சாய்ந்த (` Oblimin`) சுழற்சி விரும்பப்படுகிறது. நாம் இதைக் காணலாம்: NumRef: Fig-EFA5 ஐந்து காரணிகளால் கணக்கிடப்பட்ட தரவுகளில் ஒட்டுமொத்த மாறுபாட்டின் விகிதம் 46 %என்பதை நாம் காணலாம். காரணி ஒன்று மாறுபாட்டின் 10 %, இரண்டு முதல் நான்கு வரை ஒவ்வொன்றும் 9 %, மற்றும் 7 % க்கு மேல் காரணி. இது பெரியதல்ல; ஒட்டுமொத்த தீர்வு எங்கள் தரவுகளில் உள்ள மாறுபாட்டின் கணிசமான விகிதத்தை கணக்கிட்டிருந்தால் சிறப்பாக இருந்திருக்கும்.

ஒவ்வொரு EFA இல் நீங்கள் கவனிக்கப்பட்ட மாறிகள் போன்ற அதே எண்ணிக்கையிலான காரணிகளைக் கொண்டிருக்கக்கூடும் என்பதை அறிந்து கொள்ளுங்கள், ஆனால் நீங்கள் சேர்க்கும் ஒவ்வொரு கூடுதல் காரணிகளும் சிறிய அளவிலான விளக்கப்பட்ட மாறுபாட்டைச் சேர்க்கும். முதல் சில காரணிகள் அசல் 25 மாறிகளில் உள்ள மாறுபாட்டின் நல்ல அளவை விளக்கினால், அந்த காரணிகள் 25 மாறிகளுக்கு ஒரு பயனுள்ள, எளிமையான மாற்றாகும். அசல் மாறுபாட்டை அதிகம் இழக்காமல் மீதமுள்ளவற்றை நீங்கள் கைவிடலாம். ஆனால் அந்த 25 மாறிகளில் உள்ள பெரும்பாலான மாறுபாடுகளை விளக்க 18 காரணிகளை (எடுத்துக்காட்டாக) எடுத்தால், நீங்கள் அசல் 25 ஐப் பயன்படுத்தலாம்.

: NUMREF: Fig-EFA6 காரணி ஏற்றுதல்களைக் காட்டுகிறது. அதாவது, தேர்ந்தெடுக்கப்பட்ட ஐந்து காரணிகளில் ஒவ்வொன்றிலும் 25 வெவ்வேறு ஆளுமை உருப்படிகள் எவ்வாறு ஏற்றப்படுகின்றன. எங்களிடம் 0.3 க்கும் குறைவாக மறைக்கப்பட்ட ஏற்றங்கள் உள்ளன (இதில் காட்டப்பட்டுள்ள விருப்பங்களில் அமைக்கவும்: NumRef: Fig-EFA2).

ஐந்து காரணி தீர்வுக்கான காரணி ஏற்றுதல்

Fig. 179 சாமோவியில் நடத்தப்பட்ட EFA இல் ஐந்து காரணி தீர்வுக்கான காரணி ஏற்றுதல்

1, 2, 3 மற்றும் 4 காரணிகளுக்கு காரணி ஏற்றங்களின் முறை குறிப்பிடப்பட்டுள்ள தூண்டுதல் காரணிகளுடன் நெருக்கமாக பொருந்துகிறது: NUMREF: TAB-BFI. ப்யூ! காரணி 5 மிகவும் நெருக்கமாக உள்ளது, கவனிக்கப்பட்ட ஐந்து மாறிகள் நான்கு உள்ளன, அவை "திறந்த தன்மையை" அளவிடுகின்றன. மாறி `` O4`` காரணி தீர்வு: NumRef: Fig-EFA6 இது காரணி 4 இல் ஏற்றுகிறது என்று அறிவுறுத்துகிறது (ஒப்பீட்டளவில் குறைந்த ஏற்றுதல் என்றாலும்) ஆனால் காரணி 5 இல் கணிசமாக இல்லை .

கவனிக்க வேண்டிய மற்ற சேதி என்னவென்றால், “ஆர்: தலைகீழ் குறியீட்டு முறை” எனக் குறிக்கப்பட்ட அந்த மாறிகள்: எண்ரெஃப்: தாவல்-பி.எஃப்.ஐ எதிர்மறை காரணி ஏற்றங்களைக் கொண்டவை. `` A1`` (“மற்றவர்களின் உணர்வுகளுக்கு அலட்சியமாக இருக்கிறேன்”) மற்றும் `` a2`` (“மற்றவர்களைப் பற்றி விசாரிக்கவும்’ நல்வாழ்வை ”) பாருங்கள். `` A1`` இல் அதிக மதிப்பெண் குறைந்த உடன்பாட்டைக் குறிக்கிறது என்பதை நாம் காணலாம், அதேசமயம் `` A2`` (மற்றும் மற்ற எல்லா a`--Variables) இல் அதிக மதிப்பெண் அதிக ஒப்புதலைக் குறிக்கிறது. ஆகையால், A1 மற்ற ` a` -வேராம்களுடன் எதிர்மறையாக தொடர்புபடுத்தப்படும், இதனால்தான் இது காட்டப்பட்டுள்ளபடி எதிர்மறை காரணி ஏற்றுதல்: NumRef: Fig-EFA6`.

நாம் இதைக் காணலாம்: numref: Fig-EFA6 ஒவ்வொரு மாறியின்` தனித்துவமும். தனித்துவமானது மாறுபாட்டின் விகிதாச்சாரமாகும், இது மாறிக்கு “தனித்துவமானது” மற்றும் காரணிகளால் விளக்கப்படவில்லை. [#] _ எடுத்துக்காட்டாக, `` a1`` இல் உள்ள மாறுபாட்டின் 72 % ஐந்தில் உள்ள காரணிகளால் விளக்கப்படவில்லை காரணி தீர்வு. இதற்கு நேர்மாறாக, `` n1`` காரணி தீர்வால் (35 %) ஒப்பீட்டளவில் குறைந்த மாறுபாட்டைக் கணக்கிடவில்லை. காரணி மாதிரியில் மாறியின் பொருத்தத்தை அல்லது பங்களிப்பைக் குறைக்கும் `` தனித்துவம்` அதிகமாக இருக்கும் என்பதை நினைவில் கொள்க.

உண்மையைச் சொல்வதானால், EFA இல் இதுபோன்ற சுத்தமாக தீர்வைப் பெறுவது அசாதாரணமானது. இது பொதுவாக இதை விட சற்று குழப்பமானதாக இருக்கும், மேலும் பெரும்பாலும் காரணிகளின் அர்த்தத்தை விளக்குவது மிகவும் சவாலானது. இதுபோன்ற தெளிவாக வரையறுக்கப்பட்ட உருப்படி குளம் உங்களிடம் உள்ளது என்பது பெரும்பாலும் இல்லை. சில அடிப்படை மறைந்த காரணிகளின் குறிகாட்டிகளாக இருக்கலாம் என்று நீங்கள் நினைக்கும் கவனிக்கப்பட்ட மாறிகள் முழுவதையும் நீங்கள் அடிக்கடி கொண்டிருப்பீர்கள், ஆனால் எந்த மாறிகள் எங்கு செல்லப் போகின்றன என்பது போன்ற வலுவான உணர்வு உங்களிடம் இல்லை!

எனவே, கவனிக்கப்பட்ட மாறுபாட்டின் ஒப்பீட்டளவில் குறைந்த ஒட்டுமொத்த விகிதத்தைக் கணக்கிட்டாலும், ஒரு நல்ல ஐந்து காரணி தீர்வைக் கொண்டிருப்பதாகத் தெரிகிறது. இந்த தீர்வில் நாங்கள் மகிழ்ச்சியடைகிறோம், மேலும் பகுப்பாய்வில் எங்கள் காரணிகளைப் பயன்படுத்த விரும்புகிறோம். ஒவ்வொரு காரணிக்கும் ஒட்டுமொத்த (சராசரி) மதிப்பெண்ணைக் கணக்கிடுவதே நேரடியான விருப்பம், ஒவ்வொரு மாறிக்கும் மதிப்பெண்ணை ஒன்றாகச் சேர்ப்பதன் மூலம் காரணி மீது கணிசமாக ஏற்றும், பின்னர் மாறிகளின் எண்ணிக்கையால் பிரிக்கிறது. எங்கள் தரவுத்தொகுப்பில் உள்ள ஒவ்வொரு நபருக்கும் அதாவது, உடன்பாடு காரணிக்கு, `` A1 + A2 + A3 + A4 + A5`` ஒன்றாகச் சேர்ப்பது, பின்னர் `` 5``. [#] _ மூலம் பிரித்தல் , இதன் பொருள் நாம் கணக்கிட்ட காரணி மதிப்பெண் சேர்க்கப்பட்ட ஒவ்வொரு மாறிகளிலிருந்தும் சமமான எடையுள்ள மதிப்பெண்களை அடிப்படையாகக் கொண்டது. இதை நாம் இரண்டு படிகளில் சாமோவியில் செய்யலாம்:

  1. சாமோவி உருமாற்றத்தைப் பயன்படுத்தி மாறியில் (அதாவது 6 = 1; 5 = 2; 4 = 3; 3 = 5; 1 = 6) மதிப்புகளை மதிப்பெண் பெறுவதன் மூலம் `` a1`` க்கு `` a1`` மாறி கட்டளை (பார்க்க: எண்ரெஃப்: FIG-EFA7).

  2. `` A1r``, `` a2``, a3`,` a4` மற்றும்` a5` ஆகியவற்றின் சராசரியைக் கணக்கிடுவதன் மூலம்` உடன்பாடு என்று அழைக்கப்படும் புதிய மாறியைக் கணக்கிடுங்கள். புதிய மாறியை உருவாக்க சமோவி `` கம்ப்யூட்` கட்டளையைப் பயன்படுத்தி இதைச் செய்யுங்கள் (பார்க்க: எண்ரெஃப்: FIG-EFA8).

சமோவியில் உள்ள உருமாற்ற கட்டளையைப் பயன்படுத்தி ரீகோட் மாறி

Fig. 180 சமோவியில் உள்ள உருமாற்ற கட்டளையைப் பயன்படுத்தி ரீகோட் மாறி

சமோவியில் புதிய அளவிலான மதிப்பெண் மாறியைக் கணக்கிடுங்கள்

Fig. 181 சாமோவியில் கணக்கிடப்பட்ட மாறியைப் பயன்படுத்தி புதிய அளவிலான மதிப்பெண் மாறியைக் கணக்கிடுங்கள்

Another சூதம் is பெறுநர் create an optimally-weighted factor கெலிப்பெண் index. இதை `` r`` இல் செய்ய சாமோவி | rj | _ எடிட்டரைப் பயன்படுத்தலாம். [#] _ மீண்டும், இரண்டு படிகள் உள்ளன:

  1. சாமோவியில் உள்ள அதே விவரக்குறிப்புக்கு (அதாவது, ஐந்து காரணிகள் மற்றும் ஓபிமின் சுழற்சி) EFA ஐ `` r`` இல் இயக்க | rj | _ எடிட்டரைப் பயன்படுத்தவும், உகந்த எடையுள்ள காரணி மதிப்பெண்களைக் கணக்கிடவும். புதிய தரவுத்தொகுப்பை, காரணி மதிப்பெண்களுடன், ஒரு கோப்பில் சேமிக்கவும் (பார்க்க: NumRef: Fig-EFA9).

  2. சமோவியில் புதிய கோப்பைத் திறக்கவும் (பார்க்க: NumRef: Fig-EFA10) மற்றும் மாறி வகைகள் சரியாக அமைக்கப்பட்டுள்ளதா என்பதைச் சரிபார்க்கவும். தொடர்புடைய காரணி பெயர்கள் அல்லது வரையறைகளுக்கு ஒத்த புதிய காரணி மதிப்பெண் மாறிகள் லேபிளிடுகின்றன (NB: காரணிகள் எதிர்பார்த்த வரிசையில் இருக்காது, எனவே நீங்கள் சரிபார்க்கிறீர்கள் என்பதை உறுதிப்படுத்திக் கொள்ளுங்கள்).

| ஆர்.சே | _ உகந்த எடையுள்ள காரணி மதிப்பெண்களை உருவாக்க எடிட்டர் கட்டளைகள்

Fig. 182 Rj editor commands for creating optimally weighted factor scores for the five factor solution

புதிய காரணி மதிப்பெண் மாறிகள் கொண்ட புதிதாக உருவாக்கப்பட்ட தரவு கோப்பு

Fig. 183 புதிதாக உருவாக்கப்பட்ட தரவுக் கோப்பு `` bfifactscores.csv`` | rj | _ எடிட்டரில் உருவாக்கப்பட்டது, மேலும் ஐந்து காரணி மதிப்பெண் மாறிகள் உள்ளன. புதிய காரணி மதிப்பெண் மாறிகள் ஒவ்வொன்றும் காரணி ஏற்றுதல் அட்டவணையில் காரணிகள் பட்டியலிடப்பட்டுள்ள வரிசைக்கு ஒத்ததாக பெயரிடப்பட்டுள்ளன என்பதை நினைவில் கொள்க.

இப்போது நீங்கள் காரணி அடிப்படையிலான மதிப்பெண்களைப் பயன்படுத்தி (சராசரி அளவிலான மதிப்பெண் அணுகுமுறை) அல்லது | rj | _ எடிட்டர் வழியாக கணக்கிடப்பட்ட உகந்த எடையுள்ள காரணி மதிப்பெண்களைப் பயன்படுத்தலாம். உங்கள் விருப்பம்! எடுத்துக்காட்டாக, நீங்கள் செய்ய விரும்பும் ஒரு சேதி என்னவென்றால், எங்கள் ஒவ்வொரு ஆளுமை அளவிலும் பாலின வேறுபாடுகள் ஏதேனும் உள்ளதா என்பதைப் பார்ப்பது. காரணி அடிப்படையிலான மதிப்பெண் அணுகுமுறையைப் பயன்படுத்தி நாங்கள் கணக்கிட்ட ஒப்புதல் மதிப்பெண்ணுக்காக இதைச் செய்தோம், மேலும் சூழ்ச்சி (பார்க்க: எண்: எண்: அத்தி-எஃப்ஏ 11) ஆண்கள் பெண்களை விட குறைவாக ஏற்றுக்கொள்ளக்கூடியவர்கள் என்பதைக் காட்டியது, இது ஒரு குறிப்பிடத்தக்க வேறுபாடு அல்ல (மான் -பிட்னி * உ * = 5760.5, * ப * = 0.073).

உடன்படிக்கை காரணி அடிப்படையிலான மதிப்பெண்களில் பாலின வேறுபாடுகள்

Fig. 184 ஆண்களுக்கும் பெண்களுக்கும் இடையிலான உடன்பாடு காரணி அடிப்படையிலான மதிப்பெண்களில் உள்ள வேறுபாடுகளை ஒப்பிடுதல்

ஒரு EFA ஐ எழுதுதல்

வட்டம், இதுவரை நாங்கள் உங்களுக்கு EFA இன் சில உணர்வையும், சாமோவியில் EFA ஐ எவ்வாறு மேற்கொள்வது என்பதையும் வழங்கியுள்ளோம். எனவே, உங்கள் EFA ஐ முடித்தவுடன், அதை எவ்வாறு எழுதுவது? ஒரு EFA ஐ எழுத முறையான நிலையான வழி இல்லை, மேலும் எடுத்துக்காட்டுகள் ஒழுக்கம் மற்றும் ஆராய்ச்சியாளரால் மாறுபடும். உங்கள் எழுத்தில் சேர்க்க சில தரமான தகவல்கள் உள்ளன:

  1. நீங்கள் படிக்கும் பகுதிக்கான தத்துவார்த்த அடித்தளங்கள் என்ன, குறிப்பாக EFA மூலம் நீங்கள் ஆர்வமுள்ள கட்டுமானங்களுக்காக என்ன?

  2. மாதிரியின் விளக்கம் (எ.கா. மக்கள்தொகை செய்தி, மாதிரி அளவு, மாதிரி முறை).

  3. பயன்படுத்தப்படும் தரவு வகையின் விளக்கம் (எ.கா., பெயரளவு | பெயரளவு |, தொடர்ச்சியான | தொடர்ச்சியான |) மற்றும் விளக்க புள்ளிவிவரங்கள்.

  4. EFA க்கான அனுமானங்களை நீங்கள் எவ்வாறு சோதித்துப் பார்த்தீர்கள் என்பதை விவரிக்கவும். கோள காசோலைகள் மற்றும் மாதிரி போதுமான அளவீடுகள் தொடர்பான விவரங்கள் தெரிவிக்கப்பட வேண்டும்.

  5. FA பிரித்தெடுத்தல் முறை (எ.கா. அதிகபட்ச வாய்ப்பு) பயன்படுத்தப்பட்டது என்பதை விளக்குங்கள்.

  6. இறுதி தீர்வில் எத்தனை காரணிகள் பிரித்தெடுக்கப்பட்டன, எந்த உருப்படிகள் தேர்ந்தெடுக்கப்பட்டன என்பதை தீர்மானிக்க பயன்படுத்தப்படும் அளவுகோல்கள் மற்றும் செயல்முறையை விளக்குங்கள். EFA செயல்பாட்டின் போது முக்கிய முடிவுகளுக்கான பகுத்தறிவை தெளிவாக விளக்குங்கள்.

  7. என்ன சுழற்சி முறைகள் முயற்சிக்கப்பட்டன, அதற்கான காரணங்கள் மற்றும் முடிவுகளை விளக்குங்கள்.

  8. இறுதி காரணி ஏற்றுதல் முடிவுகளில், ஒரு அட்டவணையில் தெரிவிக்கப்பட வேண்டும். இந்த அட்டவணை ஒவ்வொரு மாறிக்கும் (இறுதி நெடுவரிசையில்) தனித்துவத்தையும் (அல்லது வகுப்புவாதத்தையும்) தெரிவிக்க வேண்டும். உருப்படி எண்களுக்கு கூடுதலாக விளக்க லேபிள்களுடன் காரணி ஏற்றுதல் புகாரளிக்கப்பட வேண்டும். காரணிகளுக்கிடையேயான தொடர்புகள் இந்த அட்டவணையின் அடிப்பகுதியில், ஒரு தனி அட்டவணையில் சேர்க்கப்பட வேண்டும்.

  9. பிரித்தெடுக்கப்பட்ட காரணிகளுக்கான அர்த்தமுள்ள பெயர்கள் வழங்கப்பட வேண்டும். நீங்கள் முன்னர் தேர்ந்தெடுக்கப்பட்ட காரணி பெயர்களைப் பயன்படுத்த விரும்பலாம், ஆனால் உண்மையான உருப்படிகள் மற்றும் காரணிகளை ஆராய்வதில் வேறு பெயர் மிகவும் பொருத்தமானது என்று நீங்கள் நினைக்கலாம்.