Оценки случаев по факторам

Переключитесь на файл Sav  (т.е. 3F.Sav) и убедитесь, что справа появились новые столбцы. Чтобы дать им осмысленные названия, используйте столбец Label на вкладке Variable view. Будьте внимательны: порядок следования названий факторов должен соответствовать таблице rotated component matrix.

Представим оценки графически. Воспользуйтесь меню Graphs > Scatter/Dot > Simple scatter. В качестве обозначений (labels) случаев (cases) используйте номера студентов. Пусть горизонтальная ось соответствует фактору Мотивация, а вертикальная ось – фактору Уверенность.  Не перепутайте исходные переменные и факторы, являющиеся результатом.   Ок.    Сразу же замечаем, что среднее значение оценок по обоим факторам равно 0. Это z-шкала (среднее=0, сигма=0).

Включите для диаграммы Мотивация*Уверенность обозначения случаев (show data labels), сделайте их заливку (fill) и границу (border) прозрачными. Обратите внимание: по фактору Мотивация наивысшую оценку получил студент №3: ФакторМотивация≈1,93. Посмотрите: это полностью соответствует его оценкам по исходным переменным (табл.44): Поведение=1, Внимательность=7, Мотивация=7. Наименьшую оценку по фактору Мотивация получил студент №1: ФакторМотивация≈-1,48 и это соответствует его оценкам по исходным переменным: Поведение=7, Внимательность=1, Мотивация=1.

Точно также сопоставьте оценки по фактору Уверенность и соответствующим ему переменным (Скорость, АктивныеОтветы, Уверенность). А, чтобы сопоставить оценки для фактора Отсутствие, надо построить еще одну диаграмму рассеивания.

Т.е. в данной ситуации три фактора предоставляют нам примерно ту же информацию, что и исходные 7 переменных. В этом и заключается основная идея факторного анализа: мы можем с незначительными потерями информации значительно сократить количество данных. Зачем использовать 7 переменных, если можно использовать только 3?  А в реальных исследованиях вопрос может звучать так: зачем использовать 100 исходных переменных, если их с незначительными потерями можно свести к 5-ти факторам. Не случайно факторный анализ в SPSS размещен в меню Data reduction (сокращение данных).

И не следует забывать про основную особенность полученных здесь факторов: они являются независимыми, корреляционная связь между ними отсутствует. Увидим это на диаграмме ФакторУверенность*ФакторОтсутствие. Студенты отсутствуют на занятии независимо от их уверенности в себе. Например, много занятий пропустил как студент №11 (невысокая уверенность), так и студент №14 (высокая уверенность). С другой стороны, уверенность не зависит от количества пропущенных занятий. Например, неуверен в себе как студент №10 (хорошая посещаемость), так и студент №5 (пропущено много).

Переменная, относящаяся к нескольким факторам. Откройте файл  factors2.sav.  Он отличается от файла factors.sav тем, что содержит еще переменную Оценка (процент верно выполненных контрольных заданий). Выполните факторный анализ для этих 8-ми переменных (примените вращение варимакс к трем факторам). Посмотрите: содержание факторов практически не изменилось. Но переменную Оценка мы не можем отнести ни к одному из факторов, поскольку ее нагрузки отличаются незначительно: 0,58 по фактору Мотивация; 0,44 по фактору Уверенность и ‑0,48 по фактору Отсутствие. Т.е. Оценка приблизительно в равной степени имеет отношение ко всем трем факторам. Математически это нежелательно, поскольку с помощью факторного анализа мы стремимся четко разделить все переменные по факторам. Но по смыслу эта ситуация вполне понятна: просто Оценка студента на контрольной работе зависит от всех этих факторов. Больше всего на Оценку здесь повлияла Мотивация и меньше всего – Уверенность

По всем вопросам, связанным с использованием материалов Expect.ru, обращайтесь к Никулину Денису Николаевичу
email