Factoranalyse

Factoranalyse vat drie of meer gecorreleerde numerieke variabelen samen in minder onderliggende factoren. Gebruik haar om de kenmerken achter testresultaten, procesmetingen of vragenlijstitems te vinden. Het aantal factoren moet kleiner zijn dan het aantal variabelen, met meer rijen dan variabelen; maximum likelihood veronderstelt bij benadering multivariate normaliteit. De uitvoer bevat factorladingen, communaliteiten, uniciteit, verklaarde variantie en een ladingenplot.

Laatst beoordeeld

Belangrijkste conclusie

Factoranalyse verklaart de correlaties tussen veel gemeten variabelen met een paar onderliggende factoren, zodat veel metingen of vragenlijstitems door enkele, makkelijker te benoemen factoren kunnen worden samengevat.

Op deze pagina
  1. Doel
  2. Belangrijkste mogelijkheden
  3. Statistische methoden
  4. Invoervelden en opties
  5. Beschrijving van de uitvoer
  6. Uitgewerkt voorbeeld

Doel

Factor Analysis verklaart de correlaties tussen veel gemeten variabelen met een paar onderliggende factoren. Variabelen die samen bewegen laden op dezelfde factor, zodat een lange lijst metingen of vragenlijstitems kan worden samengevat door een handvol factoren die makkelijker te benoemen en te volgen zijn. Gebruik haar om de weinige onderliggende kenmerken achter een reeks testresultaten, procesmetingen of vragenlijstitems te vinden, en om te zien welke variabelen grotendeels een eigen verhaal hebben.

Belangrijkste mogelijkheden

  • Extraheert het door u gekozen aantal factoren uit drie of meer numerieke variabelen.
  • Twee extractiemethoden: Principal Components en Maximum Likelihood.
  • Varimaxrotatie zodat elke factor sterk op minder variabelen laadt en dus makkelijker te benoemen is.
  • Tabel Factor Loadings met de communaliteit en uniciteit van elke variabele.
  • Percentage verklaarde variantie per factor en een ladingenplot van de eerste twee factoren.

Statistische methoden

Rijen met een ontbrekende of niet-numerieke waarde in een geselecteerde variabele worden weggelaten en elke variabele wordt gestandaardiseerd naar gemiddelde 0 en standaardafwijking 1, zodat de analyse op de correlatiematrix werkt. Het aantal factoren moet kleiner zijn dan het aantal variabelen en er moeten meer rijen dan variabelen zijn.

Bij extractie met Principal Components wordt de correlatiematrix opgesplitst in eigenwaarden en eigenvectoren; de ladingen van factor j zijn de j-de eigenvector vermenigvuldigd met de wortel van de bijbehorende eigenwaarde, voor de grootste eigenwaarden. Bij extractie met Maximum Likelihood wordt het gemeenschappelijke-factormodel (elke gestandaardiseerde variabele = ladingen × factoren + een unieke fout) met maximum likelihood gefit via een iteratief algoritme, dat stopt na Maximum iterations (standaard 1000) of wanneer de verandering onder de Convergence tolerance (standaard 0.01) komt. Maximum likelihood veronderstelt dat de variabelen bij benadering multivariaat normaal zijn.

Varimaxrotatie (de methode van Kaiser) draait de factoren zo dat de variantie van de gekwadrateerde ladingen binnen elke factor zo groot mogelijk is: elke variabele laadt dan hoog op één factor en bijna nul op de andere. Rotatie verandert niet hoeveel van elke variabele wordt verklaard. Na rotatie worden de factoren gerangschikt naar de variantie die ze verklaren. De communaliteit van een variabele is de som van haar gekwadrateerde ladingen, het aandeel van haar variantie dat door de factoren wordt verklaard; uniciteit is 1 − communaliteit. De door een factor verklaarde variantie is de som van haar gekwadrateerde ladingen, uitgedrukt als percentage van het aantal variabelen. Het teken van een factor is willekeurig: een factor met alle tekens omgekeerd betekent hetzelfde.

Invoervelden en opties

Veld

Beschrijving

Variables

Drie of meer numerieke kolommen. Ctrl of Command + klik om er meerdere te selecteren.

Number of factors to extract

Standaard 2. Moet kleiner zijn dan het aantal variabelen.

Method of extraction

Principal Components (standaard) of Maximum Likelihood.

Type of rotation

Varimax (standaard) of None. Rotatie geldt alleen bij 2 of meer factoren.

Maximum iterations

Optioneel, alleen gebruikt bij extractie met Maximum Likelihood. Laat leeg voor de standaardwaarde (1000).

Convergence tolerance

Optioneel, alleen gebruikt bij extractie met Maximum Likelihood. Laat leeg voor de standaardwaarde (0.01).

Title

Titel die op de ladingenplot wordt getoond. Standaard Factor Analysis.

factor-analysis-inputs


Figuur 1 — Opties voor het voorbeeld: acht variabelen van leningaanvragers, 2 factoren, extractie met Maximum Likelihood, rotatie Varimax.

Beschrijving van de uitvoer

  • Factor Loading Plot — elke variabele getekend als een lijn van de oorsprong naar haar ladingen op Factor1 (x) en Factor2 (y). Variabelen die dezelfde kant op wijzen, laden op dezelfde factor.
  • Method, rotation and variance explained — de methode en rotatie bij naam (bijvoorbeeld Maximum Likelihood, Varimax), het percentage van de totale variantie dat elke factor verklaart en het cumulatieve percentage.
  • Factor Loadings — per variabele haar lading op elke factor, haar Communality en haar Uniqueness.
  • PDF-export via Download.

factor-analysis-output


Figuur 2 — Twee geroteerde factoren voor acht variabelen van leningaanvragers: een stabiliteitsfactor (Employ, Residence, Age) en een leenfactor (Debt, Credit cards tegenover Education), die 61.39% van de variantie verklaren.

Uitgewerkt voorbeeld

Een bank verzamelt acht gegevens van elke leningaanvrager: inkomen, jaren opleiding, leeftijd, jaren op het huidige adres (Residence), jaren bij de huidige werkgever (Employ), spaargeld, schuld en aantal creditcards. Veel daarvan lijken hetzelfde te meten. Een kredietbeheerder wil een paar factoren die alle acht samenvatten. Met 30 aanvragers selecteert de ingenieur alle acht kolommen, stelt Number of factors to extract = 2, Method of extraction = Maximum Likelihood en Type of rotation = Varimax in.

De twee factoren verklaren 38.68% en 22.71% van de variantie, samen 61.39%. Factor 1 laadt zwaar op Employ (0.9644), Residence (0.9523) en Age (0.8595) en matig op Savings (0.5833): een stabiliteits- en ervaringsfactor. Factor 2 laadt op Debt (0.8063) en Credit cards (0.5679), tegenover Education (−0.6288) en Savings (−0.5673): een leenfactor. De communaliteiten tonen hoe goed de twee factoren elke variabele beschrijven: hoog voor Employ (0.937) en Residence (0.9076), laag voor Income (0.2308) en Credit cards (0.3226).

Voor de bank beschrijven twee factoren de stabiliteit en het leengedrag van aanvragers goed, maar inkomen heeft grotendeels een eigen verhaal. Met 3 factoren stijgt de verklaarde variantie naar 72.93% (36.67%, 20.63% en 15.63%) en bestaat de derde factor vooral uit Income (−0.8835) met Education (−0.5491); de communaliteit van Income stijgt naar 0.8545. Dit komt overeen met Cluster Variables op dezelfde gegevens, dat Income met Education groepeert, de stabiliteitsvariabelen samen, en Debt met Credit cards. Zonder rotatie veranderen de ladingen hier slechts weinig (Factor 1: Employ 0.9666, Residence 0.9526), omdat de ongeroteerde oplossing al vrij eenvoudig is.

Veelgestelde vragen

Waarvoor wordt factoranalyse gebruikt?

Factoranalyse verklaart de correlaties tussen veel gemeten variabelen met een paar onderliggende factoren. Variabelen die samen bewegen laden op dezelfde factor, zodat een lange lijst testresultaten, procesmetingen of vragenlijstitems kan worden samengevat door een handvol factoren, en u kunt zien welke variabelen grotendeels een eigen verhaal hebben.

Wat is het verschil tussen extractie met Principal Components en Maximum Likelihood?

Bij extractie met Principal Components wordt de correlatiematrix opgesplitst in eigenwaarden en eigenvectoren, en zijn de ladingen van elke factor een eigenvector vermenigvuldigd met de wortel van de bijbehorende eigenwaarde. Extractie met Maximum Likelihood fit het gemeenschappelijke-factormodel met een iteratief algoritme en veronderstelt dat de variabelen bij benadering multivariaat normaal zijn.

Wat doet varimaxrotatie in factoranalyse?

Varimaxrotatie draait de factoren zo dat elke variabele hoog laadt op één factor en bijna nul op de andere, waardoor de factoren makkelijker te benoemen zijn. Rotatie verandert niet hoeveel van elke variabele wordt verklaard. Na rotatie worden de factoren gerangschikt naar de variantie die ze verklaren. Rotatie geldt alleen bij twee of meer factoren.

Hoe interpreteert u communaliteit en uniciteit in factoranalyse?

De communaliteit van een variabele is de som van haar gekwadrateerde ladingen, het aandeel van haar variantie dat door de factoren wordt verklaard. Uniciteit is 1 min de communaliteit. In het voorbeeld met leningaanvragers had Employ een communaliteit van 0.937, terwijl Income slechts 0.2308 had, wat toont dat inkomen met twee factoren grotendeels een eigen verhaal was.