Дипломная работа: Социально-психологические особенности переживания и понимания школьниками кинокартин стиля "фэнтези" на примере фильма "Хроники Нарнии: Лев, колдунья и волшебный шкаф"

2.4 Проведение факторного анализа с помощью программы SPSS

Факторный анализ – это статистический инструмент, довольно часто используемый в психологии. Многочисленные варианты его использования включают конструирование тестов, выявление основных параметров личности и способностей, установление того, сколько отдельных психологических характеристик (т.е. черт) измеряется набором тестов или заданиями теста.

Оценки по полным тестам (а не по его отдельным заданиям) также могут подвергаться факторному анализу – на самом деле именно так эта методика и используется.

Факторный анализ в этом случае может показать, действительно ли тесты, которые, предположительно, измеряют один и тот же конструкт (структуру мотивации). Факторный анализ оценок, полученных на основе полных тестов, может быть чрезвычайно полезен для установления того, что именно измеряется группой тестов, поскольку многозначность языка допускает, что одному и тому же конструкту разными исследователями могут быть даны различные наименования.

Число терминов, используемых в психологии индивидуальных различий, потенциально безгранично, и без факторного анализа нет надежного способа установить, действительно ли несколько шкал измеряют один и тот же базисный психологический феномен.

В своей работе мы применим факторный анализ исследуемых факторов для определения структурных компонентов Я-концепции и для формирования представлении о структуре мотивации героя фильма.

На первом шаге процедуры факторного анализа происходит стандартизация заданных значений переменных (z-преобразование); затем при помощи стандартизированных значений рассчитывают корреляционные коэффициенты Пирсона между рассматриваемыми переменными.

Исходным элементом для дальнейших расчётов является корреляционная матрица. Для построенной корреляционной матрицы определяются, так называемые, собственные значения и соответствующие им собственные векторы, для определения которых используются оценочные значения диагональных элементов матрицы (так называемые относительные дисперсии простых факторов).

Собственные значения сортируются в порядке убывания, для чего обычно отбирается столько факторов, сколько имеется собственных значений, превосходящих по величине единицу. Собственные векторы, соответствующие этим собственным значениям, образуют факторы; элементы собственных векторов получили название факторной нагрузки. Их можно понимать как коэффициенты корреляции между соответствующими переменными и факторами. Для решения такой задачи определения факторов были разработаны многочисленные методы, наиболее часто употребляемым из которых является метод определения главных факторов (компонентов).

Описанные выше шаги расчёта ещё не дают однозначного решения задачи определения факторов. Основываясь на геометрическом представлении рассматриваемой задачи, поиск однозначного решения называют задачей вращения факторов. И здесь имеется большое количество методов, наиболее часто употребляемым из которых является ортогональное вращение по так называемому методу Varimax. Факторные нагрузки повёрнутой матрицы могут рассматриваться как результат выполнения процедуры факторного анализа. Кроме того на основании значений этих нагрузок необходимо попытаться дать толкование отдельным факторам.

Если факторы найдены и истолкованы, то на последнем шаге факторного анализа, отдельным наблюдениям можно присвоить значения этих факторов, так называемые факторные значения. Таким образом для каждого наблюдения значения большого количества переменных можно перевести в значения небольшого количества факторов.

Перейдем к описанию проведенной нами в ходе работы процедуры факторного анализа. В качестве наглядного примера рассмотрим факторный анализ мотивации киноперсонажа.

Результаты опроса для 82 человек сохраняем в файл в переменных а1-а15. Открываем сохраненный файл с переменными, выбираем в меню Analyze (Анализ) Data Reduction (Сокращение объема данных) Factor... (Факторный анализ). Откроется диалоговое окно Factor Analysis (Факторный анализ) (рис. 6).

Рис. 6. Диалоговое окно Factor Analysis (Факторный анализ)

Переменные a1-a15 с результатами помещаем в поле тестируемых переменных и ознакомимся с возможностями, предлагаемыми различными кнопками этого диалогового меню.

 После щелчка по кнопке Descriptive Statistics (Дескриптивные статистики) оставим вывод первичных результатов, которые включают в себя первичные относительные дисперсии простых факторов, собственные значения и процентные доли объяснённой дисперсии. Довольно часто бывает необходим также вывод одномерных статистик и корреляционных коэффициентов.

С помощью кнопки Extraction... (Отбор) выбираем метод отбора; оставляем здесь анализ главных компонентов, установленный по умолчанию. Количество отобранных в этом случае факторов приравнивается к числу собственных значений, превосходящих единицу. Также есть возможность собственноручно указать это количество. Так как неповёрнутое факторное решение, предоставляет малозначимую информацию, предотвратим его вывод щелчком на соответствующей опции.

Выключатель Rotation... (Вращение) позволяет выбрать метод вращения. Активируем метод Varimax и оставляем активированным вывод повёрнутой матрицы факторов. Далее организовываем вывод факторных нагрузок в графическом виде, в котором первые три наиболее нагруженных фактора будут представлены в трёхмерном пространстве; в случае наличия только двух факторов в слое приводится только одно изображение, что соответствует нашему случаю.

Выключатель Options... (Опции) предназначен для обработки пропущенных значений. Здесь обеспечивается возможность заменить пропущенные значения средними значениями соответствующих переменных. Для проведения расчётов щёлкаем на ОК.

В окне обзора появятся результаты. Сначала приводятся первичные статистики (таблица 7).

Таблица 7. Extraction Method: Principal Component Analysis (Метод отбора: Анализ главных компонентов).

По таблице можно увидеть, что три собственных фактора имеют значения, превосходящие единицу. Следовательно для анализа отобрано только три фактора. Первый фактор объясняет 31,4 % суммарной дисперсии, второй фактор 23,2% и третий фактор 14,2%. Так как мы запретили вывод неповернутой матрицы факторов, то далее приводится повёрнутая матрица (см. таблицу 8).

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17