CORSO DI LAUREA IN SCIENZE E TECNICHE PSICOLOGICHE

Teorie e tecniche dei test

2009/2010
Dott.ssa Alessandra Busonera: alessandrabusonera@yahoo.it

Analisi Fattoriale

Analisi Fattoriale: logica e scopi

Quando abbiamo detto che nel processo di costruzione di un test psicologico importante studiare la dimensionalit degli item, abbiamo in realt fatto implicitamente riferimento allargomento dellAnalisi Fattoriale. Questultima rientra nel pi ampio ambito delle tecniche multivariate di analisi dei dati, nel senso che si occupa di studiare omogeneit e differenze allinterno di un insieme vasto di variabili.

Analisi Fattoriale: DEFINIZIONE 1

LAnalisi Fattoriale un procedimento matematicostatistico che, partendo dalle risposte date da un gruppo di soggetti ad una serie di item, permette di identificare delle caratteristiche psicologiche (fattori) che non emergono a prima vista e che, presumibilmente, spiegano o influenzano le risposte dei soggetti ad un test. Si tratta, essenzialmente, di un metodo di sintesi dei dati, per mezzo del quale vengono analizzate matematicamente le correlazioni allinterno di un ampio insieme di punteggi, e che permette di individuare quali item si raggruppano insieme (componendo, quindi, uno stesso fattore) e quali, invece, vanno a convergere in altri raggruppamenti (dando vita, quindi, a fattori differenti).

Analisi Fattoriale: DEFINIZIONE 2

LAnalisi Fattoriale viene effettuata per studiare, riassumere e semplificare le relazioni esistenti allinterno di uno specifico insieme di variabili. Obiettivo di questa tecnica quello di ridurre linformazione in un insieme di dati, individuando uno o pi fattori o dimensioni latenti che rendono conto delle similarit che accomunano una serie di variabili. Riportando il discorso ai test psicologici, i fattori,o le dimensioni, vengono definiti latenti nel senso che non emergono direttamente a partire dai dati raccolti; nondimeno essi sono in grado di dar ragione dei dati stessi.

Analisi Fattoriale: logica e scopi

I fattori riflettono, quindi, dei processi latenti (ad es. un tratto di personalit, un atteggiamento, ecc.) che si suppone abbiano dato origine alle risposte dei soggetti agli item. Nellanalisi fattoriale, i fattori (o dimensioni) latenti sono chiamati fattori comuni, proprio ad indicare che essi sono quegli elementi latenti, che spiegano le relazioni tra le variabili (in questo senso comuni = comuni a pi variabili). Il risultato dellapplicazione di questa analisi che pochi fattori latenti sono in grado di rendere ragione delle informazioni contenute in insiemi decisamente pi ampi di variabili misurate o osservate.

Analisi Fattoriale: logica e scopi

Lo scopo dellAnalisi Fattoriale quello di individuare il fattore o i fattori, ossia i costrutti ipotetici sottostanti (latenti), che si presume siano la causa delle correlazioni osservate tra i punteggi. In tal modo, possibile semplificare la descrizione di un comportamento rilevato dagli item di un test ricorrendo ad un numero ridotto di categorie: si passa da una molteplicit iniziale di item a pochi fattori o tratti comuni.

Esempio dellimpiego dellanalisi fattoriale nella ricerca psicologica

Gli autori Brennan, Clark e Shaver, nel 1998, hanno operato il tentativo di chiarire la natura del legame di attaccamento romantico tra adulti. Integrando tutte le scale di misurazione dellattaccamento adulto esistenti in letteratura fino alla met degli anni Novanta, gli autori hanno raccolto una gran mole di item, destinati a valutare 60 costrutti collegati allattaccamento e riassunti nella tabella seguente:

Alienazione

Ambivalenza Ritiro rabbioso Ansia Attaccamento ansioso

Benessere derivante dalla vicinanza dellaltro Comunicazione Caregiving compulsivo Careseeking compulsivo Difensivit

Diffidenza, mancanza di fiducia Paura di essere respinti Paura di perdere il partner Prototipo timoroso Timorosit

Bisogno di approvazione

Preoccupazione Prototipo preoccupato Ricerca di prossimit Considerazione delle relazioni come qualcosa di secondario Ansia romantica

Dipendenza ansiosa dal partner Accessibilit al partner Evitamento Evitamento dellintimit Dipendenza dagli altri per il proprio benessere Fiducia in s Utilizzo del partner come base sicura

Dipendenza dagli altri per la propria autostima Desiderio di fondersi col partner Disagio legato alla vicinanza dellaltro Disagio nello svelarsi agli altri Prototipo rifiutante Tendenza al rifiuto Inquietudine

Frustrazione nei confronti del partner Gelosia Gelosia/Paura dellabbandono Modello dellaltro Modello del S Protesta alla separazione

Ossessione romantica Prototipo sicuro Sicurezza Autoconsapevolezza Fiducia

 La ricerca condotta dagli autori ha coinvolto 1086 studenti universitari (682 femmine e 403 maschi), di et compresa tra i 18 ed i 50 anni, iscritti ai corsi di Psicologia dellUniversit di Austin, in Texas. Ai partecipanti stato chiesto di rispondere a 323 item relativi ai costrutti riassunti nella tabella - presentati in ordine casuale in un singolo questionario - su una scala a 7 punti.

 In seguito, stata eseguita unanalisi fattoriale per componenti principali dei punteggi alle 60 sottoscale, analisi che ha evidenziato la presenza di due fattori principali: Ansia rispetto allabbandono ed Evitamento della vicinanza, il cui grado di correlazione, pari a .12, ha suggerito che essi fossero sostanzialmente indipendenti.

 Il primo fattore, denominato Ansia o Ansiet, comprende intensa preoccupazione per le relazioni sentimentali, timore di essere abbandonati e frequenti richieste al partner di maggiore coinvolgimento. Il secondo fattore, denominato Evitamento, include difficolt e disagio ad avvicinarsi emotivamente e ad affidarsi al partner. Congiuntamente, questi due fattori sono in grado di spiegare il 62,8% della varianza nelle 60 sottoscale, le quali assumono, a loro volta, un peso differente in rapporto ai due fattori di ordine superiore.

 Le scale pi rappresentative del fattore Ansia sono risultate essere: la preoccupazione (Feeney et al., 1994); la gelosia/paura dellabbandono (Brennan e Shaver, 1995); la paura del rifiuto (Rothbard et al., 1993). Le scale pi rappresentative del fattore Evitamento sono, invece: levitamento dellintimit (Rothbard et al., 1993); il disagio per la vicinanza (Feeney et al., 1994) laffidamento su s (West, Sheldon-Keller, 1994).

 Grazie allapplicazione dellAnalisi Fattoriale, questi studiosi sono riusciti a capire che i 60 costrutti legati allattaccamento romantico, possono essere in realt ricondotti a sole due dimensioni o fattori principali, che sono lAnsia rispetto allabbandono e lEvitamento della vicinanza. Ansia ed Evitamento sono fattori latenti, nel senso che non emergono direttamente dai punteggi dei soggetti al test.

Analisi Fattoriale: logica e scopi

Lobiettivo dellanalisi fattoriale individuare il fattore o i fattori che si presume siano la causa delle correlazioni osservate tra i punteggi. Pi precisamente, lAnalisi Fattoriale ha un duplice scopo: La riduzione dellinformazione in un insieme di dati; Lindividuazione di dimensioni latenti che spiegano le relazioni tra le variabili dinteresse.

Analisi Fattoriale: logica e scopi

Il punto di partenza dellAnalisi Fattoriale rappresentato da una matrice che contiene le correlazioni tra le variabili osservate (R). Da tale matrice si passa ad unaltra, detta matrice delle saturazioni (A), che esprime la relazione tra variabili (disposte nelle righe della matrice) e fattori (disposti invece nelle colonne). I coefficienti che esprimono questa correlazione sono detti saturazioni, interpretabili appunto come correlazioni tra variabili e fattori (tranne nel caso delle cosiddette rotazioni oblique).

ESEMPIO
Supponiamo di condurre uno studio per capire che tipo di abilit abbiano acquisito degli allievi al termine delle scuole medie inferiori, in modo da poterli cos orientare verso una scelta ragionata dellistituto superiore. A tal fine, si somministrano ai ragazzi una serie di prove (variabili) relative a varie abilit ed acquisizioni. Prendiamo in considerazione, per semplicit, la somministrazione delle prove ad una sola classe, formata da 20 ragazzi.

Le prove sono le seguenti: 1) Lettura di un testo; 2) Comprensione del brano letto; 3) Descrizione orale di avvenimenti; 4) Invenzione e racconto di una storia; 5) Risoluzione di problemi aritmetici; 6) Contare e ordinare sequenze numeriche; 7) Risoluzione di problemi geometrici; 8) Riconoscimento di figure; 9) Individuazione di parole contenenti errori; 10)Individuazione di particolari identici in figure diverse; 11)Individuazione di particolari diversi in due figure uguali; 12)Descrizione scritta di stati danimo; 13)Risoluzione di rebus.

 Le prove vengono somministrate in ordine casuale ed ogni soggetto ottiene per ciascuna di esse un punteggio compreso fra 1 e 10.

ProveProve Sogg.
g. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 6 4 7 9 3 4 6 5 5 10 4 6 3 6 4 3 5 10 8 1 7 3 7 8 2 3 6 4 6 9 3 7 2 7 3 2 6 9 7 2 6 2 6 7 3 4 6 4 6 7 4 7 3 6 2 3 5 8 6 3 6 3 7 9 1 4 7 5 6 10 2 8 3 6 3 1 5 9 5 1 4 8 5 9 6 6 8 6 9 9 4 7 5 6 7 3 6 9 9 4 3 7 6 10 5 5 7 4 8 7 4 9 6 5 7 2 6 10 9 5 5 7 6 7 5 5 8 6 8 7 4 7 6 5 6 2 7 10 8 4 4 8 6 7 6 5 8 4 9 9 5 6 5 8 7 4 7 8 10 5 8 1 6 8 4 3 7 4 6 10 2 8 1 8 1 4 6 9 7 3 5 9 7 6 7 6 9 3 10 10 4 6 5 9 6 4 7 8 9 4 4 10 7 7 6 7 8 2 9 9 3 5 6 8 5 3 7 8 10 4 7 1 7 7 2 3 6 4 7 10 1 7 2 7 1 2 6 9 5 4 5 6 5 9 4 4 7 5 9 7 3 9 5 7 6 2 8 8 10 1 1 2 3 4 5 6 7 8 9 10 11 12 13

 Questi risultati mostrano che i soggetti che hanno ottenuto un punteggio alto (es. sogg. 18), medio (es. sogg. 9), basso (es. sogg. 20) nella prima prova, hanno ottenuto risultati simili anche nelle prove 2 e 3. I soggetti che hanno ottenuto un punteggio alto nella prova 5 (es. sogg. 10), hanno ottenuto punteggi alti anche nelle prove 6 e 7. Ancora, i soggetti che hanno ottenuto bassi punteggi nella prova 10, li hanno ottenuti anche nella 11 (vedi sogg. 8). Non sembra esserci, invece, un andamento costante in tutte le prove, ad es., il sogg. 1 ha un punteggio medio nelle prime tre prove, un punteggio basso nelle prove 5 e 6, un punteggio alto nella prova 9 e nuovamente un punteggio basso nelle prove 10 e 11.

 Si pu, a questo punto, avanzare unipotesi: tra alcune delle prove (variabili) esiste un particolare rapporto. Sembrerebbe che le prove siano divise in tre raggruppamenti (A, B e C) tali per cui i soggetti che ottengono un determinato punteggio in una delle prove afferenti al raggruppamento A, ottengo punteggi analoghi nelle altre prove che, ipoteticamente, afferiscono allo stesso raggruppamento. Stessa cosa capita per il raggruppamento B e C. Fra il gruppo A, il gruppo B e il gruppo C non sembra esserci, invece, una precisa relazione.

ESEMPIO
Questa ipotesi sullandamento dei dati rilevati non per facilmente dimostrabile. Si pu allora pensare di ricorrere ad unelaborazione statistica che permetta di rilevare in che misura le variabili considerate siano relazionate tra loro. CHE PROCEDIMENTO STATISTICO UTILIZZIAMO?

ESEMPIO
Il coefficiente di Pearson-Bravais, che misura il grado di relazione esistente tra due variabili. Se le variabili mutano concordemente - nel senso che soggetti che hanno ottenuto punteggi alti nella prima prova li ottengono alti pure nella seconda, e i soggetti che ottengono invece punteggi bassi nella prima prova ottengono punteggi bassi anche nella seconda si avr una correlazione alta e positiva; se invece le variabili mutano indipendentemente luna dallaltra, non si avr alcuna correlazione.

ESEMPIO
Poniamo di aver utilizzato il coefficiente di Pearson-Bravais considerando tutte le coppie che stato possibile ottenere tra le variabili (prove). I risultati vengono riportati allinterno di una tabella chiamata matrice delle correlazioni. Allincrocio fra una riga e una colonna si trova lindice di correlazione della relativa coppia di prove.

ATTENZIONE:
Se i punteggi da correlare sono ricavati da test diversi, necessario, prima di calcolare la matrice di correlazioni, trasformare i punteggi grezzi in punti z standardizzati. In questo modo i punteggi ottenuti con diversi test sono disposti lungo un unico continuum di valori con la stessa media e deviazione standard, che sappiamo essere, per i punti z, = 0 e = 1, rispettivamente. Una volta trasformati i punteggi grezzi in punti z, si calcolano le correlazioni tra i punteggi dei diversi test.

MATRICE DELLE CORRELAZIONI

1 1 2 3 4 5 6 7 8 9 10 11 12 13 .94 .81 .92 .69 .68 .68 .54 .81 .43 .37 .82 .67 .91 .95 .67 .65 .69 .54 .89 .45 .39 .92 .72 .89 .57 .58 .59 .39 .87 .33 .24 .90 .69 .71 .69 .70 .47 .83 .39 .34 .90 .70 .90 .93 .83 .55 .67 .64 .59 .78 .89 .75 .49 .55 .57 .55 .76 .75 .54 .62 .59 .63 .78 .45 .90 .84 .44 .62 .45 .36 .93 .62 .91 .41 .56 .33 .47 .63 2 3 4 5 6 7 8 9 10 11 12 13

 La tabella presenta solo met dellintera matrice di correlazioni, perch laltra met perfettamente speculare; infatti, la correlazione della variabile 2 con la variabile 3 (= .91) uguale alla correlazione della variabile 3 con la variabile 2, e cos via. Lintera matrice, quindi, simmetrica rispetto alla diagonale (definita diagonale principale), quindi le due met risultano speculari luna allaltra. Una seconda caratteristica della matrice delle correlazioni la presenza di un trattino ad indicare la correlazione di una variabile con se stessa, che generalmente non viene calcolata, oppure viene indicata con il valore 1.

ESEMPIO
Analizziamo questa tabella considerando come elevate le correlazioni superiori o uguali a .80. Ci rendiamo facilmente conto che la nostra ipotesi iniziale era esatta. Esistono, infatti, delle correlazioni molto alte tra alcune delle variabili considerate (es.: la 2 con la 4, la 1 con la 2; la 1 con la 3; la 2 con la 12, ecc.); esistono per anche dei valori di correlazione decisamente bassi (es. la 1 con le variabili 8, 10 e 11). Possiamo quindi affermare che le prime tre variabili sono strettamente collegate fra loro e, quindi, misurano probabilmente abilit simili o addirittura aspetti differenti di una stessa abilit.

ESEMPIO
Per vedere meglio i raggruppamenti, proviamo ora a riorganizzare la matrice delle correlazioni in modo che la maggior parte delle variabili altamente correlate tra loro si trovino le une vicine alle altre anche fisicamente nella matrice. Cerchiamo la correlazione pi alta esistente nella matrice, che quella tra la variabile 2 e la variabile 4 ( .95) e riorganizziamo la variabile 2 in ordine decrescente di valori di correlazione con le altre variabili:

variabile 2
4 .95

1 12 3 9 13 7 5 6 8 10 11

.94 .92 .91 .89 .72 .69 .67 .65 .54 .45 .39

 A questo punto, riproduciamo tutta la matrice di correlazione secondo lordine delle variabili indicato dai valori decrescenti della variabile 2:

MATRICE DELLE CORRELAZIONI

2 2 4 1 12 3 9 13 7 5 6 8 10 11 .95 .94 .92 .91 .89 .72 .69 .67 .65 .54 .45 .39 .92 .90 .89 .83 .70 .70 .71 .69 .47 .39 .34 .82 .81 .81 .67 .68 .69 .68 .54 .43 .37 .90 .93 .63 .63 .59 .55 .44 .41 .33 .87 .69 .59 .57 .58 .39 .33 .24 .62 .54 .55 .49 .45 .45 .36 .78 .78 .76 .62 .56 .47 .93 .89 .75 .62 .59 .90 .82 .67 .64 .75 .55 .57 .90 .84 .91 4 1 12 3 9 13 7 5 6 8 10 11

ESEMPIO
Qua si pu vedere chiaramente come le variabili 2, 4, 1, 12, 3, 9 e 13 siano tutte tra loro altamente correlate, mentre le loro correlazioni con tutte le altre variabili sono minori. Situazione analoga si verifica per le variabili 7, 5, 6 e per le variabili 8, 10, 11, che formano altri due raggruppamenti fra loro isolati. Si possono quindi individuare 3 raggruppamenti di variabili strettamente uniti al loro interno, ma separati tra loro.

 Per spiegarci i motivi di tali raggruppamenti, dobbiamo ragionare sul significato delle variabili che li compongono.

Il primo raggruppamento formato dalle variabili: 2. Comprensione del brano letto; 4. Invenzione e racconto di una storia; 1. Lettura di un testo 12. Descrizione scritta di stati danimo; 3. Descrizione orale di avvenimenti; 9. Individuazione di parole contenenti errori; 13. Risoluzione di rebus. Queste variabili indicano tutte abilit di tipo linguistico e verbale, legate ai processi di lettura, scrittura e comprensione. Le ultime due variabili indicano delle capacit logiche legate a conoscenze linguistiche o ortografiche.

 Il secondo raggruppamento formato dalle variabili. 7. Risoluzione di problemi geometrici; 5. Risoluzione di problemi aritmetici; 6. Contare e ordinare sequenze numeriche Queste variabili indicano tutte unabilit legata alla conoscenza dei numeri, dei rapporti matematici e geometrici.

 Infine, il terzo raggruppamento formato dalle variabili: 8. Riconoscimento di figure; 10. Individuazione di particolari identici in figure diverse; 11. Individuazione di particolari diversi in due figure uguali Tali variabili indicano abilit di tipo percettivo, relative alla discriminazione di stimoli visivi.

Analisi Fattoriale: logica e scopi

Laver raggruppato i dati in questo modo, ha reso molto pi evidenti i rapporti esistenti tra le variabili e ci ha permesso di interpretare i risultati con pi facilit. Nella realt della ricerca psicologica, le cose non sono mai semplice e chiare come nellesempio; i dati sono, in genere, molto pi numerosi, il livello delle correlazioni non sempre risulta cos nettamente differenziato, ecc Da queste difficolt nata lesigenza di elaborare una tecnica statistica che permettesse di ottenere dei raggruppamenti di variabili in base ad un tratto comune unificatore, in grado di spiegare le correlazioni tra esse. Questa tecnica lAnalisi Fattoriale.

Passi principali per eseguire lAnalisi Fattoriale:

1. calcolare la matrice di correlazione tra variabili; 2. calcolare la matrice delle saturazioni fattoriali; 3. calcolare le comunalit delle variabili; 4. applicare una tecnica di rotazione degli assi fattoriali; 5. interpretare i dati ottenuti.

 I passi 1 e 2, si realizzano mediante graduali passaggi da un tipo di matrice ad un altro: Matrice SOGGETTI X VARIABILI

Matrice VARIABILI X VARIABILI (R)

Matrice VARIABILI X FATTORI (A)

PUNTO DI PARTENZA DELLAF

Trasformazione di una matrice soggetti x variabili in una matrice variabili x variabili (matrice di correlazione R ridotta)

Matrice SOGGETTI X VARIABILI es. 100 sogg. X 10 item

Item 1 Item 2 Item 3 Andrea Anna Paola 3 2 4 2 4 5 2 1 3

Matrice VARIABILI X VARIABILI es. 10 X 10

Item 1 Item 2 Item 3 Item 1 Item 2 Item 3 .34 .42 .34 .52 .42 .52 ?

MATRICE DI CORRELAZIONE R RIDOTTA

PUNTO DI ARRIVO DELLAF

Matrice delle saturazioni A (relazioni fra variabili e fattori latenti)

Matrice VARIABILI X FATTORI es. 10 X 2

Fattore 1 Item 1 Item 2 Item 3 .60 .48 .56

Fattore 2 .34 .23 .49

MATRICE DELLE SATURAZIONI A

Analisi Fattoriale
Si distinguono due tipologie di Analisi Fattoriale: 1. Analisi fattoriale esplorativa (AFE): Il ricercatore ricorre ad essa quando non sa quanti e quali fattori permettono di raggruppare i dati. la situazione in cui il ricercatore non ha nessuna ipotesi a priori circa il raggruppamento dei dati (approccio data driven).

Analisi Fattoriale
2. Analisi fattoriale confermativa (AFC): Il ricercatore ricorre ad essa quando in grado di ipotizzare quali e quanti siano i fattori latenti, ossia ha unipotesi a priori sui raggruppamenti. Si tratta, in questo caso, di una tecnica per confermare o corroborare ipotesi; attraverso la quale si cerca di vedere se i dati verificano il raggruppamento ipotizzato. La AFC viene eseguita utilizzando software che si basano su modelli di equazioni strutturali. I pi diffusi sono il LISREL di Joreskog e Sorbom (1981; 1984; 1988) e lEQS di Bentler (1985; 1989).

Modello teorico dellAFE IPOTESI FONDAMENTALE

La CORRELAZIONE tra le variabili DETERMINATA da dimensioni non osservabili, i FATTORI, che in qualche modo causano o DETERMINANO i PUNTEGGI riscontrabili nelle VARIABILI osservate. METODO

Esamina la VARIANZA che le variabili hanno in comune (VARIANZA COMUNE) per cercare di determinare i fattori sottostanti. Infatti, la VARIANZA COMUNE la proporzione di varianza spiegata da fattori comuni.

 Ma non tutta la varianza degli item pu essere spiegata dalla varianza comune.
FATTORE UNICO VARIANZA UNICA

FATTORE 1

FATTORE 2

VAR 1

VAR 2

Fattore unico 1

Fattore unico 2

IL MODELLO ANALITICO-FATTORIALE DELLA VARIANZA NellAF si fa riferimento a tre componenti della varianza, non correlate tra loro: VARIANZA COMUNE: proporzione di varianza che pu essere spiegata dai fattori comuni; VARIANZA SPECIFICA: la varianza che deriva specificamente da un test particolare, ad es. quella determinata dalla specifica forma degli item, dal loro particolare contenuto, ecc; VARIANZA DERRORE: la varianza dovuta allerrore di misura, sempre presente in ogni misurazione. Ricordare la formula VX = VV + VE, ossia s2x = s2v + s2e

Ne deriva che:
VARIANZA TOTALE DI UN INSIEME DI PUNTEGGI = VARIANZA COMUNE (spiegata da fattori comuni) + VARIANZA SPECIFICA (spiegata da caratteristiche specifiche dei test) + VARIANZA DERRORE.

IL MODELLO ANALITICO-FATTORIALE DELLA VARIANZA

In generale, la varianza derrore e la varianza specifica non vengono distinte, e sono indicate, assieme, come VARIANZA UNICA. Quindi: Varianza totale= varianza comune+varianza unica (1= h2+u2)

Scomposizione della varianza

Varianza totale= varianza comune+varianza unica (1= h2+u2) Varianza comune (comunalit) = varianza totale varianza unica (unicit) (h2= 1 u2) Varianza unica (unicit) = varianza totale varianza comune (comunalit) (u2= 1 h2)

COMUNALITA: parte di varianza totale che viene spiegata dai fattori comuni UNICITA: parte di varianza totale che viene spiegata dal fattore unico

Varianza dovuta allerrore di misurazione Varianza attribuibile a processi che agiscono sistematicamente solo su una variabile (specificit)

ASSUNTO FONDAMENTALE AFE

Il punteggio standardizzato di un soggetto in una variabile (test) uguale alla somma ponderata del punteggio ottenuto dallo stesso soggetto nei fattori comuni e nel fattore unico Ci pu essere espresso attraverso una formula

zik = Fi1ak1 + Fi 2 ak 2 + ...Fim akm + uik

z ik
= punteggio standardizzato del soggetto i nella variabile k = punteggio standardizzato per il soggetto i nel fattore comune 1

Fi1

a k 1 = saturazione fattoriale (factor loading) della

variabile k nel fattore comune 1

u ik

= punteggio standardizzato per il soggetto i nel fattore unico associato alla variabile k

5 PASSI FONDAMENTALI DELLAFE 1) SELEZIONE DELLE VARIABILI 2) CALCOLO DELLA MATRICE DELLE CORRELAZIONI TRA LE VARIABILI (R) 3) ESTRAZIONE DEI FATTORI 4) ROTAZIONE DEI FATTORI 5) INTERPRETAZIONE DELLA MATRICE DEI FATTORI RUOTATI (A )

MATRICE DELLE SATURAZIONI FATTORIALI A

Fattore 1 Fattore 2 Item 1 Item 2 Item 3 .60 .48 .56 .34 .23 .49

RUOTARE I FATTORI = spostarne la posizione nello spazio In modo che: solo poche variabili presentino saturazioni elevate su ciascuno di essi

Ogni singola variabile tenda a correlare solo con un fattore

MATRICE SOGGETTI x VARIABILI MATRICE DELLE CORRELAZIONI TRA LE VARIABILI R (MATRICE VARIABILI x VARIABILI) ESTRAZIONE DEI FATTORI MATRICE DELLE SATURAZIONI NON RUOTATE A ROTAZIONE DEI FATTORI MATRICE DELLE SATURAZIONI RUOTATE INTERPRETAZIONE DEI FATTORI

DECISIONI DA PRENDERE IN UNAFE

Il ricercatore deve decidere:

1) QUALI VARIABILI E CAMPIONE UTILIZZARE 2) SE LAFE E LA PIU APPROPRIATA FORMA DI ANALISI PER RAGGIUNGERE GLI OBIETTIVI DELLA SUA RICERCA 3) QUALE PROCEDURA UTILIZZARE PER ADATTARE IL MODELLO AI DATI 4) QUANTI FATTORI INCLUDERE NELLO STUDIO 5) COME RUOTARLI PER OTTENERE UNA SOLUZIONE FACILMENTE INTERPRETABILE

PROGETTO DI RICERCA: VARIABILI E CAMPIONE

1) DEFINIRE PRELIMINARMENTE LAREA CHE SI VUOLE STUDIARE; 2) FARSI UNIDEA DEI FATTORI CHE CI ASPETTA DI OTTENERE; 3) SCEGLIERE LE VARIABILI 4) SELEZIONARE UN CAMPIONE RAPPRESENTATIVO SU CUI RACCOGLIERE I DATI 5) FARE LE ANALISI

APPROPRIATEZZA AFE Qual lobiettivo del mio progetto di ricerca?

PARSIMONIOSA RAPPRESENTAZIONE DELLE ASSOCIAZIONI TRA LE VARIABILI SEMPLIFICAZIONE DEI DATI

AFE

ACP

LAnalisi delle Componenti Principali (ACP)

Tecnica di semplificazione dei dati diversa dallAF e creata per raggiungere scopi diversi
AF: cerca di spiegare pi COVARIANZA possibile delle variabili (spiegare le correlazioni) ACP: cerca di spiegare pi VARIANZA possibile delle variabili (trasformando linearmente le variabili originali)

Terminologia dellAF:

Saturazione
Le variabili che confluiscono in uno stesso fattore non hanno tutte lo stesso peso nel determinare il significato del fattore stesso. NellAF, ad ogni variabile attribuito un valore, chiamato saturazione, che indica limportanza che quella variabile ha nel determinare il significato del fattore. Allora, una variabile con una grande importanza in un fattore, ossia con unalta saturazione in quel fattore, influir pi di una variabile con una saturazione pi bassa.

Terminologia dellAF: Matrice di saturazione

Matrice che rappresenta la relazione tra le variabili ed i fattori. I coefficienti che esprimono questa correlazione sono detti saturazioni. Essi possono essere appunto interpretati come correlazioni tra variabili e fattori (tranne nel caso delle cosiddette rotazioni oblique).

Terminologia dellAF: Comunalit

La proporzione di varianza dei punteggi a un test o a un item spiegata da un insieme specifico di fattori.

Analisi Fattoriale
Abbiamo visto il primo passaggio dellAF, ossia come si ottiene la matrice delle correlazioni tra le variabili considerate. Il passo successivo consiste nel determinare quanti e quali siano i fattori che spiegano tale matrice. La risposta relativa al quanti si ottiene applicando dei metodi matematici chiamati metodi di estrazione dei fattori.

TECNICA DI ESTRAZIONE DEI FATTORI

METODO DEI FATTORI PRINCIPALI (AFP)

METODO DEI MINIMI QUADRATI (MQ)

METODO DELLA MASSIMA VEROSIMIGLIA NZA (ML)

AFP Vantaggi: -No assunzione di normalit multivariata;

MQ Vantaggi: -Non necessaria stima delle comunalit;

ML Vantaggi: -Test per verificare la bont delladattamento del modello ai dati; -Non dipendente dalla scala di misura delle variabili Limiti: -Assunzione di normalit multivariata

-Raramente risultati Limiti: distorti -Spesso risultati Limiti: diversi da AFP perch non analizza -Necessaria stima gli elementi sulla delle comunalit diagonale principale elemento di indeterminatezza nella soluzione

SELEZIONE DEL NUMERO DI FATTORI DA ESTRARRE

Non esiste un metodo certo per determinare lesatto numero di fattori da estrarre!

MEGLIO SBAGLIARE ESTRAENDO TROPPI FATTORI PIUTTOSTO CHE TROPPO POCHI

PRINCIPALI TECNICHE PER DECIDERE QUANTI FATTORI ESTRARRE

CRITERIO DEGLI AUTOVALORI > 1

SCREE TEST

ANALISI PARALLELA

1) Fare riferimento alla letteratura e a precedenti ricerche; 2) Utilizzare pi indicatori possibili; 3) Se ci sono, controllare i valori di almeno un indice di bont delladattamento del modello ai dati; 4) Testare la scelta effettuate su pi gruppi di dati

INDICI DI BONTA DELLADATTAM ENTO DEL MODELLO AI DATI

ROTAZIONE DEI FATTORI

CRITERIO DELLA STRUTTURA SEMPLICE (THURSTONE)

Ogni fattore deve saturare una minoranza di variabili e ogni variabile deve essere spiegata possibilmente da un solo fattore

ROTAZIONI ORTOGONALI: durante la rotazione i fattori mantengono il vincolo dellortogonalit

ROTAZIONI OBLIQUE: durante la rotazione i fattori divengono correlati

ROTAZIONE ORTOGONALE 45

1 .75 .5 .25 .25 .5

FATTORE I

X3 X1 X2

.75 X5 X6 X4

FATTORE II

ROTAZIONE OBLIQUA (ANGOLI DIVERSI)

1 FATTORE I .75 .5 .25 .25 .5 X5 .75 X6 X4 FATTORE II 1 X3 X1 X2

LIMITI E VANTAGGI DELLE ROTAZIONI ORTOGONALI OBLIQUE

Pi semplici da effettuare Inadeguate per molti costrutti esaminati in psicologia poich costituiti da fattori correlati Individuano strutture semplici pi povere di quelle reali quando i fattori sono correlati Conducono a gravi distorsioni se si utilizzano con fattori correlati

Pi complesse Adeguate per la maggior parte dei costrutti psicologici Non individuano strutture fattoriali pi povere quando i fattori non sono correlati Non comportano distorsioni se si utilizzano su fattori non correlati Stimando le correlazioni tra i fattori permettono una comprensione pi approfondita dei dati

ROTAZIONI OBLIQUE PIU COMPLESSE PERCHE:

-NO SISTEMA DI RIFERIMENTO CARTESIANO; -COMUNALITA PIU DIFFICILI DA CALCOLARE; -SOLUZIONE SU TRE MATRICI (PATTERN, STRUCTURE E DI CORRELAZIONE FATTORIALE)