Pro účely faktorové analýzy jsme použili data z předmětových anket studentů oboru Psychologie na FSS MU. Vybrali jsme si 5 proměnných, ze kterých se snažíme odvodit latentní proměnnou: kvalita předmětu. Těmito proměnnými jsou: obohacení předmětem, pracovní nasazení v předmětu, pravidelná příprava na předmět, budoucnost předmětu ve výuce a uplatnění v praxi. Deskriptivy uvádíme v Tabulce č. 1. Tabulka č. 1: Popisné statistiky proměnných N M SD Obohacení 24 2,24 0,82 Nasazení 24 2,76 1,07 Příprava 24 3,14 1,21 Budoucnost 24 1,71 0,75 Uplatnění 24 2,28 0,71 Co se týká předpokladů k provedení faktorové analýzy, námi zvolené proměnné jsou měřené na minimálně intervalové úrovni, bohužel co se týká normálního rozložení, přibližně se o něm dá mluvit u proměnné: Budoucnost předmětu, ostatní proměnné jsou ale bimodální, což se ovšem dalo předpokládat vzhledem k omezení hodnot, kterých mohou pouze nabývat (1-7) a že se jedná o diskrétní proměnné, [SJ1] nikoliv spojité. Počet respondentů je vyšší než 15. Komunality jsou ve všech případech větší než 0,6, viz. Tabulka č. 2. Za kritický předpoklad v tomto případě považujeme vyšetření korelací, z Tabulky č. 3 vidíme, že některé z nich jsou vyšší než 0,8, což nás navádí k úvahám o multikolinearitě, která pro nás znamená, že bude obtížné určit jednotlivý přínos těchto vysoce korelujících proměnných faktoru. Z toho důvodu jsme museli vyloučit z původní analýzy proměnnou Užitečnost předmětu, jelikož ta nám korelovala 0,97 s proměnnou Obohacení z předmětu a naznačovala tak singularitu[SJ2] . I přesto nám ale ve třech případech vycházejí korelace vyšší než 0,8 a determinant na základě Haitovského testu [SJ3] nám nevyšel signifikantně odlišný od 0. Přesto jsme se rozhodly analýzu provést a to pomocí analýzy hlavních komponentů, jelikož v jejím případě není multikolinearita tak závažným problémem jako v případě analýzy maximum likelihood. Příliš nízké korelační koeficienty se u námi zvolených proměnných nevyskytují, proto i Barltettův Test vyšel signifikantní. Tabulka č. 2: Komunality Extrakce Obohacení 0,91 Nasazení 0,95 Příprava 0,96 Budoucnost 0,88 Uplatnění 0,84 Tabulka č. 3: Korelační koeficienty Obohacení Nasazení Příprava Budoucnost Obohacení 1 Nasazení 0,21 1 Příprava 0,01 0,88* 1 Budoucnost 0,85* 0,06 -0,21 1 Uplatnění 0,80* 0,05 -0,21 0,76* R = 0,01; * p < 0,01 Výsledek analýzy ukazuje, že celkem dva faktory/komponenty mají Eigenvalue vyšší jak 1, z toho 1. komponent vysvětluje rozptyl z necelých 53 %, při dvou komponentách je to pak již téměř 91 % rozptylu proměnné Kvalita předmětu. 1. komponent se skládá z původních proměnných Příprava a Nasazení, 2. komponent pak z proměnných Obohacení předmětem, Budoucnost předmětu ve výuce a Uplatnění v praxi (viz. Graf č. 1). Výsledný Scree plot pak potvrzuje použití právě těchto dvou komponent (viz. Graf č. 2), které se nacházejí nad bodem inflexe. Komunality nám vyšly velmi vysoké, což je pozitivní (viz. Tabulka č. 2). Pro zpřesnění výsledků jsme použili ortogonální rotaci Varimax, která však vzhledem k rozložení komponent v grafu nemohla mnoho změnit. U výsledků je třeba počítat se zkreslením, které by mohlo způsobovat velice úzký vztah zvolených proměnných[SJ4] . Graf č.1: Komponenty po rotaci Graf č. 2: Scree plot ________________________________ [SJ1]To není tak docela pravda. Podívejte se na čísla, s nimiž pracujete. [SJ2]Tuhle starost můžete nechat na determinantu. Dokud je nenulový, je to OK. [SJ3]Ten je určen spíše pro regresní analýzu, resp. pro obavy z multikolinearity u LR. Multikolinearita je u FA problém jen z hlediska algoritmu výpočtu, který nemusí proběhnout správně, když je det moc blízko nule. Jinak jsem rád, že čtete. [SJ4]Nerozumím. Dobrá práce.