Analisi Fattoriale Esplorativa AFE

Scala Dimensioni del Self Construal SCALA INDIPENDENZA 1. Per me è molto importante essere in grado di aver cura di me stesso 2. La mia identità personale è molto importante per me 3. Se c’è un conflitto tra i miei valori e quelli del gruppo a cui appartengo, seguo i miei valori 4. Cerco di non dipendere dagli altri 5. Mi prendo la responsabilità delle mie azioni 6. È importante per me comportarmi da persona indipendente SCALA INTERDIPENDENZA 1. Sono pronto a sacrificare i miei interessi personali per il bene del gruppo 2. Resto fedele al gruppo anche nelle difficoltà 3. Rispetto le decisioni prese dal mio gruppo 4. Sono pronto a stare in un gruppo se c’è bisogno di me, anche se non sono felice di starci 5. Mantengo l’armonia del gruppo di cui sono membro 6. Rispetto la volontà della maggioranza nel gruppo di cui sono membro 7. Rimango nei gruppi a cui appartengo se c’è bisogno di me, anche se non sono soddisfatto di farne parte

L’AFE è utilizzata per studiare, riassumere e semplificare le relazioni in un gruppo di variabili e il suo scopo è proprio quello di ridurre l’informazione contenuta in una serie di dati individuando uno o più fattori o dimensioni latenti in grado di rendere conto di ciò che accomuna un insieme di variabili.

Il risultato dell’applicazione di questa analisi è che pochi fattori non osservabili “direttamente” dai dati, servono a rendere ragione delle informazioni contenute in insiemi decisamente più ampi di variabili misurate o osservate.

il punto di partenza dell’AFE (dopo aver disposto i soggetti sulle righe e le variabili sulle colonne di una matrice ovvero avere a disposizione una matrice soggetti x variabili diventa la costruzione di una matrice dei coefficienti di correlazione tra le variabili studiate (R) che si ottiene calcolando tutti i coefficienti di correlazione tra le variabili e disponendoli sulle righe e sulle colonne di una tabella (matrice variabili x variabili)

A partire dai valori delle correlazioni tra le variabili presenti in R, si riescono a individuare, estraendoli, quei fattori che sono in grado di rendere conto e di spiegare tali correlazioni. Dopo aver estratto il primo fattore il suo effetto viene rimosso dalla matrice delle correlazioni R per produrre la matrice delle correlazioni residue rispetto al primo fattore.

Generalmente si estraggono fattori da R finché non rimane più nessuna porzione apprezzabile di varianza da spiegare, cioè finché le correlazioni residue sono così vicine allo zero che si presume siano di importanza trascurabile.

I metodi di Estrazione dei Fattori sono numerosi ma tutti determinano una matrice (chiamata Matrice delle Saturazioni Non Ruotate, A) costituita da una o più colonne di numeri, una per ciascun fattore estratto, che indicano le saturazioni (o pesi) delle variabili nei fattori.

Le saturazioni rappresentano la misura in cui le variabili sono in relazione con il fattore ipotetico e possono essere considerate come correlazioni tra le variabili e il fattore. Il loro quadrato esprime la porzione di varianza della singola variabile che è spiegata dal fattore mentre le somme dei quadrati riga per riga, definite comunalità (h2) e riportate nell’ultima colonna della matrice A, rappresentano ciò che vi è in comune tra ogni variabile e tutti i fattori, cioè la porzione di varianza della variabile spiegata dai fattori.

La matrice delle saturazioni fattoriali A non rappresenta tuttavia la soluzione fattoriale finale. A questo punto, infatti, dopo l’estrazione dei fattori, il passo successivo è la loro interpretazione, ma purtroppo la matrice delle saturazioni fattoriali A non è utile a questo scopo

Fortunatamente è possibile ruotare la matrice fattoriale delle saturazioni verso un’altra forma che è matematicamente equivalente alla matrice originale non ruotata A ma di più semplice interpretazione. Dopo aver estratto i fattori bisogna dunque ruotarli, cioè spostarne la posizione nello spazio (non è molto diverso da ruotare un barattolo per leggerne meglio l’etichetta) in modo tale che su di essi presentino saturazioni elevate solo poche variabili, mentre molte altre abbiano saturazioni basse o vicine allo zero.

La rotazione inoltre viene eseguita in modo che ogni singola variabile tenda a correlare solo con un fattore e per poco o nulla con tutti gli altri. Se durante la rotazione i fattori mantengono il vincolo dell’ortogonalità, continuano cioè ad essere non correlati, si parla di rotazioni ortogonali, altrimenti di rotazioni oblique.

Dopo il calcolo delle correlazioni, l’estrazione e la rotazione, al ricercatore non resta che cercare di interpretare i fattori, servendosi a tal fine di tutte le conoscenze disponibili riguardo alle variabili così come di ogni altra informazione pertinente. E’ buona regola cominciare l’interpretazione analizzando attentamente le variabili che presentano saturazioni più elevate nei fattori ruotati, in modo da determinare che cosa condividono e denominare così i fattori proprio sulla base del contenuto comune identificato.