ANALISIS FAKTOR EKSPLORASI

Apa itu Analisis Faktor Eksploratif?

Analisis faktor eksplorasi, sering disebut sebagai PUS, adalah teknik saling ketergantungan, seperti yang didefinisikan dalam Bab 1, yang tujuan utama adalah untuk menentukan struktur yang mendasari antara variabel dalam analisis.Jelas, variabel memainkan peran kunci dalam setiap analisis multivariat. Apakah kita membuat ramalan penjualan dengan regresi, memprediksi keberhasilan atau kegagalan perusahaan baru dengan analisis diskriminan, mengelompokkan pengamatan dengan analisis klaster atau menggunakan teknik multivariat lain yang dibahas dalam Bab 1, kita harus memiliki seperangkat variabel yang menjadi dasar membentuk hubungan (misalnya, Variabel apa yang paling baik memprediksi penjualan atau keberhasilan/kegagalan? Bagaimana kita membandingkan pengamatan untuk tujuan pengelompokan?). Dengan demikian, variabel adalah blok bangunan hubungan.

Secara garis besar, analisis faktor menyediakan alat untuk menganalisis struktur hubungan timbal balik (korelasi) di antara sejumlah besar variabel (misalnya, skor tes atau item, tanggapan kuesioner, pola penggunaan media sosial, pelacakan digital) dengan mendefinisikan set variabel yang sangat terkait, yang dikenal sebagaifaktor atau komponen. Kelompok variabel ini (faktor atau komponen), yang menurut definisi sangat saling terkait, diasumsikan mewakili dimensi dalam data. Jika kita hanya peduli dengan pengurangan jumlah variabel, maka dimensi dapat memandu dalam menciptakan ukuran komposit baru. Namun, jika kita memiliki dasar konseptual untuk memahami hubungan antar variabel, maka dimensi mungkin sebenarnya memiliki makna untuk apa yang mereka wakili secara kolektif.

Contoh Hipotetis Analisis Faktor Eksploratif

Asumsikan bahwa melalui penelitian kualitatif sebuah perusahaan ritel mengidentifikasi 80 karakteristik yang berbeda dari toko ritel dan layanan mereka yang disebutkan konsumen mempengaruhi pilihan patronase mereka di antara toko. Pengecer ingin memahami bagaimana konsumen membuat keputusan tetapi merasa tidak dapat mengevaluasi 80 karakteristik terpisah atau mengembangkan rencana tindakan untuk banyak variabel ini, karena terlalu spesifik. Pada saat yang sama, masalahnya sangat kompleks karena pengecer harus memahami masalah di dalam toko dan online. 

Akibatnya, pengecer ingin mengetahui apakah konsumen berpikir dalam dimensi evaluatif yang lebih umum daripada hanya item tertentu. Misalnya, konsumen mungkin menganggap tenaga penjual sebagai dimensi evaluatif yang lebih umum yang terdiri dari banyak karakteristik yang lebih spesifik, seperti pengetahuan, kesopanan, disukai, kepekaan, keramahan, suka membantu, dan sebagainya. Pada saat yang sama, dimensi di dalam toko cenderung berbeda dari dimensi online.

Proses Keputusan Analisis Faktor

Kami memusatkan diskusi analisis faktor eksplorasi pada paradigma pembangunan model enam tahap yang diperkenalkan pada Bab 1. Gambar 3.3 menunjukkan tiga tahap pertama dari pendekatan terstruktur untuk pembangunan model multivariat, dan Gambar 3.5 merinci tiga tahap terakhir, ditambah tambahan tahap (tahap 7) di luar estimasi, interpretasi, dan validasi model faktor, yang membantu dalam memilih variabel pengganti, menghitung skor faktor, atau membuat skala penjumlahan untuk digunakan dalam teknik multivariat lainnya. Sebuah diskusi dari setiap tahap berikut.

Tahap 1: Tujuan Analisis Faktor

Titik awal dalam analisis faktor, seperti halnya teknik statistik lainnya, adalah masalah penelitian. Tujuan umum dari teknik analitik faktor eksplorasi adalah untuk menemukan cara untuk memadatkan (meringkas) informasi yang terkandung dalam sejumlah variabel asli menjadi satu set yang lebih kecil dari dimensi atau variat komposit baru atau variat (faktor) dengan kehilangan informasi yang minimum — yaitu , untuk mencari dan mendefinisikan konstruksi atau dimensi fundamental yang diasumsikan mendasari variabel asli [25, 49]. Dalam memenuhi tujuannya, analisis faktor eksplorasi berfokus pada empat masalah: menentukan unit analisis, mencapai peringkasan data dan/atau reduksi data, pemilihan variabel, dan menggunakan hasil analisis faktor eksplorasi dengan teknik multivariat lainnya.

Tahap 2: Merancang Analisis Faktor eksplorasi

Desain analisis faktor eksplorasi melibatkan tiga keputusan dasar: (1) desain penelitian dalam hal jumlah variabel, sifat pengukuran variabel, dan jenis variabel yang diizinkan; (2) ukuran sampel yang diperlukan, baik secara absolut maupun sebagai fungsi dari jumlah variabel dalam analisis; dan (3) perhitungan data masukan (matriks korelasi) untuk memenuhi tujuan yang ditentukan dari pengelompokan variabel atau responden. Satu kelemahan dari pendekatan ini, bagaimanapun, adalah bahwa tidak ada cara bagi program untuk memastikan bahwa semua variabel dummy yang dibuat untuk variabel multi-kategori tunggal diwakili dalam satu faktor. Jika semua variabel adalah variabel dummy, maka bentuk khusus dari analisis faktor, seperti analisis faktor Boolean, lebih tepat.

Peneliti juga harus mempertimbangkan jumlah variabel yang akan dimasukkan, tetapi tetap mempertahankan jumlah variabel yang masuk akal per faktor. Jika studi sedang dirancang untuk menilai struktur yang diusulkan (yaitu, pengembangan skala), peneliti harus yakin untuk memasukkan beberapa variabel (lima atau lebih) yang dapat mewakili setiap faktor yang diusulkan. 

Kekuatan analisis faktor eksploratif terletak pada penemuan pola di antara kelompok variabel, dan tidak banyak gunanya dalam mengidentifikasi faktor yang hanya terdiri dari satu variabel. Akhirnya, ketika merancang sebuah penelitian untuk dianalisis faktor, peneliti harus, jika mungkin, mengidentifikasi beberapa variabel kunci (kadang-kadang disebut sebagai indikator kunci atau variabel penanda) yang secara dekat mencerminkan faktor faktor yang mendasari hipotesis.

Tahap 3: Asumsi dalam Analisis Faktor Eksploratif

Asumsi kritis yang mendasari analisis faktor eksplorasi lebih konseptual daripada statistik. Peneliti selalu memperhatikan pemenuhan persyaratan statistik untuk teknik multivariat apa pun, tetapi dalam analisis faktor eksplorasi, perhatian utama terpusat pada karakter dan komposisi variabel yang termasuk dalam analisis seperti pada kualitas statistiknya. Asumsi konseptual yang mendasari analisis faktor berhubungan dengan himpunan variabel yang dipilih dan sampel yang dipilih. Asumsi dasar dari analisis faktor adalah bahwa beberapastruktur yang mendasarinya memang adadalam set variabel yang dipilih. Kehadiran variabel berkorelasi dan definisi faktor selanjutnya tidak menjamin relevansi, bahkan jika memenuhi persyaratan statistik. Merupakan tanggung jawab peneliti untuk memastikan bahwa pola-pola yang diamati secara konseptual valid dan sesuai untuk dipelajari dengan analisis faktor eksplorasi, karena teknik ini tidak memiliki sarana untuk menentukan kesesuaian selain korelasi antar variabel. Misalnya, pencampuran variabel dependen dan independen dalam analisis faktor tunggal dan kemudian menggunakan faktor turunan untuk mendukung hubungan ketergantungan tidak tepat.

Tahap 4: Faktor Turunan dan Menilai Kecocokan secara keseluruhan

Setelah variabel ditentukan dan matriks korelasi disiapkan, peneliti siap untuk menerapkan analisis faktor eksplorasi untuk mengidentifikasi struktur hubungan yang mendasarinya (lihat Gambar 3.5). Dalam melakukannya, keputusan harus dibuat mengenai (1) metode penggalian faktor (analisis faktor umum versus analisis komponen utama) dan (2) jumlah faktor yang dipilih untuk mewakili struktur yang mendasari dalam data.

Pengujian Asumsi Analisis Faktor Eksplorasi 

● Fondasi konseptual yang kuat perlu mendukung asumsi bahwa struktur memang ada sebelum eksplorasi anallisis faktor dilakukan.

● Uji kebulatan Bartlett ang signifikan secara statistik  (sig, 0,50) menunjukkan bahwa ada korelasi yang cukupdi antara variabel untuk melanjutkan.

● Nilai ukuran kecukupan pengambilan sampel (MSA) harus melebihi 0,50 untuk pengujian keseluruhan dansetiap variabel individu; variabel dengan nilai kurang dari 0,50 harus dihilangkan dari analisis faktor satu per satu,dengan yang terkecil dihilangkan setiap kali

MEMILIH METODE EKSTRAKSI FAKTOR

Peneliti dapat memilih dari dua metode yang serupa, namun unik, untuk mendefinisikan (mengekstraksi) faktor-faktor untuk mewakili struktur variabel dalam analisis. Keputusan ini harus menggabungkan tujuan analisis faktor eksplorasi dengan pengetahuan tentang beberapa karakteristik dasar hubungan antar variabel. Sebelum membahas dua metode yang tersedia untuk mengekstraksi faktor, pengenalan singkat untuk mempartisi varians variabel disajikan. 

Partisi Varians Variabel

Pertama, ingat bahwa varians adalah nilai (yaitu, kuadrat deviasi standar) yang mewakili jumlah total dispersi nilai untuk variabel tunggal tentang meannya. Ketika suatu variabel berkorelasi dengan variabel lain, kita sering mengatakan variabel itu berbagi varians dengan variabel lain, dan jumlah pembagian antara dua variabel hanyalah korelasi kuadrat. Dalam analisis faktor eksplorasi, kami mengelompokkan variabel berdasarkan korelasinya, sehingga variabel dalam suatu kelompok (faktor) memiliki korelasi yang tinggi satu sama lain. Jadi, untuk tujuan analisis faktor eksplorasi, penting untuk memahami berapa banyak varians variabel yang dibagi dengan variabel lain dalam faktor tersebut versus apa yang tidak dapat dibagi (misalnya, tidak dapat dijelaskan). Varians total dari setiap variabel dapat dibagi (dipartisi).

Variansi Umum Versus Unik. Partisi pertama adalah antara varians umum dan unik. Varians umum adalah varians dalam variabel yang dibagi dengan semua variabel lain dalam analisis. Varians ini diperhitungkan (dibagi) berdasarkan korelasi variabel dengan semua variabel lain dalam analisis.

Varian Unik Terkomposisi Dari Varian Khusus Dan Kesalahan. Sementara varians unik bukanlah dasar utama untuk mengekstrak faktor, akan berguna untuk mencoba dan memahami dua sumber potensialnya spesifik dan kesalahan sehingga memahami cara di mana varians umum dapat ditingkatkan atau varians kesalahan dikurangi dengan cara tertentu.

Dengan demikian, varians total dari setiap variabel memiliki dua sumber dasar umum dan unik, dengan varians unik yang memiliki dua sub-bagian spesifik dan kesalahan. Sebagai variabel lebih tinggi berkorelasi dengan satu atau lebih variabel, varians umum (komunitas) meningkat. Namun, jika langkah-langkah yang tidak dapat diandalkan atau sumber lain

dari varians kesalahan asing diperkenalkan, maka jumlah varians umum yang mungkin dan kemampuan untuk menghubungkan variabel.

Analisis Faktor Umum Versus Analisis Komponen Utama Dengan pemahaman dasar tentang bagaimana varians dapat dipartisi, peneliti siap untuk mengatasi perbedaan antara dua metode, yang dikenal sebagai analisis faktor umum dan analisis komponen utama. Pemilihan satu metode di atas yang lain didasarkan pada dua kriteria: (1) tujuan analisis faktor dan (2) jumlah pengetahuan awal tentang varians dalam variabel. reduksi data adalah perhatian utama, dengan fokus pada jumlah minimum faktor yang diperlukan untuk diperhitungkan.

Analisis komponen utama digunakan ketika tujuannya adalah untuk meringkas sebagian besar informasi asli (varians) dalam sejumlah faktor minimum untuk tujuan prediksi. Sebaliknya, analisis faktor umum digunakan terutama untuk mengidentifikasi faktor atau dimensi yang mendasari yang mencerminkan kesamaan variabel.,

Analisis Komponen Utama juga dikenal sebagai analisis komponen, analisis ini mempertimbangkan varians total dan menurunkan faktor-faktor yang mengandung proporsi kecil varians unik dan, dalam beberapa kasus, varians kesalahan. Namun, beberapa faktor pertama tidak mengandung cukup varian unik atau kesalahan untuk mendistorsi struktur faktor secara keseluruhan. Secara khusus, dengan analisis komponen utama, kesatuan (nilai 1,0) dimasukkan ke dalam diagonal matriks korelasi, sehingga varians penuh dibawa ke dalam matriks faktor. Gambar 3.6 menggambarkan penggunaan varians total dalam analisis komponen utama dan perbedaannya jika dibandingkan dengan analisis faktor umum. Dengan demikian, varians total dari setiap variabel memiliki dua sumber dasar — umum dan unik, dengan varians unik yang memiliki dua sub-bagian — spesifik dan kesalahan. Sebagai variabel lebih tinggi berkorelasi dengan satu atau lebih variabel, varians umum (komunitas) meningkat. 

Namun, jika langkah-langkah yang tidak dapat diandalkan atau sumber lain dari varians kesalahan asing diperkenalkan, maka jumlah varians umum yang mungkin dan kemampuan untuk menghubungkan variabel Analisis Faktor Umum sebaliknya, ini hanya mempertimbangkan varians umum atau bersama, dengan asumsi bahwa varians unik dan kesalahan tidak menarik dalam mendefinisikan struktur variabel. Untuk menggunakan hanya varians umum dalam estimasi faktor, komunalitas (bukan kesatuan) dimasukkan ke dalam diagonal. Dengan demikian, faktor-faktor yang dihasilkan dari analisis faktor umum hanya didasarkan pada varians umum. Seperti yang ditunjukkan pada Gambar 3.6, analisis faktor umum mengecualikan sebagian varians yang termasuk dalam analisis komponen utama.

MENGHENTIKAN ATURAN: KRITERIA UNTUK NUMBER FAKTOR UNTUK DIEKSTRAK

Kriteria ini digabungkan dengan ukuran empiris dari struktur faktor. Sebuah dasar kuantitatif definitif untuk memutuskan jumlah faktor untuk mengekstrak belum dikembangkan. Namun, aturan penghentian berikut untuk jumlah faktor yang akan diekstraksi saat ini sedang digunakan;

● Kriteria A Priori Kriteria apriori adalah kriteria yang sederhana namun masuk akal dalam keadaan tertentu. Saat menerapkannya, peneliti sudah mengetahui berapa banyak faktor yang harus digali sebelum melakukan analisis faktor. Peneliti hanya menginstruksikan komputer untuk menghentikan analisis ketika jumlah faktor yang diinginkan telah diekstraksi. Pendekatan ini berguna ketika menguji teori atau hipotesis tentang sejumlah faktor yang akan diekstraksi.

● Kriteria Akar Laten Teknik yang paling umum digunakan adalah kriteria akar laten, juga dikenal sebagai aturan Kaiser. Teknik ini sederhana untuk diterapkan, dengan alasan bahwa setiap faktor individu harus memperhitungkan varians dari setidaknya satu variabel jika ingin dipertahankan untuk interpretasi.

● Analisis Paralel Semua aturan penghentian sebelumnya merupakan kriteria ad hoc yang digeneralisasikan di semua situasi. Analisis paralel dikembangkan [31] untuk membentuk aturan penghentian berdasarkan karakteristik spesifik (yaitu, jumlah variabel dan ukuran sampel) dari kumpulan data yang dianalisis. Prosedur ini menghasilkan sejumlah besar (misalnya, 500 atau 1000) kumpulan data simulasi dengan nilai acak untuk jumlah variabel dan ukuran sampel yang sama. Masing-masing set data simulasi ini kemudian dianalisis faktor, baik dengan komponen utama atau metode faktor umum, dan nilai eigen dirata-ratakan untuk setiap faktor di semua set data.

● Heterogenitas Responden Asumsi dari semua model faktor yang mempengaruhi jumlah faktor yang dipertahankan adalah bahwa varians bersama antara variabel meluas di seluruh sampel. Jika sampel heterogen berkaitan dengan setidaknya satu subset dari variabel, maka faktor pertama akan mewakili variabel-variabel yang lebih homogen di seluruh sampel. Variabel yang merupakan pembeda yang lebih baik antara subkelompok sampel akan dimuat pada faktor selanjutnya, berkali-kali yang tidak dipilih oleh kriteria yang dibahas sebelumnya [22].

ALTERNATIF KOMPONEN UTAMA DAN ANALISIS FAKTOR UMUM

Dalam hal ini, kami akan membahas secara singkat dua metode faktor eksplorasi tambahan yang digunakan: analisis faktor untuk data ordinal/kategoris, yang menghilangkan persyaratan untuk data metrik; dan pengelompokan variabel yang menggunakan pendekatan ekstraksi yang agak mirip dengan analisis klaster. Analisis komponen utama kategoris dan pengelompokan variabel hanyalah dua dari peningkatan jumlah  metode yang dikembangkan untuk pengurangan variabel, terutama dengan kumpulan data yang besar. Jumlah variabel yang tersedia untuk analisis dalam semua jenis pertanyaan penelitian, akademis dan komersial, yang terus meningkat, mendorong pengembangan metode ini dan metode lainnya. Para peneliti didorong untuk menyesuaikan diri dengan perkembangan teknik untuk “Mengelola Variasi”, baik dalam pengurangan variabel maupun pemilihan variabel

Tahap 5: Menafsirkan Faktor

Untuk membantu dalam proses menafsirkan struktur faktor dan memilih solusi faktor akhir, tiga proses mendasar dijelaskan. Dalam setiap proses, beberapa masalah substantif (rotasi faktor, signifikansi pemuatan faktor, dan interpretasi faktor) ditemukan. Dengan demikian, setelah masing-masing proses dijelaskan secara singkat, masing-masing proses tersebut akan dibahas lebih detail.

1. Perkirakan Matriks Faktor Pertama, matriks faktor awal yang tidak diputar dihitung, yang berisi beban faktor untu setiap variabel pada setiap faktor. Factor loadings adalah korelasi dari masing-masing variabel dan faktor.

2. Rotasi Faktor Jika interpretasi diinginkan, solusi faktor yang tidak diputar mencapai tujuan reduksi data, tetapi peneliti harus bertanya apakah solusi faktor yang tidak diputar (yang memenuhi persyaratan matematika yang diinginkan) akan memberikan informasi yang menawarkan interpretasi variabel yang paling memadai dalam pemeriksaan. Dalam kebanyakan kasus, jawaban untuk pertanyaan ini adalah tidak, karena rotasi faktor (diskusi yang lebih rinci akan dibahas di bagian berikutnya) harus menyederhanakan struktur faktor (yaitu, setiap variabel memiliki beban tinggi hanya pada satu faktor). Oleh karena itu, peneliti selanjutnya menggunakan metode rotasi untuk mencapai solusi faktor yang lebih sederhana dan secara teoritis lebih bermakna.

3. Interpretasi dan Respesifikasi Faktor Sebagai proses akhir, peneliti mengevaluasi beban faktor (berputar) untuk setiap variabel untuk menentukan peran dan kontribusi variabel tersebut dalam menentukan struktur faktor.

Penyesuaian Berdasarkan Jumlah Variabel

Kerugian dari kedua pendekatan sebelumnya adalah bahwa nomor variabel yang dianalisis dan faktor spesifik yang diperiksa tidak di pertimbangkan. Telah ditunjukkan bahwa sebagai peneliti bergerak dari faktor pertama ke faktor selanjutnya, tingkat yang dapat diterima untuk pemuatan yang dinilai signifikan harus meningkat. Banyaknya variabel yang dianalisis adalah juga penting dalam memutuskan beban mana yang signifikan. Dengan bertambahnya jumlah variabel yang dianalisis, tingkat yang dapat diterima untuk mempertimbangkan pemuatan menurun secara signifikan. Penyesuaian untuk jumlah variabel semakin penting ketika seseorang berpindah dari faktor pertama yang diekstraksi ke faktor selanjutnya

INTERPRETASI MATRIKS FAKTOR

Tugas menafsirkan matriks pemuatan faktor untuk mengidentifikasi struktur di antara variabel-variabel pada mulanya dapat tampak berlebihan. Peneliti harus memilah-milah semua beban faktor untuk mengidentifikasi yang paling indikatif dari struktur yang mendasarinya. Bahkan analisis yang cukup sederhana dari 15 variabel pada empat faktor memerlukan evaluasi dan interpretasi 60 faktor pembebanan. Menggunakan kriteria untuk menafsirkan beban yang dijelaskan di bagian sebelumnya, peneliti menemukan variabel-variabel yang berbeda untuk setiap faktor dan mencari korespondensi dengan landasan konseptual atau harapan manajerial untuk penelitian untuk menilai signifikansi praktis.

Tidak ada cara terbaik untuk mendefinisikan struktur sederhana, tetapi Thurstone memaparkan beberapa pedoman umum yang jika dicapai memberikan solusi faktor yang mudah ditafsirkan:

1. Setiap variabel: harus memiliki setidaknya satu pemuatan yang sangat rendah (di bawah ± .10).

2. Setiap faktor: harus memiliki paling sedikit beban yang sangat rendah sebanyak faktor yang ada.

3. Setiap pasangan faktor:

a. Beberapa variabel memiliki beban yang signifikan (lebih besar dari .3 atau .4) pada satu faktor dan sangat rendah di sisi lain.

b. Persentase substansial dari beban yang sangat rendah pada setiap faktor ketika ada empat atau lebih faktor.

c. Pembebanan silang yang relatif sedikit (yaitu, variabel dengan pembebanan signifikan pada setiap faktor).

Mencapai struktur sederhana dalam banyak kasus tidak sepenuhnya tercapai, tetapi selalu merupakan tujuan yang diinginkan untuk ditingkatkan kemampuan interpretasi. Dalam semua kasus itu membutuhkan kombinasi penerapan kriteria objektif dengan penilaian manajerial. Dengan mengikuti prosedur lima langkah yang diuraikan selanjutnya, prosesnya dapat disederhanakan secara signifikan. 

Setelah proses adalah dibahas, contoh singkat akan digunakan untuk menggambarkan proses.

1. Langkah 1: Periksa Matriks Faktor Pemuatan

2. Langkah 2: Identifikasi Pemuatan Signifikan untuk Setiap Variabel

3. Langkah 3: Nilai Komunalitas Variabel

4. Langkah 4: Tentukan Ulang Model Faktor jika Diperlukan

5. Langkah 5: Labeli Faktornya

TAHAP 6 : VALIDASI ANALISIS FAKTOR EKSPLORATIF

Tahap keenam melibatkan penilaian tingkat generalisasi hasil untuk populasi dan potensi pengaruh kasus individu atau responden pada hasil keseluruhan. Masalah generalisasi sangat penting untuk masing-masing metode multivariat, tetapi sangat relevan untuk metode interdependensi analisis faktor eksplorasi dan analisis cluster karena mereka menggambarkan struktur data yang harus mewakili populasi sebagai utuh. Dalam proses validasi, peneliti harus mengatasi sejumlah masalah di bidang desain penelitian dan karakteristik data seperti yang dibahas selanjutnya.

TAHAP 7 : REDUKSI DATA PENGGUNAAN TAMBAHAN FAKTOR EKSPLORATORI HASIL ANALISA

Dalam bab ini kita telah berfokus pada proses peringkasan data, yang melibatkan pemilihan model faktor yang akan digunakan, jumlah faktor yang harus dipertahankan, dan kemungkinan proses interpretasi. Mungkin contoh di mana peringkasan data akan cukup dengan memberikan dasar empiris untuk menilai struktur variabel dan dampak struktur ini ketika menafsirkan hasil dari teknik multivariat lainnya. Salah satunya digunakan adalah sebagai pemeriksaan awal data sebelum analisis faktor konfirmatori. Tetapi dalam kebanyakan situasi lain, peneliti akan terlibat dalam peringkasan data dan kemudian melanjutkan ke reduksi data. Di sini tujuannya adalah untuk secara umum memperluas hasil faktor dengan membuat variabel "pengganti" yang sesuai yang mewakili setiap faktor untuk selanjutnya aplikasi untuk teknik statistik lainnya. 

Kedua opsi tersebut antara lain sebagai berikut:

- Memilih variabel dengan pemuatan faktor tertinggi sebagai perwakilan pengganti untuk faktor tertentu dimensi.

- Mengganti set variabel asli dengan set variabel yang sama sekali baru dan lebih kecil yang dibuat dari penjumlahan skala atau skor faktor.

Jika kekurangan ditemukan (yaitu, cross-loading atau faktor dengan hanya satu variabel), respesifikasi faktor dipertimbangkan. Setelah faktor difinalisasi, faktor tersebut dapat dijelaskan berdasarkan beban faktor signifikan yang mencirikan masing-masing faktor. 

LANGKAH 1: MEMERIKSA MATRIKS FAKTOR PEMBEBANAN UNTUK MATRIKS FAKTOR YANG TIDAK BEROTASI

Pembebanan faktor, baik pada matriks faktor yang tidak diputar maupun yang dirotasi, mewakili derajat asosiasi (korelasi) setiap variabel dengan masing-masing faktor. Pembebanan mengambil peran kunci dalam interpretasi faktor, terutama jika digunakan dengan cara yang memerlukan karakterisasi untuk makna substantif dari faktor (misalnya, sebagai variabel prediktor dalam hubungan ketergantungan). Tujuan dari analisis faktor dalam kasus ini adalah untuk memaksimalkan asosiasi setiap varian melalui rotasi matriks faktor.

LANGKAH 2: IDENTIFIKASI PEMBEBANAN SIGNIFIKAN DALAM MATRIKS FAKTOR YANG TIDAK DIROTASI

Faktor pertama menyumbang jumlah varian terbesar. Faktor kedua (faktor umum) yaitu setengah dari variabel yang memiliki beban tinggi (lebih besar dari 0,40). Faktor ketiga memiliki dua beban tinggi. Dan faktor keempat hanya memiliki satu beban tinggi. Berdasarkan pola pembebanan faktor dengan jumlah pembebanan tinggi yang relatif besar pada faktor 2 dan hanya satu pembebanan tinggi pada faktor 4, interpretasi akan sulit dan secara teoritis kurang bermakna. Oleh karena itu, harus melanjutkan untuk memutar atau merotasi matriks faktor untuk mendistribusikan kembali varian dari faktor sebelumnya ke faktor selanjutnya. Rotasi harus menghasilkan pola faktor yang lebih sederhana dan secara teoritis lebih bermakna. Namun, sebelum melanjutkan proses rotasi, harus memeriksa komunalitas untuk melihat apakah ada variabel yang memiliki komunalitas sangat rendah sehingga harus dihilangkan.

LANGKAH 3: MENILAI KOMUNALITAS DARI VARIABEL DALAM MATRIKS FAKTOR YANG TIDAK BEROTASI

Ukuran komunalitas adalah indeks yang berguna untuk menilai seberapa banyak varian dalam variabel tertentu yang diperhitungkan oleh solusi faktor. Jumlah baris dari pembebanan faktor kuadrat disebut sebagai komunalitas. Komunalitas menunjukkan jumlah varian dalam variabel yang diperhitungkan oleh semua faktor yang dipertahankan secara bersama-sama. Nilai komunalitas yang lebih tinggi menunjukkan bahwa banyak varian dalam variabel telah diekstraksi oleh solusi faktor.

Komunalitas kecil menunjukkan bahwa sebagian besar varian variabel tidak diperhitungkan oleh faktor. Meskipun tidak ada pedoman statistik yang menunjukkan secara tepat apa yang "besar" atau "kecil", pertimbangan praktis konsisten dengan tingkat yang lebih rendah dari 0,50 untuk komunalitas dalam analisis ini.

LANGKAH 2 DAN 3: MENILAI PEMBEBANAN FAKTOR YANG SIGNIFIKAN DAN KOMUNALISITAS MATRIKS FAKTOR YANG BERPUTAR

Matriks faktor yang tidak berputar tidak memiliki rangkaian pembebanan faktor yang benar-benar bersih (yaitu, memiliki pembebanan silang yang substansial atau tidak memaksimalkan pembebanan dari setiap variabel pada satu faktor), teknik rotasi dapat diterapkan untuk diharapkan meningkatkan interpretasi.

Pembebanan faktor untuk setiap variabel dimaksimalkan untuk setiap variabel pada satu faktor, kecuali dalam kasus pembebanan silang. Jika masih ada masalah (yaitu, pembebanan tidak signifikan untuk satu atau lebih variabel, pembebanan silang, atau komunalitas yang tidak dapat diterima), maka harus mempertimbangkan respesifikasi analisis faktor melalui serangkaian opsi yang dibahas sebelumnya.

Pemeriksaan pertama adalah untuk melihat apakah "struktur sederhana" ditemukan dalam solusi faktor yang diputar. Solusi dievaluasi dari perspektif masing-masing variabel, setiap faktor dan setiap pasangan faktor.

LANGKAH 4: RESPESIFIKASI MODEL FAKTOR YANG DIBUTUHKAN

Meskipun matriks faktor yang dirotasi ditingkatkan dengan kesederhanaan pemuatan faktor, pemuatan silang pada faktor 1 dan 4 memerlukan tindakan. Tindakan yang mungkin dilakukan termasuk mengabaikan pemuatan silang, menghapus X untuk menghilangkan pemuatan silang, menggunakan teknik rotasi lain, atau mengurangi jumlah faktor.

Sedangkan untuk menggunakan teknik rotasi lain, analisis tambahan menunjukkan bahwa metode ortogonal lainnya (QUARTIMAX dan EQUIMAX) masih memiliki masalah mendasar ini. Jumlah faktor tidak boleh dikurangi karena varian yang dijelaskan relatif besar untuk faktor keempat. Pembebanan faktor untuk 10 variabel tetap hampir identik, menunjukkan pola yang sama dan nilai yang hampir sama untuk pembebanan. Dengan pola pembebanan yang disederhanakan (semua pada tingkat yang signifikan), semua komunalitas di atas 50 persen (dan paling jauh lebih tinggi), dan tingkat keseluruhan varians yang dijelaskan cukup tinggi, solusi empat faktor diterima, dengan hasil akhir langkah yang menggambarkan faktor-faktor tersebut.

LANGKAH 5: PENAMBAHAN FAKTOR-FAKTOR

Prosesnya melibatkan interpretasi substantif dari pola pembebanan faktor untuk variabel, termasuk tanda-tandanya, dalam upaya untuk memberi nama masing-masing faktor. Sebelum interpretasi, tingkat signifikansi minimum yang dapat diterima untuk pembebanan faktor harus dipilih. Kemudian, semua pembebanan faktor yang signifikan biasanya digunakan dalam proses interpretasi. Variabel dengan beban yang lebih tinggi mempengaruhi sebagian besar nama atau label yang dipilih untuk mewakili suatu faktor. Pola variabel yang ditandai dengan beban tinggi untuk setiap faktor terlihat jelas.

RINGKASAN INTERPRETASI FAKTOR

Baik rotasi ortogonal dan miring menghasilkan solusi yang dapat diterima yang memenuhi pedoman "struktur sederhana" dan mudah diinterpretasikan. Solusi tiga faktor tidak memenuhi semua pedoman struktur sederhana dan masih memiliki beban silang yang signifikan. Solusi lima faktor juga kurang cocok karena masih memiliki beban silang dan faktor kelima hanya memiliki satu beban yang signifikan. Meneliti dua solusi faktor alternatif ini memberikan dukungan tambahan untuk solusi empat faktor.

MEMILIH VARIABEL PENGGANTI UNTUK ANALISIS BERIKUTNYA

Dalam memilih satu variabel untuk mewakili seluruh faktor, lebih baik menggunakan rotasi ortogonal untuk memastikan bahwa, sejauh mungkin, variabel yang dipilih tidak berkorelasi satu sama lain. Jika tidak memiliki bukti apriori yang menunjukkan bahwa reliabilitas atau validitas untuk salah satu variabel lebih baik daripada yang lain, dan jika tidak ada yang secara teoritis lebih bermakna untuk interpretasi faktor, maka akan memilih variabel dengan beban tertinggi.

MENCIPTAKAN SKALA RINGKASAN

Skala summated adalah nilai gabungan untuk sekumpulan variabel yang dihitung dengan prosedur sederhana seperti mengambil rata-rata variabel dalam skala. Ini sangat mirip dengan variasi dalam teknik multivariat lainnya, kecuali bahwa bobot untuk setiap variabel diasumsikan sama dalam prosedur rata-rata. Dengan cara ini, setiap responden akan memiliki empat variabel baru (jumlah skala untuk faktor 1, 2, 3, dan 4) yang dapat menggantikan 13 variabel asli dalam teknik multivariat lainnya.

Analisis faktor eksplorasi membantu dalam pembangunan skala summated dengan mengidentifikasi dimensi variabel (mendefinisikan faktor), yang kemudian membentuk dasar untuk nilai komposit jika memenuhi kriteria konseptual dan empiris tertentu. Setelah konstruksi aktual dari skala yang dijumlahkan, yang mencakup skor terbalik dari variabel bertanda berlawanan (lihat diskusi sebelumnya), skala juga harus dievaluasi untuk reliabilitas dan validitas jika memungkinkan.

PENGGUNAAN SKOR FAKTOR

Alih-alih menghitung skala yang dijumlahkan, dapat dihitung skor faktor untuk masing-masing dari empat faktor dalam analisis komponen utama kami. Skor faktor berbeda dari skala penjumlahan karena skor faktor didasarkan langsung pada pemuatan faktor, yang berarti bahwa setiap variabel berkontribusi pada skor faktor berdasarkan ukuran pemuatannya (daripada menghitung skor skala penjumlahan sebagai rata-rata variabel yang dipilih dengan beban tinggi). 

MEMILIH ANTARA METODE PENGURANGAN DATA

Jika variabel asli akan diganti dengan variabel pengganti, skor faktor, atau skala penjumlahan, keputusan harus dibuat tentang mana yang akan digunakan. Keputusan ini didasarkan pada kebutuhan akan kesederhanaan (yang mendukung variable pengganti) versus replikasi dalam penelitian lain (yang mendukung penggunaan skala yang dijumlahkan) versus keinginan untuk ortogonalitas ukuran (yang mendukung skor factor).

Meskipun mungkin tergoda untuk menggunakan variabel pengganti, preferensi di antara lain adalah penggunaan skala yang dijumlahkan atau, pada tingkat yang lebih rendah, skor faktor. Dari perspektif empiris, dua ukuran komposit pada dasarnya identik. Keputusan akhir terletak pada kebutuhan akan ortogonalitas versus replikabilitas dalam memilih skor faktor versus skala yang dijumlahkan.

ANALISIS FAKTOR UMUM: TAHAP 4 DAN 5

Perbedaan utama antara analisis komponen utama dan analisis faktor umum adalah bahwa yang terakhir hanya mempertimbangkan varian umum yang terkait dengan serangkaian variabel. Tujuan ini dicapai dengan memfaktorkan matriks korelasi yang “direduksi” dengan perkiraan komunalitas awal dalam diagonal alih-alih kesatuan. Perbedaan antara analisis komponen utama dan analisis faktor umum hanya terjadi pada tahap estimasi dan interpretasi faktor (tahap 4 dan 5). Setelah komunalitas diganti pada diagonal, model faktor umum mengekstrak faktor dengan cara yang mirip dengan analisis komponen utama.

Tahap 4: Menurunkan Faktor dan Menilai Kecocokan Keseluruhan.

Matriks korelasi tereduksi dengan komunalitas pada diagonal digunakan dalam analisis faktor umum. Perbedaan utama antara analisis komponen utama dan analisis faktor umum adalah beban yang umumnya lebih rendah dalam analisis faktor umum, terutama karena komunalitas yang lebih rendah dari variabel yang digunakan dalam analisis faktor umum. Bahkan dengan sedikit perbedaan dalam pola pembebanan ini, interpretasi dasarnya adalah identik antara analisis komponen utama dan analisis faktor umum.

TINJAUAN MANAJERIAL DARI HASIL

Penting untuk diingat bahwa variabel yang dikeluarkan dari analisis faktor eksplorasi tidak selalu "buruk" atau kurang, hanya saja mereka tidak berkorelasi dengan baik dengan item lain yang termasuk dalam analisis dan mungkin ukuran variabel tunggal dari dimensi lain yang tidak diwakili oleh variabel yang tersisa, atau mereka mungkin menyarankan konsep lain yang perlu dinilai dengan dimensi multi-item baru. Ketika analisis faktor eksplorasi digunakan sebagai pendahulu untuk analisis faktor konfirmatori dalam pengembangan skala, hal itu menyediakan sarana untuk mengidentifikasi variabel yang tidak sesuai dengan model konfirmasi (misalnya, pemuatan silang yang signifikan) dan menyediakan alat penyaringan yang efisien dalam analisis tersebut.

Analisis faktor eksplorasi (EFA) dapat menjadi teknik statistik multivariat yang sangat berguna dan kuat untuk mengekstraksi informasi secara efektif dari kumpulan besar data yang saling terkait. Tujuan utama dari analisis faktor eksplorasi adalah untuk menentukan struktur yang mendasari di antara variabel-variabel dalam analisis. Sebagai teknik interdependensi, analisis faktor mencoba mengidentifikasi struktur (pengelompokan antar variabel) berdasarkan hubungan yang direpresentasikan dalam matriks korelasi. Ini adalah alat yang ampuh untuk lebih memahami struktur data, dan juga dapat digunakan untuk menyederhanakan analisis sekumpulan besar variabel dengan menggantinya dengan variabel komposit.

Tujuh tahap penerapan analisis faktor eksplorasi meliputi:

1.  Mengklarifikasi tujuan analisis faktor

2.  Merancang analisis faktor, termasuk pemilihan variabel dan ukuran sampel

3.  Asumsi analisis faktor eksplorasi

4.  Menurunkan faktor dan menilai kecocokan keseluruhan, termasuk model faktor mana untuk menggunakan dan jumlah faktor

5.  Memutar dan menafsirkan faktor

6.  Validasi solusi analisis faktor eksplorasi

7.  Penggunaan tambahan hasil analisis faktor eksplorasi, seperti memilih variabel pengganti, membuat skala penjumlahan, atau menghitung skor.

Penggunaan utama dari analisis faktor eksplorasi adalah untuk mengembangkan struktur antar variabel, yang disebut sebagai analisis faktor R. Analisis faktor juga dapat digunakan untuk mengelompokkan kasus dan kemudian disebut sebagai analisis faktor Q. Analisis faktor Q mirip dengan analisis cluster. Perbedaan utama adalah bahwa analisis faktor Q menggunakan korelasi sebagai ukuran kesamaan sedangkan analisis klaster didasarkan pada ukuran jarak.

Tiga jenis varians dipertimbangkan ketika menerapkan analisis faktor eksplorasi : varian umum dan varian unik, yang dapat dibagi lagi menjadi varians spesifik dan kesalahan. Ketika menambahkan tiga jenis varians bersama-sama, akan mendapatkan total varians. Masing-masing dari dua metode mengembangkan solusi faktor menggunakan jenis varians yang berbeda. Analisis komponen utama, juga dikenal sebagai analisis komponen, mempertimbangkan varian total, menurunkan faktor-faktor yang berfokus pada varian umum tetapi juga mengandung proporsi kecil dari varians spesifik dan, dalam beberapa kasus, varians kesalahan.

Analisis faktor umum hanya didasarkan pada varian umum (bersama) dan mengasumsikan bahwa varian unik dan kesalahan tidak menarik dalam mendefinisikan struktur variabel. Ini lebih berguna dalam proses pengembangan skala (yaitu, mengidentifikasi konstruksi laten). Kedua metode pada dasarnya mencapai hasil yang sama dalam banyak situasi penelitian. Keputusan penting dalam analisis faktor eksplorasi adalah jumlah faktor yang harus dipertahankan untuk interpretasi dan penggunaan lebih lanjut.

Mungkin alat yang paling penting dalam menafsirkan faktor adalah rotasi faktor. Istilah rotasi berarti bahwa sumbu acuan dari faktor-faktor diputar ke titik asal sampai beberapa posisi lain tercapai. Dua jenis rotasi adalah ortogonal dan miring. Solusi faktor yang tidak dirotasi mengekstrak faktor dalam urutan kepentingannya, dengan faktor pertama menjadi faktor umum dengan hampir setiap variabel memuat secara signifikan dan menghitung jumlah varians terbesar. Faktor kedua dan selanjutnya didasarkan pada jumlah varians yang tersisa, dengan masing-masing memperhitungkan porsi varians yang lebih kecil. Efek akhir dari memutar matriks faktor adalah untuk mendistribusikan kembali varians dari faktor sebelumnya ke faktor selanjutnya untuk mencapai pola faktor yang lebih sederhana dan secara teoritis lebih bermakna.

Rotasi faktor membantu dalam interpretasi faktor dengan menyederhanakan struktur melalui pemaksimalan beban signifikan dari variabel pada satu faktor. Dengan cara ini, variabel yang paling berguna dalam mendefinisikan karakter setiap faktor dapat dengan mudah diidentifikasi. Variabel dengan beban yang lebih tinggi dianggap lebih penting dan memiliki pengaruh yang lebih besar pada nama atau label yang dipilih untuk mewakili suatu faktor. Variabel signifikan untuk faktor tertentu diperiksa dengan lebih menekankan pada variabel dengan beban yang lebih tinggi, nama atau label diberikan ke faktor yang secara akurat mencerminkan variabel yang memuat faktor tersebut. Adanya pembebanan silang (yaitu, variabel dengan pembebanan signifikan pada lebih dari satu faktor) dapat mengindikasikan penghapusan variabel tersebut dari analisis karena tidak mewakili struktur sederhana dan mempersulit proses penamaan.

Salah satu pilihan reduksi data dari analisis faktor eksploratif adalah memilih satu variabel (pengganti) dengan pemuatan faktor tertinggi. Pilihan kedua untuk reduksi data adalah menghitung skala penjumlahan, di mana variabel dengan beban faktor tertinggi dijumlahkan. Skor penjumlahan tunggal mewakili faktor tersebut, tetapi hanya variabel yang dipilih yang berkontribusi pada skor komposit. Opsi ketiga untuk reduksi data adalah menghitung skor faktor untuk setiap faktor, di mana setiap variabel berkontribusi terhadap skor berdasarkan pemuatan faktornya. Ukuran tunggal ini adalah variabel komposit yang mencerminkan kontribusi relatif semua variabel terhadap faktor tersebut. Jika skala yang dijumlahkan valid dan reliabel, itu mungkin yang terbaik dari ketiga alternatif reduksi data ini.

Seperti prosedur statistik lainnya, analisis faktor eksplorasi dimulai dengan sekumpulan data yang tidak sempurna. Ketika data bervariasi karena perubahan sampel, proses pengumpulan data, atau berbagai jenis kesalahan pengukuran, hasil analisis juga dapat berubah. Oleh karena itu, hasil dari setiap analisis tunggal kurang dapat diandalkan. Analisis faktor eksplorasi adalah subjek yang jauh lebih kompleks dan terlibat daripada yang mungkin ditunjukkan di sini. Masalah ini sangat penting karena hasil dari solusi analitik faktor tunggal sering kali terlihat masuk akal. Penting untuk ditekankan bahwa masuk akal bukanlah jaminan validitas atau stabilitas.