CERITA 27: Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA

 CERITA 27: Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA

Assalamualaikum, apa khabar semua pembaca, salam PKP 2.0. Sama-sama kita berdoa agar wabak Covid-19 segera berakhir.

Kali ni saya nak sambung cerita pasal Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA. Ada yang dalam BM ditulis Analisis Faktor Penerokaan. 

Entry sebelum ini saya pernah berkongsi berkenaan kaedah putaran dalam EFA. Boleh rujuk balik di SINI.

Hari ni saya nak sambung lagi cerita pasal article yang saya baca ini ditulis oleh Yong (2013). Kalau rajin boleh baca. Cuma nak ringkaskan beberapa penemuan:

Selepas kita buat rotated component matrix, dan lihat keputusan tersebut, jika ada 2 item sahaja dalam 1 faktor, berikut pandangan dalam artikel ini:

• Sesuatu faktor itu boleh dikatakan sebagai faktor sekiranya ia mempunyai sekurang-kurangnya tiga item (Tabahnick & Fidell, 2007)
• Secara umumnya, faktor terputar yang mempunyai dua item atau kurang perlu diterjemahkan dengan lebih berhati-hati.
• Faktor yang mempunyai dua item di dalamnya dikatakan boleh dipercayai sekiranya ia berkorelasi tinggi antara satu sama lain (r > 0.70) dan berkorelasi sederhana dengan item yang lain (Yong, 2013).

Jadi maksudnya, kalau syarat ke-3 tu tak penuhi, bolehlah kita pertimbangkan untuk gugurkan kedua-dua item tu.

Nilai komunaliti (communalities)

Nilai communalities item juga harus kita pertimbangkan. Pemboleh ubah/ item dengan nilai communalities yang rendah (< 0.20) seharusnya digugurkan (Child, 2006).

Pengekstrakan faktor

Ada beberapa kaedah, tetapi 3 kaedah yang biasa digunakan adalah:

1) Maximum likelihood (kebolehjadian maksimum) : lebih berguna untuk analisis faktor pengesahan (CFA) dan digunakan untuk menganggar pemberat  faktor untuk populasi.

2) Principal Axis Factor : dengan kefahaman bahawa kesemua pemboleh ubah berada pada faktor pertama. Apabila faktor diekstrak, matriks ralat diukur. Faktor kemudiannya diekstrak secara berterusan sehingga terdapat sejumlah besar varians yang dikira dalam matriks korelasi (Tucker & MacCallum, 1997). Kaedah ini lebih sesuai sekiranya data tidak mengikuti andaian taburan multivariat normal (multivariate normality assumption)

3) Principal component : Merupakan teknik pengurangan data. Kaedah ini digunakan untuk mengekstrak varians maksimum daripada data daripada setiap komponen, maka ia mengurangkan sejumlah besar pemboleh ubah kepada komponen yang lebih kecil (Tabachnick & Fidell, 2007).

Ok, sampai di sini dahulu. Sebenarnya banyak nak cerita pasal EFA ni lagi, tp tunggu ada kesempatan saya update lagi.

Semoga bermanfaat. Terima kasih.

Rujukan:

Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Boston, MA: Allyn & Bacon. 

Tucker, L.R., & MacCallum, R.C. (1997). Exploratory factor analysis. Retrieved March 27, 2012 from http://www.unc.edu/~rcm/book/ch7.pdf

Yong AG, Pearce S. A beginner’s guide to factor analysis: focusing on exploratory factor analysis. Tutorials in Quantitative Methods for Psychology 2013; 9(2):79–94

CERITA 26: Indeks Kesepadanan Persamaan Pemodelan Berstruktur (Fit Indices SEM)

CERITA 26: Indeks Kesepadanan Persamaan Pemodelan Berstruktur (Fit Indices SEM)

Salam semua pembaca, alhamdulillah berjumpa lagi di tahun 2020.

Saya nak kongsikan paper ini berkenaan panduan dalam menentukan model fit dalam SEM.


Boleh baca di sini: http://www.stats.ox.ac.uk/~snijders/mpr_Schermelleh.pdf

Rujukan

Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the fi t of structural equation models: Tests of signifi cance and descriptive goodness-of-fi t measures. Methods of Psychological Research Online, 8, 23–74

CERITA 25: Ujian Levene signifikan? (Significant Levene Test)

CERITA 25: Ujian Levene signifikan? (Significant Levene Test)


Apa itu Ujian Levene? Ujian ini diperkenalkan oleh Profesor Howard Levene pada tahun 1960, di mana selepas itu ujian ini dikatakan sebagai penemuan yang hebat sehingga kajiannya masih lagi dijadikan rujukan sehingga kini, melebihi separuh abad lamanya. Ini kerana ujian Levene dikatakan teguh (robust) terhadap data yang tidak mengikuti taburan normal.
Beliau meninggal dunia pada Julai 2003. Boleh baca artikel lanjut tribute kepada beliau di SINI.


Ujian Levene digunakan apabila pengkaji ingin menggunakan ujian parametrik seperti ujian- t , ANOVA dan sebagainya. Sebelum ujian tersebut digunakan, pengkaji terlebih dahulu perlu menyemak samada andaian kehomogenan (kesamaan) varians adalah dipenuhi.

Hipotesis dalam ujian Levene ditakrifkan seperti berikut:

Hipotesis nol: varians adalah homogen
Hipotesis alternatif: varians adalah tidak homogen

Nilai-p dalam ujian Levene seharusnya tidak signifikan (nilai-p > 0.05), iaitu membolehkan hipotesis nol diterima. Ini bermaksud andaian kehomogenan varians dipenuhi. Maka kita dapat teruskan dengan ujian t /ANOVA.

Tetapi bagaimana pula jika nilai-p adalah signifikan bagi Ujian Levene tadi? Jangan risau, kerana ada ujian alternatif kita dapat gunakan iaitu Welch test (Delacre et al 2017)

Cara untuk run adalah seperti berikut : Analyze > Compare mean > 1 way ANOVA > Options > Statistics 'Welch' > OK.

Apabila keluar jadual output, guna nilai 'sig.' untuk interpret data anda.

Selamat mencuba.


Rujukan:
Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch's t-test instead of student's t-test. International Review of Social Psychology, 30(1), 92-101. DOI: 10.5334/irsp.82

Gastwirth, J.L., Yulia, G. R., and Miao, W. (2009). The Impact of Levene’s Test of Equality of Variances on Statistical Theory and Practice. Statist. Sci.Volume 24, Number 3 (2009), 343-360.