Анализ данных в социологии. Учебное пособие

нагрузки) или его отсутствие вообще, при этом сильные корре­ляции может иметь только один фактор, – однофакторное рас­пределение. Последнее возможно, например, когда на предмет наличия определенного свойства проверяются несколько соци­альных групп, однако искомое свойство есть только у одной из них.

Факторы имеют две характеристики: объем объясняемой дисперсии и нагрузки. Если рассматривать их с точки зрения геометрической аналогии, то касательно первой отметим, что фактор, лежащий вдоль оси ОХ, может максимально объяснять 70 % дисперсии (первый главный фактор), фактор, лежащий вдоль оси ОY, способен детерминировать не более 30 % (второй главный фактор). То есть в идеальной ситуации вся дисперсия может быть объяснена двумя главными факторами с указанны­ми долями. В обычной ситуации может наблюдаться два или более главных факторов, а также остается часть неинтерпрети­руемой дисперсии (геометрические искажения), исключаемая из анализа по причине незначимости. Нагрузки, опять же с точки зрения геометрии, есть проекции от точек на оси ОХ и ОY (при трех- и более факторной структуре также на ось ОZ). Про­екции – это коэффициенты корреляции, точки – наблюдения, таким образом, факторные нагрузки являются мерами связи. Так как сильной считается корреляция с коэффициентом Пирсона R ≥ 0,7, то в нагрузках нужно уделять внимание только сильным связям. Факторные нагрузки могут обладать свойством бипо- лярности – наличием положительных и отрицательных показа­телей в одном факторе. Если биполярность присутствует, то по­казатели, входящие в состав фактора, дихотомичны и находятся в противоположных координатах.

Оценки ставились по семибалльной шкале: от полного не­согласия (1) до полного согласия (7).

Compo-

Extraction Method: Principal Component Analysis (Метод от­бора: Анализ главных компонентов).

Rotation Method: Varimax with Kaiser Normalization (Метод вращения: Варимакс с нормализацией Кайзера).

Как уже было сказано, эти факторные нагрузки следует по­нимать как корреляционные коэффициенты между переменны­ми и факторами. Так переменная a1 сильнее всего коррелирует с фактором 2, а именно, величина корреляции составляет 0,628, переменная а2 также сильнее всего коррелирует с фактором 2

Враждебность к иностранцам наносит вред экономике Гер­мании.

Первый фактор собрал все положения, враждебно настро­енные по отношению к иностранцам. На основании позитивных корреляционных коэффициентов участвующих переменных с фактором и принимая во внимание полярность значений пере-

Рассмотрим факторную переменную fac2_1. К ней относят­ся элементарные переменные: a1, a2, а5, а8, а9 и a11. В качестве метки для этого фактора мы выбрали выражение: «Доброжела­тельная позиция». Большое положительное значение фактора означает полное согласие. Полное согласие соответствует дру­желюбному отношению к иностранцам. И здесь рассмотрим два выборочных примера. Наблюдение 17 характеризуется очень малым значением фактора, которое составляет –3,32632. Осно­вываясь на значении этого фактора можно сделать вывод, что едва ли в этом случае присутствует доброжелательное отноше­ние к иностранцам. Соответственным образом ведут себя и от­дельные значения элементарных переменных (a1 = 1, а2 = 1,

дать низкого значения фактора, так как здесь наблюдается вы­сокое положительное факторное значение для факторной пере­менной fac1_1. В таком случае говорят, что существует отчет­ливая консистенция. По сравнению с предыдущим наблюдени­ем, наблюдение 6 характеризуется очень высоким положитель­ным значением факторной переменной fac2_1. Оно равно

факторного анализа?

признаков в матрицу с меньшим числом переменных, то кла­стерный анализ дает нам группы единиц анализа, т.е. выполня­ет классификацию объектов. Если в факторном анализе груп­пируются столбцы матрицы данных, то в кластерном анализе группируются строки.