§ 2.4. Обоснование методов анализа данных: проведение факторного и кластерного анализа, построение таблицы сопряженности

Основными методами анализа, применяемыми для решения исследовательских задач в данной работе, являются факторный и кластерный анализ.

Факторный анализ – это статистический метод, используемый для сокращения совокупности используемых переменных. В нашем случае с его помощью мы составляем новый набор переменных - факторов, которые «позволяют аппроксимировать корреляции между исходными переменными»³³. Применение факторного анализа является корректным при условии, что исходные переменные достаточно сильно коррелированны. Поэтому для проверки адекватности построенной модели мы применяли дополнительные тесты (КМО и Барлетта). Мы считаем применение факторного анализа в данной курсовой работе оправданным, т.к. нам необходимо выявить структуру установок в отношении работы, которые демонстрируют разные группы работников, и сравнить их.

Факторный анализ позволяет нам при сжатии матрицы исходных признаков (установок и ожиданий в отношении работы) в матрицу с меньшим числом переменных (превалирующие установки и ожидания), сохранить, как замечает П. С. Ростовцев, «почти ту же самую информацию, что и исходная матрица»³⁴. В основе моделей факторного анализа лежит гипотеза, что исходные переменные являются косвенными проявлениями небольшого числа скрытых факторов (в нашем случае, превалирующих установок в отношении работы).

Стоит заметить, что, несмотря на широко распространенную практику применения факторного анализа, этот метод вызывает в среде научного сообщества больше споров, чем многие другие статистические процедуры. Особенность использования данного метода заключается в том, что невозможно единожды запустив данную процедуру получить адекватную факторную модель, имеющую право на существование. Исследователю надо быть готовым к тому, что факторный анализ потребует эмпирического поиска адекватного для модели числа переменных, с неоднократным добавлением новых и исключением старых переменных, прежде чем будут получены полезные результаты.

В настоящей курсовой работе перед исследователем стоит следующая инструментальная задача: кластеризовать группы установок-экспектаций работников в отношении работы. Другими словами, разбить факторы, представляющие собой совокупность ожиданий в отношении работы на группы-кластеры, включающие в себя работников с определенными «профессионально-рабочими» чертами.

В литературе, посвященной практике применения SPSS, мы встречаем следующее определение данного метода: кластерный анализ является «многомерной процедурой для обнаружения групп подобных объектов»³⁵. Кластеризация адекватна поставленной в данной работе задаче, поскольку разбивает данные об установках и ожиданиях в отношении работы на классы работников, для которых будут характерны те или иные установки. Мы предполагаем, что данные являются неоднородными, и хотим увидеть, существуют ли явные группы тех или иных работников.

Мы используем процедуру быстрого кластерного анализа, стремясь распределить множество работников по категориям установок в отношении работы, при этом, не зная заранее ни число групп, ни их состав. В пользу применения процедуры K-Means свидетельствует тот факт, что она правомерна при большом числе наблюдений (200 и более)³⁶.

Таблицы сопряженности позволяют наглядно представить результаты распределения связей двух и более переменных. Причем, мы можем определить наличие связи как по таблице в целом (принимая во внимание значение коэффициента Хи-квадрат и (или) V-Крамера). Вместе с тем, мы можем констатировать наличие связи по ячейкам таблицы.