การวิเคราะห์องค์ประกอบ (Factor Analysis) ด้วยโปรแกรม SPSS

การวิเคราะห์องค์ประกอบด้วยSPSS

เนื้อหาในบทความนี้จะอธิบายรายละเอียดพอสังเขป แต่สามารถใช้งานได้จริง สำหรับการการวิเคราะห์องค์ประกอบด้วยSPSS

นักวิจัยหรือนักศึกษาจำนวนมากที่ใช้การวิเคราะห์องค์ประกอบ หรือ Factor Analysis ด้วยโปรแกรม SPSS ซึ่งเป็นโปรแกรมที่ใช้สำหรับการวิเคราะห์ข้อมูลทุกประเภท รวมทั้ง PROFESSIONALDATAS  เอง มีงานวิจัยที่รับวิเคราะห์ด้วยโปรแกรม SPSS และหนึ่งในแบบจำลองที่พบมากที่สุดคือ การวิเคราะห์องค์ประกอบด้วยSPSS 

งานวิเคราะห์ข้อมูลจำนวนมากในแต่ละปี และเป็นโปรแกรม SPSS ที่ใช้งานมากที่สุด   รวมทั้ง การวิเคราะห์องค์ประกอบด้วยSPSS ถือได้ว่าเป็นโปรแกรมวิเคราะห์ข้อมูลสำเร็จรูปที่สามารถเรียนรู้และใช้งานได้ง่ายที่สุดโปรแกรมหนึ่ง   โดยการวิเคราะห์องค์ประกอบ   (Factor Analysis) ด้วยโปรแกรม SPSS  มีขั้นตอนดังนี้

ส่วนที่1 Analyze —>  Data Reduction —> Factor

รับวิเคราะห์ข้อมูล SPSS รับวิเคราะห์ SPSS รับ รัน SPSS การวิเคราะห์องค์ประกอบ
รับวิเคราะห์ข้อมูล SPSS รับวิเคราะห์ SPSS รับ รัน SPSS การวิเคราะห์องค์ประกอบ

ภาพประกอบ ที่ 1

หลังจากคลิกแล้ว จะปรากฎหน้าต่าง

ภาพประกอบ ที่ 2

ภาพประกอบ 2 ประกอบด้วย Variables ตัวแปรที่อยู่ใน box นี้ควรเป็นชนิดตัวเลข โดยต้องเลือกตัวแปรใส่ใน box ของ Variables อย่างน้อย 2 ตัว   เลือกปุ่ม Descriptives … จะปรากฏหน้าต่าง

รูปภาพประกอบ ที่ 3

ภาพประกอบ 3 มี 2 ส่วนดังนี้

ส่วนที่ 1 : Statistics ซึ่งผู้ใช้สามารถเลือกทางเลือกต่าง ๆ ได้ดังนี้

       Univariate descriptive จะแสดงจำนวนข้อมูล , ค่าเฉลี่ย และค่าเบี่ยงเบนมาตรฐานของตัว

แปรแต่ละตัว

       Initial solution จะแสดงค่า initial communalities, eigenvalue และ percentage of vareance

explained

ส่วนที่ 2 : Correlation Matrix ซึ่งมีทางเลือกต่อไปนี้

       Coefficients จะให้ค่าเมทริกซ์สัมประสิทธิ์สหสัมพันธ์ของตัวแปรทุกคู่

       Significance levels เมื่อเลือกทางเลือกนี้ ผลลัพธ์จะแสดงค่า one-tailed significance level

ของการทดสอบค่าสัมประสิทธิ์สหสัมพันธ์ของตัวแปรแต่ละคู่

       Determinant จะแสดงค่า determinant ของเมทริกซ์สัมประสิทธิ์สหสัมพันธ์

       KMO and Bartlett’s test of sphericity ถ้าเลือกทางเลือกนี้ผลลัพธ์จะแสดงค่า KMO และ

Bartlett’s test ซึ่งมีความหมายดังนี้

       KMO (Kaiser-Meyer-Olkin) ซึ่งเป็นค่าที่ใช้วัดความเหมาะสมของข้อมูลตัวอย่างที่จะ

นำมาวิเคราะห์โดยเทคนิค Factor Analysis โดยที่

 โดยที่  r = ค่าสัมประสิทธิ์สหสัมพันธ์ซึ่งทำให้ค่า 0 < KMO < 1

ถ้าค่า KMO มีค่าน้อย (เข้าสู่ศูนย์) แสดงว่าเทคนิค Factor Analysis ไม่เหมาะสมกับข้อมูลที่มีอยู่

ถ้าค่า KMO มีค่ามาก (เข้าสู่หนึ่ง) แสดงว่าเทคนิค Factor Analysis เหมาะสมกับข้อมูลที่มีอยู่

โดยทั่วไปถ้าค่า KMO < .5 จะถือว่า ข้อมูลที่มีอยู่ไม่เหมาะสมที่จะใช้เทคนิค Factor Analysis Bartlett’s Test of sphericity เป็นค่าสถิติที่ใช้ทดสอบสมมติฐาน

H 0 : Correlation matrix เป็น Identity matrix หรือ

H1 : ตัวแปรต่าง ๆ ไม่มีความสมั พันธ์กัน

ดังนั้นถ้ายอมรับ H 0 แสดงว่าตัวแปรไม่มีความสมั พันธ์กัน จึงไม่ควรใช้ Factor  Analysis Inverse จะแสดงค่า inverse ของ Correlation matrix Reproduced แสดง Matrix ของ reproduced correlations และค่า residual Anti-image จะแสดง anti-inage covariance และ correlation matrix

เลือกปุ่ม Extraction … จะปรากฏหน้าต่าง

รูปภาพประกอบ ที่ 4

ภาพประกอบ 4  ประกอบด้วย 5 ส่วนดังนี้

ส่วนที่ 1 : Method เป็นการให้เลือกวิธีการสกัดปัจจัย ซึ่งแบ่งออกเป็น 2 วิธีใหญ่ ๆ คือ

  1. Principal Component Analysis (PCA)

เป็นวิธีการสกัดปัจจัยที่ได้รับความนิยมมากที่สุด

  1. Common Factor Analysis (CFA)

เป็นเทคนิคที่มีวัตถุประสงค์เหมือนเทคนิค PCA คือ จะสร้าง Factor เพื่อลดจำนวนตัวแปร แต่หลักเกณฑ์ของ CFA จะพยายามทำให้ค่าแปรปรวนเฉพาะส่วนของ common factor มากที่สุด โดยไม่พิจารณาถึงค่า Unique Factor เทคนิค CFA มีเทคนิคย่อย 6 เทคนิคดังนี้

            2.1 Unweighted Least Square

เป็นเทคนิคที่มีวัตถุประสงค์ เพื่อสกัดปัจจัย โดยจะต้องกำหนดจำนวนปัจจัยไว้แน่นอนก่อน แล้วหา Factor pattern matrix ที่ทำให้ผลบวกกำลังสองของระยะห่างระหว่างเมตริกซ์สัมประสิทธิ์สหสัมพันธ์ที่คำนวณได้จากข้อมูล กับเมตริกซ์สัมประสิทธิ์สหสัมพันธ์ที่สร้างขึ้นใหม่ให้มีค่าน้อยที่สุด

          2.2 Generalized Least Square

มีหลักเกณฑ์เหมือนวิธี Unweighted Least Square แต่จะมีการถ่วงน้ำหนักค่าสัมประสิทธิ์สหสัมพันธ์ ด้วยค่าผกผันของ Uniques ของตัวแปรนั้น นั่นคือจะให้น้ำหนักแก่ตัวแปรที่มีค่าUnique สูงน้อยกว่าตัวแปรที่มีค่า unique ต่ำ

          2.3 Maximum Likelihood Method

วิธีนี้จะสกัดปัจจัยโดยการประมาณค่าพารามิเตอร์ที่ทำให้ เมตริกซ์สัมประสิทธิ์สหสัมพันธ์ที่คำนวณได้ มีค่าใกล้กับเมตริกซ์ที่ได้จากข้อมูล โดยมีเงื่อนไขว่า ข้อมูลตัวอย่างนั้น (ตัวแปร) ต้องมี

การแจกแจงแบบ Multivariate Nomal

         2.4 Alpha Method

         2.5 Image Factoring

 ส่วนที่ 2 : Display ผู้ใช้สามารถเลือก

Unrotate factor solution เมื่อต้องการให้แสดงผลลัพธ์ของ Factor โดยไม่มีการหมุนแกนปัจจัย โดยผลลัพธ์จะแสดงค่า communality , eigenvalues

       Scree plot แสดงกราฟค่า eigenvalues โดยเรียงลำดับจากมากไปน้อย โดยใช้ Factor ที่หมุนแกนปัจจัยแล้ว

ส่วนที่ 3 : Extract ผู้ใช้ต้องเลือกทางเลือกใดทางเลือกหนึ่งจากทางเลือกต่อไปนี้

       Eigenvalues over : โดยผู้ใช้ระบุค่า eigenvalues ที่ต้องการให้แสดงเมื่อมากกว่าที่กำหนด

โปรแกรม SPSS จะกำหนดเป็น 1 ตัวเลขที่ใส่ใน box ดังกล่าวจะต้องมีค่าระหว่าง ศูนย์ กับจำนวนตัวแปรที่นำมาวิเคราะห์

      Number of factors : ให้ใส่เลขจำนวนเต็มบวก ซึ่งหมายถึง จำนวน Factor ที่ต้องการ

 

ส่วนที่ 4 : Maximum Iterations for Convergence เป็นการกำหนดจำนวนรอบสูงสุดของการสกัดปัจจัยโดยโปรแกรม SPSS กำหนดเป็น 25 รอบ ผู้ใช้สามารถเปลี่ยนได้ โดยระบุเป็นเลขจำนวนเต็มบวก

เลือกปุ่ม Rotation … จะปรากฏหน้าต่าง

รูปภาพประกอบ ที่ 5

ภาพประกอบ 5 ประกอบด้วย 3 ส่วนดังนี้

ส่วนที่ 1 : Method เมื่อสกัดปัจจัยได้แล้ว จะต้องมีการจัดตัวแปรแต่ละตัวว่าควรจะอยู่ในปัจจัยใด โดยพิจารณาจากค่า Factor loading นั่นคือ ถ้าค่า Factor loading ของตัวแปรหนึ่งมีค่ามาก (เข้าสู่ ±1) ในปัจจัยหนึ่งและมีค่าน้อย (เข้าสู่ ศูนย์) ในปัจจัยอื่น ๆ จะจัดตัวแปรนั้นอยู่ในปัจจัยที่ทำให้ค่า Factor loading มาก แต่ถ้าค่าFactor loading มีค่ากลาง ๆ ไม่ชัดเจนว่าควรจัดตัวแปรอยู่ใน Factor ใดก็ต้องมีการหมุนแกนปัจจัย เพื่อเปลี่ยนเมตริกซ์ ทำให้ค่า Factor loading มีค่ามากสำหรับปัจจัยใดปัจจัยหนึ่งเท่านั้น จึงสามารถจัดตัวแปรต่าง ๆ ว่าควรอยู่ในปัจจัยใด

วิธีการหมุนแกนปัจจัยมี 2 วิธีใหญ่ ๆ คือ

      Orthogonal Rotation

เป็นการหมุนแกนปัจจัยที่ยังคงทำให้ปัจจัยยังคงตั้งฉากกัน หรือปัจจัยต่าง ๆ ยังคงเป็นอิสระ

กัน โดยมีวิธีย่อยหลายวิธีดังนี้

1.1 Varimax เป็นเทคนิคที่ทำให้มีจำนวนตัวแปรที่น้อยที่สุด มีค่า Factor loading มากใน

แต่ละปัจจัย จึงเป็นวิธีที่นิยมใช้มากที่สุด

1.2 Quartimax เป็นวิธีที่หมุนแกนปัจจัย โดยจะพยายามทำให้มีจำนวนปัจจัยน้อยที่สุด ใน

การอธิบายตัวแปรแต่ละตัว

1.3 Equamax เป็นเทคนิคที่ใช้เกณฑ์ทั้งของ Varimax และ Quartimax

Oblique Rotation

เป็นการหมุนแกนที่ เมื่อหมุนแล้วปัจจัยอาจจะไม่ตั้งฉากกัน หรือปัจจัย ไม่เป็นอิสระกัน โดยใน SPSS เรียกเป็น Direct Oblimin และ Promax? ผู้ใช้จะต้องเลือกทางเลือกใดทางเลือกหนึ่งเพียงทางเลือกเดียว ถ้าเลือก ¤ Noneแสดงว่าไม่ต้องการให้มีการหมุนแกนปัจจัย

การวิเคราะห์องค์ประกอบ  ด้วยโปรแกรม SPSS ในขั้นตอนต่อไป

ส่วนที่ 2 : Display ผู้ใช้สามารถเลือกที่จะแสดงค่าต่าง ๆ ดังนี้

      Rotated solution

ถ้าเลือก Orthogonal Rotation (Varimax , Quartimax หรือ Equamax) จะแสดง pattern matrix

ถ้าเลือก Directed Oblimin หรือ Promax จะแสดงเมตริกซ์ pattern , Structure และ Factor correlation

      Loading plot(s) จะแสดงกราฟของปัจจัยต่าง ๆ ใน 3 dimension ของ 3 Factor แรก แต่ถ้ามี 2

Factor จะแสดงกราฟ 2 dimension

ส่วนที่ 3 : Maximum Iteration for Convergence เป็นการกำหนดจำนวนรอบสูงสุดของการหมุนแกนปัจจัยเพื่อให้ค่า Factor loading ชัดเจนขึ้น โปรแกรม SPSS กำหนด default เป็น 25 รอบ ผู้ใช้สามารถกำหนดเลขจำนวนเต็มบวก

เลือกปุ่ม Scores … จะปรากฏหน้าต่าง

รูปภาพประกอบ ที่ 6

เป็นการบันทึก Factor Score โดยมี 2 ทางเลือกคือ

        Save as variables

เมื่อเลือกทางเลือกนี้จะเป็นการ save Factor score ในรูปของตัวแปรโดยที่ 1 Factor ถือเป็น 1 ตัว

แปร โดยตารางผลลัพธ์จะแสดงชื่อ และ label ของตัวแปรใหม่ โดยผู้ใช้จะต้องเลือกวิธีการคำนวณ

Factor score โดยมีวิธีการคำนวณให้เลือก 3 วิธี ซึ่งผู้ใช้ต้องเลือกเพียงทางเลือกเดียว

         Regression ใช้เทคนิค regression ในการหาค่า Factor score

Fi = b i 1 Z 1 + b i 2 Z 2 + … + b ip Z p

โดยวิธีนี้ให้ค่าแปรปรวนเท่ากับ (สัมประสิทธิ์สหสัมพันธ์ระหว่างค่า Factor score ที่ประมาณ

ได้ กับค่า Factor score จริง) 2 ส่วนใหญ่นิยมใช้วิธีนี้

         Bartlett Anderson-Rubin

             Display factor score coefficient matrix จะแสดงเมตริกซ์ค่าสัมประสิทธิ์ของ Factor score และCovariance matrix ของ Factor score

เลือกปุ่ม Options … จะปรากฏหน้าต่าง

ภาพประกอบ 7 ประกอบด้วย 3 ส่วนดังนี้

ส่วนที่ 1 : Missing ผู้ใช้ต้องเลือกเพียงทางเลือกเดียวจาก

          Exclude case listwise จะวิเคราะห์เฉพาะ case ที่มีค่าของทุกตัวแปร

          Exclude case pairwise จะไม่รวม case ที่มี missing ของตัวแปรคู่ใดคู่หนึ่ง

          Replace with mean แทนค่า missing value ด้วยค่าเฉลี่ยของตัวแปรนั้น ๆ และใช้ทุก case ในการวิเคราะห์ปัจจัย

ส่วนที่ 2 : Coefficient Display Format ผู้ใช้สามารถเลือกที่จะแสดงค่าสัมประสิทธิ์

Sorted by size จะแสดงค่า Factor loading เรียงตามลำดับ โดยตัวแปรที่มีค่า Factor loading

สูง ๆ ในปัจจัยเดียวกัน จะอยู่ด้วยกัน

            สำหรับระดับสมบูรณ์ที่น้อยกว่า จะไม่แสดงค่าสัมประสิทธิ์สหสัมพันธ์ หรือ Factor

loading ที่มีค่าน้อยกว่าที่ระบุ โดยค่าที่จะระบุมีค่า 0 ถึง 1

ตัวอย่างการใช้ SPSS for windows ในการจำแนกกลุ่มตัวแปรด้วย Factor Analysis

ตัวอย่าง สมมติว่าผู้วิจัยต้องการศึกษาพฤติกรรมของผู้ทานอาหารในร้าน KFC โดยสนใจที่จะศึกษาตัวแปรต่อไปนี้ว่าสามารถจัดกลุ่มตัวแปรได้อย่างไร

      NO              เลขที่                               AGE                          อายุ

   INCOME     รายได้/รายรับต่อเดือน   EXPENSE         ค่าใช้จ่ายทั้งหมดต่อเดือน

  WEIGHT       น้ำหนักลูกค้า                FREQUENT      จำนวนครั้งที่ซื้อต่อเดือน

   NOR_PIEC  จำนวนชิ้นที่ซื้อปกติ      MAX_PIEC       จำนวนชิ้นที่เคยซื้อมากที่สุด