Page 127 - Moretti, Melita, in Mirko Markič, 2016. Trajnostno upravljanje s pitno vodo v predelovalni dejavnosti. Koper: Založba Univerze na Primorskem.
P. 127
Model uspešnega uvajanja rešitev za zmanjševanje porabe pitne vode v Sloveniji 127
Eksploratorno faktorska analiza se lahko izvede znotraj posameznih
skupin in z njo skuša oceniti enodimenzionalnost. Ta analiza ne daje oce-
ne zunanje konsistentnosti, kar je eden od pogojev za enodimenzionalnost
(Koufteros 1999, 473). Eksploratorno faktorska analiza se lahko izvede
tudi nad celim naborom spremenljivk vseh skupin in pridobi možnost, da
se spremenljivke, ki nakazujejo kršitve enodimenzionalnosti oziroma zu-
nanje konsistentnosti, izloči že v zgodnji fazi statistične analize (prav tam).
Field (2009, 645–7) ugotavlja, da so najpomembnejši dejavniki zaneslji-
vosti eksploratorne faktorske analize celotna velikost vzorca, velikost fak-
torskih uteži in velikost komunalitet. Nadalje Field (prav tam) predpostav-
lja naslednje:
− če ima faktor štiri ali več faktorskih uteži, večjih od 0,6, je rezultat
zanesljiv, ne glede na velikost vzorca;
− če ima faktor 10 ali več faktorskih uteži večjih od 0,4, je rezultat
primeren ob velikosti vzorca več kot 150 enot;
− če so vse komunalitete spremenljivk večje od 0,6, je rezultat zanes-
ljiv tudi za manjše vzorce (pod 100 enot);
− če so vse komunalitete približno 0,5, je rezultat zanesljiv pri veli-
kost vzorca med 100 in 200 enot;
− če so vse komunalitete pod 0,5, je rezultat primeren ob velikosti
vzorca nad 500 enot.
Drugi način primernosti analize je izračun Kaiser-Meyer-Olkinove
mere (KMO) in Bartlett test (sig = 0,000 < 0,05).
Meje sprejemljivosti/primernosti vzorca so (Field 2009, 647):
− KMO večja od 0,5: komaj primerna;
− KMO med 0,5 in 0,7: srednje primerna;
− KMO med 0,7 in 0,9 dobra primernost;
− KMO nad 0,9 odlična primernost.
V eksploratorni faktorski analizi je mogoče preveriti tudi KMO po-
sameznih spremenljivk (anti-image correlation matrix). Spremenljivke, ki
imajo KMO manjši kot 0,5, je treba izločiti – s tem se še dodatno povečuje
KMO (Field 2009, 651). To smo v analizi tudi upoštevali.
Metode ocenjevanja parametrov strukturnega modela
Ko imamo sprejemljiv merski model, se začne z vrednotenjem strukturne-
ga modela (Koufteros 1999, 484). Namen ocene posameznega modela je
minimiziranje razlik med strukturnimi in nestrukturnimi ocenjenimi ko-
variančnimi matrikami (Koufteros 1999; Blunch 2012). Za ocenjevanje pa-
Eksploratorno faktorska analiza se lahko izvede znotraj posameznih
skupin in z njo skuša oceniti enodimenzionalnost. Ta analiza ne daje oce-
ne zunanje konsistentnosti, kar je eden od pogojev za enodimenzionalnost
(Koufteros 1999, 473). Eksploratorno faktorska analiza se lahko izvede
tudi nad celim naborom spremenljivk vseh skupin in pridobi možnost, da
se spremenljivke, ki nakazujejo kršitve enodimenzionalnosti oziroma zu-
nanje konsistentnosti, izloči že v zgodnji fazi statistične analize (prav tam).
Field (2009, 645–7) ugotavlja, da so najpomembnejši dejavniki zaneslji-
vosti eksploratorne faktorske analize celotna velikost vzorca, velikost fak-
torskih uteži in velikost komunalitet. Nadalje Field (prav tam) predpostav-
lja naslednje:
− če ima faktor štiri ali več faktorskih uteži, večjih od 0,6, je rezultat
zanesljiv, ne glede na velikost vzorca;
− če ima faktor 10 ali več faktorskih uteži večjih od 0,4, je rezultat
primeren ob velikosti vzorca več kot 150 enot;
− če so vse komunalitete spremenljivk večje od 0,6, je rezultat zanes-
ljiv tudi za manjše vzorce (pod 100 enot);
− če so vse komunalitete približno 0,5, je rezultat zanesljiv pri veli-
kost vzorca med 100 in 200 enot;
− če so vse komunalitete pod 0,5, je rezultat primeren ob velikosti
vzorca nad 500 enot.
Drugi način primernosti analize je izračun Kaiser-Meyer-Olkinove
mere (KMO) in Bartlett test (sig = 0,000 < 0,05).
Meje sprejemljivosti/primernosti vzorca so (Field 2009, 647):
− KMO večja od 0,5: komaj primerna;
− KMO med 0,5 in 0,7: srednje primerna;
− KMO med 0,7 in 0,9 dobra primernost;
− KMO nad 0,9 odlična primernost.
V eksploratorni faktorski analizi je mogoče preveriti tudi KMO po-
sameznih spremenljivk (anti-image correlation matrix). Spremenljivke, ki
imajo KMO manjši kot 0,5, je treba izločiti – s tem se še dodatno povečuje
KMO (Field 2009, 651). To smo v analizi tudi upoštevali.
Metode ocenjevanja parametrov strukturnega modela
Ko imamo sprejemljiv merski model, se začne z vrednotenjem strukturne-
ga modela (Koufteros 1999, 484). Namen ocene posameznega modela je
minimiziranje razlik med strukturnimi in nestrukturnimi ocenjenimi ko-
variančnimi matrikami (Koufteros 1999; Blunch 2012). Za ocenjevanje pa-
