Фактор 5

ql9. Я думаю, что авиакомпании X необходимо представить себя в визуальном плане бо­лее современно.

ql3. Мне нравится, как в настоящее время авиакомпания X представлена визуально широ­кой общественности (в плане цветовой гаммы и фирменного стиля).

ql5. Мы выглядим «вчерашним днем» по сравнению с другими авиакомпаниями.

Наиболее сложной задачей при проведении факторного анализа является интер­претация полученных факторов. Здесь не существует какого-либо универсально­го решения: в каждом конкретном случае, аналитик использует имеющийся прак­тический опыт для того, чтобы понять, почему факторная модель относит ту или иную переменную к данному конкретному фактору. Бывают случаи (особенно при малом числе хорошо формализованных переменных), когда образованные факто­ры являются очевидными и различия между переменными видны невооруженным глазом. В такой ситуации можно обойтись без факторного анализа и разбить пере­менные на группы вручную. Однако эффективность и мощь факторного анализа проявляются в сложных и нетривиальных случаях, когда переменные нельзя зара­нее классифицировать, а их формулировки запутаны. Тогда большой исследова­тельский интерес будет вызывать классификация переменных именно на основа­нии мнений респондентов, что позволит выявить то, как сами опрошенные поняли тот или иной вопрос.

Приводим рекомендации, которые помогут вам при затруднении интерпретиро­вать результаты факторного анализа.

Когда это возможно и приемлемо для целей исследования, следует формализо­вать переменные до проведения факторного анализа. Это позволит аналитику за­ранее сделать предположения о разделении совокупности имеющихся перемен­ных на группы. Задача исследователя при интерпретации результатов факторной матрицы в данном случае упростится, так как он уже не будет начинать «с чистого листа». Его задача сведется к проверке ранее выдвинутых гипотез о принадлежно­сти той или иной переменной к конкретной группе.

Иногда возникают случаи, когда переменная, отнесенная SPSS к конкретному фактору, логически никак не связана с остальными переменными, составляющи­ми тот же фактор. Можно пересчитать факторную модель без отсечения незначи­мых коэффициентов (как в примере на рис. 5.40) и посмотреть, с каким еще факто­ром данная нелогичная переменная коррелирует практически с той же силой, как с фактором, к которому она была отнесена автоматически. Например, переменная Z имеет коэффициент корреляции с фактором 1, равный 0,505, а с фактором 2 она коррелирует с коэффициентом 0,491. SPSS автоматически относит данную пере­менную к тому фактору, с которым выявлена наибольшая корреляция, не учиты­вая при этом, что с другим фактором данная переменная коррелирует практически с той же силой. Именно в такой ситуации (при небольшой разнице в коэффициен­тах корреляции) можно попробовать отнести переменную Z к фактору 2, и если это окажется логичным, рассматривать ее в группе переменных из второго фактора.

Можно вручную сократить число извлекаемых факторов, что облегчит задачу ис­следователя при интерпретации результатов факторного анализа. Однако необхо­димо иметь в виду, что такое сокращение снизит гибкость факторной модели и даже может привести к ситуации, когда переменные будут ложно разделены на неверные, с практической точки зрения, группы. Также снижение числа извлекае­мых факторов неизбежно снизит и долю однозначно классифицированных факто­ров.

В качестве варианта предыдущего решения можно предложить объединить два или более факторов с небольшими количествами входящих в них переменных. Такая группировка, с одной стороны, позволит снизить число интерпретируемых факто­ров, а с другой — облегчит понимание малочисленных факторов.

Если исследователь зашел в тупик и никакие средства не помогают объяснить при­надлежность той или иной переменной к конкретному фактору, остается приме­нить другую статистическую процедуру (например, кластерный анализ).

Вернемся к нашим пяти факторам. Задача их описания и объяснения представля­ется не очень сложной. Так, можно заметить, что утверждения, входящие в первый фактор (q2, q3, q23, ql4, qlO, ql, q21, q5 и ql6), являются общими, то есть касаются всей авиакомпании и описывают отношение к ней со стороны авиапассажиров. Единственное исключение составила переменная q5, имеющая отношение скорее ко второму фактору. Коэффициент корреляции с фактором 2 — 0,355 (см. рис. 5.40), что позволяет отнести его в данную группу из соображений логики. Фактор 2 (ql2, qll, q6, q8, q7 и q4) описывает отношение к авиакомпании X со стороны сотрудни­ков. Третий фактор (ql7, q20 и ql8) описывает отношение респондентов к измене­ниям в авиакомпании (в него попали все утверждения, имеющие корень «мен» — от слова «изменение»). Четвертый фактор (q9, q22 и q24) описывает отношение респондентов к имиджу авиакомпании. Наконец, пятый фактор (ql9, ql3 и ql5) объединяет утверждения, характеризующие отношение респондентов к визуаль­ному образу авиакомпании X.

Таким образом, мы получили пять групп утверждений, описывающих текущую конкурентную позицию компании X на международном рынке авиаперевозок. На основании проведенного интерпретационного (семантического) анализа можно присвоить данным группам (факторам) следующие определения.

■ Фактор 1 характеризует общее положение авиакомпании X в глазах ее клиентов.

■ Фактор 2 характеризует внутреннее состояние авиакомпании X с точки зрения ее сотрудников.

■ Фактор 3 характеризует изменения, происходящие в авиакомпании X.

■ Фактор 4 характеризует имидж авиакомпании X.

■ Фактор 5 характеризует визуальный образ авиакомпании X.

После того как мы успешно интерпретировали все полученные факторы, можно считать факторный анализ завершенным и удавшимся. Далее мы покажем, как можно использовать результаты факторного анализа для построения разрезов.

Вспомним о том, что мы сохранили факторные рейтинги (то есть принадлежность каждого респондента к определенному фактору) в исходном файле данных в виде новых переменных. Эти переменные имеют имена типа: facX_Y, где X — это номер фактора, a Y — порядковый номер факторной модели. Если мы строили факторную модель дважды и в результате в первый раз было извлечено три фактора, а во второй — два, имена переменных будут следующими:

■ facl_l, fac2_l, fac3_l (для трех факторов из первой построенной модели);

■ facl_2, fac2_2 (для двух факторов из второй модели).

В нашем случае будет создано пять новых переменных (по числу извлеченных фак­торов). Эти факторные рейтинги в дальнейшем могут использоваться, например, для построения разрезов. Так, если необходимо выяснить, каким образом респон­денты — мужчины и женщины — оценивают различные стороны деятельности авиа­компании X, это можно сделать при помощи анализа факторных рейтингов.

Наиболее частый способ использования факторных рейтингов в дальнейших рас­четах — это ранжирование и последующее разделение вновь созданных перемен­ных, обозначающих извлеченные факторы, на четыре квартиля (25%-проценти-ля). Такой подход позволяет создать новые переменные с порядковой шкалой, описывающие четыре уровня каждого фактора. В нашем случае для утверждений, составляющих фактор 2, такими уровнями будут: не согласен (состояние внутрен­них дел компании не удовлетворяет сотрудников), скорее не согласен (оценка внут­ренней ситуации в компании ниже среднего), скорее согласен (оценка выше сред­него), согласен (оценка отлично).

Чтобы создать переменные, по которым далее будут группироваться респонденты, вызовите меню Transform ► Rank Cases. В открывшемся диалоговом окне (рис. 5.41) из левого списка выберите переменную, содержащую факторные рейтинги для фактора 2 (fac2_l), и поместите ее в поле Variables. Далее в области Assign Rank I to выберите пункт Smallest value, в нашем случае это означает, что первую группу (не согласен) составят респонденты, оценивающие состояние внутренних дел авиаком­пании как плохое. Соответственно группы 2, 3 и 4 будут определены для катего­рий скорее не согласен, скорее

Щелкните на Rank Types ► Types, отмените установленный по умолчанию параметр Rank и вместо него выберите Ntiles с предустановленным числом групп, равным 4 (рис. 5.42). Щелкните на кнопке Continue и затем в главном диалоговом окне на ОК. Данная процедура создаст в файле данных новую переменную nfac2_l (2 означает второй фактор), распределяющую респондентов на четыре группы.

Все респонденты в выборке характеризуются положительным, скорее положитель­ным, скорее отрицательным или отрицательным отношением к текущему состоя­нию дел в авиакомпании X. Для повышения наглядности рекомендуется присво­ить метки каждому из выделенных четырех уровней; можно переименовать и саму переменную. Теперь вы можете проводить перекрестный анализ при помощи но­вой порядковой переменной, а также строить другие статистические модели, пре­дусмотренные в SPSS. Ниже будет показано, как использовать результаты постро­ения факторной модели в кластерном анализе.

Для иллюстрации возможностей практического использования новой переменной проведем перекрестный анализ влияния пола респондентов на их оценку текуще­го состояния дел в авиакомпании X (рис. 5.43). Как следует из представленной таблицы, респонденты-мужчины в целом склонны ставить более низкие оценки рассматриваемому параметру авиакомпании по сравнению с женщинами. Так, в структуре оценок очень плохо, плохо и удовлетворительно доля мужчин преобладает; в оценках очень хорошо, напротив, преобладают женщины. При переходе в каждую следующую (более высокую) категорию оценок доля мужчин равномерно убыва­ет, а доля женщин, соответственно, возрастает. Тест %2 показывает, что выявлен­ная зависимость является статистически значимой.