Page 97 - Optimizacija poslovnih in tehnoloških procesov

Metode analize podatkov 5.4

Preglednica 5.5 Antislikovna matrika vijačenje – navor
Antislikovna matrika
Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_ Navor_
0L 0D 1L 1D 2L 2D 3L 3D
Antislikovna Navor_0L 0,893 −0,046 −0,052 −0,093 0,149 −0,185 −0,045 0,039
kovarianca
Navor_0D −0,046 0,919 −0,074 −0,163 0,087 −0,091 0,004 0,189
Navor_1L −0,052 −0,074 0,870 0,180 −0,017 −0,113 −0,135 −0,062
Navor_1D −0,093 −0,163 0,180 0,818 −0,187 0,076 0,074 −0,214
Navor_2L 0,149 0,087 −0,017 −0,187 0,834 −0,093 0,164 0,221
Navor_2D −0,185 −0,091 −0,113 0,076 −0,093 0,822 −0,130 −0,216
Navor_3L −0,045 0,004 −0,135 0,074 0,164 −0,130 0,863 0,084
Navor_3D 0,039 0,189 −0,062 −0,214 0,221 −0,216 0,084 0,809
Antislikova Navor_0L ,0576a −0,051 −0,059 −0,108 0,173 −0,216 −0,051 0,045
korelacija
Navor_0D −0,051 0,341a −0,082 −0,188 0,100 −0,105 0,005 0,220
Navor_1L −0,059 −0,082 0,636a 0,213 −0,020 −0,133 −0,155 −0,074
Navor_1D −0,108 −0,188 0,213 0,430a −0,227 0,093 0,088 −0,263
Navor_2L 0,173 0,100 −0,020 −0,227 0,439a −0,112 0,194 0,269
Navor_2D −0,216 −0,105 −0,133 0,093 −0,112 0,523a −0,155 −0,265
Navor_3L −0,051 0,005 −0,155 0,088 0,194 −0,155 0,649a 0,100
Navor_3D 0,045 0,220 −0,074 −0,263 0,269 −0,265 0,100 0,347a
OPOMBA a Mere ustreznosti vzorčenja (MSA).

je treba upoštevati, da je bila ta analiza izvedena zgolj za testne name-
ne in ne predstavlja končnega rezultata raziskave.
V preglednici 5.7 vidimo, da prvi faktor razloži 22,663 % variance
podatkov, drugi faktor 16,267 %, tretji faktor 14,614 % in tako naprej.
Skupaj prvi trije faktorji razložijo 53,545 % variance podatkov. To po-
meni, da se večina variance podatkov razloži s prvimi tremi faktorji, ki
smo jih identificirali s faktorsko analizo (Hair idr. 2014).
Za nadaljnjo analizo smo uporabili diagram lastnih vrednosti (angl.
scree plot) (slika 5.1) in ugotovili, da lahko pri nadaljnji analizi operira-
mo z enim faktorjem, saj ima največjo lastno vrednost.
Graf prikazuje odstotek kumulativne variance, ki jo povzroča vsak
faktor (Field 2018). To nam omogoča, da vidimo, kateri faktorji naj-
več prispevajo k varianci podatkov in kateri so manj pomembni. Ena
od metod za odločanje o številu faktorjev, ki jih je treba izločiti, je ta,
da se na grafu išče prelomno točko (lastne vrednosti > 1), ki razkri-
va, kje se odstotek kumulativne variance začne zniževati (Hair idr.
2014).

97