Granskning av en medarbetarenkät. - En explorativ och konfirmativ faktoranalys

Transkript

1 Kandidatuppsats Statistiska institutionen Bachelor thesis, Department of Statistics Nr 2014:19 Granskning av en medarbetarenkät - En explorativ och konfirmativ faktoranalys Evaluating an employee survey - An explanatory and confirmatory factor analysis Maria Andersson och Demet Uludag Självständigt arbete 15 högskolepoäng inom Statistik III, HT2014 Handledare: Daniel Thorburn

2

3 Sammanfattning Medarbetarenkäter är en vanlig metod för att mäta psykosocial arbetsmiljö. För att säkerställa kvaliteten i resultaten från dessa undersökningar är det viktigt att enkäterna håller hög kvalitet. Syftet i nedan studie är att granska en medarbetarenkät som används av ett företag i undersökningsbranschen. Denna granskning sker med utgångspunkt i explorativ och konfirmativ faktoranalys. Urvalet bestod av respondenter inom vård- och omsorgsbranschen. Resultatet från den explorativa faktoranalysen visade på en fem faktor modell vars faktorer vi namngav till Ledarskap, Arbetsklimat, Hot, våld & trakasserier, Stress & Hälsa och Attraktiv arbetsplats. Vi testade även företagets befintliga index med hjälp av konfirmativ faktoranalys. Dessa tester var problematiska att tolka, då vi inte med säkerhet kan säga om resultatet av hypotestesten påverkas av vårt stora urval. Som komplement gjorde vi en visuell översyn av indexen samt manuella beräkning av dess unika varians som visade att indexen var förhållandevis bra. Dock hamnade de flesta indexen inom samma faktor, Arbetsklimat, från vår EFA. Detta indikerar att företaget mäter i stort sätt samma sak med de flesta av sina index. Vi förslår därför, avslutningsvis, att nya index skapas med utgångspunkt från resultaten från den explorativa faktoranalysen. Nyckelord: Explorativ faktoranalys, Konfirmativ faktoranalys, Medarbetar-undersökningar, Index

4 Innehållsförteckning 1 Introduktion Syfte och frågeställning Frågor Avgränsning Datamaterialet Svarsskalor Bortfall Demografisk data Metod Faktoranalys Faktorladdningar och Egenvärden Explorativ och konfirmativ faktoranalys Explorativ faktoranalys Viktiga beslut inom Explorativ Faktoranalys Faktor obestämdhet Konfirmativ faktoranalys Modellens lämplighet Resultat Materialets lämplighet för faktoranalys Etablering av faktormodell Hur bra är modellen Rotation av faktorerna Förfining av faktorstrukturen Konfirmativ Faktoranalys Diskussion Den explorativa faktoranalysen Den konfirmativa faktoranalysen Kritik och förslag på framtida studier Litteraturförteckning Bilaga A: Samtliga frågor i enkäten Bilaga B: Roterad faktormodell Bilaga C: Roterad faktormodell efter rensning Bilaga D: Path-diagram Bilaga E: Manuella uträkningar på den specifika variansen... 35

5 1 Introduktion Vi spenderar en stor del av vårt liv på vårt arbete vilket innebär att arbetsmiljön på vår arbetsplats har stor påverkan på vår livskvalitet. Att ha en bra arbetsmiljö är viktigt, inte enbart för den enskilda individen, utan även ur ett ekonomiskt perspektiv på grund av exempelvis minskad produktivitet (Currani, C., Knapp, M. & McDaid, D. (2005). För arbetsgivaren är friska och motiverade medarbetare som trivs på sin arbetsplats en förutsättning för framgång (Jeding, K. et. al., 2009) Det är därför förvånansvärt att bara drygt hälften av Sveriges anställda anger att det på deras arbetsplats pågår ett organiserat arbetsmiljöarbete (Arbetsmiljön 2013: 2014). Med andra ord, är det många företag där man inte utreder och utvecklar den fysiska och psykosociala arbetsmiljön. I arbetet med att förbättra den fysiska arbetsmiljön finns tydliga lagar och regler för arbetsgivaren att arbeta efter. Att beräkna den psykosociala arbetsmiljön anses däremot vara en mer komplex uppgift för arbetsgivaren. Att mäta ljudnivå och luftgenomströmning är mer konkret än att mäta hur medarbetarnas psykiska och sociala behov tillgodoses på arbetsplatsen. I arbetsmiljöverkets rapport om Arbetsmiljön 2013 (2014) beskrivs den psykosociala ohälsan på svenska arbetsplatser ha ökat sedan Denna försämring i den psykosociala arbetsmiljön gör att behovet av effektiva granskningsinstrument har ökat. Ett sätt att mäta psykosocial arbetsmiljö på är genom medarbetarundersökningar. (Föreningen Svensk Företagshälsovård, 2013). Syftet med dessa undersökningar är i allmänhet att mäta variabler som i forskning har visat sig ha en koppling till psykosocialt välmående. Resultatet från undersökningarna används ofta som beslutsunderlag i företagens utvecklingsarbete och det är därför centralt att de håller hög kvalitet och mäter de aspekter som avses mätas (Currani, C., Knapp, M. & McDaid, D (2005). Det bör följaktligen ställas höga krav på både undersökningens utformning och analysen av det framtagna svaren. Den kanske vanligaste datainsamlingsmetoden för medarbetarundersökningar är papperseller webenkäter (Stanton, Sinar, Balzer, & Smith, 2002, Currani, C., Knapp, M. & McDaid, D. (2005). Detta beror delvis på att de är tids- och kostnadseffektiva men också för att de är flexibla och därför lätta att anpassa efter företagets behov (Föreningen Svensk Företagshälsovård (2013). Det finns mängder av aspekter att ta hänsyn till när man skapar en enkät. En viktig fråga är hur svaren skall analyseras samt om de frågor man ställer faktiskt mäter det man tror sig mäta. Detta är särskilt viktigt när vi mäter psykosociala faktorer som inte låter sig mätas direkt utan där de bakomliggande variablerna är de som vi är intresserad av.

6 1.2 Syfte och frågeställning Det övergripande syftet med denna uppsats är att genom faktoranalys granska en enkät som används vid medarbetarundersökningar utförda av ett surveyföretag Frågor Kan en explorativ faktoranalys ge information om latenta variabler i undersökt datamaterial? Baserad på denna analys önskar uppsatsförfattarna, vid behov, ge förslag på frågor som kan plockas bort samt inom vilka områden frågor bör läggas till i enkäten. Kan en konfirmativ faktoranalys ge information om validiteten i företagets nuvarande index? Med utgångspunkt i resultaten från faktoranalysen önskar författarna bistå företaget med hjälp att skapa nya meningsfulla index. 1.3 Avgränsning Social omsorg är i Sverige den största yrkesbranschen och den med flest anställda. Den vanligaste orsaken till arbetsskador inom denna bransch är fortfarande belastningsskador, men sjukdomar beroende på psykosociala arbetsmiljöproblem är den arbetsskada som ökar mest Arbetsmiljön 2013 (2014). I nedan studie tittar vi på data som samlats in hos ett antal arbetsgivare inom vård- och omsorgsbranschen. Nedan studie avser dock inte att dra några slutsatser om det psykosociala arbetsklimatet inom social omsorg utan syftet är, enligt ovan, att utvärdera en enkät som används i medarbetarundersökningar i just denna bransch. Vi tittar i nedan granskning inte på frågekonstruktionernas kvalitet, utan antar att frågornas uppbyggnad bygger på välgrundade beslut hos företaget. 2 Datamaterialet Företaget, vars medarbetarenkät studeras, är en aktör i undersökningsbranschen. Dess specialområde är medarbetarundersökningar med fokus på kunder inom social-och omsorg. Dessa kunder kommer i nedan studie att hanteras som en population. Den i särklass vanligaste metoden för informationsinsamling hos företaget är webenkäter. Dessa sänds till respondenterna via och innehåller information om undersökningens syfte samt respondentens rätt till konfidentiell hantering av svaren. I nedan uppsats har undersökningsledarna fått tillgång till ett urval av enkätsvar (N=10 182) som samlats in via ett, för oss okänt, antal webbaserade medarbetarundersökningar. Av anonymitetsskäl har vi inte tillgång till namnen på de kunder urvalet dragits ur, det är dock känt att urvalet enbart består av svarande inom social- och omsorgsbranschen. Datamaterialet hade vid överlämnandet rensats från all information som kan göra att respondenternas eller deras arbetsplats anonymitet äventyras. Datamaterialet hade utöver denna rensning inte redigerats och följaktligen innehöll materialet även respondenter som inte svarat, på enkäten som helhet eller på vissa frågor (partiellt bortfall).

7 Den enkät som användes innehöll 56 frågor, se samtliga frågor i bilaga A. Utöver svaren på frågorna innehöll datamaterialet viss bakgrundsinformation om respondenterna. Denna information tilldelas undersökningsföretaget innan undersökningens början, och är alltså information insamlad från företagsregister och inte svar från respondenterna. Vi kommer i nedan studie inte att analysera materialet med dessa som grund. 2.1 Svarsskalor Frågorna i enkäten mättes med en åtta gradig likertskala, från 1 (instämmer inte alls) till 8 (instämmer helt). Ett jämnt antal svarsalternativ medför att respondenterna inte har ett mittalternativ, och således måste ta ställning i frågan. Som komplement till skalan finns svarsalternativet Kan/vill inte svara Instämmer inte alls Instämmer helt Kan/ vill inte svara Bild 2.1. Svarskalan, så som den presenteras för respondenterna Ett antal frågor mäter dikotoma variabler. Fråga 52 och 53 besvaras med ett ja eller nej. Fråga 39 och 45 besvaras genom att kryssa för en eller flera av a, b, c eller d alternativet. 2.2 Bortfall Vårt stickprov bestod av personer, varav 8711 stycken besvarade enkäten (86% svarsfrekvens). Många av respondenterna svarade inte på vissa frågor, antingen genom att inte svara på frågan eller välja alternativet Kan/vill inte svara. Dessa saknar svar hanterades genom medelvärdesimputering. Vid medelvärdesimputering ersätts det partiella bortfallet i en fråga med medelvärdet av svaren som har inkommit för den frågan. En bortfallsanalys visade att två av frågorna hade ett högt partiellt bortfall: På min arbetsplats har vi kunnat se resultat av det vi bestämde efter förra medarbetarundersökningen (svarsfrekvens 73 %) och På min arbetsplats har vi arbetat med och diskuterat resultatet av förra medarbetarundersökningen (svarsfrekvens 54 %). På min arbetsplats har vi bra rutiner för att förebygga hot och våld togs (svarsfrekvens 65 %) togs bort. Det ansågs således inte finnas ett tillräckligt stort underlag för att imputera. Frågorna ansågs inte ha någon direkt koppling till de psykosociala mätinstrument företaget önskade mäta och plockades därför bort.

8 2.3 Demografisk data I nedan tabell kan vi se att det var en tydlig majoritet av kvinnor i urvalet (78.4%). Detta var inte överraskande då social- och omsorg är en kvinnodominerad bransch De vanligaste yrkesbenämningarna var sjuksköterskor (24.42%) och skötare (12.01%). Medianen för födelseår var 1965, med lägre kvartil 1956 och högre kvartil Tabell 2.1 Översikt demografisk data

9 3 Metod Samtliga av nedan analyser genomfördes i Statistikprogrammet SAS 9.4. I en första genomgång av frågorna i enkäten ansågs ett antal frågor vara mindre intressanta för studien då de inte mäter de psykosociala faktorer företaget var intresserad av. Således sorterades svaren från dessa frågor bort för fortsatt analys i samråd med företaget. Dessa frågor var: Vi har bra rutiner och utrustning för att undvika stickskador, Har du råkat ut för stickskador under de senaste 12 månaderna? I företagets arbete med medarbetarundersökningar bistår de sina kunder med granskning av arbetsplatsernas psykosociala arbetsmiljö. Detta kräver mätning av ett flertal variabler som bör analyseras gemensamt för en överblick av alla variabler. En korrelations- eller kovariansmatris kan hjälpa oss att hitta samband mellan variabler men med vårt stora antal variabler fås en mängd olika kombinationer och det blir då svårt att få en bra helhetsbild. Följaktligen behöver vi en reduktionsteknik som systematiskt kan bistå i sammanställningen av stora korrelations- eller kovariansmatriser (Kachigan,1991). En sådan teknik är faktoranalys. Det bör nämnas att vi föreliggande uppsats kommer att behandla använd Likertskala som att den följer en intervallskala. Detta innebär att vi antar att skillnaden mellan svarsalternativen antas vara lika stora. Vi antar alltså ekvidistans i skalstegen, vilket inte kan göras på lägre datanivåer än intervall. Detta antagande förenklar nedan analys avsevärt och överensstämmer med företagets hantering av data. 3.1 Faktoranalys Faktoranalys är en multivariat statistisk metod som undersöker huruvida ett antal observerade variabler är linjärt relaterade till ett mindre antal icke observerbara variabler. Metoden fungerar genom att ta bort överflödig information i mängden korrelationer genom att försöka skapa ett mindre antal faktorer. Variabler med starka samband sägs alltså ha en gemensam faktor, eller med andra ord: en gemensam bakomliggande variabel. Dessa faktorer analyseras sedan med utgångspunkt i variablernas innehåll, med målet att finna rätt antal faktorer och hitta passande begrepp för att beskriva dem (Kachigan, 1991). I mer tekniska termer är den huvudsakliga tanken med faktoranalys följande: För de observerade variablerna x1, x2, x3,, xp, vill man hitta de underliggande latenta faktorerna ξ1, ξ2, ξ3 ξm.. De observerade variablerna kallas indikatorer och interkorrelationen bland p antal indikatorer förklaras av m gemensamma, latenta faktorer. De latenta faktorerna antas vara betydligt färre än de observerade värdena d.v.s., m < p. Förutsatt att de latenta faktorerna inte tillåts korrelera med varandra, kallas detta för en ortogonal faktormodell och om de tillåts korrelera, för en oblik faktormodell (Sharma, 1996). Vi utgår här från en ortogonal faktormodell som har följande formell x1= λ11ξ1 + λ12ξ2 + + λ1mξm + 1 x2= λ21ξ1 + λ22ξ2 + + λ2mξm + 2

10 Xp= λp1ξ1 + λp2ξ2 + + λpmξm + p där λ är faktorladdningar och den specifika faktorn för varje variabel. I matrisform kan detta skrivas som; x = ᴧ ξ + (px1) (pxm)(mx1)(px1) där x är vektorn av de observerade variablerna med p antal komponenter. ᴧ är en matris bestående av faktorladdningarna och ξ är en vektor bestående av icke observerbara faktorer, dvs. latenta faktorerna. är en vektor av specifika faktorer. Med andra ord så utgår modellen ifrån att X är linjärt beroende av de m faktorerna (ξ1, ξ2, ξ3 ξm) och de p specifika faktorerna ( 1, 2,, 3). Efter att data standardiserats så kan vi göra antagandet att medelvärdet av alla variabler är 0 och variansen för alla indikatorer är 1. De specifika faktorerna antas inte vara interkorrelerade och inte heller korrelerade med de gemensamma faktorerna Faktorladdningar och Egenvärden Faktorladdningar anger hur mycket en faktor förklarar en indikator i en faktoranalys. Den ger på så vis en indikation på hur starkt den korrelerar med faktorn. Faktorladdningar sträcker sig från -1 till 1, nära -1 eller 1 indikerar att faktor påverkar variabeln starkt. Faktorladdningar nära noll indikerar sålunda att faktorn har en svag effekt på variabeln. En tumregel är att en faktor minst bör ha en laddning på 0.4 (Sharma, 1996). Summan av de kvadrerade faktorladdningarna brukar kallas kommunaliteter när vi har ortogonala faktorer. De visar hur pass mycket av variansen i de olika variablerna som kan förklaras med hjälp av de latenta faktorerna. Sharma (1996) beskriver att variansen för varje variabel kommer från två delar: 1. En del från de latenta faktorerna ξ, (kommunaliteter). 2. En del som kommer från den specifika faktorn, λ i 2 Ψi Bild 3:1. Bilden illustrerar den totala variansen för en indikator. Den större delen motsvaras av en summa av kommunaliteter ( λ i 2 ), och den mindre delen av den specifika variansen. En lämplig indikator representeras av att den större delen variansen förklaras av de latenta faktorerna. Varje faktor har ett egenvärde. Egenvärdet visar mängden varians som förklaras av den faktorn. Den första faktorn har det högsta egenvärdet, den andra faktorn det näst högsta egenvärdet osv. (Sharma, 1996).

11 3.2 Explorativ och konfirmativ faktoranalys Det finns två olika varianter av faktoranalys, explorativ och konfirmativ, båda söker förklara korrelationen mellan indikatorerna med ett mindre antal latenta variabler (Fabrigar et.al, 1999). Det finns emellertid betydelsefulla skillnader mellan de olika metoderna och de används således för olika ändamål. I nedan uppsats använder vi oss av båda metoderna för att få svar på våra frågeställningar Explorativ faktoranalys Explorativ faktoranalys (EFA) används för att upptäcka underliggande faktorstruktur utan kunskap om vilka och hur många faktorer det rör sig om (Kachigan, 1991). Datamaterialet analyseras i detta steg med syftet att få en överblick av materialet och söka få en uppfattning om variablernas koppling till varandra och vilka faktorer som finns. Utifrån denna första orientering av materialet kan man sedan välja att gå vidare med en förädlingsprocess av enkäten, där frågor med låg koppling till faktorerna plockas bort och där variabler/nya frågor läggs till där det finns behov. I mer statistiska termer kan vi säga att vår förfiningsprocess består av att söka frågor med låga kommunaliteter, som vi kan plocka bort utan att mängden förklarad varians minskar nämnvärt. Dessa frågor kan sedan ersättas med frågor som vi tror kan resultera i en bättre förklaring av faktorer med låga egenvärden. Vår data består av variabler som företaget inte med säkerhet vet hur de hänger samman och önskar således att vi undersöker variablerna utan förkunskap om samband Viktiga beslut inom Explorativ Faktoranalys Costello & Osborne (2005) betonar att en bra explorativ faktoranalys grundas på genomtänkta beslut inom (a) extraherande (b) antal faktorer (c) rotation och (d) rätt urval Noga övervägda och väl motiverade beslut ger säkrare resultat och mer trovärdighet till undersökningen då dessa val kommer att ha stora konsekvenser för vilka resultat som fås (Fabrigar et.al, 1999). Mycket av kritiken bakom faktoranalys handlar om att dessa beslut ofta är subjektiva, och många forskare misslyckas med att meddela vilka beslut de tagit (Hensen & Roberts, 2006). (a) Extraherande med Maximum Likelihood-metoden Faktorextraktion handlar om att reducera varians som är gemensam för variablerna genom att beräkna faktorladdningarna. Det finns olika metoder för att beräkna dessa laddningar, alla har för- och nackdelar. Costello & Osborne (2005) rekommenderar Maximum likelihoodmetoden om data är multivariat normalfördelat (Fabrigar, et. al., 1999). Vi kan anta att materialet i korrelationsmatrisen är mulivariat normalfördelat med hänvisning till den Centrala Gränsvärdessatsen (CGS).. (b) Valet av antal faktorer

12 Ett viktigt val i EFA handlar om att välja antal faktorer i modellen. Det är problematiskt att välja för få eller för många faktorer, men det anses vara ett större problem att välja för få (Fabrigar et. al., 1999). Detta innebär nämligen att indikatorer som laddar starkt på faktorer som ej tas med i modellen kan, vid oblik rotation, felaktigt komma att ladda starkt på andra faktorer. Om detta sker kommer vår modell bli inkorrekt. Att ha med för många faktorer är inte heller optimalt men leder till mindre fel än alternativet. Fabrigar et al, (1999) menar dock att även detta bör undvikas då för många faktorer kan medföra en komplex och svårtolkad faktormodell. Det finns olika kriterier för att besluta om hur många faktorer som bör ingå i modellen: Rotkriterium: Även känd som Kaiser-kriteriet, säger att alla faktorer med ett egenvärde som överstiger ett ska användas i modellen. Denna metod har i forskning fått mycket kritik och bör inte användas som ensamt beslutsunderlag vid valet av antalet faktorer (Fabrigar et. al., 1999, Henson & Roberts, 2006, Hayton et. al., 2004). Scree-plot kriteriet: Genom att placera egenvärdena, i storleksordning, på y- axeln och faktorerna på x -axeln så brukar det gå att utläsa en kraftigare minskning i egenvärde mellan två faktorer i datamaterialet. Detta brukar kallas för armbåge och man väljer att ta med de faktorerna med egenvärden större än "armbågen". Denna teknik har fått kritik för att vara subjektiv men anses fungera relativt bra på stora urval (Hayton et. al., 2004). (c) Rotation För att underlätta tolkningen av faktorer kan man utsätta laddningsmatrisen för rotation. Faktorrotation är omtvistat då det kan tolkas som att det genom rotation går att få fram de resultat man söker. Däremot så ändras inte punkternas förhållande till varandra i rotation. Rotation kommer följaktligen inte att förändra storleken på den förklarade variansen. Idén med rotering är att man vill hitta en struktur där de observerade variablerna har en stark laddning på en faktor och svag på de övriga. Det finns olika ortogonala rotationsmetoder, varav den vanligaste är Varimax rotation. Den maximerar den kvadrerade variansen av laddningarna i en faktor, dvs. förenklar tolkningen av kolumnerna i laddningsmatrisen. Varje faktor tenderar att ha antingen stora eller små laddningar av en viss variabel. Vid ortogonal rotation roteras axlarna med bibehållande av vinkelräthet mellan dem. Vid oblik rotation roteras axlarna däremot utan att bevara rätvinkligheten mellan dem. Vid ortogonal rotation är faktorerna okorrelerade medan vid oblik rotation avspeglar vinkeln mellan axlarna korrelationen mellan faktorerna. Om vinkeln mellan axlarna ligger nära 0 så tolkas detta som en hög korrelation mellan faktorerna. En vanlig oblik rotationsmetod är Promax. Denna metod används ofta på grund av att den är enkel och snabb att använda. Promax fungerar som Varimax på så vis att indikatorerna har antingen stora eller små laddningar på de respektive faktorerna. (Sharma, 1996) (d) Rätt urvalsstorlek Comrey and Lee (1992) menar att en undersökning med över 1000 respondenter kan beskrivas som excellent när det gäller urvalsstorlek. Därmed är vårt urval mer än tillräckligt stort. Det finns även andra faktorer att ta hänsyn till för att avgöra om urvalet är tillräckligt stort, dock är detta inte aktuellt med ett urval så stort som vårt.

13 3.2.3 Faktor obestämdhet Det är dock inte säkert att skapad faktormodell kommer att resultera i en unik lösning. Två olika faktormodeller kan nämligen ha samma reproducerade korrelationsmatris. Sharma (1996) beskriver att den oklara lösningen beror på problem inom två av ovannämnda områden: Skattning av kommunaliteterna och Rotationsproblemet. Säg att vi har två olika ortogonala faktormodeller. Faktorladdningarna, kommunaliteterna och den gemensamma variansen av varje indikator är olika för de två modellerna. Men modellen kan trots detta att ge samma totala kommunalitet, specifika varians och samma korrelationsmatris för indikatorerna, d.v.s. vi kommer att få samma resultat även om vi har två olika faktormodeller. Den totala kommunaliteten kan konstrueras på flera olika sätt och därmed få olika lösningar. Den bästa modellen är den som ger en tolkningsbar lösning baserad på de indikatorer vi mäter Konfirmativ faktoranalys Då företaget vi undersöker, som tidigare nämnt, inte har någon klar faktormodell de önskar testa så tittar vi i vår EFA på materialet utan förkunskap om bakomliggande faktorer. Emellertid så använder företaget sig av index för att tydliggöra resultatet för sina kunder. Dessa index undersöks nedan med hjälp av bekräftande faktoranalys. I de fall vi har en tydlig tanke om vilka och hur många de bakomliggande faktorerna är så kan vi alltså använda oss av Konfirmativ Faktoranalys (KFA), för att bekräfta att så är fallet. Det handlar om att verifiera en förutbestämd faktormodell. KFA används följaktligen när man önskar empiriskt testa om data passar en föreslagen faktormodell (Sharma, 1996). Redan innan faktoranalysen görs har man alltså tagit ställning till vilka indikatorer som torde höra samman och alltså vara kopplade till samma faktor. Dessa beslut baseras på kunskap och forskning inom det aktuella området. KFA bygger, precis som vid EFA, på en faktormodell där varje indikator är en linjär funktion av en eller flera bakomliggande faktorer (ξ1) och en unik varians ( 1). x1= λ11ξ1 + 1 X 1 λ 11 δ 1 ( : ) = ( : ) + ( : ) X p λ p1 δp Dessa ekvationer kan skrivas i matris form som: x = ᴧ ξ + För att kunna utföra en KFA behöver vi även kunskap om kovariansmatrisen för indikatorerna som ges av: = Λ x ΦΛ x ` + Θ δ Vår data är medelvärdes-korrigerade och vi kan därför anta att den unika variansen har medelvärde noll, E(δ) = 0, att de latenta och de specifika faktorn är okorrelerade E(ξδ )=0. I

14 ovan formell är Λ x (lambda) matrisen för faktorladdningar, Φ (phi) är matrisen som innehåller variansen och kovariansen för den bakomliggande faktorerna och Θ (theta) är matrisen innehållande variansen och kovariansen för de unika faktorerna. Tekniken bakom KFA handlar om att skatta de okända parametrarna på ett sätt så att Kovariansmatrisen ( ) liknar vår urvalskovariansmatris (S) så mycket som möjligt. Vi vill alltså att att residualmatrisen, Σ = S, innehåller små värden (Sharma, 1996). På detta vis kan vi med KFA testa om vår faktormodell överensstämmer med data tillhörande urvalet. Precis som i EFA så finns det ett flertal skattningsmetoder att använda sig av. Även i detta fall beskrivs maximum likelihood metoden (ML) som den bästa i de fall data är multivariat normalfördelat (Sharma, 1996). Denna skattningsprocess är en iterativ process med målet att få fram bästa passningen till vår i förväg utsedda modell, och skall alltså minska diskrepansen mellan S och Σ. En förutsättning för att lyckas skatta parametrarna är att modellen är identifierad, vilket den är när alla parametrar går att beskrivas i form av indikatorns kovarians eller varians. Vi kan också beskriva det som att antalet parametrar som är okända måste vara färre än antal kända för att vi ska kunna utföra skattningen. Antalet frihetsgrader i KFA fås just genom att räkna skillnaden mellan antalet kända och okända parametrar. För en modell med p variabler, finns det vanligtvis p(p +1)/2 stycken kända parametrar. Då k okända parametrar ska skattas för denna modell, är tre fall möjliga p(p+1) 2 p(p+1) 2 p(p+1) 2 > k modellen är överidentifierad < k modellen är underidentifierad = k modellen är precis identifierad Dessa ekvationer är kända som "t-regeln". Om det finns för lite tillgänglig information för parameteruppskattningar, sägs modellen vara underidentifierad och modellparametrar kan inte beräknas på lämpligt sätt. En överidentifierad modell är följaktligen en nödvändighet för att kunna utföra faktor analys (Sharma, 1996) Eftersom vi inte kan observera våra latenta variabler så vet vi heller inte vilken skala de mäts i, vilket ger oss modeller som inte är korrekt identifierade. För att undvika detta krävs att vi sätter begränsningar på vår modell, ett vanligt sätt är att anta att variansen för den latenta variabeln är ett (1) Modellens lämplighet Det finns många olika test för att avgöra hur bra vår modell passar data. Det vanligaste sätten är genom X 2 -test och olika Goodness-of-fit test. Dessa test bedömer om vår kovariansmatris från urvalet (S) liknar den förväntade kovariansmatrisen (Σ). X 2 -Test Vi testar i X 2 -Test följande hypoteser: Ho: Σ = S Ha: Σ S

15 Där X 2 -värden nära noll indikerar liten skillnad mellan den förväntade och den observerade kovariansmatrisen. Vi vill alltså behålla Nollhypotesen och kunna visa på att skillnaden mellan Σ och S är en nollmatris ( 0 0 ). För stora urval så kommer även små skillnader 0 0 mellan Σ och S att bli signifikanta, detta trots att skillnaden egentligen inte är stor nog att ha betydelse. Det är därför viktigt att inte förkasta sin modell enbart med ett X 2 -test som grund (Sharma, 1996). Goodness-of-fit Test Som alternativ till X 2 -testet finns Goodness-of-fit test, varav de flesta är designade för att ge ett sammanfattande måtten på residualmatrisen. Residualmatrisen är den matris som blir kvar när vi subtraherat S från Σ, och sålunda den matris vi hoppas vara en nollmatris. Goodnessof-fit Index (GFI), GFI justerat för frihetsgrader (AGFI) och Root Mean Square Residual (RMSR) är exempel på storheter som på olika sätt mäter skillnaden mellan S och Σ. GFI Är ett mått på hur mycket av den observerade variansen och kovariansen som kan förklaras utifrån modellens kovariansmatris. En bra modell är oftast då GFI >.90. Även GFI kan påverkas av storlek på data så restriktivitet i tolkningen gäller även här (Sharma, 1996). AGFI har stora likheter med GFI men har justerats för antalet frihetsgrader. Det finns inga direkta riktlinjer för hur högt AGFI ska vara för bra passande modeller, dock används oftast ett värde över 0.8 (Sharma, 1996). RMSR & SRMSR ger det genomsnittliga värdet av kovarians residualerna. Ju lägre RMSR, desto bättre passar modellen data. RMSR är svårtolkad då residualerna i modellen är skalberoende, det är därför lättare att tolka den standardiserade varianten, Standardized Root Mean Square Residual (SRMSR) som går från 0 till 1 (Sharma, 1996). 4 Resultat Materialets lämplighet för faktoranalys All data är inte lämpligt att göra faktoranalys på, och man bör därför, innan några andra tester utförs, säkerställa att data passar för just denna analysmetod. Som ett första steg granskar vi korrelationsmatrisen för att se om det finns tecken på att variablerna kan grupperas. Starka korrelationer mellan frågorna kan nämligen tyda på att det finns gemensamma bakomliggande faktorer, vilket är det vi söker. En visuell analys ger oss indikationer på att ett antal starka korrelationer. Dock är antalet variabler så pass många att det inte går att dra några direkta slutsatser av den visuella analysen. Vi testar därför Kaiser-Meyer-Olkin measure of overall sampling adequacy (KMO) som mäter datas lämplighet för analys. KMO undersöker variablernas partiella korrelation och ger på så vis indikation på om det finns bakomliggande faktorer i materialet. KMO är inget statistiskt test men det finns däremot rekommendationer om hur högt ett värde bör vara för att materialet skall sägas passa för faktoranalys. KMO värden ligger mellan 0 och 1, där värden över 0.9 anses mycket bra (Sharma, 1996). Vårt KMO visade För att testa datamaterialets lämplighet för faktor analys användes även Bartlett s Sphericity Test (BTS) som är ett statistiskt test för att se om det finns korrelation mellan variablerna.

16 Nollhypotsen är r=0. Vid ett förkastade av hypotesen anses materialet passande för faktor analys. Bartletts sfäricitets test (BTS) var i vårt fall signifikant (df=1081, X 2 = , p <0.001), och vi kan förkasta hypotesen, och säga att r 0. Detta test är dock känsligt för stora urval, vilket i vårt fall kan leda till missvisande resultat. (Sharma, 1996) 4.2 Etablering av faktormodell Skattning av faktorerna gjordes med Maximum Likelihood metoden. För att bedöma vilka faktorer som skulle behållas för rotation använde vi oss av scree-plot-kriteriet, som pekar mot en fem faktor modell. Detta val av antal faktorer bekräftades också när vi tittade på kolumn Difference i Tabell 4.1, där vi ser att en sjätte faktor inte skulle öka förklaringsgraden nämnvärt. Eftersom vi i nedan studie söker en enkel faktormodell väljer vi att fortsätta analysen med en fem faktormodell. Tabell 4:1 Faktorernas egenvärde (SAS output) Faktor Eigenvalue Difference Proportion , Bild 4:1 Scree-plot (SAS output). 4.3 Hur bra är modellen Värdet på Root Mean Square Off-Diagonal Partials: Overall var , vilket pekar på att vår faktorlösning på ett tillfredsställande sätt förklarar korrelationen mellan indikatorerna. Vi kan också, för att testa vår lösning, titta på hur indikatorerna korrelerar efter att vi tagit bort faktorernas påverkan. Partial Correlations Controlling Factors matrisen visar inga starka korrelationer, vilket är precis vad önskar eftersom att vi genom skapandet av faktorer tagit bort det som tidigare höll dem samman. Root Mean Square Off-Diagonal Partials: Overall = , bekräftar denna slutsats då värdet kan beskrivas som lågt. Sammanfattningsvis kan vi säga att vi fått fram en godtagbar faktormodell. 4.4 Rotation av faktorerna För att underlätta tolkningen av modellen roterades utvalda faktorer med ortogonal (Varimax) samt Oblik (Promax) rotation. Resultatet av Varimax och Promax rotation ledde till likartad modellstruktur, se bilaga B. Med rotation önskar vi hitta en faktorstruktur där varje enskild indikator laddar högt på enbart en faktor. Granskning av de roterade faktormodellerna gjordes enligt följande: Laddningar över 0.4 har enligt Costello & Osborne (2005) en tillfredsställande hög förklaringsgrad och skall behållas i modellen. Det finns dock

17 indikatorer som inte laddar så högt som 0.4 på någon av faktorerna. Dessa behålls emellertid tills vidare då 0.4 i viss litteratur anses vara en för hög gräns. Tabachnic och Fidell (2001) hävdar exempelvis att 0.32 är en rimligare nivå. Anledningen till låga laddningarna kan bero på att det saknas en sjätte faktor som de låga indikatorerna hade laddat högt på. Det kan också bero på att de frågorna inte har något tydligt samband med övriga frågor. Det bör således inte dras någon slutsats att dessa frågor inte hör hemma i materialet i detta skede i analysen. En annan sak att vara uppmärksam på vid tolkning av faktormodellen är Crossloadings, det vill säga indikatorer som laddar högt på flera av faktorerna. Enligt Costello & Osborne (2005) kan det vara ett alternativ att ta bort de frågor som laddar högt på flera faktorer för att få den bästa faktorstrukturen. Vi väntar emellertid med att dra slutsatser om vad låga laddningar och Crossloadings innebär och antar tillsvidare att indikatorn hör till den faktor den laddar högst på. En inte oviktig del av explorativ faktoranalys handlar om att hitta rätt benämning på de olika faktorerna. Detta steg i processen bygger på teori och kunskap om variablerna. Faktor1 består av frågor som berör Ledarskap och utveckling. 14 frågar kan sägas höra till denna faktor, som vi benämner Ledarskap. 15 av frågorna laddar högst på Faktor2 och består av frågor rörande Arbetsklimat på arbetsplatsen. Faktor3 behandlar Hot, våld och trakasserier och 8 av frågorna laddar högst på denna kategori. Faktor4 döptes till Hälsa & Stress och bestod av 7 frågor. Faktor5 bestod av fyra frågor och gavs namnet Attraktiv arbetsplats. Promax rotation tillåter faktorerna att korrelera inbördes och ger oss information på hur denna samvariation ser ut. I matris 1 ser vi viss korrelation mellan de flesta av korrelationerna. Den starkaste korrelation hittar vi mellan Faktor1 och Faktor2, där r = Faktor1 Faktor2 Faktor3 Faktor4 Faktor5 Faktor1 1, , , , , Faktor2 0, , , , , Faktor3-0, , , , , Faktor4 0, , , , , Faktor5 0, , , , , Förfining av faktorstrukturen Matris 4:1. Korrelation mellan faktorerna Det ansågs intressant att undersöka hur modellstrukturen skulle se ut om vi tog bort de frågor som laddade lågt på samtliga fem faktorer. Därför plockades i detta skede av analysen frågar med laddningar under 0.32 bort och en ny faktoranalys genomfördes. De frågor som plockades bort var; Jag har inflytande över hur mitt arbete planeras, Jag får den kompetensutveckling jag behöver utifrån verksamhetens uppdrag, Jag frågar efter feedback på hur jag genomfört mina insatser, Jag är motiverad i mitt arbete, Jag har blivit utsatt för våld eller hot de senaste 12 månaderna, Har du en individuell utvecklingsplan? Har du haft medarbetarsamtal/utvecklingssamtal under de senaste 12 månaderna. En ny faktoranalys utfördes med Promax rotation. Den resulterade i samma struktur som tidigare men med, alla nu inkluderade, variabler med laddningar över Dock laddade

18 frågan Det är roligt att gå till jobbet högt på två av faktorerna men låg precis under gränsen med en laddning på för Faktor5. Denna fråga placerades i den faktor den laddade högst på, Faktor4, och behölls i modellen. Följande Faktormodell valdes slutligen: Tabell 4:2. Femfaktor modell, rensad från frågor som laddade lågt på samtliga faktorer Faktor1 Faktor2 Faktor3 Faktor4 24 Jag har förtroende för min närmaste chef 25 Min närmaste chef arbetar för att skapa ett öppet klimat på arbetsplatsen 26 Min närmaste chef behandlar alla medarbetare med respekt för allas lika värde 27 Min närmaste chef ger feedback och talar om hur jag utfört mitt arbete 28 Min närmaste chef lämnar tillräcklig information 29 Min närmaste chef tar tillvara min kompetens utifrån verksamhetens uppdrag 30 Min närmaste chef följer upp verksamhetens mål 31 Min närmaste chef tydliggör verksamhetens mål 32 Min närmaste chef har tydliggjort kriterier som ligger till grund för min lön 33 Min närmaste chef stimulerar till friskvård 2 Jag bidrar till ett öppet klimat på min arbetsplats 3 Jag bemöter mina arbetskamrater med respekt för allas lika värde 6 Jag söker aktivt efter den information jag behöver för att lösa mina arbetsuppgifter 12 Jag vet hur mitt arbete bidrar till verksamhetens mål 13 Jag medverkar till att utveckla verksamheten 16 På min enhet/avdelning har vi ett öppet klimat högt i tak 17 På min enhet/avdelning bemöter vi alla lika oavsett kön, sexuell läggning, etniskt ursprung, funktionshinder eller ålder 18 På min arbetsplats bemöter vi varandra med respekt för allas lika värde 19 På min arbetsplats bemöter vi kunder/patienter med respekt för allas lika värde 20 På min enhet/avdelning är vi bra på att ta tillvara patienters/kunders synpunkter 21 På min enhet/avdelning är vi bra på att lära av varandra 22 På min arbetsplats samarbetar vi för att uppnå verksamhetens mål 23 På min arbetsplats bedriver vi ett systematiskt förbättringsarbete Har du av anhörig/patient/kund under de senaste 12 månaderna blivit utsatt för något av följande: 40 Kränkande särbehandling eller mobbning 41 Trakasserier 42 Sexuella trakasserier 43 Hot eller våld Har du av chef/arbetskamrat under de senaste 12 månaderna blivit utsatt för något av följande: 47 Kränkande särbehandling eller mobbning 48 Trakasserier 49 Sexuella trakasserier 7 Jag tar ansvar för min egen hälsa 8 Jag har inga fysiska besvär orsakade av mitt arbete 9 Jag har inga besvär av stress eller oro orsakade av mitt arbete 10 Jag känner att jag kan koppla av från mitt arbete när jag är ledig 11 Jag har tillräcklig tid att utföra mina arbetsuppgifter 15 Det är roligt att gå till jobbet 34 Bolaget/förvaltningen är en attraktiv arbetsplats 35 Jag är stolt över att arbeta i

19 Faktor5 36 Jag rekommenderar gärna Bolaget/förvaltningen som arbetsplats till mina vänner 37 Jag har förtroende för högsta ledningen på Faktor scores Den kvadrerade multipla korrelationen mellan variablerna och faktorerna var hög för samtliga fem faktorer: Faktor1 =0.95, Faktor2 = 0.91, Faktor3=0.93, Faktor4=0.94 och Faktor 5=0.88. Detta värde visar mängden varians som är gemensamt för alla indikatorer och den berörda faktorn. Värden över 0.6 beskrivs som bra (Sharma, 1996). 4.6 Konfirmativ Faktoranalys Konfirmativ Faktoranalys används ofta för att bekräfta den modell man genom explorativ analys föreslagit som lämplig. Detta kräver dock att man har tillgång till ett nytt data set, då det inte finns någon mening med att testa samma data som vi redan gjort analysen på. 29 av enkätens frågor ingår i de sex index företaget önskat få utredda. Detta innebär att dessa index inte täcker samtliga frågor i enkäten och att vi inte har någon heltäckande modell att testa. I tabell 4:3 syns vilka dessa 29 frågor är och deras uppdelning i index. I en första visuell granskning av indexen så jämför vi hur frågorna passar in i faktorerna i vår fem faktormodell från den explorativa analysen. I kolumn Tillhör faktor ser vi att fyra av sex index (Aktivt Ansvarstagande, Förändring och utveckling, Jämlikhet samt Kund- och Resultatfokus) kan sägas höra hemma i Faktor2. Index Hälsa & Stress tillhör alla Faktor4, med samma titel som indexet. Index Motivation hör hemma i vår Faktor5, Attraktiv arbetsgivare. Tabell 4:3. Visar företagets index. Kolumnen Tillhör faktor visar frågornas placering i vår fem-faktormodell

20

21 Vi går sedan vidare och skapar en sex faktormodell för att testa dessa med en konfirmativ faktoranalys. Sexfaktormodellen har 29 indikatorer (fråga 7 uppkommer två gånger). Sammanlagt är det (29)(30)/2 = 435 kända parametrar och 74 okända (29 laddningar och 29 specifika faktorer och 15 kovarianser mellan faktorer). Modellen är således överidentifierad och visar att vi har tillräckligt med information för att skatta parametrarna. De testar som används i Konfirmativ faktoranalys är känsliga för urvalsstorlek samt för eventuella brister i normalfördelningsantagandet. Vårt data, med stort urval och begränsad normalfördelning, är således inte optimalt för dessa test vilket kan påverka resultatet. Ett χ 2 test ger oss ett mycket högt värde (X 2 = 33809, > ). Kriterier för en bra modell är att p-värdet ska vara < 0, 05. Vi får därför förkasta vår nollhypotes och säga att den observerade matrisen inte är lika den förväntade matrisen. Storleken på residualerna är också för stora för att modellen skall säga vara bra (RMSEA=0.103). Ett acceptabelt RMSEA ska vara mindre än Goodness-of-fit (GFI) och Adjusted GFI visar inte heller på en korrekt modell

22 (GFI=0.7549, AGFI=0.7047). Även tester som Levis Tucker-testet, som är mindre känslig för datastorlek visade att vi ska förkasta modellen. Anledningen att modellen förkastades kan bero på att det saknas en eller flera faktorer. Vi testade därför att lägga till en sjunde faktor med frågorna från vår Faktor3 som bestod av 7 variabler. Då dessa frågor inte representerades alls i de testade indexen. Denna sju faktormodell fick också förkastas (X 2 = 36227, > ). Storleken på residualerna var också för stora för att modellen skall sägas vara bra (RMSEA=0.0821). Både GFI och AGFI visade resultat som pekar på en passning till modellen (GFI=0.7857, AGFI=0,7518). Testerna visar tecken på att vår modell inte passar data. Detta kan dock bero på att även små skillnader mellan modellerna blir signifikanta vid så här stora urval. Vi går därför vidare med att analysera indexen var för sig genom att göra manuella beräkningar istället för signifikanstest. Genom att beräkna hur stor del av den totala variansen som bestod av den specifika variansen ser vi vilka index som kan beskrivas som lämpliga. För varje index dividerades den specifika variansen med den totala variansen. Ett lågt tal visar således på ett bra index. Samtliga beräkningar, samt det Path diagram de bygger på, finns att granska i bilaga D. Tabell 4:4. Del av den totala variansen för varje enskilt index. Se bilaga E för uträkningar. Index Specifik varians = Total varians 1 Aktivt ansvarstagande 0, Förändring och utveckling 0, Hälsa och Stress 0, Jämlikhet 0, Kund- och resultatfokus 0, Motivation 0, 124 Hur stor andel som är acceptabel för ett bra index är en subjektiv bedömning men vi kommer att utgå från att den specifika variansen inte bör förklara mer än ca 20 % av den totala variationen (Sharma, 1996). Vi ser att index 4 och 6 möter denna nivå, index 2, 3 och 5 kan också sägas ha godkända värden, index 1 däremot har för hög del specifik varians med närmare 50 % som förklaras av de enskilda frågorna. Vi får ytterligare förståelse av indexen om vi tittar på Squared multiple correlation, R 2, se hela tabellen i bilaga F. Detta värde visar hur bra en indikator mäter sin respektive faktor. En tumregel är att den bör vara högre än 0.5,

23 vilket baseras på att en indikator bör ha minst 50 % av sin varians från den gemensamma faktorer (Sharma, 1996). Index1 hade låga värden i samtliga av frågorna (2, 5, 6, 7, 12). Index2 har låga värden i två av frågorna (4, 13). Index 3 hade låga värden i tre av frågorna (1, 7, 8). Index4 hade låga värden i två frågor (3, 26). Index5: Kund & Resultatfokus har låga värden i två frågor (19, 20). Index6 har låga värden i två frågor (14, 15). Aktivt Ansvarstagande Förändring och Utveckling Hälso- och Stressindex Jämlikhetsindex Kund- och Resultatfokus Motivationsindex Aktivt Ansvarstagande Förändring & Utveckling Hälso- och Stressindex Jämlikhet Kund- och Resultatfokus Motivationsindex Matris 4:2. Standardiserad korrelationsmatris på företagets index En standardiserad faktor korrelationsmatris visar att det är starka positiva korrelationer mellan faktorerna. Index4, Kund & Resultatfokus, korrelerar exempelvis nästan perfekt (r = 0.995) med Index5, Utveckling & förändring. Index3, Hälsa och Stress, utmärker sig då det inte korrelerar lika starkt med de andra faktorerna (r 0.5). Detta är inte konstigt då Index4 och Index5 innehåller flest frågor från samma faktor (Faktor2) i vår EFA. Och index3 innehåller frågor från samma faktor (Faktor3) vars frågor vi inte hittar i något annat index. 5 Diskussion Studien hade för avsikt att granska en medarbetarenkät som används kontinuerligt inom av ett undersökningsföretag. Syftet var att hitta samband mellan frågorna genom en explorativ faktoranalys, samt att med utgångspunkt i denna analys ge företaget förslag på vilka frågor som är passande att sätta samman till index. Vidare användes en konfirmativ faktoranalys för att testa företagets redan befintliga index.

24 5.1 Den explorativa faktoranalysen Syftet med faktoranalys är i grunden att söka hitta bakomliggande faktorer som förklarar korrelationen mellan indikatorer, i det här fallet enkätfrågor. Vår analys pekar på att det finns fem bakomliggande faktorer som mäts i den undersökta enkäten. Vi namngav dessa som Ledarskap, Arbetsklimat, Hot, våld & trakasserier, Hälsa och stress samt Attraktiv arbetsplats. Dessa benämningar är enbart förslag och företaget rekommenderas föreslå egna benämningar utifrån deras djupare kunskaper inom området. Vi valde som en del av vår EFA att söka hitta en ren och lätt tolkad struktur som innehöll enbart relativt starka laddningar. Målet är att sålunda att inte ha för många variabler/frågor som förklarar samma sak, det vill säga har koppling till samma faktor. Samt att inte ha faktorer som mäts med ett för lågt antal frågor (Kachigan, 1991). Detta innebar att vi som en del av förfiningen av faktorstrukturen valde att rensa bort vissa av frågorna för att de laddade lågt på samtliga faktorer. Låga laddningar säger oss att frågorna inte har någon tydlig koppling till de bakomliggande faktorerna vi hittat. Detta behöver inte betyda att de inte är viktiga, utan enbart att de inte finns tydliga samband mellan dessa frågor och andra frågor i enkäten. Beroende på vad uppdragsgivarna önskar mäta med sina frågor bör beslut tas om frågor vi valt att radera skall tas bort från enkäten eller om fler frågor inom samma ämneskategori bör läggas till. Om man väljer att lägga till frågor i kategorierna så vet man givetvis inte om dessa verkligen hör hemma i samma kategori, faktor, som man tror. Det rekommenderas således att man om man lägger till frågor testar deras relevans genom ytterligare faktoranalys så snart man samlat in tillräckligt med data. Fråga 1 och 4. Frågor som plockades bort i förfiningen av modellen var Jag har inflytande över hur mitt arbete planeras, Jag får den kompetensutveckling jag behöver utifrån verksamhetens uppdrag. Dessa frågor mäter kontroll i arbetet vilket är viktig beståndsdel för att förebygga negativ stress (Karasek, 1979). Vi rekommenderar därför att flera frågor läggs till inom samma ämneskategori för att söka säkerställa att Kontroll mäts på ett tillfredsställande sätt. Förslag på sådana frågor skulle kunna vara: Jag kan själv bestämma när jag tar paus eller Jag kan påverka beslut angående vilka personer jag ska arbeta med. Detta är frågor som används i enkäten QPS-Nordic (Bellner et. al., 2000). Fråga 5. Jag frågar efter feedback på hur jag genomfört mina insatser. Denna fråga laddade lågt på samtliga faktorer och vi föreslår att företaget att man undersöker vikten av ha med denna fråga i enkäten. Som tidigare nämnt kan en enskild fråga ha betydelse för undersökning trots låga laddningar. Enskilda, viktiga frågor upptäcks som bekant inte i faktoranalys. Fråga 14. Jag är motiverad i mitt arbete torde vara en essentiell fråga i enkäten men vi hittar inget tydligt samband med de andra frågorna. För att säkerställa att motivation mäts på det sätt som företaget önskar så bör man fundera på om det kan vara ett alternativ att lägga till frågor inom samma ämnesområde. Förslag på sådana frågor skulle kunna vara: Innebär ditt arbete positiva utmaningar, Tycker du ditt arbete är meningsfullt och Är dina kunskaper och erfarenheter till nytta i ditt arbete. Detta är frågor som används i enkäten QPS-Nordic (Bellner et. al., 2000). Fråga 40. Jag har blivit utsatt för våld eller hot de senaste 12 månaderna. Frågan är viktig i sig och vi ser, som tidigare nämnt, inget behov av att skapa index med frågor av denna känsliga karaktär då frågorna bör uppmärksammas var för sig.

25 Faktor1 består av 10 frågor om ledarskap. Enkäter bör inte vara längre än nödvändiga och man bör således undersöka om man kan få fram lika bra resultat med ett mindre antal frågor i denna kategori. I korrelationsmatrisen ser vi att fråga Min närmaste chef tydliggör verksamhetens mål och Min närmaste chef följer upp verksamhetens mål korrelerar mycket starkt med varandra (r >0.8), och tolkningen kan därför göras att det är tillräckligt att ha med en av dessa frågor i enkäten. Frågan Min chef stimulerar till friskvård är en del av Faktor1 men borde kanske borde höra samman med Stress- och hälsoindex. Om detta var den ursprungliga tanken med frågan bör man fundera på att ta bort även den. Faktor2 består av 13 frågor som är svåra att kategorisera. För att säkerställa att man mäter det man avser mäta med enkäten bör man se över denna kategori och se om frågorna hänger samman på det sätt man tror. Alternativet är att utse de frågor man anser viktigast och skriva nya frågor inom samma område. Det är viktigt att förstå vad dessa frågor har gemensamt för att få en större förståelse för enkäten som helhet. Faktor3 innehåller 8 frågor om hot, våld och trakasserier och anses samtliga vara relevanta och viktiga frågor. Faktor4 består av fyra frågor i kategorin Attraktiv arbetsgivare. Fyra frågor är för få för att skapa en bra faktor och vi föreslår därför skapandet av en femte fråga i samma kategori då de befintliga frågorna anses viktiga. En sådan fråga skulle kunna vara Belönas man för ett väl utfört arbete på din arbetsplats? Eller Tas de anställda väl om hand på din arbetsplats. Faktor5 består av fem frågor som handlar om stress och hälsa. Dessa anses hänga samman på ett tillfredsställande sätt och mäts med ett passande antal frågor. 5.2 Den konfirmativa faktoranalysen Vi analyserade vidare några av de index som företaget använder sig av. De test vi utförde var samtliga signifikanta och ger indikationer på att frågorna inte hör samman på det sätt som företaget tror. Det finns dock stor risk att förkastande av nollhypotesen i testen beror på vårt stora urval och vi gjorde därför manuella beräkningar på indexen var för sig. Dessa beräkningar visade att Index1. Aktivt ansvarstagande, inte förklarade en tillfredsställande del av variationen i svaren. Med andra ord så är den specifika variansen kopplad till de enskilda frågorna stor i förhållande till den totala variationen. Att sätta samman dessa frågor till ett index bör sålunda inte rekommenderas. Övriga index kan däremot sägas innehålla frågor som hör ihop. Vi ser dock i den visuella översynen av indexen, tabell 4:3, att fyra stycken av sex stycken index hör hemma i vår Faktor2. Detta kan vi tolka som att dessa tre index övergripande mäter samma sak och kanske inte bör grupperas på detta sätt. Vi ser också i korrelationsdiagrammet att flertalet av indexen korrelerar starkt med varandra, vilket föreslår att de mäter i stort sätt samma sak. Som alternativ till de index som företaget använder önskar vi föreslå ett antal index med utgångspunkt i den EFA som utförts. Dessa index skapas genom att sätta samman de fem frågor i varje faktor som har de högsta laddningarna. Faktor3, Hot, våld och trakassarier, innehåller känsliga frågor vars svar bör analyseras var för sig och inte sättas samman till index. Tabell 5:1. Förslag på nya index enligt resultat från den explorativa faktoranalysen. Förslag på Index Ledarskap Fråga Jag har förtroende för min närmaste chef Min närmaste chef arbetar för att skapa ett öppet klimat på arbetsplatsen Min närmaste chef behandlar alla medarbetare med respekt för allas lika värde