Faktorrotation

Vid rotation av faktorer används faktorladdningar, som man får med hjälp av faktorextraktion, som koordinater för att kartlägga relativa synvinklar på alla Q-sorteringar i studien (Watts & Stenner 2012: 142). Faktorer är olika åsikter och synpunkter på undersökningsämnet och genom att rotera faktorer kan man garantera att så många Q-sorteringar som möjligt är inkluderade i dessa synpunkter. Genom att rotera faktorer ändrar man inte Q-sorteringarna utan perspektivet som används för att betrakta dem. Genom rotation kan man också försöka garantera att varje Q-sortering har en hög laddning endast på en faktor, dvs. att Q-sorteringen definierar endast en faktor. Faktorrotation ökar faktorladdningar av Q-sorteringar på faktor 1 och samtidigt minskar laddningarna på andra faktorer. På samma sätt ökar faktorladdningar på faktor 2 och minskar på andra faktorer och så vidare. De roterade faktorladdningarna anger hur nära en Q-sortering är faktorns synpunkt. (Watts & Stenner 2012: 125, 128–129)

Jag började med att rotera båda de två faktorerna med hjälp av varimax. Efter varimax-rotation flaggade jag för hand de signifikanta faktorladdningarna, dvs.

fakWRUODGGQLQJDU Sn • RFK ”-0,408. Statistiskt sett definierar och exemplifierar alla signifikant laddade Q-sorteringar faktorn tillräckligt noggrant eftersom jag räknade den signifikanta laddningen på nivå 1 %, vilket betyder att 99 % av alla Q-sorteringar inte exemplifierar faktorn lika väl. (Watts & Stenner 2012: 131) De Q-sorteringar som är laddade signifikant på flera faktorer är ambivalenta (eng. confounded) och används inte när man gör faktor-uppskattningar. Att en Q-sortering är ambivalent betyder i praktiken att personen som har sorterat påståendena har åsikter som delvis representerar åsikter hos den ena gruppen och delvis hos den andra. Eftersom till och med fem signifikant laddade Q-sorteringar var ambivalenta och fick en hög laddning på både faktor 1 och 2 valde jag att lyfta värdena för en signifikant faktorladdning till

•'HWWDOHGGHWLOl att endast en Q-sortering (nr 9, Böle1fi) är ambivalent (se matris 4). Även om jag hade valt att utesluta alla de fem ambivalenta Q-sorteringarna från studien skulle det inte ha påverkat slutresultatet i någon högre grad.

Matris 4. Faktorladdningar i studien (efter rotation)

I matris 4 syns faktorladdningarna efter rotation av faktorer. Bokstaven X efter faktorladdningen betyder att laddningen är signifikant och att Q-sorteringen exemplifierar faktorn. Tabell 11 sammanfattar de Q-sorteringar som laddar på de två faktorerna.

Två deltagare i min studie: Å7sv (Q-sortering 7) och Öst5sv (Q-sortering 21) har tjänsteställningar som ger dem mer makt jämfört med de andra deltagarna med tanke på den språkliga verksamheten vid de tvåspråkiga polisinrättningarna. De har en större möjlighet att påverka inte bara den egna språkliga praktiken utan också andra polisers språkliga praktiker på svenska. Jag har granskat hur bra dessa två Q-sorteringar exemplifierar faktorn och om de kunde exemplifiera faktorn ännu bättre. För-hand-rotation är dock inte nödvändig att använda eftersom Q-sortering 7 som formats av Åbo7sv får en laddning på 0,79 på faktor 1 och Q-sortering 21 som sorterats av Öst5sv får en laddning på 0,76 på samma faktor, dvs. de har en hög laddning på faktor 1 och är starkt knutna till faktorn.

De två faktorerna (F1 och F2) förklarar också 21 av de 22 Q-sorteringarna i min studie och ingen verklig nytta skulle nås med hjälp av för-hand-rotation.

Tabell 11. Signifikant laddade Q-VRUWHULQJDU•LHQ-faktor extraktion och rotation

Faktor Signifikant laddade Q-sorteringar Totalt 1 1, 2, 5, 6, 7, 8, 13, 15, 17, 18, 20, 21 12

2 3, 4, 10, 11, 12, 14, 16, 19, 22 9

Ambivalenta Q-sorteringar 9 1

Icke-signifikanta Q-sorteringar – 0

Faktoruppskattning (eng. factor estimate) är en uppskattning av faktorns synpunkt. När man skapar faktoruppskattningar borde man enligt Brown (1980:

293) använda minst två Q-sorteringar för att skapa en reliabel faktor-uppskattning. Jag har bestämt mig för att använda alla signifikant laddade Q-sorteringar på båda faktorerna när jag skapar faktoruppskattningar för att kunna höja reliabiliteten hos faktoruppskattningarna. Detta har jag gjort eftersom faktoruppskattningen är baserad på ett vägt genomsnitt. När faktor-uppskattningar kalkyleras betonas varje påstående på basis av faktorladdning, dvs. de påståenden som har högre faktorladdning ger mer för den slutgiltiga uppskattningen (Watts & Stenner 2012: 142–143). Till exempel Q-sortering 12 av deltagare Böle4fi får en signifikant men förhållandevis låg faktorladdning på 0,543 för faktor 2, vilket betyder att Q-sorteringen bidrar relativt lite till uppskattningen av faktor 2 jämfört med till exempel Q-sortering 3 av deltagare Åbo3fi med en faktorladdning på 0,853 på samma faktor (se matris 4).

PQMethod räknar faktoruppskattningar automatiskt för alla faktorladdningar som jag har flaggat (dvs. av alla signifikant laddade sorteringar förutom Q-sortering 9 av deltagare B1fi som är ambivalent). Processen börjar med att man räknar ut relevanta faktorvikter (eng. factor weight) för alla signifikant laddade Q-sorteringar skilt för båda faktorerna. För att skapa faktoruppskattningen

appliceras faktorvikten av varje Q-sortering på sorteringens rankning av påståendena. Rangeringsvärdena på en skala med 9 värden (från -4 till +4) multipliceras med faktorvikten och som resultat får man ett vägt värde. Det totala vägda värdet för varje påstående standardiseras och omvandlas till ett z-värde, vilket möjliggör jämförelser mellan faktorerna. (Watts & Stenner 2012: 132–133, 139)

Det är möjligt att tolka materialet med hjälp av z-värden men utöver att använda de standardiserade värdena har jag även omvandlat dem till en faktorsamling (eng. factor array), som är i form av en Q-sortering och representerar synpunkten hos en faktor. Fastän det inte är nödvändigt att skapa en faktorsamling kan detta motiveras genom att data i en faktorsamling är i samma form som de var under materialinsamlingsfasen (Brown 1980: 243). I matris 5 presenteras faktor-samlingen för faktor 1 i form av en Q-sortering. Watts och Stenner (2012: 141) argumenterar för skapandet av en faktorsamling med holism: faktorer är synvinklar på samma sätt som de ursprungliga Q-sorteringarna och de borde också analyseras som helheter. Faktorsamlingen kan presenteras både i form av en Q-sortering (se matris 5 och 6) och i form av en matris där värden per påstående presenteras (se matris 7).

Matris 5. En hypotetisk Q-sortering som bäst exemplifierar faktor 1

Faktorsamlingar är dock aldrig perfekta eftersom det inte finns en Q-sortering som laddar 100 % på en faktor och inte alls på andra faktorer. Den högst laddade Q-sorteringen på faktor 1 är Q-sortering 5 av Åbo5sv med en faktorladdning på 0,824 och på faktor 2 Q-sortering av Åbo3fi med en faktorladdning på 0,853.

Både faktoruppskattningar och faktorsamlingar innehåller alltid fel och kan således korrelera med varandra fastän faktorer som statistiska enheter är ortogonala och inte korrelerar. Således är en faktorsamling alltid endast den bästa möjliga uppskattningen av faktorns synpunkt. (Watts & Stenner 2012: 141) De två faktorerna i min studie korrelerar dock inte i hög grad (korrelation på

-0,104). Tidigare räknade jag ut att en signifikant laddning för min studie är

“RFKPHGWDQNHSnGHWWDlUNRUUHODWLRQHQPHOODQIDNWRUHUQDLQWHHQVQlUD signifikant i min studie.

Matris 6. En hypotetisk Q-sortering som bäst exemplifierar faktor 2

Syftet med faktoranalys är att reducera data till några gemensamma synpunkter som deltagarna i studien har. Med hjälp av faktoranalys har jag effektivt kunnat reducera de 22 olika åsikterna i mitt material till två huvudsynpunkter. Dessa två ståndpunkter består av 21 av alla de 22 Q-sorteringarna. Faktor 1 ansvarar för 35

% av variansen i studien och faktor 2 för 24 % (se matris 4). Höga värden är det som man önskar sig eftersom man vill förklara så mycket av variationen i studien som möjligt. När man räknar summan för faktorernas varians får man veta i hur hög grad faktorerna förklarar studiens hela varians. Sammanlagd förklarad varians av de två faktorerna är 59 %. Enligt Watts och Stenner (2012: 103–105) och Kline (1994) är det alltid bra om faktorerna kan förklara 35–40 % eller mer av den totala variansen och således kan det konstateras att de två faktorerna förklarar tillräckligt mycket av variansen i min studie.

Matris 7. Faktorsamlingar för faktor 1 och 2

På signifikansnivå p<0,01 finns det till och med 32 påståenden av alla 40 som faktor 1 har rangordnat på ett signifikant annorlunda sätt än faktor 2. Eftersom den Q-metodologiska analysen är holistisk till sin natur är det inte meningen att koncentrera sig endast på de enskilda påståendena eller på jämförelsen mellan faktorer (Watts & Stenner 2012: 149) men de påståenden som har fått ett högre eller lägre värde i jämförelsen mellan faktorer kan lyftas fram. Matris 7 beskriver vilka påståenden som rankats olika för faktor 1 jämfört med faktor 2. Av figuren går det även att utläsa vilket värde som tillmätts studiens påståenden.

I analysen borde man kunna förklara hela konfigurationen av påståenden som hör till faktorn för att kunna fånga synpunkten i dess helhet. I analysen är inte

jämförelsen mellan olika faktorer viktig utan relationen mellan påståendena inom en faktor. Stephenson (1936 i Watts & Stenner 2012: 148) lyfter fram vikten av holism till skillnad från den atomistiska metoden där man analyserar data en variabel åt gången. Syftet med en Q-metodologisk analys är att analysera helheter istället för enskilda påståenden. I analysen använder jag som hjälp ett stödark (eng. cribsheet) som erbjuder ett system av faktortolkning som kan användas genomgående vid analys av varje faktor (Watts & Stenner 2012: 167). Arket består av fyra kategorier: påståenden som har fått de högsta och lägsta värdena samt påståenden som har fått högre eller lägre värden på faktorn än på andra faktorer (Watts & Stenner 2012: 167). Med hjälp av stödarket har jag analyserat de två faktorerna, dvs. de två olika synvinklar på språkliga praktiker som poliserna i studien har.

Denna grovanalys fungerade som utgångspunkt för den fortsatta kategorisering-en av påståkategorisering-endkategorisering-en kategorisering-enligt innehåll. Jag placerade till exempel påståkategorisering-endkategorisering-en som behandlar språkkompetens under samma kategori. I detta skede var det tydligt att det fanns fyra olika kategorier: möten med svenskan och svenskspråkiga, språkkompetens, språkval samt utmaningar och lösningar. Dessa kategorier fungerar också som underrubriker i min beskrivning av faktorer (se 5.4 för förklaring till att 5.3.5 finns med).

5.2 Beskrivning av faktor 1: ”Jag använder gärna svenska