Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

Testtheorie > 4. Exploratorische Faktorenanalyse > Flashcards

4. Exploratorische Faktorenanalyse Flashcards

1
Q

Nenne die Ziele einer Faktorenanalyse

A
  • möglichst viel Information
  • möglichst wenige latente Faktoren

–> Hypothesengenerierung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Korrelationen zwischen Items geben Aufschluss über __________

A

Homogenität

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

wieso werden Faktorenanalysen eingesetzt?

A

EFFEKTIV

weniger auwändig als einzelne Korrelationen zu beurteilen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Definiere “Faktorenanalyse”

A

heuristisches Instrument zur Identifizierung homogener Itemgruppen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Im Gegensatz zur Konfirmatorischen Faktorenanalyse dient die Exploratorischen Faktorenanalyse der…

A
  • erstmaligen Datenreduktion
  • Überprüfung der Daten
  • Hypothesengenerierung
    => Möglichmachen der konfirmatorischen Testung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Wieso sollte die EFA nicht Ende des Forschungsprozesses sein?

A

Gefahr: “Overfitting”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Faktorstruktur kein Beleg dafür, dass Faktorwert __________________ ist

A

Ausdruck des latenten Konstrukts

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Nenne die Voraussetzungen einer exploratorischen Faktorenanalyse

A

Substanzielle Korrelationen
Unverzerrte und lineare Zusammenhänge
Hinreichend große Itemanzahl und Stichprobe
intervallskalierte Variablen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Wie kann geprüft werden, dass “Substanzielle Korrelationen” vorliegen?

A
  • KMO-Kriterium

- Bartlett-Test

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Nenne die Nullhypothese des Bartlett-Tests.

A

H0 = alle Korrelationen sind null

also Signifikanz –> es liegt mind. eine Korrelation vor

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Was für einen KMO-Koeffizienten kann man erwarten bei großer Partialkoeffizienten?

A

kleiner KMO-Koeffizient

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Was ist eine “hinreichend große Itemanzahl und Stichprobe”?

A

Items x 5 = Minimum
N>100
Pro Faktor mind. 4 Items

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Nenne die Ausnahmen für “Linearität”

A

nicht adäquat:

schwach monotone und kurvilineare Verläufe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Nenne eine Alternative (statt Faktorenanalyse) für kategorial-geordnete Daten.

A

Mplus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Wie kann man “unverzerrte Zusammenhänge” als Voraussetzung überprüfen?

A
  • Identifikation von Ausreißern (inhaltlich und statistisch)
  • Prüfung der Histogramme jeder Variablen (Unterschiedliche Itemverteilungen?)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Was ist bei unterschiedlichen Itemverteilungen sinnvoll?

A

Logarithmierung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Nenne die zwei Arten von geometrischen Modellen

A

Personenraum

Faktorenraum

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Beschreibe die Achsen und Punkte im Personenraum

A

Achsen: n Versuchspersonen
Punkte: m items

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Beschreibe die Achsen und Punkte im Faktorenraum

A

Achsen: q Faktoren
Punkte: m Items

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Personenraum: Der ___________ (von beiden Probanden) bestimmt die Lage der Punkte im Personenraum

A

Schnittpunkt der Werte

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Faktorenraum: nenne die zwei Arten der Rotation

A

Orthogonale Rotation

Oblique Rotation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Faktorenraum: Orthogonale Rotation

A

Winkel zwischen Itemvektoren und einer Achse möglichst gering, mit anderen Achsen (möglichst) im 90° Winkel (Einfachstruktur)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Faktorenraum: Oblique Rotation

A

Faktoren dürfen korrelieren (Winkel ungleich 90°)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Definiere die “Faktorladung” bei einer orthogonalen Rotation

A

Korrelation zwischen einem Item und einem Faktor

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Definiere die "Faktorladung" bei einer obliquen Rotation
Partielle standardisierte Regressionsgewichte
26
Definiere "Kommunalität" (orthogonale Rotation)
aufgeklärte Varianz (quadrierte Ladungen) eines Items über alle extrahierten Faktoren
27
Definiere "Kommunalität" (oblique Rotation)
aufgeklärte Varianz (quadrierte Ladungen) eines Items über alle extrahierten Faktoren inkl. Faktorinterkorrelation
28
Je höher die __________ eines Items, desto besser wird ein Item durch die Faktoren repräsentiert
Kommunalität
29
Worauf bezieht sich der Begriff "Einfachstruktur"?
Struktur der Faktorladungsmatrix
30
Definiere "Einfachstruktur"
Partielle standardisierte Regressionsgewichte eines Items… - auf einem Faktor sehr hoch - auf den restlichen Faktoren nahe 0
31
Definiere "Eigenwert"
wieviel Varianz ein Faktor an allen Items aufklärt
32
Was ändert sich durch Rotation?
Die eigenwerte der einzelnen Faktoren | NICHT die Gesamtvarianz aller Items
33
Definiere "Faktorwert"
Wert einer Person auf einem Faktor
34
Definiere "Spezifizität"
systematische Varianz eines Items, die durch nur einen Faktor erklärt wird
35
Varianz eines Items in der Faktorenanalyse =
Kommunalität + Spezifität + Messfehler
36
Was verursacht das Kommunalitätsproblem?
Die EINZIGARTIGKEIT der Items - -> Faktorenmodell kann Korrelationsmatrix nicht perfekt replizieren - -> Kommunalitäten müssen geschätzt werden
37
Wo findet man die Kommunalitäten?
Replizierte Werte der Hauptdiagonalen
38
Welche Methode? | Ziel: reine Dimensionsreduktion
Hauptkomponentenanalyse
39
Welche Methode? | Ziel: Beziehungsmuster zwischen Variablen erklären
Hauptachsenanalyse | Maximum-Likelihood-Verfahren
40
Hauptachsen- und Hauptkomponentenanalyse : | Beschreibe den Rechenvorgang
RECHNERISCH GLEICH 1. Einsetzen der Anfangskommunalitäten in die Diagonale der Korrelationsmatrix 2. Extraktion der voreingestellten Faktorenanzahl 3. Kommunalität wird über Summation der quadrierten Ladungen neu ermittelt. (Diese Schätzung sei näher an der „wahren“ Kommunalität) 4. Dieser Prozess wird wiederholt bis der Unterschied zwischen zwei aufeinander folgenden Kommunalitätsschätzungen gering ist 5. Abbruchkriterium
41
Hauptachsenanalyse: Ziel?
Zusammenhänge zwischen Items auf latente Variable zurückführen
42
Hauptkomponentenanalyse: Ziel?
viel Information, wenige Faktoren
43
Wie unterscheidet sich die Hauptachsenanalyse von der Hauptkomponentenanalyse?
Hauptachsenanalyse: gemeinsame Varianz Hauptkomponentenanalyse: GESAMTVARIANZ
44
Hauptachsenanalyse: ANFANGSKOMMUNALITÄTEN?
quadrierte multiple Korrelation
45
Hauptkomponentenanalyse: ANFANGSKOMMUNALITÄTEN?
1
46
Hauptachsenanalyse: PROBLEM?
Unterschätzung der Reliabilität
47
Hauptkomponentenanalyse: PROBLEM?
Überschätzung der Reliabilität
48
Hauptkomponentenanalyse: ANWENDUNG?
nur bei Tests mit hoher Reliabilität
49
Hauptkomponenten sind keine _________________
latenten Variablen
50
Hauptkomponentenanalyse: Vorteil?
unkomplizierte Methode, die immer Lösung herbeiführt
51
Maximum-Likelihood-Verfahren: Interpretation?
Wie lässt sich die „Ursache“ in der Grundgesamtheit bezeichnen, die für die Korrelationen zwischen den Items verantwortlich ist?
52
Nenne die Voraussetzungen des Maximum-Likelihood-Verfahrens?
* Ausreichend große Stichproben | * Multivariate Normalverteilung (AMOS)
53
Wie heißt der Modelltest des MLV?
χ 2 -Test: | das angenommene Modell anzunehmen oder zu verwerfen
54
Maximum-Likelihood-Verfahren: | auf was wird die Anfangskommunalität gesetzt?
Quadrierte multiple Korrelation des Items mit allen anderen Items
55
MAXIMUM-LIKELIHOOD-VERFAHREN: | Wie wird die Anzahl der Faktoren bestimmt?
Goodness-of-Fit-Test (significant  Extraktion eines weiteren Faktors)
56
MAXIMUM-LIKELIHOOD-VERFAHREN: | Anwendung?
* Bei Normalverteilung | * Wenn Rückschlüsse auf die Struktur in einer Population gezogen werden sollen
57
Wie viele Faktoren sollen extrahiert werden? | Nenne die zwei Aspekte die hier berücksichtigt werden sollen.
* Inhaltliche Plausibilität der Faktoren | * Wie gut reproduzieren die Ladungen der Faktoren die beobachtete Korrelationsmatrix?
58
Nenne die 2 A PRIORI Methoden die zur Bestimmung der Faktorenanzahl zur Verfügung stehen
1. hypothetisches Modell | 2. Ausmaß der Varianzaufklärung
59
Nenne die 4 A POSTERIORI Methoden die zur Bestimmung der Faktorenanzahl zur Verfügung stehen
1. Eigenwert >1 2. Scree-Plot 3. Parallelanalyse 4. MAP-Test
60
Scree-Plot nach...
Cattell
61
Parallelanalyse nach...
Horn
62
Erfasse kurz die Methode "Hypothetisches Modell" zur Faktorenbestimmung
theoriegeleitet | begründung, warum nicht KFA berechnet wird???
63
Erfasse kurz die Methode "Ausmaß der Varianzaufklärung" zur Faktorenbestimmung
a priori festlegung wie viel Gesamtvarianz mind. aufgeklärt werden soll
64
Erfasse kurz die Probleme die bei der Methode "Eigenwert > 1" zur Faktorenbestimmung, auftreten können
* Kommunalität eines Items kann niedrig sein, obwohl Fragebogen-Item reliabel ist * Eher Überschätzung
65
Erfasse kurz die Methode "Scree-Plot"
-- Knick im Scree-Plot (von links nach rechts) -- Eigenwerte VOR dem Knick = mitgezählt -- Knickpunkt selber nicht (vor Rotation)
66
Nenne das Problem mit der Scree-Plot Methode
Subjektivität
67
Erfasse kurz die Methode "Parallelanalyse"
Simulation von Eigenwerten aus normalverteilten Zufallsvariablen. Extraktion: Faktoren, mit Eigenwerten über den zufällig erzeugten Eigenwert
68
Besschreibe den Vorgang des MAP-Tests
1. Auspartialisieren der ersten Komponente aus den Korrelationen zwischen den Items. 2. Ermittlung der mittleren quadrierten Partialkorrelation der Residualmatrix. 3. Auspartialisierung der 2. Komponente aus der Residualkorrelationsmatrix. 4. Wiederholung, bis keine weitere Reduktion 5. Anzahl = wo sich die niedrigste mittlere quadrierte Partialkorrelation ergibt
69
Welche Methoden zur Bestimmung der Faktorenanzahl sind EMPFOHLEN?
MAP-Test Parallel-Analyse (mehrere Extraktionskriterien sinnvoll)
70
Faktorenanzahl: | ______________ ist problematischer als ______________
1. Unterfaktorisierung | 2. Überfaktorisierung
71
Was ist das Ziel der Rotation?
möglichst eindeutige Beschreibung der Items durch die Faktoren = EINFACHSTRUKTUR
72
Wie unterscheiden sich oblique und orthogonale Rotationen?
orthogonal: Unkorreliertheit der faktoren bleibt erhalten (rechtwinklig) oblique: Korreliertheit der Faktoren bleibt erhalten (schiefwinklig)
73
Nenne die drei Methoden zur orthogonalen Rotation
VARIMAX QUARTIMAX EQUIMAX
74
Nenne die drei Methoden zur obliquen Rotation
DIRECT OBLIMIN DIRECT QUARTIMIN PROMAX
75
Welche der orthogonalen Rotationstechniken wird am häufigsten angwandt?
VARIMAX
76
Welche der obliquen Rotationstechniken wird am häufigsten angwandt?
DIRECT QUARTIMIN
77
Für oblique Rotationen werden zwei unterschiedliche Matrizen angegeben: Nennen Sie sie
Mustermatrix | Strukturmatrix
78
Erfasse den Unterschied zwischen Mustermatrix und Strukturmatrix
Mustermatrix: partielle standardisierte Regressionsgewichte der Items auf den Faktoren Strukturmatrix: Korrelationen zwischen Items und den Faktoren
79
Welche Faktorenlösung ist leichter zu interpretieren? | Orthogonal oder Oblique?
Orthogonal
80
wieso würde eine oblique rotation manchmal zwingend sein?
theorie | korrelierte Faktoren angenommen

Testtheorie (13 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions