begrippen hc4 Flashcards
Wat is het doel van factor analyse?
+ Resultaat
Veel items samenvatten in minder factoren
Resultaat: Groepen van items waarvan de scores onderling sterk samenhangen
Factoranalyse gaat over de …. van een test
plus twee belangrijke vragen die daarbij horen
Dimensionaliteit
Hoeveel groepen kun je het beste onderscheiden? Welke items horen bij deze groep?
twee manieren om factor analyse te onderzoeken:
Exploratief
Welke test hoort hierbij
Wat is de structuur van deze test?
Dus je hebt nog geen hypotheses opgesteld of groepen bedacht die bij elkaar horen.
Principale componenten analyse
twee manieren om factor analyse te onderzoeken:
Bevestigend
Welke test hoort hier bij
Ik heb al bepaalde groepjes waarvan ik denk dat die bij elkaar horen,
KLOPT deze structuur van deze test?
Multiple Group Method
Componenten analyse is gebasseerd op
Factor scores: gewogen somscore
Bepalen van gewichten bij de Multiple Group Method
Wordt gekozen door de onderzoeker (omdat je al verwachtingen hebt)
Twee mogelijkheden: 0 en 1
Bepalen van gewichten bij de Principale Componenten Analyse
Optimale schatting op basis van de data
Hoe noem je de correlatie in een factor analyse?
Lading
4 Stappen bij de componenten analyse
- Bepalen van gewichten (Bjq)
- Correlaties met items en factorscores (loading matrix)
- Interpretatie (items die hoog laden horen bij die factor) Oblique/orthogonaal
- Proportie verklaarde variantie (VAF)
Ongecorreleerde factoren
Hoe wordt dit ook wel genoemd?
Orthogonaal
(Factoren die niet correleren bijv. de big 5 persoonlijkheidskenmerken, die factoren zijn onderling niet sterk gecorreleerd)
Gecorreleerde factoren
Hoe wordt dit ook wel genoemd?
Oblique
(Nummerieke en verbale intelligentie: verband is niet 0, zijn wel een beetje gecorreleerd met elkaar)
De Variance accounted for (VAF) proportie verklaarde variantie is meestal tussen de .. en de ..
.30 en de .80
Meer factoren is een hogere VAF
Wat is het verschil met de eerste, tweede en derde principale componenten?
Zijn geordend naar mate van verklaarde variantie (en NIET gecorreleerd: orthogonaal)
Dus de eerste verklaard de meeste, daarna de tweede etc.
Principale componenten moeten zo ver mogelijk van … af zitten
+ wat moet je doen als PCA’s heel dicht bij elkaar liggen?
0 (dus -1 of bij 1).
Rotatie!
Wat is er anders (in vergelijking met voor de rotatie) na het roteren van de PCA’s?
Eerste PCA verklaard dan niet meer het meeste (Grootte VAF)
Zijn ook niet meer ongecorreleerd (TENZIJ DE HOEK 90 GRADEN IS)(orthogonaal)
Kaiser criterium
Hoeveel componenten (subgroepjes) wil je uberhaupt onderscheiden?
Hoeveel componenten hebben een ‘eigenvalue’ GROTER dan 1?
Wat gebeurt er als je het Kaiser Criterium kiest?
Leidt tot een OVERSCHATTING van het aantal componenten want heel veel componenten zijn groter dan 1
Scree criterium
Zo min mogelijk componenten.
Aantal componenten kiezen die VOOR de ‘knik van de elleboog’ zitten.
Dus niet de knik nog zelf!!
vaak lastig te interpreteren
De totale verklaarde variantie na rotatie blijft…
gelijk
Wat betekent een VAF van 0.80 in een componenten analyse?
80% van de geobserveerde variantie wordt verklaard door factoren
De VAF geeft dus aan hoe goed de componenten de items samenvatten
Item rest correlatie
Correlatie tussen somscore (Xg) en de RESTSCORE/totaal score (X-Xg)
Item test correlatie
Correlatie tussen score item (Xg) en SOMscore
