Factoranalyse Flashcards
onderzoeksvraag factor analyse
Centraal staat de vraag of het mogelijk is een verzameling items te representeren door een kleiner aantal nieuw te construeren variabelen (datareductie).
Het algemene uitgangspunt hierbij is dat we proberen met een zo weinig als mogelijk aantal factoren zo veel als mogelijk variantie in de items te verklaren.
toetsende factoranalyse
toetsende factoranalyse (ook wel ‘theorie gestuurd’ genoemd)
exploratieve factoranalyse
exploratieve factoranalyse (ook wel ‘data gestuurd’ genoemd)
Eigenwaarde
De eigenwaarde drukt uit hoeveel variantie de betreffende factor verklaart van alle bij de factoranalyse betrokken variabelen.
Als de eigenwaarde groter is dan 1, verklaart de factor meer variantie dan een afzonderlijk item uit de test. Is de eigenwaarde kleiner dan 1, dan verklaart deze factor minder variantie dan elk van de gemeten items afzonderlijk. Factoren met een eigenwaarde kleiner dan 1 worden daarom als statistisch niet-relevant beschouwd.
knikcriterium
Gezocht wordt naar de overgang tussen het aantal factoren welke veel variantie verklaren en de factoren die daarna komen, die alle ongeveer evenveel variantie verklaren, maar duidelijk minder dan het eerste aantal factoren.
Om deze overgang te bepalen, wordt een screeplot gemaakt. In zo’n figuur staat voor elke mogelijke factor de hoogte van de eigenwaarde weergegeven. De eerste factor heeft de hoogste eigenwaarde en de laatste factor de laagste. Volgens het knikcriterium kies je voor het aantal factoren met een eigenwaarde die in de figuur voor of boven de eerste ‘knik’ligt.
factorladingen
De correlaties tussen een geobserveerde variabele en een factor
de tabel ‘Pattern Matrix’ en de tabel ‘Factor Matrix’
De samenhangen tussen factoren en de geobserveerde variabelen worden weergegeven in een factorladingenmatrix of factormatrix. De ladingen kunnen we beschouwen als correlaties tussen een factor en een variabele.
In de tabel ‘Pattern Matrix’ staan de factorladingen van items na een factoranalyse met oblique rotatie. In de tabel ‘Factor Matrix’ vind je de factorladingen van de items bij een niet-geroteerde factoranalyse.
kwalitatieve beoordeling van de factoroplossing a.d.h.v. Percentage (proportie) verklaarde variantie
Hoe minder factoren in het factormodel worden gekozen, hoe minder variantie in de variabelen verklaard wordt.Het percentage verklaarde variantie gebruiken we voor een kwalitatieve beoordeling van de factoroplossing.
Als het percentage verklaarde variantie rond de 30% ligt, beoordelen we de factoroplossing als matig. Ligt het percentage verklaarde variantie rond de 50% dan beoordelen we de factoroplossing als goed.
Begripsvaliditeit
Komt de variabele zoals gemeten overeen met het construct zoals je het had bedoeld
Confirmerende factoranalyse
Dimensionaliteit wordt beoordeeld. Er is 1 onderliggende factor die de items veroorzaakt.
Explorerende factoranalyse
Doel is data reductie. Kun je een groot aantal variabelen reduceren tot kleiner aantal nieuw te construeren variabelen.
Stappen factoranalyse
- Dataverzaleming/screening
- Keuze factormodel: -hoofdcomponentenanalyse PCA of -principalaxis factoring PAF
- Bepalen aantal factoren.
- eigenwaarde >1 criterium
- knikcriterium screeplot - Interpreteren factor
- orthogonale rotatie/ oblique rotatie
- factorladingen>.4 - Beoordelen kwaliteit factoroplossing
- proportie verklaarde variantie
- correlatie tussen de factoren R²:
- Zwak < .05
- Matig < .15
- Sterk < .30
- Zeer sterk > .30
Bij stap dataverzamelen en screenen krijg je een correlatie tabel. Wat is stap 1 op data te reduceren
Stap 1 diagonaal is er een streep die steeds 1.000 aangeeft. Kijk alleen naar de correlaties onder deze streep.
Stap 2. De correlatie moet groter zijn dan .3
Keuze factormodel
PCA = leent zich voor datareductie maar niet goed voor inhoudelijke interpretatie. Geen 1 factoranalyse want geen interesse in unieke variantie
PAC = bevestigen van theorie. Één factormodel hoor hierbij. Naast de invloed van de latente factor(begrip dat je onderzoekt) op de items is er ook aandacht voor overige unieke variantie die invloed heeft op een item.
Bepalen aantal factoren
Adhv eigenwaarde en screeplot.
Factor 1 verklaard een zo groot mogelijk deel van de variantie
Factor 2 verklaart een zo groot mogelijk deel van de RESTvariantie
…. Factor 13 verklaart een zo groot mogelijk deel van de rest variantie
Eigenwaarde hoger dan 1 dan kun je data reduceren. Dat is goed. Is de eigenwaarde lager dan 1 dan is er geen reductie mogelijk.
Je gebruikt de screeplot omdat er soms meerdere variabelen zijn met een eigenwaarde net boven de 1. Je wil zo min mogelijk variabelen dus welke neem je dan mee??? Daarom visualiseer je het. KIES VOOR DE EIGENWAARDE BOVEN DE KNIK.
