Learning statistics with jamovi: a tutorial for psychology students and other beginners (15 Faktoranalyse)

Question 1

Hva er Exploratory Factor Analysis (EFA), på norsk, utforskende faktoranalyse?

Answer 1

Det er en statistisk teknikk for å avsløre eventuelle skjulte latente faktorer som kan utledes fra våre observerte data. Denne latente faktoren kan ikke måles gjennom bare én observert variabel, men manifesteres i stedet i relasjonene den forårsaker i et sett med observerte variabler.

I Exploratory Factor Analysis (EFA) utforsker vi i hovedsak korrelasjonene mellom observerte variabler for å avdekke eventuelle interessante, viktige underliggende (latente) faktorer som identifiseres når observerte variabler samvarierer.

Question 2

Hva er latente faktorer?

Answer 2

I psykologi representerer latente faktorer psykologiske fenomener eller konstruksjoner som er vanskelige å direkte observere eller måle. For eksempel personlighet, eller intelligens, eller tenkestil.

Question 3

Hva er de to forutsetningene til Exploratory Factor Analysis (EFA)?

Answer 3

1.
Den første antagelsen er “sfærisitet” , som i hovedsak kontrollerer at variablene i datasettet ditt er korrelert med hverandre i den grad de potensielt kan oppsummeres med et mindre sett med faktorer.

2. Den andre forutsetningen er “prøvetakingsadequacy” og kontrolleres ved hjelp av Kaiser-Meyer-Olkin (KMO) Measure of Sampling Adequacy (MSA). KMO-indeksen er et mål på andelen varians blant observerte variabler som kan være vanlig varians.

Hvis KMO-indeksen er høy (tilsvarer 1), er EFA effektiv, mens hvis KMO er lav ( tilsvarer 0), EFA er ikke relevant.

Question 4

Hvordan brukes EFA i Jamovi?

Answer 4

Velg ‘Factor’ – ‘Exploratory Factor Analysis’ fra jamovi-hovedknapplinjen for å åpne EFA-analysevinduet

Velg de 25 personlighetsspørsmålene og overfør dem til “Variabler”-boksen.

Sjekk passende alternativer, inkludert ‘Forutsetningssjekker’, men også alternativer for rotasjon ‘Metode’, ‘Antall faktorer’ for å trekke ut og ‘Ytterligere utdata’.

Du kan se at (1) Bartletts test av sfærisitet er signifikant, så denne antagelsen er oppfylt; og (2) KMO-målet for prøvetakingstilstrekkelighet (MSA) er 0.81 totalt sett, noe som tyder på god prøvetaking tilstrekkelighet. Ingen problemer her da!

Syns dette var ganske mye og vanskelig

Eksempel Figur 15.2

Question 5

Hva er Principal Component Analysis (PCA)?

Answer 5

PCA produserer ganske enkelt en matematisk transformasjon til de originale dataene uten antakelser om hvordan variablene samvarierer. Målet med PCA er å beregne noen få lineære kombinasjoner (komponenter) av de opprinnelige variablene som kan brukes til å oppsummere det observerte datasettet uten å miste mye informasjon. Men hvis identifisering av underliggende struktur er et mål for analysen, er EFA å foretrekke.

I Jamovi:

For å foreta PCA i jamovi, er alt du trenger å gjøre å velge ‘Factor’ – ‘Principal Component Analysis’ fra hovedknapplinjen for jamovi for å åpne PCA-analysevinduet. Da kan du følge de samme trinnene fra EFA i jamovi ovenfor.

Question 6

Hva er Confirmatory Factor Analysis (CFA)?

Answer 6

Det neste trinnet i vår søken etter å utvikle et nyttig mål på personlighet er å sjekke de latente faktorene vi identifiserte i den originale EFA med en annen prøve. Vi ønsker å se om faktorene holder mål, om vi kan bekrefte deres eksistens med ulike data. Dette er en strengere sjekk, som vi skal se. Og det kalles Confirmatory Factor Analysis (CFA) da vi, ikke overraskende, vil forsøke å bekrefte en forhåndsspesifisert latent faktorstruktur.

I denne forstand foretar vi en bekreftende analyse for å se hvor godt en forhåndsspesifisert modell bekreftes av de observerte dataene.

Question 7

Her er et eksempel hvordan det gjøre i Jamovi:

Answer 7

Eksempel 15.3.1

Question 8

Her er hvordan Multi-Trait Multi-Method blir brukt i Jamovi:

Answer 8

Eksempel 15.4.1

Question 9

Hva er skalaen Cronbachs alfa?

Answer 9

Det kommer av en Intern konsistens pålitelighetsanalyse

Cronbachs alfa er et mål på ekvivalens (om forskjellige sett med skalaelementer vil gi samme måleresultater). Ekvivalens testes ved å dele skalaelementene i to grupper (en “splitt-halvdel”) og se om analyse av de to delene gir sammenlignbare resultater.

EKS:
Hvis et sett med elementer som måler en konstruksjon (f.eks. en ekstraversjonsskala) har en Alfa
av 0.80, da er andelen feilvarians i skalaen 0.20. Med andre ord, en skala med en Alfa av 0.80 inkluderer omtrent 20 % feil.

I Jamovi:
Eksempel 15.5.1