Thema 2: Factor Analyse Flashcards
Wat is factoranalyse (FA)?
- Samenhang tussen meerdere items tegelijk bekijken.
- Holistisch
- Onderzoeken of samenhangende items samengevoegd kunnen worden tot 1 gemeenschappelijke factor
- Twee varianten: exploratieve en confirmatieve FA (en principale componentenanalyse - buiten psychologie gebruikt)
Wat is exploratieve factoranalyse (EFA)
Zoeken naar mogelijke onderliggende factoren om een set variabelen te verklaren
Wat is confirmatieve factoranalyse?
Bekijken hoe goed een vooropgestelde set factoren presteert
Wat is covariantie?
- De correlatie voordat je die deelt door het product van de twee standaarddeviaties
- Bevat schaalinformatie, info daarover nodig!
- Berekenen: formulie variantie toepaasen op 2 datareeksen
Wat is een covariantiematrix?
- Elke cel is uitkomst van de (co)variantieformule, covarianties. In diagonaal staan de varianties.
- Bij FA: items met meer spreiding wegen zwaarder mee
Wat is een correlatietabel/matrix?
- Op elke cel wordt de formule voor correlatie toegepast.
- Gestandaardiseerde variabelen
- Verschil met covariantiematrix: resultaat ook gedeeld door product vd std
- Standaard geanalyseerd bij FA, elk item even zwaar meewegen.
Hoe wordt een variabele gestandaardiseerd?
Door van elk datapunt gemiddelde af te trekken en dan te delen door standaarddeviatie.
Schaalinformatie verwijderen
Wat is een principale componentenanalyse? (PCA)
- Grote —> kleine groep componenten
- –> herformuleringen, lineaire combinaties van bestaande variabelen
- Spreiding binnen en tussen de variabelen reproduceren
- Doel covariantiematrix of correlatiematrix
Wat zijn factorladingen?
- Componenten bestaan uit ladingen
- Lambda
- Ladingen per deelnemer berekenen –> nieuwe datareeksen –> correlatiemix van de oorspronkelijke variabelen reproduceren
Wat is communaliteit?
- Wat een variabele deelt met de factoren/ De proportie van de variabele die wordt beschreven door de componenten.
- Som van de gekwadrateerde ladingen voor die variabele
Wat is eigenwaarde?
- Verklaarde variantie per component
- Som van de ladingen voor een component
- Correlatiematrix heeft altijd evenveel eigenwaarden als er variabelen zijn
- Max 1
Stel eigenwaarde <1 dan verklaart die component minder variantie dan 1 vd oorspronkelijke variabelen
Wat is het Kaiser-criterium?
Criterium van eigenwaarde om te bepalen hoeveel componenten je over wil houden. Vuistregel: elke variabele draagt 1 aan variantie bij.
Nadeel: overschatten aantal factoren
Noem 2 manieren om te kiezen hoeveel componenten je over wil houden
- Kaiser-criterium obv eigenwaarde
- Scree plot
Wat is een scree plot?
- Visualisatie van eigenwaarde
- Elleboog zoeken en aantal componenten dat net 1 kleiner is
- Bij sterke samenhang (correlatie) tussen de items logisch om op 1 component uit te komen
Wat is uniciteit?
- Unieke variantie, complement van de communaliteit. Variantie die uniek is voor die specifieke variabele. In EFA error, ben je niet in geinteresseerd
Noem 2 soorten rotaties
- Orthogonale rotatie. Varimax. Onafhankelijk.
- Non-orthogonale rotatie. Oblique/scheve rotatiemtehode. Oblimin. Bij samenhang.
Wat is een rotatie?
Hulpmiddel om de interpretatie vd componenten te vergemakkelijken. Leidt niet tot betere voorspelling!
Bij PCA en EFA
Componenten roteren zodat elke component vooral wordt uitgedrukt in de variabelen die er het sterkst mee samenhangen.
Wat zijn residuen?
- Verschil tussen de oorspronkeljik geobserveerde covariantiematrix en de gereproduceerde.
- Residuen voor en na varimax-rotatie zijn gelijk. Proportie verklaarde variantie blijft gelijk. Alleen hoe componenten zijn samengesteld verandert door rotatie.
- Informatiebron om te bepalen hoeveel componenten je wil ‘trekken’
Wat is R2
- Proportie verklaarde variantie
- Schatting van de hoeveelheid overlap tussen eerste item en andere items
- Goede schatting voor de communaliteit
Hoe bereken je communaliteit bij EFA?
- Voor elk item regressieanalyse met alle andere items als voorspellers en dan reeks aan schattingen van R2 invullen op de diagonaal van de correlatiematrix
Hoe verhouden eigenwaarden van een correlatiematrix zich tot verklaarde varianties?
Eigenwaarde is verklaarde variantie per component
Wat doen rotaties met de factorladingen in een factoranalyse?
Verklaarde proportie verandert niet! Allene hoe componenten zijn samengesteld
Wat is het verschil tussen itemanalyse en factoranalyse?
Itemanalyse kijkt hoe elk onderdeel van het meetinstrument samenhangt met elk ander onderdeel.
Factoranalyse kijkt naar of.hoe samenhang tussen meerdere items tegelijk.
Wordt bij PCA en factoranalyse de correlatiematrix of covriantiematrix gebruikt?
Correlatiematix omdat het doel is de covariantiematrix zo goed mogelijk te reproduceren. En deze is gestandaardiseerd dus correlatiematrix
Hoe kun je zien welke rotatie geschikt is?
Als de factoren oblique zijn geroteerd. (en dus correleren) overlappen ze, dus proportie verklaarde variantie is niet gelijk aan som gekwadrateerde factorladingen tov totaal te verklaren variantie
Wanneer heb je een lagere steekproefomvang nodig bij factoranalyse?
- bij verificatie validiteit
- bij ontwikkelen instrument als: communaliteiten hoog; factorladingen hoog; meer items per factor
Waar gebruik je CFA voor?
Verschillende modellen vergelijken. Confirmatief. Dan specificeren welke items onder welke facotren vallen
Wat betekenen afwijkende resultaten bij te lagen N bij ontwikkelen instrument?
Of steekproef/meetfout
OF instrument is niet valide toegepast in huidige steekproef
Onduidelijk! Vermijden
Wat indiceert lage ladingen op (alle) factoren?
Item past niet goed op die structuur
Wat indiceert lage communaliteit?
= hoge uniciteit. Dit item deelt met geen van de factoren veel variantie. Dus laadt niet goed.
Wat indiceert gelijke ladingen op factoren?
Item deelt wel variantie maar niet duidelijk meer met het ene dan het andere
Wat is het verband tussen de keuze van het aantal factoren en de interpretatie?
Hangen onafscheideljik samen. Patronen in factorladingen komen niet altijd overeen met de verwachting.