Brainscape's Knowledge GenomeTM


Top Flashcards (Certified)
All Flashcards

Multivariate Verfahren > VL 13 - explorative Faktorenanalyse > Flashcards

VL 13 - explorative Faktorenanalyse Flashcards

1
Q

Wie unterscheidet sich allgemein die exploratorische Faktorenanalyse (EFA) von der CFA? (4)

A
  • datenbasierter Ansatz
  • keine Vorannahmen über Anzahl an Faktoren
  • keine Vorannahmen über Beziehungen zwischen Indikatoren u. Faktoren
  • eingesetzt im frühen Stadium d. Testkonstruktion
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Was ist das allgemeine Ziel der EFA? (3)

A
  • Datenreduktion
  • Anzahl an Faktoren bestimmen (Variablen werden gruppiert)
  • wie Faktoren interpretiert werden können
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Wann ist eine Faktorenanalyse nur sinnvoll?

A

wenn es Korrelationen zwischen Variablen gibt

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

Was sind 2 Tests um die Eignung der Variablen für eine Faktorenanalyse zu prüfen?

A
  • Bartlett-Test: muss signifikant sein
  • Kaiser-Meyer-Olkin-Kriterium: muss > 0,5 sein
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Was ist bei der Faktorenanalyse wichtig bei der Auswahl d. Stichprobe und der Fragen?

A

müssen sich unterscheiden bzw. es muss Varianz geben

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Welche Information enthält ein Faktor?

A

enthält die Information mehrerer manifester Variablen

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

Definition: Faktor

A

theoretische Variable oder Konstrukt, das allen wechselseitig hoch korrelierenden Variablen zu Grunde liegt

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

Was sind allgemein die 6 Schritte der EFA?

A
  1. Auswahl d. Variablen (Fragen/Items)
  2. Extraktion d. Faktoren
  3. Bestimmung d. Anzahl an Faktoren
  4. Rotation d. Faktoren
  5. Interpretation d. rotierten Faktoren
  6. ggf. Bestimmung von Faktorwerten
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Was sind 5 wichtige Dinge bei der Variablenauswahl bei der EFA?

A
  • jede Dimension sollte durch mehrere Indikatoren erfasst sein
  • Variablen sind repräsentativ für den Themenbereich
  • Stichprobe ist repräsentativ für den Themenbereich
  • Korrelation d. Variablen
  • Kommunalitäten dürfen nicht wesentlich geringer sein als die Reliabilität (da sonst zu große variablenspezifische Varianzanteile vorliegen)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Was ist eine “Kommunalität” (H)?

A

= Anteil einer manifesten Variable, der durch die latenten Variablen bestimmt wird (=der durch die Faktoren bedingte Varianzanteil)
(= Determinationskoeffizient)
- Maximum: 1

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

Wie wird die manifeste Variable Yi bestimmt?

A

durch eine Linearkombination der latenten Variablen sowie durch die Residualvariable

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

Was sind Prädiktoren in der Grundgleichung der EFA?

A

die latenten Variablen (UV)

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

Welche Variablen beinhalten einen Messfehler in der Grundgleichung d. EFA?

A
  • AV (Yi) beinhaltet einen Messfehler
  • UV (latente Variable) enthält KEINEN Messfehler
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Wie werden die Faktoren in der EFA zuerst gebildet?

A

sodass der erste Faktor maximale Varianz erklärt, der zweite orthogonal dazu ist und maximale Residualvarianz erklärt etc => zunächst keine Datenreduktion

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

Was ist eine “Faktorladung” u. sein Wertebereich?

A
  • Gewichtungskoeffizient eines Faktors für eine Variable
  • Wertebereich: -1 bis 1
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Wozu werden Faktorladungen gebraucht?

A

um zu bestimmen welche Variablen zu welchem Faktor gehören

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

Was ist der “Eigenwert” eines Faktors?

A

= Summe der quadrierten Ladungen aller Variablen auf diesem Faktor

  • gibt an, wieviel von der Gesamtvarianz aller Variablen durch einen bestimmten Faktor erklärt wird
  • Werteberiech: 0-max (max: Anzahl an Variablen)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Was sind 4 Kriterien/Tests zur Bestimmung d. Anzahl an Faktoren?

A
  • Kaiser-Kriterium (Eigenwert > 1)
  • Scree-Test
  • Parallelanalyse
  • Interpretierbarkeit
19
Q

Was passiert bei der Parallelanalyse?

A
  • Vergleich der Eigenwerte aus zwei Datensätzen (beobachtete Daten vs simulierte Daten mit zufälligen Korrelationen)
  • Graphischer Vergleich der Eigenwertverläufe
    => Faktoren, deren Eigenwerte größer als die zufälligen Eigenwerte sind, werden extrahiert
20
Q

Welcher Test/Kriterium zur Bestimmung d. Anzahl an Faktoren wird empfohlen?

A

Parallelanalyse

21
Q

Was ist das Ziel d. Rotation d. Faktoren?

A
  • “Einfachstruktur”: jede Variable lädt nur auf wenigen Faktoren, dafür aber hoch
  • für einfachere Interpretierbarkeit
22
Q

Was ist der Unterschied zwischen orthogonaler und obliquer Rotation?

A
  • orthogonal: Faktoren bleiben orthogonal
  • oblique: es können korrelierte Faktoren entstehen
23
Q

Welche Rotation kann das Kriterium d. Einfachstruktur besser erfüllen?

A

oblique Rotation

24
Q

Was ist das verbreiteste Krierium d. orthogonalen Rotation?

A

Varimax-Kriterium nach Kaiser

25
Wozu führt das Varimax-Kriterium d. orthogonalen Rotation? (3)
- maximale Varianz der Ladungen pro Faktor - maximiert die Summe der quadrierten Ladungen - alle Variablen haben sehr hohe Ladungen auf einem oder wenigen Faktoren und ansonsten Ladungen nahe Null
26
Wie entscheidet man sich zwischen orthogonaler o. obliquer Rotation?
inhaltliche Überlegungen
27
Was sind die 3 häufigsten Verfahren d. obliquen Rotation?
Quartimin, Oblimin u. Promax-Rotation
28
Wie erfolgt die Interpretation der inhaltlichen Bedeutung von Faktoren?
über die Variablen, die hoch auf dem jeweiligen Faktor laden -> Matrix der rotierten Faktorladungen
29
Was kennzeichnet einen "Faktorwert"?
kennzeichnet die Position einer Person auf einem Faktor ("Wie sehr weist eine Person die Eigenschaften d. Faktors auf?")
30
Welche Eigenschaften haben die Variablen wenn man sie z-transformiert? (2)
- alle Variablen haben eine Varianz von 1 - alle Variablen und alle Faktoren haben einen Mittelwert von 0
31
Was sind die Unterschiede d. Ziele der Faktorenanalyse vs. Hauptkomponentenanalyse (PCA)?
- FA: latente Variablen finden, die für die Zusammenhänge der Variablen verantwortlich sind - PCA: Datenreduktion, Zusammenfassung
32
Wie werden die Kommunalitäten festgelegt/geschätzt in der FA vs. PCA?
- PCA: werden anfangs auf 1 festgesetzt, da maximale Varianz aller Variablen aufgeklärt werden soll - FA: Kommunalitäten werden inhaltlich begründet oder aus den multiplen Determinationskoeffizienten geschätzt
33
In welchem Verfahren sind Kommunalitäten u. Faktorladungen typischerweise höher - FA o. PCA?
PCA
34
Wie werden die Modellparameter in der Maximum-Likelihood-FA geschätzt?
Maximum-Likelihood-Verfahren
35
Was sind die 3 Ziele der Maximum-Likelihood-FA?
- gute Modellpassung - einfache Interpretierbarkeit - geringe Anzahl an Faktoren
36
Was sind 3 Voraussetzungen der Maximum-Likelihood-FA?
- Beobachtete Variablen sind multivariat normalverteilt - Erwartungswerte der Faktoren und Residuen sind Null - Residualvariablen sind untereinander und mit den Faktoren unkorreliert
37
Wie unterscheidet sich die Hauptachsenanalyse hinsichtlich der Voraussetzungen im Vergleich zur Maximum-Likelihood-FA?
- keine Verteilungsannahmen nötig - weniger inferenzstatistische Maße zur Beurteilung der Modellgüte verfügbar als bei Maximum-Likelihood-FA
38
Was kennzeichnet die Hauptkomponentenanalyse (PCA)? (4)
- nicht Unterform der FA, sondern eigenständiges Verfahren - rein deskriptive Funktion - reine Datenreduktion - keine weiteren Annahmen nötig
39
Wofür eignet sich die PCA NICHT?
nicht geeignet, um latente Variablen zu finden o. Zusammenhänge zu erklären
40
Wie wird die Kommunalität berechnet?
1 - (Fehlervarianz/Gesamtvarianz d. beobachteten Variable)
41
Was ist eine “Einfachstruktur”?
jede Variable lädt nur auf wenigen Faktoren, dafür aber hoch
42
Warum besteht in der exploratorischen Faktorenanalyse ein Subjektivitätsproblem? (5)
1. Auswahl d. Variablen & VPn 2. Faktorenextraktionsverfahren 3. Anzahl d. Faktoren 4. Art d. Rotation 5. Interpretation d. Faktoren
43
Was sind die Unterschiede der Hauptkomponenten und der Faktorenanalyse?
* Hauptkomponentenanalyse (principal component analysis, PCA): – Extraktion von Hauptkomponenten statt Faktoren – Komponenten erklären die Gemeinsamkeit zwischen Variablen vollständig. Die gesamte Varianz der Variablen soll durch Komponenten erklärt werden (= keine variablenspezifischen Anteile => Kommunalität von 1 & Uniqueness von 0) – Hauptkomponenten werden aus den Variablen gebildet * FA: – Varianz der Variablen wird unterteilt in gemeinsame Varianz und spezifische Varianz – (latente) Faktoren erklären die gemeinsame Varianz der Faktoren, aber nicht die spezifische Varianz (=Residualvarianz) – (latente) Faktoren bedingen die Indikatoren

Multivariate Verfahren (11 decks)

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