453306
Description
Mind Map by marie.sonnenkind, updated more than 1 year ago
|
Created by marie.sonnenkind
almost 11 years ago
|
|
Faktorenanalyse
- - Korrelationen zw. Variablen werden durch einen
(latenten) Faktor erklärt, sind auf diesen zurückzuführen
--> wird beschrieben durch Korrelationsmatrix
- - EFA
- - Modell-/Hypothesengenerierendes Verfahren:
in den vielen beob. Variablen sollen wenige
Faktoren aufgefunden werden, auf welche Zshg.
zw. Variablen zurückzuführen sind
- - SPSS
- - helfen, Strukturen in Korrelationsmatrizen zu entdecken
- - Modell-/Hypothesengenerierendes Verfahren:
in den vielen beob. Variablen sollen wenige
Faktoren aufgefunden werden, auf welche Zshg.
zw. Variablen zurückzuführen sind
- - KFA
- - Modell-/Hypothesenbestätigendes Verfahren:
theoretisch erwartete Struktur wird vorgegeben und es
wird überprüft, ob Struktur mit Daten vereinbar ist
- - Mplus
- - Modell-/Hypothesenbestätigendes Verfahren:
theoretisch erwartete Struktur wird vorgegeben und es
wird überprüft, ob Struktur mit Daten vereinbar ist
- Voraussetzungen
- - in den Variablen müssen systematische Zshg. stecken:
Kaiser-Meyer-Olkin-Koeffizient (KMO): <.50: inkompatibel //
.60-.69: mäßig// >.90: sehr gut
- - von einer Personenstichprobe müssen
Daten zu mehreren Variablen vorliegen
- - in den Variablen müssen systematische Zshg. stecken:
Kaiser-Meyer-Olkin-Koeffizient (KMO): <.50: inkompatibel //
.60-.69: mäßig// >.90: sehr gut
- - Fragestellungen
- 1. Wie sollen die Faktoren geschätzt werden?
--> Hauptachsen- o. Hauptkomponentenanalyse
- Faktor=Hauptkomponente // latente Variablen, die aus den
Korrelationen der Variablen geschätzt werden
- Faktorladung=Korrelation zw. Variable x u. Faktor F
- ,,schön'': hohe Ladung einer Variable auf einem Faktor,
niedrige Nebenladungen auf den anderen Faktoren
- - Fürntratt-Kriterium: (a² / h² < .50)
- - wie setzt sich Varianz einer Variablen zsm? --> bei unkorrelierten Faktoren:
Summe der quadrierten Faktorladungen+Spezifität der Variablen+Messfehler
(Messfehler=1-rtt x h²)
- ,,schön'': hohe Ladung einer Variable auf einem Faktor,
niedrige Nebenladungen auf den anderen Faktoren
- Kommunalität (h²)=Teil der Gesamtvarianz eines
Items, der durch alle Faktoren aufgeklärt wird //
Summe aller quadrierten Faktorenladungen einer
Variablen
- Eigenwert=Varianzaufklärung durch einen Faktor //
Summe aller quadrierten Faktorenladungen eines
Faktors
- Faktor=Hauptkomponente // latente Variablen, die aus den
Korrelationen der Variablen geschätzt werden
- 2. Wie viele Faktoren sollen extrahiert werden?
- - Hypothetisches Modell: Anzahl d. Faktoren wird vorgegeben - theoriegeleitet
- - Kaiser-Kriterium (Eigenwert>1)
--> ist Eigenwert <1, klärt dieser
Faktor weniger als die Varianz
einer einzigen Variablen auf
- - Scree-Test/Screeplot: Eigenwertverlauf:
nach bedeutsamen Eigenwertabfall
- - Parallelanalyse: Vgl. d. empirischen Eigenwertverlauf
mit Eigenwertverlauf von Zufallsvariablen
- - MPA-Test: Minimum-Average-Partial-Test
- - positive manifold=Annahme,
dass es im kognitiven Bereich
nur pos. Korrelat. gibt
- - Hypothetisches Modell: Anzahl d. Faktoren wird vorgegeben - theoriegeleitet
- 3. Sollen die Faktoren unabhg. sein o. ist es
angemessen, korrelierte Faktoren zuzulassen?
- - Bdtg. für Itemanalyse: bilden Items wie beabsichtigt ein (oder zwei...) Faktor(en)?
- lädt ein Item hoch auf ,,seinem'' u. niedrig auf anderen Faktoren?
- - Bdtg. für Itemanalyse: bilden Items wie beabsichtigt ein (oder zwei...) Faktor(en)?
- lädt ein Item hoch auf ,,seinem'' u. niedrig auf anderen Faktoren?
- 1. Wie sollen die Faktoren geschätzt werden?
--> Hauptachsen- o. Hauptkomponentenanalyse
- - Rotationstechnik
- - erhöht nicht den aufgeklärten Varianzanteil!
- - hilft, extrahierte Faktoren besser zu interpretieren
--> oft inhaltliche Gründe für eine bestimmte Rotation
- - Orthogonale Rotation:
- unkorrelierte Faktoren
- u.a. Varimax
- - Oblique
(schiefwinklige) Rotation:
- korrelierte Faktoren
- u.a. Promax
- - erhöht nicht den aufgeklärten Varianzanteil!
- Strukturmatrix: Ladungen=Korrelationen der Items auf den Faktoren
- Mustermatrix: Ladungen=semipartielle standardisierte
Regressionsgewichte der Items auf den Faktoren
Media attachments
Want to create your own Mind Maps for free with GoConqr? Learn more.