21. Empirische Überprüfung III Flashcards
(5 cards)
Was ist die Faktorenanalyse und wozu dient sie bei der Testkonstruktion?
Ziel:
- Datenreduktion und Struktur von Variablen
- spezifisch: Überprüfung der Konstruktvalidiät –> faktorielle Validität
Kritik an KTT:
- KTT würde ausreichende Trennschärfe als Indikator für ausreichende Validität akzeptieren
- Faktorenanalyse überprüft, ob Items einer (Sub-)Skala alle das gleiche Konstrukt messen
Welche Begriffe sind zentral für die Faktorenanalyse?
Faktorladung:
- bezieht sich auf Items
- interpretierbar als Korrelation zwischen Variable/Item und Faktor
- üblicherweise zwischen -1 und 1
- Hauptladung mindestens .30
Kommunalität:
- bezieht sich auf Items
- Anteil der Varianz einer Variablen/Items, der durch Gesamtheit der Faktoren aufgeklärt wird
- Aufsummierung der quadrierten Ladungen einer Variablen über alle Faktoren
- kann nicht größer als 1 sein, mind. .40
Eigenwert:
- bezieht sich auf Faktoren
- gibt an, welcher Anteil der Gesamtvarianz aller Variablen/Items durch bestimmten Faktor aufgeklärt wird
- Aufsummierung der quadrierten Ladungen des Faktors über alle Variablen/Items
- klärt ein Faktor weniger Varianz als 1 auf, ist er unbedeutend
- mind 1. (maximal 8 bei 8 Items)
Faktorwert:
- bezieht sich auf Personen
- Ausprägungsgrad einer Person auf einem Faktor
- Gibt an, wie stark Merkmale, die in einem Faktor zusammengefasst sind, bei einer Person ausgeprägt sind
Was ist der Unterschied zwischen PCA und PFA?
Kommunalitätenschätzung:
- Startwert der Kommunitäten muss willkürlich gesetzt werden, damit integrative Schätzung der unbekannten Werte des Gleichungssystems beginnen kann
Hauptkomponentenanalyse (PCA):
- Ziel: möglichst viel Varianz der beobachteten Variablen aufklären durch Hauptkomponenten
- Annahme: messfehlerfreie Erfassung der beobachteten Variablen, gesamte Varianz der Variablen ist wahre Varianz, die durch Hauptkomponenten erklärt werden kann
- Messfehler sind in den Hauptkomponenten enthalten
- Kommunalität wird auf 1 gesetzt
Hauptachsenanalyse (PFA):
- Ziel: Aufdeckung von latenten Faktoren, mit denen Beziehungsmuster zwischen manifesten Variablen erklärt werden kann
- Annahme, dass beobachtete Variablen neben wahrer Varianz auch Messfehlervarianz aufweisen
- Kommunalität < 1
- Für Analyse von Testitems bessere Herangehensweise
Welche Entscheidungskriterien für die Anzahl der zu extrahierenden Faktoren gibts es?
Scree-Test:
- relevante Faktoren liegen links vom Knick
- i.d.R. deutlich
Parallelanalyse:
- zufällig auftretende Korrelationen zwischen Variablen führen zu Scheinfaktoren mit Eigenwerten > 1
- Generierung von unkorrelierten Zufallsdaten mit gleicher Stichprobe und Items
- relevante Faktoren haben höhere Eigenwerte als Zufallsfaktoren
Kaiser-Kriterium:
- relevante Faktoren haben Eigenwerte > 1
- häufig Überschätzung der Anzahl relevanter Faktoren
Was ist die explorative Faktorenanalyse (EFA)?
Explorative Faktorenanalyse:
- Welche Struktur liegt in den Daten vor?
wenn Anzahl der einem Datensatz zugrundeliegenden Faktoren analysiert werden soll
- keine konkreten Hypothesen über Zuordnung der beobachteten Variablen zu den Faktoren
