T3 Factor-analyse, T3.1 Eigenwaarden en factorladingen, T3.2 Beslissingen en rechtvaardigingen Flashcards
(34 cards)
Wat is factoranalyse?
Factoranalyse is een methode om naar samenhang tussen meerdere items tegelijkertijd te kijken en kan worden gebruikt bij het ontwikkelen en verifiëren van de validiteit van meetinstrumenten.
Wat is het verschil tussen item-analyse en factoranalyse?
Item-analyse richt zich op de onderdelen van een meetinstrument, terwijl factoranalyse kijkt naar de samenhang tussen alle onderdelen van een meetinstrument.
Geef voorbeelden van validiteitsverificatie in Thema 2 (item-analyses).
Voorbeelden zijn het controleren van de koelkasttemperatuur in een medische studie, het controleren van bloeddrukmeters en het testen van thermometers in een scheikundige studie
Hoe verschilt item-analyse van factoranalyse in termen van benadering?
Item-analyse is meer atomair en bekijkt de kleinste onderdelen van een meetinstrument, terwijl factoranalyse meer holistisch is en kijkt of alle onderdelen van een meetinstrument goed samenwerken.
Waarvoor kan factoranalyse worden gebruikt in de ontwikkeling van meetinstrumenten?
Factoranalyse kan worden gebruikt om te kijken of de onderdelen van een meetinstrument goed samenwerken zoals ze zouden moeten, en ook om te onderzoeken of latente constructen bestaan.
Wat is factoranalyse en waar wordt het vaak voor gebruikt?
Factoranalyse is een rekenkundige methode die wordt gebruikt bij het construeren van meetinstrumenten voor psychologisch onderzoek. Het onderzoekt of een groot aantal geobserveerde variabelen kan worden teruggebracht tot een kleiner aantal factoren die de correlatie- of covariantiematrix tussen variabelen kunnen verklaren.
Wat zijn de twee varianten van factoranalyse en wat zijn hun functies?
De twee varianten zijn exploratieve factoranalyse (EFA), die wordt gebruikt om onderliggende factoren te zoeken die een set variabelen verklaren, en confirmatieve factoranalyse (CFA), die onderzoekt hoe goed een vooropgestelde set factoren presteert. Er is ook een derde variant, principale componentenanalyse (PCA), die zelden in de psychologie wordt gebruikt maar elders wel veel voorkomt.
Wat is het verschil tussen covarianties en correlaties?
Covarianties meten de samenhang tussen twee variabelen zonder correctie voor de schaal waarop ze zijn gemeten, terwijl correlaties dezelfde samenhang meten maar gecorrigeerd zijn voor de schaalverdeling van de variabelen.
Wat is het verschil tussen een covariantiematrix en een correlatiematrix?
In een covariantiematrix staan de ruwe (co)varianties tussen variabelen, terwijl in een correlatiematrix de (co)varianties zijn gedeeld door het product van de standaarddeviaties, waardoor de schaalinformatie wordt verwijderd.
Waarom is de keuze tussen een covariantiematrix en een correlatiematrix belangrijk in factoranalyse?
De matrixkeuze bepaalt hoe de factoren worden samengesteld uit de items in de factoranalyse, waarbij een covariantiematrix items met meer spreiding zwaarder laat wegen dan een correlatiematrix, wat soms voor vertekening kan zorgen.
Wat is het doel van principale componentenanalyse (PCA)?
Het doel van principale componentenanalyse (PCA) is om een grote groep variabelen terug te brengen tot een kleinere groep componenten. Deze componenten zijn lineaire combinaties van de oorspronkelijke variabelen en dienen als nieuwe variabelen die de spreiding binnen en tussen de oorspronkelijke variabelen zo goed mogelijk kunnen verklaren.
Hoe worden de componenten gekozen bij PCA?
Bij PCA worden de componenten gekozen op basis van hoeveel spreiding binnen en tussen de variabelen ze kunnen verklaren. Het doel is om met zo weinig mogelijk componenten toch zo goed mogelijk de covariantiematrix (of correlatiematrix) te reproduceren. Componenten worden zo samengesteld dat ze de meeste variantie van de oorspronkelijke variabelen kunnen verklaren, en ze worden zo gekozen dat ze onderling niet met elkaar correleren.
Wat is communaliteit bij PCA?
Communaliteit is de proportie van de variantie van een variabele die wordt beschreven door de componenten. Het wordt berekend als de som van de gekwadrateerde ladingen voor die variabele. Een hoge communaliteit betekent dat de variabele goed wordt verklaard door de componenten, terwijl een lage communaliteit wijst op unieke variantie die niet door de componenten wordt verklaard.
Hoe worden eigenwaarden gebruikt bij PCA?
Eigenwaarden geven de proportie van de totale variantie in de covariantiematrix (of correlatiematrix) aan die door elke component wordt verklaard. Ze worden gebruikt om het optimale aantal componenten te bepalen. Componenten met eigenwaarden groter dan 1 worden meestal behouden omdat ze meer variantie verklaren dan een enkele oorspronkelijke variabele.
Wat is het Kaiser-criterium bij PCA?
Het Kaiser-criterium is een regel die stelt dat alleen componenten met een eigenwaarde groter dan 1 worden behouden, omdat ze meer variantie verklaren dan een enkele oorspronkelijke variabele. Componenten met een eigenwaarde kleiner dan 1 worden beschouwd als minder belangrijk omdat ze minder variantie verklaren dan een enkele variabele.
Wat is een screeplot en hoe wordt het gebruikt bij PCA?
en screeplot is een grafische weergave van de eigenwaarden van de componenten. Het wordt gebruikt om het optimale aantal componenten te bepalen door te kijken naar waar de plot een “elleboog” of knik vertoont. Het aantal componenten vóór de knik wordt meestal behouden, omdat deze de meeste variantie verklaren.
Wat is rotatie bij PCA en waarom wordt het toegepast?
Rotatie bij PCA is een techniek om de interpretatie van de componenten te vergemakkelijken door de assen van de componenten te draaien. Het wordt toegepast om ervoor te zorgen dat de componenten duidelijk gedefinieerde en interpreteerbare patronen weergeven. Verschillende rotatiemethoden kunnen worden gebruikt, zoals varimax-rotatie, om de componenten zo goed mogelijk te laten correleren met de oorspronkelijke
Wat is het doel van principale componentenanalyse (PCA)?
Het doel van PCA is om met zo min mogelijk componenten een covariantiematrix zo goed mogelijk te reproduceren. Dit kan nuttig zijn in bepaalde situaties, maar bij onderzoek naar mensen is het vaak niet geschikt omdat PCA aanneemt dat alle items perfect zijn gemeten en dat er geen overlap is tussen de componenten onderling.
Wat is het verschil tussen PCA en factoranalyse in de context van psychologisch onderzoek?
PCA behoort tot het formatieve meetmodel en veronderstelt geen natuurlijke soort of onderliggend psychologisch construct. Het resultaat van PCA is een praktische soort zonder verwachtingen over psychologische verbanden. Factoranalyse, daarentegen, wordt gebruikt bij reflectieve meetmodellen en veronderstelt dat er latente constructen zijn die verantwoordelijk zijn voor de scores op de items. Factoranalyse wordt dus gebruikt wanneer onderzoekers verwachten dat groepen items samenhangen vanwege onderliggende psychologische constructen.
Wat is exploratieve factoranalyse (EFA) en hoe verschilt het van PCA?
EFA is een methode die wordt gebruikt wanneer onderzoek wordt gedaan naar mensen, in plaats van PCA. EFA houdt rekening met meetfouten in de items en neemt aan dat de scores op items worden veroorzaakt door een of meerdere latente variabelen. Het doel van EFA is om de factoren te vinden die de aangepaste correlatie- of covariantiematrix het beste kunnen reproduceren. In tegenstelling tot PCA, die alleen componenten gebruikt, hanteert EFA factoren.
Hoe worden communaliteiten berekend in EFA?
Communaliteiten worden geschat als het deel van de variantie in een item dat wordt beschreven door de factoren in EFA. In EFA worden communaliteiten gebruikt om de correlatie- of covariantiematrix aan te passen, waarbij de varianties van de items worden vervangen door de geschatte communaliteiten. Deze worden berekend aan de hand van de proportie verklaarde variantie (R²) die wordt verkregen uit regressieanalyses.
Wat is het verschil tussen varimax-rotatie en oblimin-rotatie in EFA?
Varimax-rotatie is een orthogonale rotatiemethode die ervan uitgaat dat de factoren onafhankelijk van elkaar zijn. Oblimin-rotatie is daarentegen een oblique rotatiemethode die toestaat dat de factoren met elkaar correleren. Bij oblimin-rotatie overlappen de factoren in het deel van de variantie dat ze van een item verklaren, wat leidt tot verschillende resultaten dan bij varimax-rotatie, vooral wanneer de factoren onderling samenhangen.
Welke informatiebronnen worden gebruikt bij het kiezen van het aantal factoren in een factoranalyse?
De Kaiser-criteria, de screeplot, de residuele correlaties of covarianties, en de theoretische interpretatie worden gebruikt om het aantal factoren te bepalen.
Waarom is factoranalyse deels subjectief?
Factoranalyse is deels subjectief omdat tijdens de analyse verschillende keuzes moeten worden gemaakt, zoals het aantal factoren dat wordt behouden op basis van verschillende criteria.
