m6 2
m,cx
m,cx
Kartei Details
Karten | 66 |
---|---|
Sprache | Deutsch |
Kategorie | Psychologie |
Stufe | Universität |
Erstellt / Aktualisiert | 09.02.2017 / 19.01.2018 |
Lizenzierung | Keine Angabe |
Weblink |
https://card2brain.ch/box/20170209_m6_2
|
Einbinden |
<iframe src="https://card2brain.ch/box/20170209_m6_2/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>
|
Faktorenanalyse
Æ die Faktorenanalyse untersucht die Gesamtstruktur des Tests, nicht die einzelnen Items. Je nach theoretischem „Vorwissen“ greift man hierzu auf das Verfahren der explorativen oder konfirmatorischen Faktorenanalyse zurück. Dabei handelt es sich um statistische Verfahren, die die interne Struktur eines Satzes von Variablen auf deren latente Zusammenhänge untersucht wird. Ziel ist die Datenstrukturierung, d.h. die vielen manifesten Variablem (z.B.Items)zu wenigen latenten Variablen=Faktoren (d.h. die den Items zugrunde liegenden Konstrukte) zusammenzufassen.
Ziel Faktorenanalyse
1. Prüfung der Gültigkeit (Validität) theoretischer Modellannahmen eines Messinstruments 2. Entwicklung von Theorien über die interne Struktur psychologischer Konstrukte 3. Datenreduktion bzw. vereinfachende Beschreibung
Explorative Fatorenanalyse
x Keine theoretischen Modellvorstellungen x Induktiv x Theoriebildend x Datenreduktion
Konfirmatorische Faktorenanalyse
x Theoretisches Modell bereits vorhanden x Deduktiv x Theorieprüfend
Effektindikatoren vs. Kausalindikatoren
x Effektindikatormodell: Grundgedanke der Faktorenanalyse, bei dem der simultane (!) Einfluss eines (latenten) Faktors auf ein oder mehrere beobachtbare Variablen untersucht wird
x Kausalindikatorenmodell: Grundgedanke der Regressions- und Varianzanalysen, bei denen der simultane Einfluss mehrerer unabhängiger Variablen (ebenfalls Faktoren genannt) auf abhängige Variablen untersucht wird
Varianten bei explorativen Faktorenanalyse
Hauptachsenanalyse, Principil Axis Factor Analysis PAF
Hauptkomponentenanalyse, Principil component Analysis PCA
Hauptachsenanalyse Principal Axis Factor Analysis, PAF
x Ziel: Aufdeckung latenter Datenstrukturen, theoriebildend bzw. hypothesengenerierend
x Modell mehrerer gemeinsamer Faktoren plus Fehlerterm
bei Schätzproblemen u.U. keine Lösung
Hauptkomponentenanalyse Principal Component Analysis, PCA
x Ziel: Datenreduktion x Keine Faktorenanalyse i.e.S.
x Reine empirische/deskriptive Auswertung der Daten (Fehlerterm der Strukturgleichung ist nicht explizit, sondern in den Faktoren enthalten)
führt immer zu einer Lösung