Lernkarten

Alexander Wurm
Karten 36 Karten
Lernende 0 Lernende
Sprache Italiano
Stufe Mittelschule
Erstellt / Aktualisiert 15.06.2020 / 15.06.2020
Lizenzierung Kein Urheberrechtsschutz (CC0)
Weblink
Einbinden
0 Exakte Antworten 36 Text Antworten 0 Multiple Choice Antworten
Fenster schliessen

Kriterien für die Faktorextraktion:

  • Inhaltliche Vorüberlegungen
  • Eigenwertkriterium größer eins
  • Scree-Test nach Cattel
  • Parallelanalyse nach Horn
  • Minimum-Average-Partial-Test (MAP-Test)
Fenster schliessen

Was bedeutet das Eigenwertkriterium? --> ist ein schlechtes Kriterium, besser sind die anderen Kriterien

Idee: Ein Faktor sollte mehr Varianz aufklären als ein einzelnes Item an Varianz besitzt

  • Kriterium: Interpretation derjenigen Faktoren, deren Eigenwert größer als 1 ist
  • Probleme: Extraktion von zu vielen Faktoren (bei großer Anzahl an Variablen)
  • Eigenwerte stellen nur Populationsschätzer dar -->  KI sollten berücksichtigt werden
Fenster schliessen

Scree-Test nach Catell

Idee: Substantielle Faktoren sollten Eigenwerte haben, die sich deutlich von denen der anderen unterscheiden.

  • Vorgehen: Es wird ein Diagramm („Screeplot“) des Eigenwertverlaufs der Faktoren erstellt und inspiziert
  • Kriterium: Diejenigen Faktoren extrahieren, die links vor einem „Knick“ im Eigenwertverlauf liegen
  • Problem: Eigentlich kein „(statistischer) Test“, sondern ein Verfahren der visuellen Inspektion, daher oftmals Subjektivität der Beurteilung.
Fenster schliessen

Vorgehen bei der Parallelanalyse nach Horn:

Lizenzierung: Keine Angabe

Vorgehen:
(1)aus einer Population, in der die Variablen unkorreliert sind, wird eine Zufallsstichprobe gezogen (hinsichtlich i und Personenanzahl selber Umfang wie in der tatsächlichen Stichprobe)
(2)die Korrelations-Matrix dieser Stichprobe (alle Zusammenhänge zwischen den Variablen sind nur zufällig) wird einer EFA unterzogen
(3)Der Verlauf der Eigenwerte dieser Analyse („Zufallseigenwerte“) wird in einem Diagramm mit den Eigenwerten der EFA der tatsächlichen Stichprobe abgetragen

 

Kriterium: Diejenigen Faktoren sind bedeutsam (über Zufallsniveau), deren Eigenwerte über dem Schnittpunkt der beiden Eigenwertverläufe liegen.

  • Einwand: Warum werden Faktoren, die knapp über der Linie liegen, extrahiert und diejenigen, die knapp unter der Linie liegen, nicht?

 

  • Aber: Führt in den meisten Fällen zu einer angemessenen Extraktion, insgesamt zu empfehlen (Fabrigar et al., 1999).

 

  • Praktische Durchführung: Die Zufallsdaten können selbst erzeugt werden, dies ist jedoch zunächst noch nicht in SPSS verfügbar, sondern erfordert ein Makro (s. Tutorial)
Fenster schliessen

Wie funktioniert/läuft der MAP-Test (ab)? Minimum-Average-Partial-Test

Minimum-Average-Partial-Test (MAP-Test)
Schritt 1:

  • Nach Durchführung einer PCA wird die erste Hauptkomponente aus der Korrelationsmatrix herauspartialisiert Residualmatrix
  • Berechnung der mittleren quadrierten Partialkorrelation -->  Mittel aus den quadrierten Korrelationen der Residualmatrix (so heißt, die, die noch verbleibt, quasi der Rest vom Schützenfest)

Schritt 2:

  • Aus der Residualmatrix wird die zweite Hauptkomponente herauspartialisiert#
  • Berechnung der mittleren quadrierten Partialkorrelation berechnet

Weitere Schritte:

  • Wiederholung dieser Schritte bis die mittlere quadrierte Partialkorrelation ein Minimum erreicht -->  Extraktion der Anzahl der Komponenten an diesem Minimum (die mittlere quadrierte Partialkorrelation erreicht ein Minimum, steigt dann aber wieder an und alles am Minimum wird extrahiert)
Fenster schliessen

Vorgehen bei der Maxmimum-Likelihood-Faktorenanaylse

Modelltestung unter Verwendung eines Likelihood-Quotienten-Tests (Χ2−Test)

Fenster schliessen

 Probleme der Interpretierbarkeit einer "Anfangslösung" (d.h. erstes Ergebnis der PCA oder PAF)

Oftmals sind die Ergebnisse einer Faktorenanalyse, unabhängig von dem verwendeten Verfahren (z.B. PCA oder PAF), inhaltlich nicht interpretierbar

  • Zum Beispiel ist in Folge der Eigenschaft der Vorgabe, dass die extrahierten Faktoren sukzessiv maximale Varianz erklären, dass viele Variablen hoch auf dem ersten Faktor laden und niedrig(er) auf allen weiteren Faktoren

 

  • Aus diesem Grund folgt in der Regel nach Extraktion der Faktoren eine erneute Rotation dieser Faktoren, um die Lösung zu optimieren
Fenster schliessen

warum ist eine Rotation der Anfangslösung zulässig?

Die Anfangslösung stellt eine von (unendlich) vielen möglichen Lösungen dar

  • Dies liegt daran, dass das Modell nicht identifiziert ist und man bestimmte (und eben unterschiedliche) Festlegungen (Restriktionen) vornehmen muss (Identifikationsproblem)

 

  • Eine solche Festlegung ist durch das Kriterium der sukzessiven maximalen Varianzaufklärung (und auch Orthogonalität der Faktoren) vorgenommen worden

 

  • Ausgehend von dieser Anfangslösung kann aber nun nach besser interpretierbaren, aber (mathematisch) äquivalenten Lösungen gesucht werden