Testpsycho: Fragen zu Kapitel 6 - Exploratorische Faktorenanalyse

0.0 (0)

Nadja Peeters

Lernen

Nadja Peeters

Über diese Lernkartei

Diese Lernkarten behandeln die Grundlagen der exploratorischen Faktorenanalyse auf Universitätsniveau. Sie konzentrieren sich auf die Bewertung von Faktorenanalysen, die Voraussetzungen für ihre Durchführung, die Interpretation von Faktorwerten und Ladungen, sowie die Bedeutung von Rotationen und Eigenwerten. Die Karteikarten eignen sich für Studierende der Psychologie, die sich mit der Analyse von Zusammenhängen zwischen Items und der Reduktion von Daten auf homogene Faktoren befassen.

Karten

Lernende

Sprache

Deutsch

Kategorie

Psychologie

Stufe

Universität

Erstellt / Aktualisiert

31.12.2014 / 02.05.2021

Ähnliche Karteien

Lernkarten

1. Die exploratorische Faktorenanalyse kann dazu dienen,... (2)

Die Itemvarianzen in Linearkombinationen zu zerlegen

Items in homogene Itemmengen zu ordnen

Summenwerte für Personenmesswerte zu erhalten

A priori spezifizierte Modelle auf Passung mit den Daten zu überprüfen

Zusammenhänge der Items untereinander durch eine geringere Anzahl dahinter liegender homogener Faktoren zu erklären

2. Welche Aussagen zur Faktorenanalyse treffen? (1)

Die Fundamentalgleichung der exploratorische Faktorenanalyse besagt, dass jeder z-standardisierte Messwert einer Person in einen gewichteten Faktorwert und einen Fehler zerlegt werden kann

Die Fehler mit den wahren Werten korrelieren

Man erhält durch die Faktorenanalyse Summenwerte für Personenmesswerte

Die Faktorenanalyse prüft a priori spezifizierte Modelle auf Passung mit den Daten

Die Faktorenanalyse erklärt Zusammenhänge der Items untereinander durch eine geringere Anzahl dahinter liegender homogener Faktoren

3. Welche Voraussetzungen müssen im Rahmen der Faktorenanalyse gegeben sein, um zunächst die Parameter des Modells (z.B. Ladungen) zu schätzen? (5)

Der Erwartungswert der Fehler ist null

Die Fehler sind unkorreliert

Die Faktorwerte sind zunächst unkorreliert

Faktorwerte als auch Fehler im Modell werden als intervallskaliert angenommen

Faktorwerte sind standardisiert mit einem Erwartungswert von null und einer Varianz von eins

4. Welche Aussagen zur Fundamentalgleichung der Faktorenanalyse treffen zu? (3)

Sie zeigt, wie man aus den Ladungen eine Korrelationsmatrix reproduziert

Man multipliziert die Ladungsmatrix mit der transponierten Ladungsmatrix, wobei noch ein Fehlerterm hinzuaddiert wird

Die Korrelationsmatrix, die aus der Fundamentalgleichung resultiert, entspricht immer der beobachteten Korrelationsmatrix

Die transponierte Ladungsmatrix erhält man, indem man die Zeilen und Spalten der Matrix vertauscht

In der Diagonalen reproduzierten Korrelationsmatrix stehen die Eigenwerte der Faktoren

5. Es gibt eine Reihe von Problemen, die bei der Faktorenanalyse auftreten. Welche Aussagen treffen zu? (3)

Eine Replizierte Faktorenstruktur nur dann für die Richtigkeit der Lösung spricht, wenn die verwendeten Stichproben vergleichbar waren und die Laudungstruktur invariant gegenüber linearen Transformationen ist

Betrachtet man die Fundamentalgleichung der Faktorenanalyse, dann gibt es viele Möglichkeiten, die Korrelationsmatrix zu reproduzieren

Ein Vorliegen unterschiedlicher Itemverteilungen wirkt sich auf die Höhe der Itemschwierigkeiten aus und führt dazu, dass verschiedene Verteilungen zur selben Ladungsstruktur führen können

Die Kommunalitäten müssen vor der Berechnung der Ladungen im Rahmen der Faktorenanalyse bekannt sein, da man sie aber a priori nicht kennt, müssen sie aus den Daten geschätzt werden

Vor der Schätzung der Ladungen und Fehlervarianzen muss geklärt sein, wie viele Faktoren extrahiert werden müssen. Es gibt aber kein allgemein anerkanntes Abbruchkriterium

6. Welche Aussagen zu verschiedenen Arten der Faktorenanalyse und zur Hauptkomponentenanalyse treffen zu? (3)

Im Rahmen der Hauptachsen und Maximum-Likelihood Faktorenanalysen werden als Anfangskommunalitäten das multiple R² verwendet

Sowohl die ML-Faktorenanalyse als auch die Hauptachsenfaktorenanalyse versuchen die Itemvarianzen durch dahinterliegende Faktoren zu erklären

Bei der Hauptkomponentenanalyse werden als Anfangskommunalitäten Einsen in der Diagonalen verwendet und damit wird die gesamte Itemvarianz analysiert

Die Hauptkomponentenmethode dient lediglich der Informationsreduktion, und die Itemvarianzen werden durch Linearkombinationen auf wenige homogene Komponenten reduziert

Die Fundmentalgleichung ist Hauptachsenfaktorenanalyse, Maximum-Likelihood Faktorenanalyse und für die Hauptkomponentenanalyse jeweils identisch

7. Welche Aussagen zur Faktorenextraktion treffen zu?

Der Scree-Test ist vor allem dann anzuwenden, wenn es sich um Fragbogendaten handelt, da hier sogenannte Schwierigkeitsfaktoren entstehen können und mithilfe des Scree-Tests diese erkannt werden können

Bei Ermittlung der Faktorenzahl führt das Eigenwert-Kriterium größer eins immer zu einer Unterschätzung der wahren Faktorenzahl

Man muss sich vor der Durchführung der Faktorenanalyse für die Anwendung von einem Extraktionskriterium entscheiden, denn im Nachhinein könnte die Auswahl des Kriteriums beliebig erscheinen

Im Rahmen der Parallelanalyse wird aus der empirischen Korrelationsmatrix so lange sukzessiv Komponenten auspartialisiert, bis der quadrierte Korrelation eine Minimum erreicht

keine richtig

8. Der Eigenwert eines Faktors...(3)

ist der Wert, der angibt "wie gut die Faktorenlösung gelingt"

ist die Summe der quadrierten Korrelationen aller Items mit dem Faktor

ändert sich durch die Rotation nicht

gibt, wenn man ihn durch die Anzahl der Items teilt und mit 100 multipliziert, an, wie viel Prozent der Gesamtvarianz aller Items durch den Faktor erklärt werden kann

ist bei einer obliquen Rotation nur schwer interpretierbar, weil die Korrelationen zwischen den Faktoren zu einer Überschätzung der Eigenwerte führen

9. Im Rahmen von Faktorenanalysen können sogenannte Rotationen der Faktorachsen vorgenommen werden. Welche der folgenden Aussagen treffen zu? (2)

Orthogonal rotierte Faktorenachsen werden so rotiert, dass der rechte Winkel zwischen ihnen aufgegeben wird

Die Varimax-Rotation führt dazu, dass die Varianz der quadrierten Ladungen pro Faktor minimiert wird

Varimax- und Promax-Rotation der Faktorenachsen werden so vorgenommen, dass jede Variable möglichst nur auf einem Faktor hoch lädt, auf allen anderen (möglichst) niedrig

Ein Vorteil obliquer Rotationen ist, dass im Anschluss eine solche Analyse mit den Faktorwerten der Probanden eine weitere Faktorenanalyse berechnet werden kann, da die Faktoren miteinander korrelieren

Eine Einfachstruktur wird nur durch eine unrotierte Lösung erzielt, da eine unrotierte Lösung aus technischen Gründen immer korrelierte Faktoren enthält

10. Welche Aussagen zu Ladungen treffen zu? (5)

Eine Ladung kann ein standardisiertes semipartielles Regressionsgewicht darstellen oder auch eine Korrelation

Bei obliquen Rotationen unterscheidet man die Muster und die Strukturmatrix, wobei in der Mustermatrix die standardisierten semipartiellen Regressionsgewichte zu finden sind und in der Strukturmatrix die Korrelationen

Ein semipartielles standardisiertes Regressionsgewicht gibt an, um wie viele Standardabweichungen sich im Durchschnitt die Ausprägung auf dem Item ändert, wenn sich die Ausprägung auf dem Faktor im Durchschnitt um eine Standardabweichung ändert

Items mit Doppelladungen in der Mustermatrix sollten aus dem Test entfernt werden, da sie etwas Gemeinsames erfassen, was nicht durch Überlappung der beiden Faktoren erklärt werden kann

sind Faktoren miteinander korreliert, korrelieren die Items des einen Faktors auch mit den Items des anderen Faktors, unabhängig von den standardisierten semipartiellen Regressionsgewichten in der Mustermatrix

11. Welche Aussagen zu Faktorwerten treffen zu? (3)

In den Faktorwert gehen nur die Items ein, die dem Faktor auch tatsächlich zugeordnet werden

Ein Faktorwert repräsentiert den mit den Faktorladungen gewichteten Ausprägungsgrad einer Person auf einem Faktor

Auch wenn mehrere gleichlautende Items auf einem Faktor laden, korrigiert dies der Faktorwert, da er jedes Item individuell gewichtet

Ladungsgewichte im Rahmen der Faktorenanalyse können stichprobenabhägnig sein. Daher kann die Verwendung von Faktorwerten in unterschiedlichen Stichproben zu unterschiedlichen Ergebnissen führen, wenn sich die Ladungen zwischen den Stichproben unterscheid

bei der Hauptkomponentenmethode können die Faktorwerte eindeutig und exakt bestimmt werden während sie bei den Faktorenanalysen nicht eindeutig bestimmt werden können

12. Welche Voraussetzungen müssen für die Durchführung einer Faktorenanalyse gegeben sein? (3)

Es müssen substanzielle Korrelationen vorliegen

Die Zusammenhänge sollten nicht durch Ausreiserwerte verzerrt sein

Es müssen formative Indikatoren vorliegen

Eine ausreichende Itemanzahl in Kombination mit einer ausreichenden Itemreliabilität

Intervallskalenniveau der Items

13. Welche Aussagen zur Bewertung der Faktorenanalyse treffen zu? (2)

Besitzen Items einen hohen spezifischen Varianzanteil, den sie mit keinem der anderen Items teilen, wird der KMO-Koeffizient klein

MSA-Koeffizienten liefern nur grobe Anhaltspunkte über die Eignung der Items für die Faktorenanalyse. Ein Item sollte nicht nur aufgrund statistischer Kennwerte aus einem Test entfernt werden

Der Barteltt-Test prüft die Nullhypothese, dass die Items hohe Iteminterkorrelationen besitzen, denn nur dann sind sie für die Durchführung einer Faktorenanalyse geeignet

MSA-Koeffizienten über 0.50 sind kritisch zu bewerten

Der Bartlett-Test hat a priori eine geringe Teststärke und sollte daher nicht als alleiniges Kriterium zur Eignung der Daten für die Faktorenanalyse herangezogen werden

Lernen

Testpsycho: Fragen zu Kapitel 6 - Exploratorische Faktorenanalyse

Lernkarteien erstellen oder kopieren

Lernkarten

Bitte melde dich an

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog