Was ist eine explorative Faktorenanalyse? (Und was dazugehört) • BUOM

18. November 2021

Wenn Sie Forschung betreiben, um psychologische Theorien zu verstehen, verwenden Sie wahrscheinlich die explorative Faktorenanalyse (EFA). Diese Methode kann Forschern helfen, die Faktoren und Variablen ihres Projekts zu verstehen. Das Erlernen dieser Methode kann Ihnen helfen, sie für Ihre eigene Forschung zu nutzen. In diesem Artikel definieren wir die explorative Faktoranalyse, diskutieren, was in den Prozess einbezogen werden soll, gehen auf die Unterschiede zwischen der explorativen Faktoranalyse und der konfirmatorischen Faktoranalyse (CFA) ein und stellen eine Liste der EFA-Annahmen bereit.

Was ist eine explorative Faktorenanalyse?

Die explorative Faktorenanalyse ist eine statistische Methode, mit der psychologische Forscher psychometrische Tests entwickeln. Forscher können damit Beziehungen zwischen Variablen verstehen, Fragen zu ihren Forschungsthemen entwickeln und versteckte Variablen identifizieren. Bei dieser Methode wird genau darauf geachtet, wie allgemeine Faktoren und manifeste Variablen zueinander in Beziehung stehen. Es hilft Forschern auch dabei, Beziehungen zwischen Indikatoren und Variablen herzustellen, bevor sie mit der nächsten Phase ihrer Forschung fortfahren.

Was in die explorative Faktorenanalyse einzubeziehen ist

Hier ist eine Liste der drei Hauptschritte, die in eine explorative Faktorenanalyse einbezogen werden müssen:

1. Bestimmen Sie die Anzahl der Faktoren

Der erste Schritt zur Durchführung einer explorativen Faktorenanalyse besteht darin, die Anzahl der Faktoren in der zu testenden Theorie zu bestimmen. Wenn Sie beispielsweise die Theorie testen möchten, dass Angstpatienten besser auf Verhaltenstherapie als auf Medikamente ansprechen, könnten Sie Faktoren wie den Standort der Patienten, die Dauer der Behandlungsoptionen und das Alter der Patienten in jeder Gruppe berücksichtigen . Sobald Sie die Anzahl der Faktoren ermittelt haben, können Sie sie in einem Diagramm darstellen, um zu veranschaulichen, wie unterschiedlich sie sind. Dies kann Ihnen helfen zu verstehen, welche Faktoren am wahrscheinlichsten miteinander korrelieren.

2. Wählen Sie eine Extraktionsmethode

Der nächste Schritt besteht darin, dass die Forscher eine zusätzliche Faktoranalyse durchführen, die ihnen hilft, die Ladungen für jeden von ihnen ausgewählten Faktor zu bestimmen. Die Forscher wählen dann eine mathematische Strategie, um es zu finden. Es stehen verschiedene Methoden zur Auswahl, darunter:

• Hauptkomponentenanalyse: Diese Methode wird von vielen Forschern verwendet. Dabei wird davon ausgegangen, dass die Messungen, die die Forscher zur Bestimmung der Faktoren verwendeten, keine Fehler aufweisen.

• Maximale Wahrscheinlichkeit: Diese Lösung wird auch kanonisches Factoring genannt und verwendet beobachtete Daten, um fundierte Vermutungen über die Grenzen der Verteilung der erwarteten Ergebnisse in einem Diagramm anzustellen. Forscher können diese Lösung verwenden, wenn mehrere Iterationen durchgeführt werden müssen.

• Alpha-Faktorisierung: Bei dieser Extraktionsmethode wird davon ausgegangen, dass die Variablen der Forscher aus einem Pool aller möglichen Variablen gezogen werden, die sie berücksichtigen können. Dies hilft Forschern, die zuverlässigsten Faktoren zu nutzen, die ihnen möglich sind.

• Bildfaktorisierung: Diese Lösung verwendet ein Teilbild, das ein sich wiederholender Aspekt unter den Variablen der Forscher ist. Sie definieren dieses Bild auf der Grundlage der linearen Regression mit den beobachteten Variablen, die nach Eliminierung derjenigen, die keine gemeinsame Variable haben, verbleiben.

• Hauptachsenzerlegung: Diese Lösung wird auch als kleinste Quadrate bezeichnet und beinhaltet wiederholte Gemeinsamkeiten, die durch Quadrieren der korrelierten Koeffizienten und deren diagonales Platzieren im Diagramm erhalten werden, um neue gemeinsame Variablen zu schätzen und alte zu entfernen. Forscher verwenden diese Methode, bis sie eine Iteration finden, die die angegebenen Extraktionskriterien erfüllt.

3. Wählen Sie die Rotationsmethode

Der letzte Schritt für Forscher besteht darin, die neu extrahierten Lasten zu rotieren. Dies hilft ihnen, die Konstruktion so weit wie möglich zu vereinfachen, die höchsten Lasten zu erzeugen und die niedrigeren zu eliminieren. Forscher können entweder orthogonale oder schräge Rotationstypen verwenden. Der orthogonale Typ geht davon aus, dass die Faktoren nicht miteinander korrelieren, was Forscher häufig standardmäßig verwenden. Der indirekte Typ geht davon aus, dass Faktoren tatsächlich miteinander korrelieren, und legt nahe, wie sie korrelieren.

EFA vs. CFA

Forscher nutzen sowohl EFA als auch CFA, um verschiedene Teile ihres Forschungsprozesses durchzuführen. Hier sind die wichtigsten Gemeinsamkeiten und Unterschiede zwischen ihnen:

MwSt

Bei der explorativen Faktorenanalyse verwenden Forscher die von ihnen gesammelten Faktoren, indem sie die zugrunde liegenden Outputkomponenten schätzen. Sie verwenden sie, um zu bewerten, wie zuverlässig ihre internen Kennzahlen sind. Dies können unkorrelierte Faktoren sein und Forschern auch dabei helfen, die Qualität einzelner Artikel zu bestimmen. Forscher können jedes Element auf jeden Faktor laden. Sie können viele verschiedene Schätzungen verwenden, um diese Lasten auszuwählen, einschließlich der maximalen Wahrscheinlichkeit. Mithilfe der EFA können Forscher zunächst korrelierte Indikatoren und Variablen gruppieren, um die Zuverlässigkeit der internen Faktorstruktur zu bewerten.

CFA

Bei der konfirmatorischen Faktorenanalyse verwenden Forscher ausschließlich theoretische Faktoren, um zu bewerten, wie zuverlässig interne Maßnahmen sind. Die Faktoren können unkorreliert sein und Forschern dabei helfen, die Qualität eines Artikels zu bestimmen. Um CFA zu verwenden, bestimmen Forscher Faktorstrukturen, um anzugeben, worauf sich Elementladungen beziehen. Dadurch können Forscher hypothetische Faktorstrukturen mit den beobachteten Daten vergleichen. Forscher verwenden häufig die wahrscheinlichste Option, um Faktorladungen auszuwählen. Mithilfe von CFA können Forscher Faktorkorrelationen einschränken, Ladungen auf bestimmte Beziehungen beschränken, den Bereich von Messfehlerkorrelationen einschränken, alternative Modellvergleiche durchführen, Gruppen mit mehreren Faktorstrukturen vergleichen und sekundäre Faktormodelle testen.

Annahmen über EFA

Bei der explorativen Faktorenanalyse gehen Forscher davon aus, dass es für jede Gruppe von Variablen, die sie beobachten können, zugrunde liegende Faktoren gibt. Sie schlagen auch vor, dass diese oft unbeobachteten Faktoren ihnen helfen können zu verstehen, wie und warum die Beziehungen zwischen ihren beobachteten Variablen funktionieren. Hier ist eine Liste weiterer Annahmen, die Forscher bei der Durchführung explorativer Faktorenanalysen verwenden:

• Die Messungen sind korrekt. Während der Extraktion können Forscher die Hauptkomponentenanalyse verwenden, die davon ausgeht, dass bei der Durchführung der Messungen keine Fehler vorliegen. Mit dieser Annahme können Forscher effektiv zur nächsten Phase des Experiments übergehen.

• Die Faktoren korrelieren nicht. In der Rotationsphase können Forscher den orthogonalen Typ verwenden, der davon ausgeht, dass die Faktoren nicht miteinander korrelieren. Diese Annahme kann Forschern dabei helfen, eine Reihe von Umständen zu identifizieren, die sie noch nicht beweisen können.

• Das Verhältnis gibt die Lasten aus. Wenn Forscher in der Rotationsphase einen Schrägtyp verwenden, gehen sie davon aus, dass die Faktoren miteinander korrelieren und dass diese Korrelationen die Faktorladungen bestimmen. Dies kann Forschern dabei helfen, die hypothetischen Umstände für ihre Messungen genauer festzulegen.

• Die Ergebnisse haben eine einfache Struktur. Wenn Forscher eine explorative Faktorenanalyse durchführen, gehen sie davon aus, dass das Ergebnis eine einfache Struktur ist. Dies bedeutet, dass ihre Elemente einen Faktor stark belasten und die anderen weniger belasten.