JASP-vaardigheden
------------------------------------------------------------------------------------
Correlationeel onderzoek (week 1 t/m 3)
Week 1 - Factoranalyse
Voorkennis JASP
Databestand openen:
Databestand downloaden
Drie streepjes > open > databestand zoeken
Beschrijvende statistieken en grafieken opvragen:
Descriptives > Descriptive statistics
Variabele slepen naar variables > output: descriptive statistics
Specifieke statistieken opvragen: Statistics > aanklikken welke je wilt hebben in de
output
Grafieken maken: Basic plots > distribution, correlation of interval plots aanklikken
Verschil tussen bijv sekse binnen één variabele: split functie > slepen ‘sekse’
FA1: Factoranalyse en Eigenwaarde
Explorerende factoranalyse met een oblique rotatie:
Factor > Exploratory Factor Analysis
Selecteer de gewenste items box 'Variables’
Stip aan bij 'Number of Factors based on': 'Eigenvalues'
Selecteer bij 'Factoring method': 'Principal axis factoring’
Selecteer onder 'Rotation': 'Oblique' en daarbij 'oblimin'
Klik op Output options:
Vink aan onder 'Tables': 'Factor Correlations', en
Vink aan Onder 'plots': 'Scree Plot' en deselecteer daarbij 'Parallel analysis results'
Rechts in het scherm verschijnt de uitvoer van de analyse met de gewenste output.
Verklaarde variantie van een factor bij geroteerde factoroplossing
Tabel ‘factor characteristics’ > ‘SumSq loadings’
Tip: Eigenwaarde criterium (>1) dmv:
, ‘Numbers of factors based on’ > ‘Eigenvalues above 1’ (of een strenger criterium)
In de tabel ‘factor characteristics’ staan het aantal factoren met de gewenste eigenwaarde, die
dus worden meegenomen in de output.
Tip: Als je niet weet wat een bepaalde functie betekend, kun je dit opzoeken door middel van
de blauwe I rechts bovenin.
Gezamenlijk verklaarde variantie van alle factoren onder eigenwaardecriterium:
‘Factor characteristics’ > ‘Cummulative’ > ‘Roatated solution’
De onderste factor geeft een cijfer, die je in procenten moet omzetten (0.408 wordt
40,8%)
Knikcriterium met een scree plot
Deze wordt gegeven onderaan de output van de stappen hierboven
Het aantal factoren met de gewenste eigenwaarde: waar de eerste ‘knik' te vinden is
FA2: Factorladingen en rotatie
In de output van de boven aangegeven factoranalyse, staat ook een tabel met ‘Factor Loadings’,
hier staan de sterkste en meest relevante factorladingen. Om meer factorladingen te
verkrijgen, kun je onder ‘output options’ het schuifje ‘display loadings above’ aanpassen.
Gebaseerd op het eigenwaardecriterium (>1) en het knikcriterium (voor de eerste knik) kan het
zijn dat het aantal factoren met de gewenste eigenwaarde verschillen. Als we de keuze voor de
factoroplossing mede baseren op het aantal items dat op een factor een hoge lading (> 0.4)
heeft, dan kunnen we een voorkeur uitspreken over het gewenste aantal te selecteren
factoren.
FA3: Factoranalyse uitvoeren en beoordeling van kwaliteit
Uitvoeren explorerende factoranalyse met oblique rotatie
Factoroplossing met 2 factoren: ‘Manual’ > ‘Number of factors’ = 2
De definitieve factor oplossing is gebaseerd op:
Statistische criteria: Eigenwaarde >1, aantal factoren boven de knik of het aantal
factoren met een hoge lading op de factor (>0.4)
Inhoudelijk criterium: duidelijke interpretatie mogelijk?
o Voor de interpretatie van factoren gebruiken we de factorladingen van de items
op de geroteerde factoren.
, o ‘Factor loadings’ > er staan ladingen bij verschillende ‘Factors’ > deze kunnen
gelinkt worden door middel van het codeboek om zo een overkoepelende factor
te creeëren (datareductie)
Bij de uiteindelijke factoroplossing gebruiken we het percentage verklaarde variantie door de
geselecteerde factoren voor een kwalitatieve beoordeling (waardering in termen van matig en
goed) van de factoroplossing:
Als het percentage verklaarde variantie rond de 30% ligt, beoordelen we de
factoroplossing als matig.
Ligt het percentage verklaarde variantie rond de 50%, dan beoordelen we de
factoroplossing als goed.
(Cummulatieve) proportie verklaarde variantie van de geroteerde factoroplossing:
Tabel ‘Factor Characteristics' > onder 'Rotated solution' > onder het kopje 'Proportion
Var.' = de proportie verklaarde variantie voor de afzonderlijke factoren.
Onder het kopje 'Cumulative' staan de opgetelde proporties verklaarde variantie
o De geroteerde twee-factoroplossing verlaart ...% van de variantie in alle items
Formule: Proportie verklaarde variantie t = sumsq loadings / k (=items) -->
Hoe meer twee factoren inhoudelijk op elkaar lijken hoe meer gemeenschappelijke variantie in
de items ze verklaren. De samenhang tussen de twee factoren neemt toe naarmate ze meer
gemeenschappelijke variantie verklaren. Ter beoordeling van de onafhankelijkheid van factoren
kunnen we gebruik maken van de factorcorrelaties. Als factoren sterk met elkaar correleren (r
> 0.5), dan is het wellicht beter om een factor minder te selecteren.
Tabel 'factor correlations’ > correlatie (r) tussen factor 1 en factor 2
Sterkte of zwakte van de correlatie bepalen
Een lage correlatie wijst erop dat de factoreren weinig gemeenschappelijk hebben en en
verschillende aspecten vertegenwoordigen. Dat is goed.
Communaliteit en uniciteit
De communaliteit (h) van een variabele (item) is de proportie variantie van een variabele die
door de gezamenlijke factoren (factoroplossing) wordt verklaard.
Over het algemeen wordt als vuistregel voor voldoende communaliteit wel 0.3
gehanteerd.
In JASP vind je geen communaliteit, maar wel voor elke variabele in de analyse de
uniciteit.
, o Uniqueness = 1 – communaliteit
o Unieke variantie = onverklaarde variantie
Tabel ‘factor loadings’ > ‘uniqueness’
Conclusie factoranalyse
Bij het uitvoeren van de factoranalyse kun je onder meer de volgende vragen stellen:
Is een factoranalyse bij deze gegevens zinvol?
Welke methode van factoranalyse is van toepassing?
Hoeveel factoren kunnen we zinvol onderscheiden?
Welke rotatiemethode kiezen we als hulpmiddel bij de interpretatie van factoren?
Hoe benoemen we de factoren?
Wat is de kwaliteit van de factoroplossing?
Welke items selecteren we voor de schaalconstructie?
BA1: Betrouwbaarheidsanalyse en ompolen items
Als je uit de factoranalyse twee (of meer) duidelijk verschillende aspecten naar voren ziet
komen, wil je die uiteindelijk ompolen tot nieuwe factoren. Maar, daarvoor moet je eerst een
betrouwbaarheidsanalyse uitvoeren om te checken of de items wel echt bij de ondervonden
aspecten horen.
Hiervoor moet je zorgen dat een hoge score op een item gelijk is aan een hoge score op het
aspect (nieuwe factor).
Kijk hiervoor in het codeboek en hoe de items beoordeelt zijn
Als een hoge score op een item NIET gelijk is aan een hoge score op de factor, dan
moeten de items worden omgepoold.
o Let op: dit geldt niet altijd voor ALLE items
De labels van de antwoordopties moeten worden veranderd > ompolen: de betekenis
van de antwoord opties moet worden omgedraaid (beetje mee eens wordt beetje niet
mee eens)
BA2: Betrouwbaarheidsanalyse uitvoeren en interpreteren
Uitvoeren betrouwbaarheidsanalyse
Reliability module in het menu zetten: Blauwe + > Reliability aanvinken > optie
verschijnt nu boven in het menu
Reliability > Unidimensional reliabilty
------------------------------------------------------------------------------------
Correlationeel onderzoek (week 1 t/m 3)
Week 1 - Factoranalyse
Voorkennis JASP
Databestand openen:
Databestand downloaden
Drie streepjes > open > databestand zoeken
Beschrijvende statistieken en grafieken opvragen:
Descriptives > Descriptive statistics
Variabele slepen naar variables > output: descriptive statistics
Specifieke statistieken opvragen: Statistics > aanklikken welke je wilt hebben in de
output
Grafieken maken: Basic plots > distribution, correlation of interval plots aanklikken
Verschil tussen bijv sekse binnen één variabele: split functie > slepen ‘sekse’
FA1: Factoranalyse en Eigenwaarde
Explorerende factoranalyse met een oblique rotatie:
Factor > Exploratory Factor Analysis
Selecteer de gewenste items box 'Variables’
Stip aan bij 'Number of Factors based on': 'Eigenvalues'
Selecteer bij 'Factoring method': 'Principal axis factoring’
Selecteer onder 'Rotation': 'Oblique' en daarbij 'oblimin'
Klik op Output options:
Vink aan onder 'Tables': 'Factor Correlations', en
Vink aan Onder 'plots': 'Scree Plot' en deselecteer daarbij 'Parallel analysis results'
Rechts in het scherm verschijnt de uitvoer van de analyse met de gewenste output.
Verklaarde variantie van een factor bij geroteerde factoroplossing
Tabel ‘factor characteristics’ > ‘SumSq loadings’
Tip: Eigenwaarde criterium (>1) dmv:
, ‘Numbers of factors based on’ > ‘Eigenvalues above 1’ (of een strenger criterium)
In de tabel ‘factor characteristics’ staan het aantal factoren met de gewenste eigenwaarde, die
dus worden meegenomen in de output.
Tip: Als je niet weet wat een bepaalde functie betekend, kun je dit opzoeken door middel van
de blauwe I rechts bovenin.
Gezamenlijk verklaarde variantie van alle factoren onder eigenwaardecriterium:
‘Factor characteristics’ > ‘Cummulative’ > ‘Roatated solution’
De onderste factor geeft een cijfer, die je in procenten moet omzetten (0.408 wordt
40,8%)
Knikcriterium met een scree plot
Deze wordt gegeven onderaan de output van de stappen hierboven
Het aantal factoren met de gewenste eigenwaarde: waar de eerste ‘knik' te vinden is
FA2: Factorladingen en rotatie
In de output van de boven aangegeven factoranalyse, staat ook een tabel met ‘Factor Loadings’,
hier staan de sterkste en meest relevante factorladingen. Om meer factorladingen te
verkrijgen, kun je onder ‘output options’ het schuifje ‘display loadings above’ aanpassen.
Gebaseerd op het eigenwaardecriterium (>1) en het knikcriterium (voor de eerste knik) kan het
zijn dat het aantal factoren met de gewenste eigenwaarde verschillen. Als we de keuze voor de
factoroplossing mede baseren op het aantal items dat op een factor een hoge lading (> 0.4)
heeft, dan kunnen we een voorkeur uitspreken over het gewenste aantal te selecteren
factoren.
FA3: Factoranalyse uitvoeren en beoordeling van kwaliteit
Uitvoeren explorerende factoranalyse met oblique rotatie
Factoroplossing met 2 factoren: ‘Manual’ > ‘Number of factors’ = 2
De definitieve factor oplossing is gebaseerd op:
Statistische criteria: Eigenwaarde >1, aantal factoren boven de knik of het aantal
factoren met een hoge lading op de factor (>0.4)
Inhoudelijk criterium: duidelijke interpretatie mogelijk?
o Voor de interpretatie van factoren gebruiken we de factorladingen van de items
op de geroteerde factoren.
, o ‘Factor loadings’ > er staan ladingen bij verschillende ‘Factors’ > deze kunnen
gelinkt worden door middel van het codeboek om zo een overkoepelende factor
te creeëren (datareductie)
Bij de uiteindelijke factoroplossing gebruiken we het percentage verklaarde variantie door de
geselecteerde factoren voor een kwalitatieve beoordeling (waardering in termen van matig en
goed) van de factoroplossing:
Als het percentage verklaarde variantie rond de 30% ligt, beoordelen we de
factoroplossing als matig.
Ligt het percentage verklaarde variantie rond de 50%, dan beoordelen we de
factoroplossing als goed.
(Cummulatieve) proportie verklaarde variantie van de geroteerde factoroplossing:
Tabel ‘Factor Characteristics' > onder 'Rotated solution' > onder het kopje 'Proportion
Var.' = de proportie verklaarde variantie voor de afzonderlijke factoren.
Onder het kopje 'Cumulative' staan de opgetelde proporties verklaarde variantie
o De geroteerde twee-factoroplossing verlaart ...% van de variantie in alle items
Formule: Proportie verklaarde variantie t = sumsq loadings / k (=items) -->
Hoe meer twee factoren inhoudelijk op elkaar lijken hoe meer gemeenschappelijke variantie in
de items ze verklaren. De samenhang tussen de twee factoren neemt toe naarmate ze meer
gemeenschappelijke variantie verklaren. Ter beoordeling van de onafhankelijkheid van factoren
kunnen we gebruik maken van de factorcorrelaties. Als factoren sterk met elkaar correleren (r
> 0.5), dan is het wellicht beter om een factor minder te selecteren.
Tabel 'factor correlations’ > correlatie (r) tussen factor 1 en factor 2
Sterkte of zwakte van de correlatie bepalen
Een lage correlatie wijst erop dat de factoreren weinig gemeenschappelijk hebben en en
verschillende aspecten vertegenwoordigen. Dat is goed.
Communaliteit en uniciteit
De communaliteit (h) van een variabele (item) is de proportie variantie van een variabele die
door de gezamenlijke factoren (factoroplossing) wordt verklaard.
Over het algemeen wordt als vuistregel voor voldoende communaliteit wel 0.3
gehanteerd.
In JASP vind je geen communaliteit, maar wel voor elke variabele in de analyse de
uniciteit.
, o Uniqueness = 1 – communaliteit
o Unieke variantie = onverklaarde variantie
Tabel ‘factor loadings’ > ‘uniqueness’
Conclusie factoranalyse
Bij het uitvoeren van de factoranalyse kun je onder meer de volgende vragen stellen:
Is een factoranalyse bij deze gegevens zinvol?
Welke methode van factoranalyse is van toepassing?
Hoeveel factoren kunnen we zinvol onderscheiden?
Welke rotatiemethode kiezen we als hulpmiddel bij de interpretatie van factoren?
Hoe benoemen we de factoren?
Wat is de kwaliteit van de factoroplossing?
Welke items selecteren we voor de schaalconstructie?
BA1: Betrouwbaarheidsanalyse en ompolen items
Als je uit de factoranalyse twee (of meer) duidelijk verschillende aspecten naar voren ziet
komen, wil je die uiteindelijk ompolen tot nieuwe factoren. Maar, daarvoor moet je eerst een
betrouwbaarheidsanalyse uitvoeren om te checken of de items wel echt bij de ondervonden
aspecten horen.
Hiervoor moet je zorgen dat een hoge score op een item gelijk is aan een hoge score op het
aspect (nieuwe factor).
Kijk hiervoor in het codeboek en hoe de items beoordeelt zijn
Als een hoge score op een item NIET gelijk is aan een hoge score op de factor, dan
moeten de items worden omgepoold.
o Let op: dit geldt niet altijd voor ALLE items
De labels van de antwoordopties moeten worden veranderd > ompolen: de betekenis
van de antwoord opties moet worden omgedraaid (beetje mee eens wordt beetje niet
mee eens)
BA2: Betrouwbaarheidsanalyse uitvoeren en interpreteren
Uitvoeren betrouwbaarheidsanalyse
Reliability module in het menu zetten: Blauwe + > Reliability aanvinken > optie
verschijnt nu boven in het menu
Reliability > Unidimensional reliabilty
