VOS - Correlationeel onderzoek
Factoranalyse: Het vinden van een achterliggende Stap 0: Factor analyse: Data screening
factor die verklaard waarom mensen in bepaalde Is de data überhaupt geschikt voor de factoranalyse →is er samenhang. Zijn de
mate op bepaalde stimuli/ items scoren. Het is dus
voor iedereen anders en je kan het niet zien aan
testscores betrouwbaar →
split-half reliability: per persoon zijn de itemscores op
twee schalen random verdeeld, maar de uitkomst zal het zelfde zijn (denk aan
iemand → latente inhoud. interne consistentie). Chron bach’s alpha = betrouwbaarheid.
Mooi weer zorgt voor meer verkochte ijsjes en meer drenkelingen.
Doelen factoranalyse: je zoekt uit welke groepjes Stap 1: Factoranalyse: modellen
items bij elkaar horen en of je die groepjes kunt
samenvatten in één of twee scores zonder dat je Hoofdcomponentenanalyse (PCA): Kunnen we de
belangrijke informatie kwijtraakt. data handig samenvatten in minder componenten,
1. Kijken hoeveel dimensies (factoren) een test heeft zodat de verklaarde variantie zoveel mogelijk
(dimensionaliteit). Je hebt een test met allemaal gerepresenteerd is. Doel: reductie.
vragen (items). De theorie zegt bijvoorbeeld dat er Factoranalyse wordt uitgevoerd op correlatie:
twee onderdelen zijn: “angst” en “somberheid”. lineaire samenhang. Makkelijkste
a. Als je van tevoren al weet wat je verwacht en
je wilt kijken of de data dat bevestigt, dan heet
Factormodellen
dat: Confirmatieve Factoranalyse (CFA) Je→ Exploratieve factoranalyse (EFA): Welke
structuur zit er in de data en we verwachten dat
checkt of de verwachte structuur klopt.
elke factor een samenhang heeft met de stimuli.
2. Data kleiner en overzichtelijker maken
Wel is het aantal factoren nog onbekend en
(datareductie). Soms heb je heel veel variabelen
hangen ze ook samen met de unieke factor (U).
of items. Dan wil je weten: Kunnen we die
Hoeveel inhoudelijke interpeteerbare factoren
samenvatten in minder nieuwe variabelen
zijn te onderscheiden?
(factoren)? Hoe goed vertegenwoordigt één
totaalscore de informatie uit alle items? Confirmatieve factoranalyse (CFA): Klopt onze
a. Methoden die hiervoor gebruikt worden: verwachting van de interne structuur, want het
Exploratieve Factoranalyse (EFA) →
Je gaat aantal factoren is al bekend. We hebben expliciete
verkennend op zoek naar structuur, zonder verwachtingen, maar er is wel een unieke factor (U)
verwachting vooraf. Hoofdcomponentenanalyse en we moeten kijken of de data ondersteuning
(PCA)→ Een techniek om grote datasets geeft aan de verwachting. → beoordeling
samen te vatten in enkele componenten.
Uitleg van de tekens staat vermeld bij de toelichtingen!
, De Pattern Matrix toont de unieke bijdrage van een
variabele aan een factor, terwijl de Structure Matrix de
Stap 2: Aantal factoren
correlatie tussen variabele en factoren weergeeft,
inclusief gedeelde variantie. Om het aantal zinvolle factoren vast te stellen zijn 2 criteria:
Eigenwaarde criterium
Knikcriterium
Betrouwbaarheidsanalyse →
schatting van de Factor 1 verklaard het groot mogelijkste deel van de testvariatie, Factor 2 en k
betrouwbaarheid van de testscores. Soms moet je wel verklaren de restvariantie.
eerst ompolen. We gebruiken hiervoor chronbach’s
alpha op individueel belangrijk en niet belangrijk niveau
en groepsniveau. Eigenwaarde: Totale variantie in variabele
Per variabele: variantie = s2 = 1
Hiërarchische regressieanalyse →voorspellers Totale variantie = variantie van variabele = k
worden in verschillende stappen toegevoegd. Als de eigenwaarde groter is dan 1, verklaart de factor meer variantie dan een
Er komen steeds onafhankelijke variabelen bij en afzonderlijk item uit de test. Kleiner dan 1 zijn statistisch niet relevant.
het wordt steeds uitgebreider.
de verklaarde variantie (R2 ) zal altijd toenemen. Knikcentrum: Scree-plot → eigenwaarde op Y as
R2 delta is het verschil tussen de toegevoegde en factoren op de x as.
variabelen. Knik centrum (Inflectie punt) kiest het aantal
Padmodel van multipele regressie factoren voor de knik in de grafiek.
Y = afhankelijke variabele
X = onafhankelijke variabele
→ 1. Interval meetniveau
Stap 3: Interpretatie factoren
→ 2. Dichotoom
E = Error
Wat is de inhoudelijke betekenis van de achterliggende factoren?
→ Data matrix roteren (orthogonaal →recht of oblique → scheef).
Na rotatie is elke variabele hoog op de ene factor en Gebruik vervolgens de factorlading (a) om te kijken welke het meest kenmerkend is.
laag op de andere factor, dat noemen we simple Vuistregel |a| > .3 of < - .3
structured. Je kan daardoor beter zien bij
welke factor die beter past.
Keuze voor oblique of orthogonaal → factor correlatie We maken alleen gebruik van
Absolute factorlading ( het gaat
om de grootte en niet de
richting).
1. 2.
Factoranalyse: Het vinden van een achterliggende Stap 0: Factor analyse: Data screening
factor die verklaard waarom mensen in bepaalde Is de data überhaupt geschikt voor de factoranalyse →is er samenhang. Zijn de
mate op bepaalde stimuli/ items scoren. Het is dus
voor iedereen anders en je kan het niet zien aan
testscores betrouwbaar →
split-half reliability: per persoon zijn de itemscores op
twee schalen random verdeeld, maar de uitkomst zal het zelfde zijn (denk aan
iemand → latente inhoud. interne consistentie). Chron bach’s alpha = betrouwbaarheid.
Mooi weer zorgt voor meer verkochte ijsjes en meer drenkelingen.
Doelen factoranalyse: je zoekt uit welke groepjes Stap 1: Factoranalyse: modellen
items bij elkaar horen en of je die groepjes kunt
samenvatten in één of twee scores zonder dat je Hoofdcomponentenanalyse (PCA): Kunnen we de
belangrijke informatie kwijtraakt. data handig samenvatten in minder componenten,
1. Kijken hoeveel dimensies (factoren) een test heeft zodat de verklaarde variantie zoveel mogelijk
(dimensionaliteit). Je hebt een test met allemaal gerepresenteerd is. Doel: reductie.
vragen (items). De theorie zegt bijvoorbeeld dat er Factoranalyse wordt uitgevoerd op correlatie:
twee onderdelen zijn: “angst” en “somberheid”. lineaire samenhang. Makkelijkste
a. Als je van tevoren al weet wat je verwacht en
je wilt kijken of de data dat bevestigt, dan heet
Factormodellen
dat: Confirmatieve Factoranalyse (CFA) Je→ Exploratieve factoranalyse (EFA): Welke
structuur zit er in de data en we verwachten dat
checkt of de verwachte structuur klopt.
elke factor een samenhang heeft met de stimuli.
2. Data kleiner en overzichtelijker maken
Wel is het aantal factoren nog onbekend en
(datareductie). Soms heb je heel veel variabelen
hangen ze ook samen met de unieke factor (U).
of items. Dan wil je weten: Kunnen we die
Hoeveel inhoudelijke interpeteerbare factoren
samenvatten in minder nieuwe variabelen
zijn te onderscheiden?
(factoren)? Hoe goed vertegenwoordigt één
totaalscore de informatie uit alle items? Confirmatieve factoranalyse (CFA): Klopt onze
a. Methoden die hiervoor gebruikt worden: verwachting van de interne structuur, want het
Exploratieve Factoranalyse (EFA) →
Je gaat aantal factoren is al bekend. We hebben expliciete
verkennend op zoek naar structuur, zonder verwachtingen, maar er is wel een unieke factor (U)
verwachting vooraf. Hoofdcomponentenanalyse en we moeten kijken of de data ondersteuning
(PCA)→ Een techniek om grote datasets geeft aan de verwachting. → beoordeling
samen te vatten in enkele componenten.
Uitleg van de tekens staat vermeld bij de toelichtingen!
, De Pattern Matrix toont de unieke bijdrage van een
variabele aan een factor, terwijl de Structure Matrix de
Stap 2: Aantal factoren
correlatie tussen variabele en factoren weergeeft,
inclusief gedeelde variantie. Om het aantal zinvolle factoren vast te stellen zijn 2 criteria:
Eigenwaarde criterium
Knikcriterium
Betrouwbaarheidsanalyse →
schatting van de Factor 1 verklaard het groot mogelijkste deel van de testvariatie, Factor 2 en k
betrouwbaarheid van de testscores. Soms moet je wel verklaren de restvariantie.
eerst ompolen. We gebruiken hiervoor chronbach’s
alpha op individueel belangrijk en niet belangrijk niveau
en groepsniveau. Eigenwaarde: Totale variantie in variabele
Per variabele: variantie = s2 = 1
Hiërarchische regressieanalyse →voorspellers Totale variantie = variantie van variabele = k
worden in verschillende stappen toegevoegd. Als de eigenwaarde groter is dan 1, verklaart de factor meer variantie dan een
Er komen steeds onafhankelijke variabelen bij en afzonderlijk item uit de test. Kleiner dan 1 zijn statistisch niet relevant.
het wordt steeds uitgebreider.
de verklaarde variantie (R2 ) zal altijd toenemen. Knikcentrum: Scree-plot → eigenwaarde op Y as
R2 delta is het verschil tussen de toegevoegde en factoren op de x as.
variabelen. Knik centrum (Inflectie punt) kiest het aantal
Padmodel van multipele regressie factoren voor de knik in de grafiek.
Y = afhankelijke variabele
X = onafhankelijke variabele
→ 1. Interval meetniveau
Stap 3: Interpretatie factoren
→ 2. Dichotoom
E = Error
Wat is de inhoudelijke betekenis van de achterliggende factoren?
→ Data matrix roteren (orthogonaal →recht of oblique → scheef).
Na rotatie is elke variabele hoog op de ene factor en Gebruik vervolgens de factorlading (a) om te kijken welke het meest kenmerkend is.
laag op de andere factor, dat noemen we simple Vuistregel |a| > .3 of < - .3
structured. Je kan daardoor beter zien bij
welke factor die beter past.
Keuze voor oblique of orthogonaal → factor correlatie We maken alleen gebruik van
Absolute factorlading ( het gaat
om de grootte en niet de
richting).
1. 2.
