Samenvatting week 10
Met een schaalanalyse kunnen we voor een construct bepalen in hoeverre de bijbehorende items
ook daadwerkelijk bij elkaar horen. We willen immers werken met homogene constructen. Maar dan
weten we nog niet of de items van variabele A samenhangen (correleren) met een andere variabele
B. Juist daarvoor wordt factoranalyse veel gebruikt in een survey-onderzoek met multiple item
constructs, naast en in aanvulling op de schaalanalyse.
In survey-onderzoek wordt veelal met een behoorlijk aantal variabelen gewerkt die meestal met een
aantal items worden gemeten. De items van alle multiple item constructs worden meegenomen in de
factoranalyse. Met SPSS wordt dan bepaald hoeveel verschillende variabelen (factoren) er eigenlijk
verscholen zitten achter de items. Vervolgens bestaat de uitkomst van factoranalyse uit de
samenhang (correlatie) tussen ieder item en iedere factor. Bij het beoordelen van de uitkomsten let
de onderzoeker er vooral op dat de items die bij elkaar horen, ook daadwerkelijk op dezelfde factor
scoren (‘laden’ in termen van de factoranalyse) en dat er niet een item is dat hoger scoort op een
andere, onbedoelde factor. We spreken van:
‘convergent validity’ als items die bij elkaar moeten horen, dat ook feitelijk doen
discriminant validity’ als items die niet bij elkaar moeten horen, dat ook feitelijk niet doen.
In SPSS wordt de factoranalyse gevonden onder ‘Analyze’ en dan ‘Dimension Reduction’ en ‘Factor
analysis’. De term ‘dimension reduction’ is gekozen, omdat de techniek ook kan worden gebruikt om
een groot aantal variabelen (of items) te reduceren, terug te brengen, tot een kleiner aantal
‘factoren’ (componenten of dimensies). Met een beperktere set van factoren kan het eenvoudiger
zijn om verdere analyses te doen. Deze toepassing wordt echter zelden gebruikt in survey onderzoek.
Als we een conceptueel model met variabelen hebben en hypothesen om te toetsen, dan is het niet
de bedoeling om tot reductie van variabelen te komen.
Factoranalyse en betrouwbaarheidsanalyse (zoals besproken in de vorige leereenheid) gaan hand in
hand en worden in wisselwerking toegepast. Aan de uitkomsten van een factoranalyse kan men niet
zomaar aflezen of alle items die hoog laden op een factor ook tezamen een betrouwbare schaal
vormen. Daarvoor is het nodig om ook een betrouwbaarheidsanalyse (schaalanalyse) toe te passen.
Het omgekeerde geldt ook: items die op basis van een schaalanalyse samen een betrouwbare schaal
lijken te vormen, hoeven niet per definitie hoog te laden op eenzelfde factor.
Leerdoelen
Na het doornemen van deze leereenheid weet u
wat factoranalyse inhoudt.
wat het verschil is tussen exploratieve en confirmatorische factoranalyse.
hoe factoranalyse moet worden toegepast.
hoe de uitkomsten van een factoranalyse moeten worden geïnterpreteerd.
hoe de uitkomsten van een factoranalyse ook kunnen worden gebruikt in een
regressieanalyse.
Met een schaalanalyse kunnen we voor een construct bepalen in hoeverre de bijbehorende items
ook daadwerkelijk bij elkaar horen. We willen immers werken met homogene constructen. Maar dan
weten we nog niet of de items van variabele A samenhangen (correleren) met een andere variabele
B. Juist daarvoor wordt factoranalyse veel gebruikt in een survey-onderzoek met multiple item
constructs, naast en in aanvulling op de schaalanalyse.
In survey-onderzoek wordt veelal met een behoorlijk aantal variabelen gewerkt die meestal met een
aantal items worden gemeten. De items van alle multiple item constructs worden meegenomen in de
factoranalyse. Met SPSS wordt dan bepaald hoeveel verschillende variabelen (factoren) er eigenlijk
verscholen zitten achter de items. Vervolgens bestaat de uitkomst van factoranalyse uit de
samenhang (correlatie) tussen ieder item en iedere factor. Bij het beoordelen van de uitkomsten let
de onderzoeker er vooral op dat de items die bij elkaar horen, ook daadwerkelijk op dezelfde factor
scoren (‘laden’ in termen van de factoranalyse) en dat er niet een item is dat hoger scoort op een
andere, onbedoelde factor. We spreken van:
‘convergent validity’ als items die bij elkaar moeten horen, dat ook feitelijk doen
discriminant validity’ als items die niet bij elkaar moeten horen, dat ook feitelijk niet doen.
In SPSS wordt de factoranalyse gevonden onder ‘Analyze’ en dan ‘Dimension Reduction’ en ‘Factor
analysis’. De term ‘dimension reduction’ is gekozen, omdat de techniek ook kan worden gebruikt om
een groot aantal variabelen (of items) te reduceren, terug te brengen, tot een kleiner aantal
‘factoren’ (componenten of dimensies). Met een beperktere set van factoren kan het eenvoudiger
zijn om verdere analyses te doen. Deze toepassing wordt echter zelden gebruikt in survey onderzoek.
Als we een conceptueel model met variabelen hebben en hypothesen om te toetsen, dan is het niet
de bedoeling om tot reductie van variabelen te komen.
Factoranalyse en betrouwbaarheidsanalyse (zoals besproken in de vorige leereenheid) gaan hand in
hand en worden in wisselwerking toegepast. Aan de uitkomsten van een factoranalyse kan men niet
zomaar aflezen of alle items die hoog laden op een factor ook tezamen een betrouwbare schaal
vormen. Daarvoor is het nodig om ook een betrouwbaarheidsanalyse (schaalanalyse) toe te passen.
Het omgekeerde geldt ook: items die op basis van een schaalanalyse samen een betrouwbare schaal
lijken te vormen, hoeven niet per definitie hoog te laden op eenzelfde factor.
Leerdoelen
Na het doornemen van deze leereenheid weet u
wat factoranalyse inhoudt.
wat het verschil is tussen exploratieve en confirmatorische factoranalyse.
hoe factoranalyse moet worden toegepast.
hoe de uitkomsten van een factoranalyse moeten worden geïnterpreteerd.
hoe de uitkomsten van een factoranalyse ook kunnen worden gebruikt in een
regressieanalyse.
