Waarover Verschil Gelijkenis
PCA en EFA PCA geen causaliteit EFA wel Componenten (PCA) lijken sterk op
factoren (EFA) in hoe we ze
Bij PCA kan je de componenten optellen om de gewogen som te berekenen bij EFA is interpreteren: we kijken per kolom welke
het regressie gewicht gelijk aan de lading keer de score op de eerste factor keer de ladingen hoog zijn
score op de tweede factor ect plus de disturbance term
Beide kun je rotatie toepassen om een
simpel stucture te kijken
EFA corrigeert voor unieke variantie daarom zijn de ladingen in EFA over het algemeen
Beide hebben communialiteiten en
lager dan bij PCA. PCA houdt geen rekening met meetfouten
uniciteit (bij PCA altijd 1)
Beide zetten geobserveerde variabele om
Extraction bij PCA geeft aan hoe goed de ladingen worden samengevat door de in enkele detenties
componenten. Uniciteit bij PCA is wat niet samengevat wordt door de componenten. (componenten/factoren) gebruik maken
van correlaties tussen de geobserveerde
variabelen
Extraction bij EFA geeft aan hoe goed de items de latente variabele meten. Uniciteit bij
EFA is een schatting van de unieke variantie van een variabele die niet verklaard wordt
door factoren maar door onder andere meetfouten
Bij PCA van items naar component (eerst horizontaal dan verticaal) bij EFA gaan we van
factoren naar item (eerst verticaal dan horizontaal)
EFA is nauwkeuriger want het heeft een correctie voor unieke variantie en een causaal
model
PCA en EFA PCA geen causaliteit EFA wel Componenten (PCA) lijken sterk op
factoren (EFA) in hoe we ze
Bij PCA kan je de componenten optellen om de gewogen som te berekenen bij EFA is interpreteren: we kijken per kolom welke
het regressie gewicht gelijk aan de lading keer de score op de eerste factor keer de ladingen hoog zijn
score op de tweede factor ect plus de disturbance term
Beide kun je rotatie toepassen om een
simpel stucture te kijken
EFA corrigeert voor unieke variantie daarom zijn de ladingen in EFA over het algemeen
Beide hebben communialiteiten en
lager dan bij PCA. PCA houdt geen rekening met meetfouten
uniciteit (bij PCA altijd 1)
Beide zetten geobserveerde variabele om
Extraction bij PCA geeft aan hoe goed de ladingen worden samengevat door de in enkele detenties
componenten. Uniciteit bij PCA is wat niet samengevat wordt door de componenten. (componenten/factoren) gebruik maken
van correlaties tussen de geobserveerde
variabelen
Extraction bij EFA geeft aan hoe goed de items de latente variabele meten. Uniciteit bij
EFA is een schatting van de unieke variantie van een variabele die niet verklaard wordt
door factoren maar door onder andere meetfouten
Bij PCA van items naar component (eerst horizontaal dan verticaal) bij EFA gaan we van
factoren naar item (eerst verticaal dan horizontaal)
EFA is nauwkeuriger want het heeft een correctie voor unieke variantie en een causaal
model
