Lecture 3 Confrrmtorr mctor mnmlrsis
Intro to Confrmatory factor analysis
EFA CFA
Theorie ontwikkeling inductef Je gaat een theorie testen deductef
Het aantal factoren wordt voor je berekent: Je moet voorafgaande het aantal factoren
data-driven aangeven: theoretcally-driven
Alle variabelen laden op alle factoren (zie model Alle variabelen laden meestal maar op een
van EFA) factor
Rotate is nodig en moet je zelf kiezen Rotate is niet nodigi dat doet het programma
SPSS AMOS
Het model van CFA is specifeker dan EFA. Bij de
afeelding links bij EFA geet de bovenste stppel
lijn de rotate weer (of het dus wel mag
correleren of niet). Bij CFA zijn de factoren al
vastgesteldi zoals je ziet ‘internaliserend’ en ‘externaliserend’.
Je moet de schaal kiezen voor internaliserend en externaliserend (dus voor de factoren)i en het
maakt niet uit wat je kiesti want het komt op hetzelfde neer. Internaliserend weet je de schaal
namelijk niet. 1 is heel normaal om te kiezen.
W= b1i inti e
0-10 2 0-5
0-10 1 0-10
De factoren met een 1 zijn ‘fxed’ en tel je daarom niet meer mee bij het bereken van het aantal
parameters. Je kan dit in plaats van voor de factorsi ook doen voor een van de factorloadings (de
, regressielijn). Het komt namelijk op hetzelfde aantal neer. Error infuence is ook altjd fxedi normaal
om daar 1 bij te zeten.
Bij het bovenstaande model is het aantal parameters dus:
- 5 variances
- 5 regression coefcients
- 1 covariance
Het programma AMOS doet dit automatschi de errors en een factorloading van elke factor fxed
maken.
In CFA moeten de DF groter zijn dan 0i pas dan kan het model geidentfseerd worden. Daarnaast
moet er een schaal gegeven zijn die bepaalde parameters ‘fxed’.
Model complexity
Wanneer een goed model in het algemeen?
- Simple niet te veel parameters
- Good descripton of reality
Hoe meer DF hoe simpeler het modeli maar hoe minder het de realiteit beschrijt.
Independence model wanneer er geen covate isi saturated model er is zijn een aantal covariance
en varience in de data en die is ook in het model te zieni sluit dus heel goed aan op de datai maar is
ingewikkelder.
Vrijheidsgraden berekenen
Je kan voor het berekenen van de vrijheidsgraden gebruik maken van de
covariance matrix. Hierin kan je de geobserveerde variances en covariance
waarnemen. Het blokje Y²-Y² geet bijvoorbeeld de variate van die score
weer en Y²-Y³ bijvoorbeeld de covariance tussen de score.
De formule die je kan gebruiken is p = nvar*(nvar+1)/2
Dus in dit geval 4i dus p = 4*5/2 = 10 (zoals ook af te lezen is in de covariance matrix.
Nu heb je p berekenti maar moet je ook nog q weten (het aantal parametersi die af te lezen zijn uit
een model. Daarna p-q is het aantal vrijheidsgraden.
Voorbeelden:
- 5 variabelen: p = 5*6/2 = 15
- Variabelen = 2 (Y¹i Y²)
- Resi. Var (errors) = 3
- Covarience (y1-y2 en y3-y4) = 2
- Regression lines = 4
- q = 11 DF = p-q = 15-11 = 4
Intro to Confrmatory factor analysis
EFA CFA
Theorie ontwikkeling inductef Je gaat een theorie testen deductef
Het aantal factoren wordt voor je berekent: Je moet voorafgaande het aantal factoren
data-driven aangeven: theoretcally-driven
Alle variabelen laden op alle factoren (zie model Alle variabelen laden meestal maar op een
van EFA) factor
Rotate is nodig en moet je zelf kiezen Rotate is niet nodigi dat doet het programma
SPSS AMOS
Het model van CFA is specifeker dan EFA. Bij de
afeelding links bij EFA geet de bovenste stppel
lijn de rotate weer (of het dus wel mag
correleren of niet). Bij CFA zijn de factoren al
vastgesteldi zoals je ziet ‘internaliserend’ en ‘externaliserend’.
Je moet de schaal kiezen voor internaliserend en externaliserend (dus voor de factoren)i en het
maakt niet uit wat je kiesti want het komt op hetzelfde neer. Internaliserend weet je de schaal
namelijk niet. 1 is heel normaal om te kiezen.
W= b1i inti e
0-10 2 0-5
0-10 1 0-10
De factoren met een 1 zijn ‘fxed’ en tel je daarom niet meer mee bij het bereken van het aantal
parameters. Je kan dit in plaats van voor de factorsi ook doen voor een van de factorloadings (de
, regressielijn). Het komt namelijk op hetzelfde aantal neer. Error infuence is ook altjd fxedi normaal
om daar 1 bij te zeten.
Bij het bovenstaande model is het aantal parameters dus:
- 5 variances
- 5 regression coefcients
- 1 covariance
Het programma AMOS doet dit automatschi de errors en een factorloading van elke factor fxed
maken.
In CFA moeten de DF groter zijn dan 0i pas dan kan het model geidentfseerd worden. Daarnaast
moet er een schaal gegeven zijn die bepaalde parameters ‘fxed’.
Model complexity
Wanneer een goed model in het algemeen?
- Simple niet te veel parameters
- Good descripton of reality
Hoe meer DF hoe simpeler het modeli maar hoe minder het de realiteit beschrijt.
Independence model wanneer er geen covate isi saturated model er is zijn een aantal covariance
en varience in de data en die is ook in het model te zieni sluit dus heel goed aan op de datai maar is
ingewikkelder.
Vrijheidsgraden berekenen
Je kan voor het berekenen van de vrijheidsgraden gebruik maken van de
covariance matrix. Hierin kan je de geobserveerde variances en covariance
waarnemen. Het blokje Y²-Y² geet bijvoorbeeld de variate van die score
weer en Y²-Y³ bijvoorbeeld de covariance tussen de score.
De formule die je kan gebruiken is p = nvar*(nvar+1)/2
Dus in dit geval 4i dus p = 4*5/2 = 10 (zoals ook af te lezen is in de covariance matrix.
Nu heb je p berekenti maar moet je ook nog q weten (het aantal parametersi die af te lezen zijn uit
een model. Daarna p-q is het aantal vrijheidsgraden.
Voorbeelden:
- 5 variabelen: p = 5*6/2 = 15
- Variabelen = 2 (Y¹i Y²)
- Resi. Var (errors) = 3
- Covarience (y1-y2 en y3-y4) = 2
- Regression lines = 4
- q = 11 DF = p-q = 15-11 = 4
