Hoorcollege 6 – factoranalyse
Factoranalyse: kunnen de correlaties tussen een groep
variabelen verklaard worden door één onderliggend
construct. Het algemene construct wordt aangegeven
met de letter g.
Hoe kan je niet observeerbare variabelen (latente constructen) meten? Vaak wordt er gebruik
gemaakt van indicatoren, dit zijn wel observeerbare variabelen, welke iets kunnen zeggen
over het construct wat je wil meten. Dit wordt vaak gedaan door middel van een vragenlijst.
Bij zo’n meting heb je echter een grote meetfout, bijvoorbeeld door andere interpretaties,
afleidingen, geen zin hebben om het in te vullen, het niet begrijpen door culturele
achtergrond, etc. Deze meetfout hou je zo klein mogelijk door meerdere indicatoren te
gebruiken, zo wordt de betrouwbaarheid van het latente construct groter.
Wanneer heb je factoranalyse nodig?
1. Als je meerdere items uit een vragenlijst (of andere metingen) gebruikt om één of
meer niet-observeerbare concepten te meten
2. Als je een artikel leest waarin dit gebeurt
3. Zonder factoranalyse heb je dus geen psychologie.
Je kan verschillende doelen hebben waarbij ook verschillende technieken horen.
Je kan als data-reductie als doel hebben, je wil een enorm aantal variabelen samenvatten in
een paar variabelen. Je wil hierbij dus geen informatie verliezen. Dus als je veel variabelen
samenvat in minder doe je aan datareductie, een methode hiervoor is principale componenten
analyse (PCA)
Het tweede mogelijke doel is onderliggende variabelen ontdekken, hiervan kun je hypotheses
hebben gemaakt vooraf en dan doe je aan confirmatieve factoranalyse (CFA) en je kan het
ook doen zonder hypotheses en dan doe je aan exploratieve factoranalyse (EFA).
Principale componentenanalyse
Spss denkt dat PCA een vorm van factoranalyse is maar dit is het zeker niet! PCA wordt vaak
verward met factoranalyse of gebruikt als een deel van factoranalyse omdat ze heel erg op
elkaar lijken. Theoretisch gezien doen ze echter allebei iets heel verschillend. PCA kan je wel
helpen om factoranalyse beter te begrijpen, en in de praktijk kan PCA gebruikt worden als
factoranalyse niet werkt (bijvoorbeeld als assumpties worden geschonden).
Doel PCA: scores op een groot aantal variabelen terugbrengen naar scores op een kleiner
aantal variabelen (componenten). Dit is dus overzichtelijker en heet data-reductie. Hierbij wil
je wel zoveel mogelijk variantie en informatie behouden. Je gaat hierbij gebruik maken van
- Redundantie
- Overbodigheid van informatie van een variabele, bijvoorbeeld omdat deze informatie
ook in een andere variabele zit.
- Gemeenschappelijke informatie in variabelen
Factoranalyse: kunnen de correlaties tussen een groep
variabelen verklaard worden door één onderliggend
construct. Het algemene construct wordt aangegeven
met de letter g.
Hoe kan je niet observeerbare variabelen (latente constructen) meten? Vaak wordt er gebruik
gemaakt van indicatoren, dit zijn wel observeerbare variabelen, welke iets kunnen zeggen
over het construct wat je wil meten. Dit wordt vaak gedaan door middel van een vragenlijst.
Bij zo’n meting heb je echter een grote meetfout, bijvoorbeeld door andere interpretaties,
afleidingen, geen zin hebben om het in te vullen, het niet begrijpen door culturele
achtergrond, etc. Deze meetfout hou je zo klein mogelijk door meerdere indicatoren te
gebruiken, zo wordt de betrouwbaarheid van het latente construct groter.
Wanneer heb je factoranalyse nodig?
1. Als je meerdere items uit een vragenlijst (of andere metingen) gebruikt om één of
meer niet-observeerbare concepten te meten
2. Als je een artikel leest waarin dit gebeurt
3. Zonder factoranalyse heb je dus geen psychologie.
Je kan verschillende doelen hebben waarbij ook verschillende technieken horen.
Je kan als data-reductie als doel hebben, je wil een enorm aantal variabelen samenvatten in
een paar variabelen. Je wil hierbij dus geen informatie verliezen. Dus als je veel variabelen
samenvat in minder doe je aan datareductie, een methode hiervoor is principale componenten
analyse (PCA)
Het tweede mogelijke doel is onderliggende variabelen ontdekken, hiervan kun je hypotheses
hebben gemaakt vooraf en dan doe je aan confirmatieve factoranalyse (CFA) en je kan het
ook doen zonder hypotheses en dan doe je aan exploratieve factoranalyse (EFA).
Principale componentenanalyse
Spss denkt dat PCA een vorm van factoranalyse is maar dit is het zeker niet! PCA wordt vaak
verward met factoranalyse of gebruikt als een deel van factoranalyse omdat ze heel erg op
elkaar lijken. Theoretisch gezien doen ze echter allebei iets heel verschillend. PCA kan je wel
helpen om factoranalyse beter te begrijpen, en in de praktijk kan PCA gebruikt worden als
factoranalyse niet werkt (bijvoorbeeld als assumpties worden geschonden).
Doel PCA: scores op een groot aantal variabelen terugbrengen naar scores op een kleiner
aantal variabelen (componenten). Dit is dus overzichtelijker en heet data-reductie. Hierbij wil
je wel zoveel mogelijk variantie en informatie behouden. Je gaat hierbij gebruik maken van
- Redundantie
- Overbodigheid van informatie van een variabele, bijvoorbeeld omdat deze informatie
ook in een andere variabele zit.
- Gemeenschappelijke informatie in variabelen
