Autor des Abschnitts: Danielle J. Navarro and David R. Foxcroft

Zusammenfassung

In diesem Kapitel über die Faktorenanalyse und verwandte Techniken haben wir statistische Analysen vorgestellt, die Muster von Beziehungen (Korrelationen) in einem Datensatz bewerten. Im Einzelnen haben wir Folgendes behandelt:

• Explorative Faktorenanalyse (EFA), ein statistisches Verfahren zur Identifizierung von latenten Faktoren in einem Datensatz. Jede beobachtete Variable wird so konzipiert, dass sie den latenten Faktor bis zu einem gewissen Grad repräsentiert, was durch eine Faktorladung angezeigt wird. Forscher verwenden die EFA auch zur Datenreduzierung, d. h. zur Identifizierung von beobachteten Variablen, die für eine anschließende Analyse zu neuen Faktorvariablen kombiniert werden können.

• Hauptkomponentenanalyse (PCA), ein Datenreduktionsverfahren, das streng genommen keine zugrunde liegenden latenten Faktoren ermittelt. Stattdessen erzeugt die PCA einfach eine Linearkombination der beobachteten Variablen.

• Konfirmatorische Faktorenanalyse (CFA), bei der man anders als bei der EFA von einer Vorstellung – einem Modell – davon ausgeht, wie die Variablen in den Daten zueinander in Beziehung stehen. Anschließend testen Sie dieses Modell anhand der beobachteten Daten und bewerten, wie gut das Modell mit den Daten übereinstimmt.

• Reliabilitätsanalyse, die prüft, wie konsistent eine Skala ein (psychologisches) Konstrukt misst.