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). EFA is a statistical technique for identifying underlying latent factors in a data set. Each observed variable is conceptualised as representing the latent factor to some extent, indicated by a factor loading. Researchers also use EFA as a way of data reduction, i.e., identifying observed variables than can be combined into new factor variables for subsequent analysis.

• 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). Unlike EFA, with CFA you start with an idea – a model – of how the variables in your data are related to each other. You then test your model against the observed data and assess how good a fit the model is to the data.

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