Forfatter av avsnitt: Danielle J. Navarro and David R. Foxcroft

Sammendrag

I dette kapittelet om faktoranalyse og beslektede teknikker har vi introdusert og demonstrert statistiske analyser som vurderer mønsteret av sammenhenger i et datasett. Mer spesifikt har vi tatt for oss:

• Eksplorerende faktoranalyse (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.

• Prinsipal komponentanalyse (PCA) er en datareduksjonsteknikk som strengt tatt ikke identifiserer underliggende latente faktorer. I stedet produserer PCA ganske enkelt en lineær kombinasjon av observerte variabler.

• Bekreftende faktoranalyse (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.

• Reliabilitetsanalyse av intern konsistens. Denne formen for reliabilitetsanalyse tester hvor konsistent en skala måler et (psykologisk) konstrukt.