In Kapitel 1 lernst du, wie du eine EFA durchführst, um die statistischen Eigenschaften eines auf ein Konstrukt ausgerichteten Messinstruments zu untersuchen.

Einführung in die Explorative Faktorenanalyse (EFA)

Einstieg mit einer unidimensionalen EFA

Faktorladungen anzeigen und visualisieren

Faktorscores einzelner Personen interpretieren

Überblick über den Prozess der Skalenentwicklung

Deskriptive Statistiken deines Datensatzes

Deinen Datensatz aufteilen

Die beiden Hälften deines Datensatzes vergleichen

Merkmalsprüfung: Korrelationen und Reliabilität

Korrelationen ansehen und testen

Interne Reliabilität

Wann EFA verwenden

Dein Messinstrument mit Faktorenanalyse evaluieren

In diesem Kapitel erfährst du, wie du die EFA mit einem einzelnen Faktor aus Kapitel 1 auf multidimensionale Daten erweiterst.

Dimensionalität bestimmen

Den BFI-Datensatz aufteilen

Eigenwerte berechnen

Ein Scree-Plot erstellen

Das Scree-Plot interpretieren

Mehrdimensionale Daten verstehen

Eine multidimensionale EFA durchführen

Die Ergebnisse interpretieren

Modell-Fit untersuchen

Absolute Modellanpassungsstatistiken interpretieren

Das beste Modell auswählen

Multidimensionale EFA

Dieses Kapitel behandelt die Durchführung von CFAs mit dem Paket sem. Sowohl theoriegeleitete als auch EFA-geleitete CFA-Strukturen werden abgedeckt.

Eine CFA einrichten

CFA-Syntax aus EFA-Ergebnissen erzeugen

CFA-Syntax aus der Theorie erstellen

Die sem()-Syntax verstehen

Bestandteile der sem()-Syntax

Führe eine CFA durch und interpretiere die Ladungen

Item-Ladungen prüfen

Absolute Fit-Statistiken

Relative Fit-Statistiken

Konfirmatorische Faktorenanalyse

Dieses Kapitel verdeutlicht den Unterschied zwischen EFAs und CFAs und gibt Hinweise zur Verbesserung deines Modells und/oder Messinstruments.

EFA vs. CFA – Rückblick

Unterschiede in geschätzten Faktorladungen

Unterschiede in den Faktorscores von Personen plotten

Ladungen hinzufügen, um die Anpassung zu verbessern

Vergleiche das ursprüngliche Modell mit dem Modell mit zusätzlichen Ladungen

Zusätzliche Ladungen mit relativen Anpassungsstatistiken bewerten

Passung verbessern, indem Ladungen entfernt werden

Ladungen entfernen, um die Anpassung zu verbessern

Vergleiche das ursprüngliche Modell mit dem Modell mit gelöschten Ladungen

Gelöschte Ladungen mit relativen Anpassungsstatistiken bewerten

Abschlussvideo

Dein Messinstrument und/oder Modell verfeinern

Generic Conspiracist Beliefs Scale (GCBS) dataset

Die Welt ist voller nicht beobachtbarer Variablen, die sich nicht direkt messen lassen. Vielleicht interessierst du dich für Konstrukte wie mathematische Fähigkeit, Persönlichkeitseigenschaften oder das Klima am Arbeitsplatz. Bei der Untersuchung solcher Konstrukte ist es entscheidend, ein Modell zu haben, das zu deinen Theorien und Daten passt. In diesem Kurs lernst du, Dimensionalität zu verstehen, und erfährst, wie du explorative und konfirmatorische Faktorenanalysen durchführst. Mit diesen statistischen Techniken im Werkzeugkasten kannst du deine Messinstrumente entwickeln, verfeinern und teilen. Diese Analysen sind grundlegend für viele Bereiche, darunter Psychologie, Bildungswissenschaft, Politikwissenschaft, Volkswirtschaft und Linguistik.

<h2>Entdecke die Faktorenanalyse in R</h2>
Die Welt ist voll von Sachen, die man nicht direkt messen kann. Vielleicht interessierst du dich für Sachen wie mathematische Fähigkeiten, Persönlichkeitsmerkmale oder das Arbeitsklima. Wenn du solche Sachen untersuchst, ist es echt wichtig, ein Modell zu haben, das zu deinen Theorien und Daten passt. 
<br><br>
Dieser Kurs hilft dir, Dimensionalität zu verstehen, und zeigt dir, wie du explorative und konfirmatorische Faktorenanalysen durchführst. 
<br><br>
<h2>Lerne, wie man die explorative Faktorenanalyse und die konfirmatorische Faktorenanalyse anwendet. </h2>
Du fängst damit an, dich mit der explorativen Faktorenanalyse (EFA) vertraut zu machen. Dabei lernst du, wie du Faktorladungen anschauen und visualisieren, Faktorscores interpretieren sowie Korrelationen anschauen und testen kannst. 
<br><br>
Sobald du dich mit der einfaktoriellen EFA auskennst, gehst du zu mehrdimensionalen Daten über und beschäftigst dich mit der Berechnung von Eigenwerten, der Erstellung von Screen-Plots und vielem mehr. Als Nächstes lernst du die konfirmatorische Faktorenanalyse (CFA) kennen und erfährst, wie du aus EFA-Ergebnissen und Theorie Syntax erstellen kannst. 
<br><br>
Das letzte Kapitel vergleicht EFAs und CFAs und zeigt Beispiele für beide. Du lernst auch, wie du dein Modell verbessern und messen kannst, wenn du es benutzt. 
<br><br>
</h2>Entwickle, verfeinere und teile deine Maßnahmen<h2>
Mit diesen statistischen Methoden in deinem Werkzeugkasten kannst du deine Messungen entwickeln, verfeinern und teilen. Diese Analysen sind echt wichtig für viele Bereiche, wie Psychologie, Pädagogik, Politikwissenschaft, Wirtschaft und Linguistik.

Intermediate R

Foundations of Inference in R

Beginnen Sie diesen Kurs, um explorative und konfirmatorische Faktorenanalysen in R zu entdecken.

Faktorenanalyse in R

Hier untersuchst du latente Variablen wie Persönlichkeit mithilfe von explorativer und konfirmatorischer Faktorenanalyse.

Statistiker in R

Wann EFA verwenden

Faktorenanalyse in R

Interaktive Übung