Nel Capitolo 1 imparerai a eseguire una EFA per esaminare le proprietà statistiche di una misura costruita attorno a un unico costrutto.

Introduzione all’Exploratory Factor Analysis (EFA)

Iniziare con una EFA unidimensionale

Visualizzare e rappresentare le saturazioni fattoriali

Interpretare i punteggi fattoriali dei singoli

Panoramica del processo di sviluppo della misura

Statistiche descrittive del tuo insieme di dati

Suddividere il tuo dataset

Confrontare le due metà del tuo insieme di dati

Caratteristiche della misura: correlazioni e affidabilità

Visualizzare e testare le correlazioni

Affidabilità interna

Quando usare l'EFA

Valutare la tua misura con l’analisi fattoriale

Questo capitolo ti mostrerà come estendere la EFA a singolo fattore che hai visto nel Capitolo 1 ai dati multidimensionali.

Determinare la dimensionalità

Suddividere il dataset BFI

Calcolare gli autovalori

Creare uno scree plot

Interpretare lo scree plot

Capire i dati multidimensionali

Eseguire una EFA multidimensionale

Interpretare i risultati

Analizzare l'adeguatezza del modello

Interpreta le statistiche di adattamento assoluto del modello

Selezionare il modello migliore

EFA multidimensionale

Questo capitolo tratterà l’esecuzione di CFA con il pacchetto sem. Verranno affrontate strutture CFA guidate dalla teoria e basate sulla EFA.

Impostare una CFA

Creare la sintassi CFA dai risultati EFA

Creare la sintassi CFA a partire dalla teoria

Capire la sintassi di sem()

Componenti della sintassi di sem()

Esegui una CFA e interpreta i loadings

Esamina le saturazioni degli item

Analizzare l'aderenza del modello

Statistiche di adattamento assoluto

Statistiche di adattamento relative

Analisi Fattoriale Confermativa

Questo capitolo rafforzerà la differenza tra EFA e CFA e offrirà suggerimenti per migliorare il tuo modello e/o la tua misura.

Rivedere EFA vs. CFA

Differenze nei carichi fattoriali stimati

Rappresentare le differenze nei punteggi fattoriali delle persone

Aggiungere loading per migliorare l'adattamento

Aggiungi le loading per migliorare l'adattamento

Confronta il modello originale con il modello con loading aggiunti

Valuta i caricamenti aggiunti con statistiche di adattamento relative

Migliorare l’adattamento rimuovendo le saturazioni

Rimuovi le saturazioni per migliorare il fit

Confronta il modello originale con il modello con loading eliminati

Valuta le saturazioni eliminate con statistiche di adattamento relative

Video di riepilogo

Affinare la tua misura e/o il tuo modello

Generic Conspiracist Beliefs Scale (GCBS) dataset

Il mondo è pieno di variabili non osservabili che non possono essere misurate direttamente. Potresti essere interessato a costrutti come l’abilità matematica, i tratti di personalità o il clima lavorativo. Quando indaghi costrutti di questo tipo, è fondamentale disporre di un modello che corrisponda alle tue teorie e ai tuoi dati. Questo corso ti aiuterà a capire la dimensionalità e ti mostrerà come eseguire analisi fattoriali esplorative e confermative. Con queste tecniche statistiche nel tuo toolkit, potrai sviluppare, affinare e condividere le tue misure. Queste analisi sono fondamentali in campi diversi come psicologia, istruzione, scienza politica, economia e linguistica.

<h2>Scopri l'analisi fattoriale in R</h2>
Il mondo è pieno di cose che non si vedono e che non si possono misurare direttamente. Potresti essere interessato a un concetto come l'abilità matematica, i tratti della personalità o l'atmosfera sul posto di lavoro. Quando si studiano cose come queste, è super importante avere un modello che vada bene con le tue teorie e i tuoi dati. 
<br><br>
Questo corso ti aiuterà a capire la dimensionalità e ti mostrerà come fare analisi fattoriali esplorative e confermative. 
<br><br>
<h2>Impara a usare l'analisi fattoriale esplorativa e l'analisi fattoriale confermativa </h2>
Inizierai a capire l'analisi fattoriale esplorativa (EFA), imparando a vedere e visualizzare i carichi fattoriali, a interpretare i punteggi fattoriali e a vedere e testare le correlazioni. 
<br><br>
Una volta che avrai capito come funziona l'EFA a fattore singolo, passerai ai dati multidimensionali, imparando a calcolare gli autovalori, creare grafici di schermata e altro ancora. Poi scoprirai l'analisi fattoriale confermativa (CFA), imparando a creare sintassi dai risultati EFA e dalla teoria. 
<br><br>
L'ultimo capitolo parla di EFA e CFA, con esempi di entrambi. Imparerai anche come migliorare il tuo modello e misurarlo quando lo usi. 
<br><br>
</h2>Sviluppa, perfeziona e condividi le tue misure<h2>
Con queste tecniche statistiche nel tuo kit di strumenti, potrai sviluppare, perfezionare e condividere le tue misurazioni. Queste analisi sono fondamentali per diversi campi, come la psicologia, l'educazione, le scienze politiche, l'economia e la linguistica.

Intermediate R

Foundations of Inference in R

Inizia oggi questo corso di quattro ore per scoprire l'analisi fattoriale esplorativa e confermativa in R.

Analisi fattoriale in R

Esplora le variabili nascoste, come la personalità, usando analisi fattoriali esplorative e confermative.

Statistico in R

Quando usare l'EFA

Analisi fattoriale in R

esercizio interattivo pratico