In Chapter 1, you will learn how to conduct an EFA to examine the statistical properties of a measure designed around one construct.

Introduction to Exploratory Factor Analysis (EFA)

Starting out with a unidimensional EFA

Viewing and visualizing the factor loadings

Interpreting individuals' factor scores

Overview of the measure development process

Descriptive statistics of your dataset

Splitting your dataset

Comparing the halves of your dataset

Measure features: correlations and reliability

Viewing and testing correlations

Internal reliability

When to use EFA

Evaluating your measure with factor analysis

This chapter will show you how to extend the single-factor EFA you learned in Chapter 1 to multidimensional data.

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

Multidimensional EFA

This chapter will cover conducting CFAs with the sem package. Both theory-driven and EFA-driven CFA structures will be covered.

Setting up a CFA

Creating CFA syntax from EFA results

Creating CFA syntax from theory

Understanding the sem() syntax

Components of sem() syntax

Run a CFA and interpret loadings

Examine item loadings

Investigating model fit

Absolute fit statistics

Relative fit statistics

Confirmatory Factor Analysis

This chapter will reinforce the difference between EFAs and CFAs and offer suggestions for improving your model and/or measure.

EFA vs. CFA revisited

Differences in estimated factor loadings

Plotting differences in persons' factor scores

Adding loadings to improve fit

Add loadings to improve fit

Compare original model to model with added loadings

Evaluate added loadings with relative fit stats

Improving fit by removing loadings

Remove loadings to improve fit

Compare original model to model with deleted loadings

Evaluate deleted loadings with relative fit stats

Wrap-Up Video

Refining your measure and/or model

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

Interpreta le statistiche di adattamento assoluto del modello

Analisi fattoriale in R

Esercizio pratico interattivo