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.

Dimensionaliteit bepalen

De BFI-gegevensset splitsen

Eigenwaarden berekenen

Een screeplot maken

De screeplot interpreteren

Multidimensionale gegevens begrijpen

Een multidimensionele EFA uitvoeren

De resultaten interpreteren

Model fit onderzoeken

Interpreteer absolute model-fitstatistieken

Het beste model kiezen

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

De wereld zit vol niet‑observeerbare variabelen die je niet rechtstreeks kunt meten. Misschien ben je geïnteresseerd in een construct zoals wiskundige vaardigheid, persoonlijkheidskenmerken of het werkklimaat. Bij het onderzoeken van dit soort constructen is het cruciaal om een model te hebben dat past bij je theorieën en je data. In deze cursus leer je wat dimensionaliteit is en hoe je verkennende en bevestigende factoranalyses uitvoert. Met deze statistische technieken in je gereedschapskist kun je meetinstrumenten ontwikkelen, verfijnen en delen. Deze analyses vormen de basis in uiteenlopende vakgebieden, zoals psychologie, onderwijs, politicologie, economie en taalkunde.

<h2>Ontdek factoranalyse in R</h2>
De wereld zit vol met dingen die je niet kunt zien en die je niet direct kunt meten. Misschien ben je geïnteresseerd in dingen als wiskundige vaardigheden, persoonlijkheidskenmerken of de sfeer op het werk. Als je dit soort dingen onderzoekt, is het superbelangrijk om een model te hebben dat past bij je theorieën en gegevens. 
<br><br>
Deze cursus helpt je om dimensionaliteit te begrijpen en laat je zien hoe je verkennende en bevestigende factoranalyses kunt doen. 
<br><br>
<h2>Leer hoe je verkennende factoranalyse en bevestigende factoranalyse kunt gebruiken </h2>
Je begint met het leren van verkennende factoranalyse (EFA), waarbij je leert hoe je factorladingen kunt bekijken en visualiseren, factorscores kunt interpreteren en correlaties kunt bekijken en testen. 
<br><br>
Als je eenmaal bekend bent met EFA met één factor, ga je verder met multidimensionale gegevens, waarbij je kijkt naar het berekenen van eigenwaarden, het maken van schermplots en nog veel meer. Vervolgens ga je aan de slag met bevestigende factoranalyse (CFA's) en leer je hoe je syntaxis kunt maken op basis van EFA-resultaten en theorie. 
<br><br>
Het laatste hoofdstuk gaat over EFA's versus CFA's, met voorbeelden van beide. Je leert ook hoe je je model kunt verbeteren en hoe je het kunt meten als je het gebruikt. 
<br><br>
</h2>Ontwikkel, verfijn en deel je maatregelen<h2>
Met deze statistische technieken in je toolkit kun je je maatregelen ontwikkelen, verfijnen en delen. Deze analyses zijn super belangrijk voor allerlei vakgebieden, zoals psychologie, onderwijs, politicologie, economie en taalkunde.

Intermediate R

Foundations of Inference in R

Begin vandaag met deze cursus van vier uur om factoranalyse in R te ontdekken.

Factoranalyse in R

Ontdek verborgen dingen, zoals persoonlijkheid, met behulp van verkennende en bevestigende factoranalyses.

Statisticus in R

De screeplot interpreteren

Factoranalyse in R

Praktische interactieve oefening