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.

Determining dimensionality

Splitting the BFI dataset

Calculating eigenvalues

Creating a scree plot

Interpreting the scree plot

Understanding multidimensional data

Conducting a multidimensional EFA

Interpreting the results

Investigating model fit

Interpret absolute model fit statistics

Selecting the best model

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

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 versus CFA: terugblik

Verschillen in geschatte factorladingen

Verschillen in factorscores van personen plotten

Ladings toevoegen om de fit te verbeteren

Voeg loadings toe om de fit te verbeteren

Vergelijk het originele model met het model met extra loadings

Evalueer toegevoegde loadings met relatieve fit-statistieken

Betere fit door ladingen te verwijderen

Verwijder loadings om de fit te verbeteren

Vergelijk het originele model met het model met verwijderde loadings

Evalueer verwijderde loadings met relatieve fitstatistieken

Afsluitende 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

Voeg loadings toe om de fit te verbeteren

Factoranalyse in R

Praktische interactieve oefening