I kapitel 1 lär du dig genomföra en EFA för att undersöka de statistiska egenskaperna hos ett mått som är utformat kring ett konstrukt.

Introduktion till explorativ faktoranalys (EFA)

Kom igång med en endimensionell EFA

Visa och visualisera faktorladdningarna

Tolka individers faktorpoäng

Översikt av måttutvecklingsprocessen

Deskriptiv statistik för din datamängd

Dela upp din datamängd

Jämför de två halvorna av din datamängd

Måttets egenskaper: korrelationer och reliabilitet

Visa och testa korrelationer

Intern reliabilitet

När ska EFA användas

Utvärdera ditt mått med faktoranalys

Det här kapitlet visar hur du utvidgar den enfaktors-EFA du lärde dig i kapitel 1 till flerdimensionella data.

Att bestämma dimensionalitet

Dela upp BFI-datamängden

Beräkna egenvärden

Skapa ett scree-diagram

Tolka scree-plottet

Att förstå flerdimensionell data

Genomföra en flerdimensionell EFA

Tolka resultaten

Undersöka modellanpassning

Tolka absoluta modellpassningsstatistiker

Välja den bästa modellen

Multidimensionell EFA

Det här kapitlet tar upp hur du genomför CFA:er med paketet sem. Både teoridrivna och EFA-drivna CFA-strukturer behandlas.

Konfigurera en CFA

Skapa CFA-syntax från EFA-resultat

Skapa CFA-syntax utifrån teori

Förstå sem()-syntaxen

Komponenter i sem()-syntaxen

Kör en CFA och tolka laddningar

Undersök itemladdningar

Undersöka modellpassning

Absoluta anpassningsmått

Relativa passningsstatistiker

Konfirmatorisk faktoranalys

Det här kapitlet fördjupar förståelsen av skillnaden mellan EFA och CFA och ger förslag på hur du kan förbättra din modell och/eller ditt mått.

EFA vs. CFA – en återblick

Skillnader i skattade faktorladdningar

Plotta skillnader i personers faktorpoäng

Lägg till laddningar för att förbättra anpassningen

Lägg till laddningar för att förbättra modellpassningen

Jämför originalmodellen med modellen med tillagda laddningar

Utvärdera tillagda laddningar med relativa anpassningsmått

Förbättra modellpassning genom att ta bort laddningar

Ta bort laddningar för att förbättra modellpassningen

Jämför originalmodellen med modellen där laddningar tagits bort

Utvärdera borttagna laddningar med relativa anpassningsstatistikor

Avslutande video

Förfina ditt mått och/eller din modell

Generic Conspiracist Beliefs Scale (GCBS) dataset

Världen är full av variabler som inte kan observeras eller mätas direkt. Du kanske är intresserad av konstrukt som matematisk förmåga, personlighetsdrag eller arbetsklimat. När du undersöker sådana konstrukt är det avgörande att ha en modell som stämmer överens med dina teorier och dina data. Den här kursen hjälper dig att förstå dimensionalitet och visar hur du genomför explorativ och konfirmatorisk faktoranalys. Med dessa statistiska tekniker i din verktygslåda kan du utveckla, förfina och dela dina mått. Analyserna utgör en grund inom många olika fält, bland annat psykologi, utbildningsvetenskap, statsvetenskap, ekonomi och lingvistik.

<h2>Upptäck faktoranalys i R</h2>
Världen är full av icke-observerbara variabler som inte kan mätas direkt. Du kanske är intresserad av ett begrepp som matematisk förmåga, personlighetsdrag eller arbetsplatsklimat. När du undersöker sådana här konstruktioner är det avgörande att ha en modell som stämmer överens med dina teorier och data. 
<br><br>
Den här kursen hjälper dig att förstå dimensionalitet och visar hur du genomför explorativa och konfirmatoriska faktoranalyser. 
<br><br>
<h2>Lär dig använda explorativ faktoranalys och konfirmatorisk faktoranalys </h2>
Du börjar med att sätta dig in i explorativ faktoranalys (EFA), där du lär dig hur du visar och visualiserar faktorlastningar, tolkar faktorscorer samt visar och testar korrelationer. 
<br><br>
När du är bekant med enfaktors-EFA går du vidare till multidimensionella data, där du tittar på att beräkna egenvärden, skapa scree-diagram och mer. Därefter kommer du att upptäcka konfirmatorisk faktoranalys (CFA), och lära dig hur du skapar syntax utifrån EFA-resultat och teori. 
<br><br>
Det sista kapitlet tittar på EFA:er jämfört med CFA:er och ger exempel på båda. Du kommer också att lära dig hur du förbättrar din modell och mäter när du använder dem. 
<br><br>
</h2>Utveckla, förfina och dela dina mått<h2>
Med dessa statistiska tekniker i din verktygslåda kommer du att kunna utveckla, förfina och dela dina mått. Dessa analyser är grundläggande för olika områden, inklusive psykologi, utbildning, statsvetenskap, ekonomi och lingvistik."

Intermediate R

Foundations of Inference in R

Börja denna kurs för att lära dig utforskande och bekräftande faktoranalys i R för att studera latenta variabler.

Faktoranalys i R

Utforska latenta variabler, som personlighet, med explorativ och konfirmatorisk faktoranalys.

Statistiker i R

När ska EFA användas

Faktoranalys i R

Interaktiv övning med praktiskt arbete