Trong Chương 1, bạn sẽ học cách thực hiện EFA để xem xét các đặc tính thống kê của một thang đo được thiết kế quanh một cấu trúc đơn nhất.

Giới thiệu về Phân tích Nhân tố Khám phá (EFA)

Bắt đầu với EFA đơn hướng

Xem và trực quan hóa hệ số tải nhân tố

Diễn giải điểm nhân tố của từng cá nhân

Tổng quan về quy trình xây dựng thang đo

Thống kê mô tả của bộ dữ liệu của bạn

Chia nhỏ tập dữ liệu của bạn

So sánh hai nửa của bộ dữ liệu

Đặc trưng của thang đo: tương quan và độ tin cậy

Xem và kiểm định các hệ số tương quan

Độ tin cậy nội bộ

Khi nào nên dùng EFA

Đánh giá thang đo của bạn bằng phân tích nhân tố

Chương này sẽ cho bạn thấy cách mở rộng EFA một nhân tố mà bạn đã học ở Chương 1 sang dữ liệu đa chiều.

Xác định tính đa chiều

Chia bộ dữ liệu BFI

Tính các trị riêng (eigenvalues)

Tạo biểu đồ scree

Diễn giải biểu đồ scree

Tìm hiểu dữ liệu đa chiều

Thực hiện EFA đa chiều

Diễn giải kết quả

Khám phá độ phù hợp của mô hình

Diễn giải các thống kê độ phù hợp tuyệt đối của mô hình

Chọn mô hình tốt nhất

EFA đa chiều

Chương này sẽ hướng dẫn thực hiện CFA với gói sem. Cả cấu trúc CFA dựa trên lý thuyết và dựa trên EFA đều sẽ được đề cập.

Thiết lập một CFA

Tạo cú pháp CFA từ kết quả EFA

Tạo cú pháp CFA từ lý thuyết

Hiểu cú pháp của sem()

Các thành phần của cú pháp sem()

Chạy CFA và diễn giải hệ số tải

Xem xét hệ số tải của biến quan sát

Thống kê độ phù hợp tuyệt đối

Thống kê độ phù hợp tương đối

Phân tích Nhân tố Khẳng định

Chương này sẽ củng cố sự khác biệt giữa EFA và CFA và đưa ra gợi ý để cải thiện mô hình và/hoặc thang đo của bạn.

Ôn lại: EFA vs. CFA

Sự khác biệt trong hệ số tải nhân tố ước lượng

Vẽ sự khác biệt trong điểm nhân tố của cá nhân

Thêm hệ số tải để cải thiện độ phù hợp

So sánh mô hình gốc với mô hình có thêm hệ số tải

Đánh giá các tải số hạng bổ sung bằng chỉ số phù hợp tương đối

Cải thiện độ khớp bằng cách loại bỏ các hệ số tải

Loại bỏ hệ số tải để cải thiện độ phù hợp

So sánh mô hình gốc với mô hình đã xóa các tải trọng

Đánh giá tải số bị xóa bằng thống kê độ phù hợp tương đối

Video tổng kết

Tinh chỉnh thang đo và/hoặc mô hình của bạn

Generic Conspiracist Beliefs Scale (GCBS) dataset

Thế giới đầy rẫy các biến không quan sát được và không thể đo trực tiếp. Bạn có thể quan tâm đến những cấu trúc như năng lực toán, đặc điểm tính cách, hoặc bầu không khí nơi làm việc. Khi nghiên cứu các cấu trúc như vậy, điều tối quan trọng là có một mô hình phù hợp với lý thuyết và dữ liệu của bạn. Khóa học này sẽ giúp bạn hiểu tính thứ nguyên và hướng dẫn bạn thực hiện phân tích nhân tố khám phá (EFA) và phân tích nhân tố khẳng định (CFA). Với các kỹ thuật thống kê này trong bộ công cụ, bạn sẽ có thể xây dựng, tinh chỉnh và chia sẻ thang đo của mình. Những phân tích này là nền tảng cho nhiều lĩnh vực như tâm lý học, giáo dục, khoa học chính trị, kinh tế học và ngôn ngữ học.

Intermediate R

Foundations of Inference in R

Bắt đầu khóa học 4 giờ này để khám phá phân tích nhân tố khám phá và xác nhận trong R.

Phân tích Nhân tố trong R

Khám phá các biến tiềm ẩn, chẳng hạn như tính cách, thông qua phân tích nhân tố khám phá và phân tích nhân tố xác nhận.

Chuyên gia thống kê trong R

Psychometrician

Introduction to EFA

Psycho + metrics

Learning objectives

Factor Analysis' relationship to other analyses

Types of Factor Analysis

Package

Dataset

Item types

Factor structure

Using the fa() function

Let's practice!

Đánh giá thang đo của bạn bằng phân tích nhân tố - Giới thiệu về Phân tích Nhân tố Khám phá (EFA)

Giới thiệu về Phân tích Nhân tố Khám phá (EFA)

Create Your Free Account