在第 1 章，你將學會如何進行 EFA，以檢視圍繞單一建構所設計之測量的統計特性。

探索性因素分析（EFA）入門

從單一構面 EFA 開始

查看與視覺化因素負荷量

解讀個別受試者的因素分數

量表發展流程總覽

資料集的描述性統計

切分你的資料集

比較資料集的兩個半部

量表特徵：相關與信度

檢視與檢定相關性

內部信度

什麼時候該用 EFA

用因素分析評估你的測量

本章將示範如何把你在第 1 章學到的單因子 EFA 擴展到多維度資料。

判定維度數

切分 BFI 資料集

計算特徵值（eigenvalues）

建立 scree 圖

解讀碎石圖（scree plot）

理解多維度資料

進行多維度 EFA

解讀結果

檢視模型配適度

解讀絕對模型配適統計量

選擇最佳模型

多維度 EFA

本章將介紹如何使用 sem 套件進行 CFA。會同時涵蓋以理論為主導與以 EFA 為基礎的 CFA 結構。

設定 CFA

從 EFA 結果建立 CFA 語法

從理論建立 CFA 語法

理解 sem() 的語法

sem() 語法的組成要素

執行 CFA 並解讀負荷量

檢視題目負荷量

絕對適配度統計量

相對適配統計量

驗證性因素分析

本章將強化你對 EFA 與 CFA 差異的理解，並提供改進你的模型與／或測量的建議。

再看 EFA 與 CFA 的差異

估計因子負荷的差異

繪製個體因素分數的差異

加入負荷量以改善配適度

加入負荷以改善配適度

比較原始模型與加入載荷的模型

使用相對配適統計量評估新增負荷量

透過移除負荷以改善配適度

移除負荷以改善配適度

比較原始模型與刪除負荷後的模型

使用相對適配統計量評估刪除的負荷量

總結影片

精煉你的測量與／或模型

Generic Conspiracist Beliefs Scale (GCBS) dataset

世界上充滿無法直接觀測的變數，無法用單一方式量測。你可能關心的是像數學能力、人格特質或職場氣候等建構概念。研究這類建構時，擁有能與你的理論與資料相符的模型至關重要。本課程將幫你理解維度性，並示範如何進行探索性與驗證性因素分析。把這些統計技術納入你的工具箱後，你就能發展、精煉並分享你的測量工具。這些分析是心理學、教育、政治學、經濟學與語言學等多個領域的基礎。

<h2>在 R 中探索因素分析</h2>
這個世界充滿了無法直接測量的不可觀察變數。 您可能會對數學能力、人格特質或職場氛圍等構念感興趣。 在研究這類結構時，擁有一個能夠符合您理論與數據的模型至關重要。 
<br><br>
本課程將幫助您了解維度性，並指導您如何進行探索性與驗證性因素分析。 
<br><br>
<h2>學習使用探索性因素分析與驗證性因素分析 </h2>
您將從熟悉探索性因素分析（EFA）開始，學習如何查看與視覺化因素負載、解讀因素分數，以及查看與測試相關性。 
<br><br>
當你熟悉了單因子EFA後，接下來你將學習多維度資料的分析，包括計算特徵值、繪製碎石圖等內容。 接下來，您將學習驗證性因素分析（CFA），並了解如何根據探索性因素分析（EFA）結果與理論建立語法。 
<br><br>
最後一章將探討EFA與CFA的比較，並舉出兩者的實例。 您還將學習如何改進您的模型，以及在使用模型時如何進行評估。 
<br><br>
</h2>開發、完善並分享您的衡量指標<h2>
有了這些統計技術作為你的工具，你將能夠開發、完善並分享你的衡量指標。 這些分析是心理學、教育、政治學、經濟學以及語言學等多元領域的基礎。

Intermediate R

Foundations of Inference in R

立即開始這四小時課程，學習R中的探索性與驗證性因素分析，探索潛在變數如人格。

R 中的因素分析

學習如何運用探索性與驗證性因素分析，深入解析如人格等潛在變數。

統計學家 在 R 中

檢視題目負荷量

R 中的因素分析

動手互動練習