2. Einheit FA

Werbung
Die Faktorenanalyse
Zweck




Verfahren zur Datenreduktion
Aus manifesten (=bekannten) Items/Fragen
latente Faktoren herauszufiltern
Faktoren sollen die Korrelationen zwischen
den Items erklären
Ausgangspunkt: Interkorrelationsmatrix
Interkorrelationsmatrix
ITEM1
ITEM2
ITEM3
ITEM4
ITEM5
ITEM1
ITEM2
ITEM3
ITEM4
ITEM5
1,000
,807
,928
,948
,992
,807
1,000
,923
,789
,812
,928
,923
1,000
,886
,941
,948
,789
,886
1,000
,964
,992
,812
,941
,964
1,000
Definitionen



Faktorladung: ist die Korrelation einer
beobachteten Variable mit einem Faktor
Kommunalität = quadrierten
Faktorenladungen einer Variable über alle
Faktoren (zeilenweise)
Eigenwert = quadrierten Faktorenladungen
eines Faktors über alle Variablen
(spaltenweise)
Eigenwerte, Kommunalitäten,
Faktorladungen
Faktor 1
Faktor 2
Faktor 3
Faktor 4
Faktor 5
Kommunalitäten
Item 1
0,228
0,173
0,594
0,024
-0,417
0,609
Item 2
0,614
0,295
0,101
0,063
0,219
0,526
Item 3
-0,693
0,157
-0,043
-0,008
0,012
0,507
Item 4
0,318
0,249
-0,489
0,240
-0,037
0,461
Item 5
-0,072
0,102
0,591
0,387
0,523
0,788
Item 6
-0,465
0,406
0,175
0,438
-0,173
0,634
Item 7
0,027
-0,659
0,052
0,163
0,478
0,693
Item 8
0,430
-0,173
-0,034
0,581
-0,299
0,643
Item 9
0,080
0,614
-0,277
0,026
0,460
0,673
Item 10
-0,265
-0,186
-0,334
0,569
-0,066
0,544
Eigenwerte
1,494
1,256
1,175
1,091
1,061
Definitionen

Markervariablen:
jene Variablen, die eine hohe
(positive oder negative) Ladung in
einem Faktor aufweisen.
– Dienen der Interpretation der
Faktoren
– „Erklären den Faktor gut“
–
Abbruchkriterien der FA



Restkorrelation: Restkorrelationen der Interkorrelationsmatrix nach Faktorenextraktion um 0
Eigenwerte: Faktoren mit einem Eigenwert
(erklärten Varianzanteil) > 1
Eigenwertdiagramm (Screeplot): die Eigenwerte
werden in einem Diagramm dargestellt.
– großer Abfall des Eigenwertes von einem zum
nächst kleineren Faktor -> Abbruch
Voraussetzungen FA
Quantitative Variablen
 Intervallskala
 Produkt-Moment-Korrelationen
(Interkorrelationsmatrix)

Probleme der FA




Wie viele Faktoren sollen extrahiert
werden?
Wie benenne ich die Faktoren?
(inhaltliche Begründungen)
Stichprobenabhängigkeit
Faktorenrotation (subjektiv)
Beispiel:
Interkorrelationsmatrix
Correlation Matrix
Item1
Item2
Item3
Item4
Item5
Item6
Item7
Item8
Item9
Item10
Item1
1,000
,099
-,092
-,027
,045
,071
,081
,089
,003
,230
Item2
,099
1,000
,065
,145
,191
,003
,173
,433
,124
,307
Item3
-,092
,065
1,000
,047
,202
,149
,222
,169
,037
,063
Item4
-,027
,145
,047
1,000
,066
,105
-,046
,065
,090
-,025
Item5
,045
,191
,202
,066
1,000
,242
,178
,056
,152
,251
Item6
,071
,003
,149
,105
,242
1,000
-,011
,174
,053
,310
Item7
,081
,173
,222
-,046
,178
-,011
1,000
,078
,226
,139
Item8
,089
,433
,169
,065
,056
,174
,078
1,000
,223
,199
Item9
,003
,124
,037
,090
,152
,053
,226
,223
1,000
,051
Item10
,230
,307
,063
-,025
,251
,310
,139
,199
,051
1,000
Kommunalitäten
Communalities
Item1
Item2
Item3
Item4
Item5
Item6
Item7
Item8
Item9
Item10
Initial
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
Extraction
,552
,639
,534
,570
,491
,679
,680
,576
,388
,635
„quadrierten
Faktorenladungen
einer Variable über
alle Faktoren“
Extraction Method: Principal Component Analys is .
Eigenwerte – erklärte Varianz
Total Variance Explained
Component
1
2
3
4
5
6
7
8
9
10
Total
2,204
1,233
1,182
1,126
,954
,870
,810
,668
,547
,407
Initial Eigenvalues
% of Variance Cumulative %
22,041
22,041
12,325
34,366
11,825
46,191
11,257
57,447
9,535
66,983
8,699
75,681
8,096
83,777
6,684
90,461
5,469
95,931
4,069
100,000
Extraction Method: Principal Component Analysis.
Extraction Sums of Squared
Total
% of Variance Cu
2,204
22,041
1,233
12,325
1,182
11,825
1,126
11,257
„quadrierten
Faktorenladungen
eines Faktors
über alle
Variablen“
Screeplot (Abbruchskriterium)
Eigenwerte
2,0
1,5
1,0
0,5
1
2
3
4
5
6
Faktor
7
8
9
10
Rotierte Faktoren-Variablen-Matrix
(Varimax-Rotation)
Rotated Component Matrixa
Item2
Item8
Item4
Item9
Item6
Item5
Item3
Item7
Item1
Item10
1
,760
,745
,460
,447
,040
,073
,034
,117
,098
,235
Component
2
3
,035
,114
,101
,046
,195
-,373
-,011
,406
,787
-,223
,632
,292
,484
,423
,073
,808
,019
-,022
,494
,042
Extraction Method: Principal Component Analysis .
Rotation Method: Varimax with Kais er Normalization.
a.
Faktor1:
4
,217
,091
-,427
-,152
,090
,033
-,346
,089
,736
,578
Items 2, 8, 4, 9
Faktor 2:
Items 6, 5, 3, (10)
Faktor3:
Items 7, (3), (9)
Faktor4:
Item 1, 10, (4)
Benennung der Faktoren

Nach inhaltlichen Kriterien der (Marker-)
Variablen, die in einem Faktor hochladen.
Bsp: Faktor 1: Markervariablen 2, 8, 4, 9
-> Die inhaltliche Begutachtung dieser 4
Variablen und der Versuch, einen
gemeinsamen Überbegriff (Faktornamen) zu
finden ergibt den Namen des Faktors 1.

Herunterladen