STATISTIK-FORUM.de

[verquer1.0]

Hallo Statistik-Community!

Da meine grauen Zellen mittlerweile erste Anzeichen von Überhitzung zeigen und ich durch die Lektüre von Fachbüchern sowie Foren einer Lösung meines Problems leider nicht näher komme, möchte ich gerne um euren Rat bitten.
Ich muss an dieser Stelle gleich dazu sagen, dass ich an sich nur Grundlagenkenntnisse habe, was das Thema der Statistik anbelangt.

Für meine Masterarbeit möchte ich einen adaptierten Fragebogen (61 Items, 2 Subsskalen) validieren (n=92).
Zur Validierung des Originals wurde eine PCA mit Varimax-Rotation angewendet (2-faktorielle Lösung).

Fragen, die sich mir nun stellen sind:

1. Hypothetisch nehme ich eine Korrelation der Faktoren "Wissen zur Sexualität" und "Einstellungen zur Sexualität" an, was eher eine oblique Rotation nahe legen würde oder?!

2. Wäre es möglich bzw. sinnvoll eine EFA mit PFA und Oblimin-Rotation zu rechnen und diese Ergebnisse dann anhand einer PCA mit obliquer Rotation zu "verifizieren". (oder muss es die orthogonale Rotation sein, um Vergleiche zum Original anstellen zu können? Was mir momentan als nicht plausibel erscheint, weil immer wieder zu lesen ist, dass sich PCA und PFA rechnerisch nicht unterscheiden.)
Die o.g. Vorgehensweise erscheint mir im Hinblick auf die Anmerkung im Original zum Ausschluss spez. Items auf Grund der niedrigen Ladungen als nutzbringend. Evtl. gibt es ja doch noch einen 3. Faktor oder einen Methodenfaktor. Klingt das plausibel oder bin ich vollkommen auf dem Holzweg?

Für Kommentare zu meinem Gedankensalat und evtl. Hinweisen zum passenden Verfahren wäre ich sehr dankbar!

Viele Grüße
verquer1.0

[strukturmarionette]

Hi,

- EFA (keine PCA) mit obliquer Rotation
- dann CFA
- wobei man sich die Sinnfrage einer 30-Item Subskala stellen könnte

Gruß
S.

[verquer1.0]

Hi strukturmarionette,

vielen Dank für deine schnelle Rückmeldung!

Das so zu handhaben, inkl. CFA, hatte ich noch garnicht in Betracht gezogen.

Ok, die oblique Rotation erkläre ich anhand der vermuteten Korrelation der Faktoren.
Die CFA ist nötig um die "entdeckte Struktur" zu bestätigen.

Zur Argumentation für die EFA bzw. PFA hab ich leider nichts stichhaltiges:
Also die PCA ist ein rein datenreduzierendes Verfahren und bildet mir "Itemklumpen" aus hochkorrelierten Variablen/Items. Dann weiß ich welches Item auf welchem Faktor hoch lädt, wobei es bei dem Verfahren zu einer fehlerhaften Zuordnung von Items kommen kann. Das liegt an dem Umstand, dass Fehleranteile negiert bzw. nicht herausgerechnet werden und die Korrelation zwischen Item und Faktor dadurch überhöht sein kann.
Selbiges erfahre ich anhand der EFA mit dem Unterschied, dass die Messfehlervarianz berücksichtigt ist. So b ietet die Methode einfach mehr Sicherheit in Bezug auf die Itemzuordnung/Faktorenextraktion (weiß grad nicht wie ich das geschickter formulieren soll).
Wäre das eine zulässige Argumentation?

Ich gebe zu, dass ich nicht ganz nachvollziehen kann, welche Unterschied es im Nutzen gibt bzgl. Aufdeckung der Datenstruktur durch die PCA und Erklärung der Varianz der Items/Variablen durch eine PFA.

Grüße
verquer1.0

[strukturmarionette]

Hi,

die Faktorenanalyse ist in gewisser Hinsicht so etwas wie eine multiple lineare Regression derart, dass es unabhängige Variablen und eine abhängige Variable gibt.
Nur dass bei der Faktorenanalyse die Abhängige Variable keine manifeste Größen sind. (als Latente Variablen zu schätzen sind)
Bei der PCA geht man nun davon aus, dass die UVs die (latente) AV perfekt vorhersagen. Das ist unrealistisch.
Somit handelt es sich um ein reines Datenreduktionsverfahren.
Die Faktorenanalysen (bspw Hauptachsenextraktion) nehmen diese Schätzungen realistischer vor, so dass im Endeffekt die Faktoren eher als '*ursächlich' für die manifesten UVs interpretiert werden können.
Es gilt allerdings, dass sich die (Befund-)Werte mit zunehmendem Stichprobenumfang angleichen.

Gruß
S.

[verquer1.0]

Hi,

das klingt in der Tat verständlicher als die Beschreibungen in meinen Statistikwälzern.

Vielen Dank für die schnelle und unkomplizierte Hilfe!

Gruß
verquer1.0