Factoranalyse: verschil tussen versies
Verwijderde inhoud Toegevoegde inhoud
taal |
|||
Regel 21:
* Communaliteiten: de communaliteit van een geobserveerde variabele geeft het deel van de variantie weer dat door de factor voorspeld wordt. Omdat een communaliteit een proportie van de totale variantie is, kan deze in theorie slechts waarden tussen de 0 en 1 aannemen. Als vuistregel wordt doorgaans gehanteerd dat een variabele pas goed op een factor laadt als deze een communaliteit heeft van meer dan 0.45. In situaties waarin te weinig data aanwezig is, de startwaarden verkeerd gekozen zijn, of het aantal geëxtraheerde factoren verkeerd is, kunnen in de praktijk variabelen met een communaliteiten die groter dan 1 is voorkomen. In een dergelijke situatie spreekt men van een Heywoodgeval. De gekozen factoroplossing moet in dat geval geïnterpreteerd worden als een problematische oplossing.
[[Afbeelding:3 factor screeplot.png|right|thumb|350px|[[Screeplot]] van 18 variabelen, waarbij 3 factoren een eigenwaarde hebben groter dan 1 (in de afbeelding boven de blauwe lijn). <br />Op basis van de screeplot kan ook de 'elleboog' van de grafiek bepaald worden. In dit voorbeeld ligt die bij een 2-factor oplossing; de grafiek daalt vanaf dit punt veel minder scherp]]
* Aantal factoren: het aantal factoren kan onder meer op basis van de [[Eigenwaarde (wiskunde)|eigenwaarden]] van de factoren bepaald worden. De eigenwaarde geeft hierbij aan hoeveel additionele variantie door de extra factor wordt verklaard. Omdat het hier gestandaardiseerde variabelen betreft, voegt elke extra factor een variantie van 1 toe. Factoren met een eigenwaarde van minder dan 1 verklaren dus minder variantie dan ze zelf toevoegen. Deze [[vuistregel]] wordt ook wel het Kaiser-criterium genoemd of ook wel het Guttman-criterium. Nadeel van de vuistregel is de aanwezige kans op overschatting van het aantal factoren. Een alternatieve beslissingsregel voor het aantal factoren kan op basis van een zogenaamde [[screeplot]] verkregen worden (zie figuur). Hierbij wordt op basis van de grafiek gekeken waar de zogenaamde 'elleboog' van de eigenwaarden zich voordoet. Dit is het punt waarop de [[
*Factorladingen zijn de [[correlatiecoëfficiënt]]en tussen de gemeten variabelen en de verklarende factoren.
[[Afbeelding:factor rotatie.jpg|right|thumb|350px|Links een factoroplossing die hoog laadt op beide factoren; Rechts de (oblique) geroteerde factoren, waarbij duidelijk wordt dat er twee factoren zijn]]
| |||