Waarom gebruik je bij de PCA de niet-geïnverteerde items

Question

Waarom moet je bij een PCA de niet-geïnverteerde (ik begrijp dit als de niet-gehercodeerde) items gebruiken? Het is toch de bedoeling dat je items 'clustert' en wel die items die hoog met elkaar correleren, zodat je de "bij elkaar behorende items" als onderliggende factor kunt identificeren. Het is de bedoeling dat die gehercodeerde items met die items correleren die hetzelfde bevragen, maar niet gehercodeerd hoeven worden. Je vraagt hetzelfde, maar dan 'andersom'. Om ze te kunnen clusteren moeten ze dan toch meegenomen worden? Dat zou volgens mij betekenen dat je de gehercodeerde items meeneemt of dat je de negatieve uitkomsten van < -.40 ook meeneemt

Answer 1

Bij een PCA maakt het ompolen van items niet veel uit. Negatieve componentladingen worden net zo veel belang toegekend als positieve componentladingen. Hoewel het een gewoonte is om eerst items om te polen, is dit meer voor de eigen interpreteerbaarheid dan dat het een wiskundig doel dient (zoals bij cronbach's alpha e.d.). In het onderwijs is het nog wel eens van belang om dit te benadrukken.

Dat betekent dat je laatste stelling deels klopt: ompolen kan, maar er wordt altijd gekeken naar negatieve componentladingen; ongeacht ompoling is het informatief als deze hoog zijn (< -.40).

Comments

Ik begrijp hieruit dat het ook niet erg is als je ze wel hercodeert en vervolgens in de principale factoranalyse gebruikt? Het is alleen extra, in dit geval onnodig, werk.

---

Dat is een correcte extrapolatie!