Dit is een site voor studenten van de Open Universiteit. Voordat je een vraag kunt stellen moet je even een account aanmaken (dit systeem is niet gekoppeld aan je OU studentnummer en wachtwoord).

Welkom bij het vraag- en antwoord systeem van de onderzoeks-practica van de studie psychologie bij de Open Universiteit.

Houd er, als je een vraag stelt, rekening mee dat je de richtlijnen volgt!

0 leuk 0 niet-leuks

Hallo, 

Als ik een rotated factor matrix als output in spss heb, hoe interpreteer ik dan welk component het beste bij een vraag past als ik een negatieve én een positieve correlatie heb bij twee verschillende componenten.
Dus zoals te zien in in onderstaand voorbeeld. Wat doe ik met het gegeven dat bij component 3 een negatieve correlatie staan? 
 

Component

Vraag 3

,855

-,789

in Inleiding Onderzoek (OIO, PB02x2; was Inleiding Data Analyse, IDA) door (160 punten)

1 Antwoord

0 leuk 0 niet-leuks
Postief of negatief maakt niet uit; de hoogte van de lading is enkel van belang. Negatief betekent slechts dat het item negatief met de factor of de component geassocieerd is, dus dat het laag is als de score op de totale schaal hoog is.

In dit geval is er dan sprake van een zeer hoge kruislading; het item is zeer hoog indicatief voor beide constructen (in positieve richting voor comp 1 en negatieve richting voor comp 3). Dit betekent dat het item niet kan discrimineren tussen comp1 en comp3, waardoor het item niet informatief is (geen divergente validiteit).
door (63.5k punten)
Hoe  ga je daar dan precies mee om? Je kunt items verwijderen net zo lang totdat je FA er mooi uit ziet, maar dit is niet zo wenselijk bij een bestaand meetmodel en tast de validiteit van het meetmodel zelf dan weer aan.  

In dit geval gaat het om een dataset van de party panel waar items laden op meerdere factoren. We kunnen forceren om 2 factoren te trekken op basis van een conceptuele veronderstelling (positieve vs negatieve effecten) maar is dit ook de way to go? Het lijkt wat simplistisch om die divergente validiteit dan maar gewoon te negeren en het aantal factoren te forceren.
hier is helaas geen simpel 'one size fits all' antwoord op. Belangrijkste richtlijnen:

- theorie staat altijd voorop; als iets theoretisch te verdedigen is kun je iets doen, zo niet, dan niet doen

- controleer altijd de 'inhoud' van items die slecht functioneren: is er een logische reden dat ze niet goed werken? Zo ja: maakt verwijdering de validiteit van het instrument, op het moment, beter?

- controleer of alternatieve componentenstructuren ook substantieel beter zijn dan op theorie te onderbouwen structuren. Wellicht is de verbetering in fit triviaal, of worden negatieve en positieve items kunstmatig van elkaar gescheiden.
Hoe bedoel je precies het controleren of alternatieve componentstructuren beter zijn? De kruisladingen blijven toch, ook als je SPSS zelf het aantal factoren laat bepalen?

Als je in de correlatiematrix ook ziet dat bepaalde items simpelweg niet of nauwelijks met elkaar correleren, kun je dus stellen dat ze  niet op dezelfde factor zullen laden, toch? Maar als er binnen 1 construct veel variatie is in de inhoud van de items, hoe bepaal je dan hoe je omgaat met je factor analyse?

Een betrouwbaarheids analyse geeft een cronbach die net wat te laag is, maar verwijdering van items geeft geen beter resultaat.

(Mocht hier duidelijke theorie over zijn is dat ook prima om naar te verwijzen)
Wat ik zelf altijd doe is de 'optimale' structuur volgens een bepaald criterium te evalueren (bijvoorbeeld bij de knik in de screeplot) en dan vervolgens evalueer ik ook de factorladingen bij een oplossing met een component meer en minder.

Als het aantal componenten verandert dan moeten de factorladingen ook veranderen.

Ook kijk ik altijd nog even kritisch of ik de juiste rotatietechniek volg. De zeer restrictieve 'orthogonale' rotaties, zoals varimax kunnen een heel ander beeld van de itemstructuur opleveren dan de flexibelere (maar minder zuinige) 'oblique' rotatietechnieken, zoals oblimin.
Ik heb inmiddels wat meer gevonden over multidimensionale schaal structuren, die de kruisladingen kunnen verklaren als ik het goed begrijp. Ook vond ik dat het construct niet voldoet aan het Tau equivalentie criterium waardoor cronbachs niet gebruikt kan worden ( ook omdat cronbachs geen onderscheid maakt in  unidimensionaliteit en multidimensionaliteit), maar bij het opvragen van een omega komt een foutmelding, vanwege negatieve correlaties. Ook die zijn weer te verklaren vanuit die multidimensionaliteit, maar hoe dan om te gaan met het niet kunnen opvragen van een omega?

Oblique wordt toch standaard gebruikt bij pschychologische constructen? Of kun je ook op basis van de correlatie matrix kiezen voor een orthogonale rotatie omdat de items onderling niet correleren?
...