STATISTIK-FORUM.de

[burcu]

Hallo,

ich stehe gerade total auf dem Schlauch und weiß nicht mehr weiter bzw. weiß nicht, ob das, was ich gemacht habe, richtig ist:

Für meine Arbeit habe ich verschiedene Konstrukte (Einstellung zu xy, Erwartete Freude, Teilnahmeintention,...) mit jeweils mehreren Items operationalisiert und erhoben. Meist habe ich die vorgeschlagene Mindestanzahl von 3 Items verwendet, da mein Fragebogen ohnehin schon sehr umfassend war. Wenige komplexere Konstrukte wie Einstellung habe ich mit 5 oder 6 Items operationalisiert.

Nun: Um die Item-Sets zu den für Folgeanalysen (Mittelwertvergleich, Regressionsanalyse, Clusteranalyse) eigentlich notwendigen Konstrukten "zusammenzufassen", habe ich mit den einzelnen Item-Sets jeweils separate Faktorenanalysen nach der Hauptkomponentenanalyse (HKA) durchgeführt und Faktoren extrahieren lassen. Bei 4 Item-Sets habe ich an den Korrelationen gesehen, dass diese stark korrelieren und diese zusammengenommen und anhand der 4 Item-Sets nochmals eine Faktorenanalyse (Hauptkomponentenanalyse) durchgeführt und einen Faktor extrahiert.

Für die weiteren Analysen mit den "Konstrukten" habe ich die Faktorwerte verwendet.


Ist diese Vorgehensweise zur Zusammenfassung der Items der operationalisierten Konstrukte richtig so - Also die Wahl der Hauptkomponentenanalyse? Oder ist meine Vorgehensweise falsch? Zudem wäre ich euch dankbar, wenn ihr euch zufällig daran erinnern könntet, von welchem Autor die Faustregel "mindestens 3 Items pro Konstrukt" ist - ich habe es zwar mal gelesen, komme aber einfach nicht mehr darauf.


DANKE!!

[strukturmarionette]

Hi,

post11859.html#p11859

Gruß
S.

[Albrecht]

Das Vorgehen mit dem Vorher und Nachher-Extrahieren finde ich undurchsichtig. Streng genommen extrahiert man mit einer Hautpkomponentenanalyse (PCA) auch keine Faktoren sondern Komponenten. Man extrahiert auch keine Faktoren aus Einzel-Item-Sets. Eigentlich würde sich dafür eher eine Hauptachsenanalyse anbieten. Doch für die Weiterverarbeitung ist es für Dich sicherlich einfacher mit den Faktorwerten der Hauptkomponentenanalyse weiterzurechnen, da man bei den Faktorwerten der Hauptachsenanalyse noch zusätzlich den Fehler schätzen müsste, was m.W. SPSS nicht direkt anbietet. (Falls Du mit SPSS arbeitest.)

[burcu]

Das Vorgehen mit dem Vorher und Nachher-Extrahieren finde ich undurchsichtig. Streng genommen extrahiert man mit einer Hautpkomponentenanalyse (PCA) auch keine Faktoren sondern Komponenten. Man extrahiert auch keine Faktoren aus Einzel-Item-Sets. Eigentlich würde sich dafür eher eine Hauptachsenanalyse anbieten. Doch für die Weiterverarbeitung ist es für Dich sicherlich einfacher mit den Faktorwerten der Hauptkomponentenanalyse weiterzurechnen, da man bei den Faktorwerten der Hauptachsenanalyse noch zusätzlich den Fehler schätzen müsste, was m.W. SPSS nicht direkt anbietet. (Falls Du mit SPSS arbeitest.)

Danke für die Rückmeldung!

Also ich weiß, dass die eigentlich korrekte Methode die konfirmatorische FA wäre, nur kann ich diese mit SPSS nicht machen. Vielleicht wird mein Problem besser verständlich, wenn ich es genauer schildere:

Wie gesagt, habe ich viele Konstrukte, die ich mit jeweils 3 bis 6 Items operationalisiert habe. Um nun die Items eines Konstrukt zusammenzufassen, müsste ich theoretisch (oder wenn ich ganz korrekt vorgehe) eine konfirmatorische FA machen. Da ich nicht mit AMOS arbeite, sondern nur mit SPSS muss ich auf die explorative FA ausweichen. Ich habe mit allen Item-Sets jeweils separat die FA als Hauptkomponentenanalyse (HKA) UND als Hauptachenanalyse (HAA) durchgeführt, wenn bei einem Item-Set mehr als ein Faktor (bzw. eine Komponente) nach dem Kaiser-Kriterium extrahiert wurde, habe ich das ganze nochmals mit Rotation (Varimax) gemacht. Im Prinzip waren die Ergebnisse sowohl bei HKA als auch HAA gleich. Also bei beiden Analysen wurden immer dieselben Items als "Ausreißer" (oder unbrauchbar) ersichtlich, nur bei der HAA stärker betont bzw. mit deutlicheren Auswirkungen auf die Kommunalitäten und Faktorladungen.

In der Befragung habe ich 5 Kontrollvariablen, die ich als Gruppierungsmerkmale für die Clusteranalyese verwenden wollte/will:
"Kreativität",
"Kenntnisse über Automobile",
"Kenntnisse über die Marke Audi",
"Involvement Automobile"
"Involvement Audi"

Alle 5 Konstrukte wurden mit jeweils 3 Items operationalisiert. Ich habe die FA zunächst einmal für jedes der 5 Item-Sets separat durchgeführt und gemerkt, dass zwar jeweils ein Faktor extrahiert wurde, aber das Ergebnis gemessen am Fit ect. nicht so berauschend war. Da es offensichtlich ist, dass diese Konstrukte zusammenhängen können (und die Gruppierungsmerkmale bei einer Clusteranalyse unabhängig sein sollen) habe ich mit allen 5 Item-Sets (5 x 3 Items) zusammen eine FA gemacht (auch wieder HKA, HAA, mit und ohne Rotation). Es kam heraus, dass alle 3 Items von Kreativität GAR NICHT zu den übrigen passen. Also habe ich Kreativität wieder herausgenommen und bei der FA mit den anderen 4 Item-Sets (nachdem ich Ausreißer-Items ausgeschlossen habe) wurde EIN Faktor (eine Komponente) extrahiert.
Für beide Konstrukte (und auch für die anderen Konstrukte der Erhebung, mit denen ich jeweils eine FA durchgeführt habe) habe ich eine Reliabilitätsanalyse zur Kontrolle gemacht (alle Werte waren gut) habe ich mir die Faktorwerte ausgeben lassen, wobei ich mich dazu entschlossen habe (warum, kann ich ehrlich gesagt nicht so genau sagen ) die folgenden Analysen mit den Faktorwerten der HKA (mit Regression extrahiert) durchzuführen.

Vor der Clusteranalyse habe ich nochmals überprüft, ob die oben beschriebenen 2 Faktoren/Komponenten ("Kreativität" und "Automobilaffinität") hoch korrelieren (tun sie zum Glück nicht).

Und jetzt meine Bitte:

Ich bin total verwirrt und weiß nicht, ob das in Ordnung so ist. Ist diese Vorgehenweise vertretbar und richtig oder ist die konfirmatorische FA die EINZIGE vertretbare Vorgehenweise für die "Zusammenfassung" von Item-Sets einzelner Konstrukte eines Fragebogens?

HILFE!

[Albrecht]

Also ich weiß, dass die eigentlich korrekte Methode die konfirmatorische FA wäre, nur kann ich diese mit SPSS nicht machen.

SPSS bietet bei der EFA an eine Extraktion Maximum Likelihood, die zumindest im Ansatz konfirmatorisch ist. Kenne aber nicht die Vor- und Nachteile dieser Variante. Dennoch denke ich nicht unbedingt, dass eine konfirmatorische angebracht wäre, da Du von Extraktion von Faktoren sprachst. Eine konfirmatorische würde sich erst aufzwingen, wenn man weiß, welche Items genau auf welchem Faktor laden.

Ich habe mit allen Item-Sets jeweils separat die FA als Hauptkomponentenanalyse (HKA) UND als Hauptachenanalyse (HAA) durchgeführt, wenn bei einem Item-Set mehr als ein Faktor (bzw. eine Komponente) nach dem Kaiser-Kriterium extrahiert wurde, habe ich das ganze nochmals mit Rotation (Varimax) gemacht. Im Prinzip waren die Ergebnisse sowohl bei HKA als auch HAA gleich. Also bei beiden Analysen wurden immer dieselben Items als "Ausreißer" (oder unbrauchbar) ersichtlich, nur bei der HAA stärker betont bzw. mit deutlicheren Auswirkungen auf die Kommunalitäten und Faktorladungen.

Wieso hast Du für die Item-Sets separat die Analyse durchgeführt? Eigentlich müsste man über alle Items hinweg die Analyse machen.

Das Kaiser-Guttman-Kriterium ist außerdem ein denkbar ungünstiges Kriterium. Vielleicht noch mit einer Parallelanalyse ergänzen?

Die Rotation sollte nur Varimax sein, wenn die Faktoren unabhängig sind. Bei "Kenntnisse über Automobile" und "Kenntnisse über Audi" kann ich mir aber nicht vorstellen, dass die Faktoren unkorreliert sind. Das ist nur ein Beispiel. Aber ich würde eher oblimin rotieren, sei denn du gehst von unkorrelierten Faktoren aus.

Für beide Konstrukte (und auch für die anderen Konstrukte der Erhebung, mit denen ich jeweils eine FA durchgeführt habe) habe ich eine Reliabilitätsanalyse zur Kontrolle gemacht (alle Werte waren gut) habe ich mir die Faktorwerte ausgeben lassen, wobei ich mich dazu entschlossen habe (warum, kann ich ehrlich gesagt nicht so genau sagen ) die folgenden Analysen mit den Faktorwerten der HKA (mit Regression extrahiert) durchzuführen.

Eventuell ist es besser statt der Faktorwerte die Summen der jeweiligen Items eines Faktors zu bilden und mit diesem Summenscore zu arbeiten.
Die Faktorwerte sind in der Regel sehr stichprobenabhängig.