Forscher verwenden häufig zwei Messmethoden mit sehr ähnlichen Elementen und argumentieren, dass sie unterschiedliche Dinge messen (z. B. "Ich mache mir immer Sorgen, wenn ich in der Nähe von Autos bin"; "Ich habe Angst vor Autos"). Nennen wir die hypothetischen Maße das Maß für die Angst vor Autos und die Angst vor Autos. Ich bin daran interessiert, empirisch zu testen, ob sie tatsächlich verschiedene latente Konstrukte bewerten oder ob sie dasselbe messen.
Die zwei besten Möglichkeiten, dies zu tun, sind explorative Fabrikanalysen (EFA) oder Bestätigungsfaktoranalysen (CFA). Ich denke, EFA wäre gut, weil es ermöglicht, alle Elemente ohne Einschränkungen frei zu laden. Wenn Elemente aus den beiden Skalen dieselben Faktoren berücksichtigen, kann ich den Schluss ziehen, dass die Maßnahmen wahrscheinlich unterschiedliche Aspekte nicht sehr gut bewerten. Ich kann jedoch auch die Vorteile in CFA erkennen, da ich vordefinierte Modelle testen werde. Zum Beispiel könnte ich die Anpassung eines Modells vergleichen, bei dem alle Elemente auf einen einzelnen Faktor geladen werden (dh sie bewerten keine unterschiedlichen Konstrukte) oder die Elemente in die erwarteten Kennzahlen unterteilt werden. Ein Problem mit CFA ist vermutlich, dass alternative Modelle (z. B. ein Drei-Faktor-Modell) nicht wirklich in Betracht gezogen werden.
Lassen Sie uns zum Zwecke der Diskussion auch in Betracht ziehen, dass es möglicherweise zwei andere sehr ähnliche Maßnahmen gibt (z. B. den Fragebogen zur Autoangst und die Skala für die Bewertung von Autoängsten), die ich in die Mischung einfließen lassen möchte!
Wie kann ich statistisch am besten feststellen, ob zwei Kennzahlen unterschiedliche Konstrukte bewerten?
quelle
Antworten:
Diese Methoden sind Beispiele für die Anwendung explorativer und bestätigender Datenanalysen. Die explorative Datenanalyse sucht nach Mustern, während die konfirmatorische Datenanalyse statistische Hypothesentests für vorgeschlagene Modelle durchführt. Es sollte wirklich nicht dahingehend gesehen werden, welche Methode verwendet werden soll, sondern in welchem Stadium der Datenanalyse Sie sich befinden. Wenn Sie sich nicht sicher sind, welche Faktoren in Ihr Modell einbezogen werden sollen, wenden Sie EFA an. Nachdem Sie einige Faktoren eliminiert und festgelegt haben, was in Ihr Modell aufgenommen werden soll, führen Sie eine CFA durch, um das Modell formal zu testen und festzustellen, ob die ausgewählten Faktoren von Bedeutung sind.
quelle
Wenn ich Ihre Frage richtig verstehe, handelt es sich um eine Frage zum Testen . Dann erfordert ein einfaches Testen eine Art Bestätigungsfaktor-Analyse, genau wie die Frage: "Unterscheiden sich die Mittelwerte in den Untergruppen wirklich?" erfordert einen T-Test.
Unglücklicherweise (?) Wird bei der Auswahl des allgemeinen Ansatzes der geeigneten Methode zur Faktorenanalyse häufig auch auf verschiedene mathematische (und statistische) Modelle verwiesen. Wenn Sie beispielsweise in SPSS "CFA" auswählen, wird impliziert, dass Sie nicht korrelierte Fehler annehmen und dass unkorrelierte Fehler geschätzt werden und die Schätzung aus dem Modell ausgeschlossen wird - aus meiner Sicht wird die anfängliche Auswahl des richtigen faktoranalytischen Ansatzes aufgrund der weiteren Implikationen häufig durch diese mathematisch / statistischen Implikationen beeinträchtigt.
Kurz gesagt: Ihre Frage ist eine der Art "Testen der Null", daher benötigen Sie CFA oder besser: die im Rahmen von SEM (Structural Equation Modeling) entwickelten Methoden. Beachten Sie, dass es eine freundliche und hilfreiche Mailingliste mit Experten für SEM gibt, die sich "SEMNET" nennt. Da ich kein echter Experte bin, können Sie Ihr Feedback verfeinern, indem Sie dort nachfragen ...
quelle