Factoranalyse - Principale componentenanalyse (PCA)
6 belangrijke vragen over Factoranalyse - Principale componentenanalyse (PCA)
Waarom worden datareductietechnieken zoals componenten- en factoranalyse gebruikt?
- Verminderen van dimensies
- Identificeren van patronen
- Reproductie van covariantiematrix / correlatiematrix
Wat is een screeplot en hoe wordt deze gebruikt om te bepalen hoeveel componenten behouden moeten worden in een factoranalyse?
- Een screeplot visualiseert de eigenwaarden
- Zoek een 'elleboog' of knik in de lijn
- Aantal componenten vóór de knik behouden
- De helling tussen componenten vergelijken
Waarom is het belangrijk om een 'elleboog' of knik te zoeken in een screeplot bij het bepalen van het aantal componenten om te behouden in een factoranalyse?
- De 'elleboog' wijst op verandering in helling
- De helling wordt veel vlakker na knik
- De punt voor het aantal te behouden componenten
- De eerste componenten hebben grotere scheiding
- Het Kaiser-criterium volgen
- Hogere cijfers + sneller leren
- Niets twee keer studeren
- 100% zeker alles onthouden
Wat wordt bedoeld met de unieke variantie in relatie tot de communaliteit?
- De unieke variantie wordt ook wel uniciteit genoemd
- Het is altijd het complement van de communaliteit
Wat kun je zeggen over het effect van rotatie op het reproduceren van de oorspronkelijke covariantiematrix of correlatiematrix?
Waarom is het belangrijk om geen conclusies te baseren op puntschattingen bij PCA en EFA?
- De correlatiematrix / covariantiematrix wordt berekend op basis van een steekproef
- Correlaties / covarianties verschillen per steekproef
- Puntschattingen bevatten meetfout, steekproeftoeval en ruis
- Accuraatheid van schattingen kan beoordeeld worden d.m.v. betrouwbaarheidsintervallen
De vragen op deze pagina komen uit de samenvatting van het volgende studiemateriaal:
- Een unieke studie- en oefentool
- Nooit meer iets twee keer studeren
- Haal de cijfers waar je op hoopt
- 100% zeker alles onthouden