Verdieping in onderzoeksmethoden en statistiek (201900054)
Class notes
Aantekeningen van alle grasple lessen voor verdieping in onderzoeksmethode en statistiek (VOS)
7 purchases
Course
Verdieping in onderzoeksmethoden en statistiek (201900054)
Institution
Universiteit Utrecht (UU)
Dit document bevat alle aantekeningen van alle grasple lessen.
Hier wordt achtergrond informatie gegeven en theorieën over de verschillende analyses. Daarnaast wordt er ook uitgelegd hoe je de analyses moet uitvoeren in JASP. Bovendien wordt er ook uitgelegd hoe je de output van de analyses moet...
Verdieping in onderzoeksmethoden en statistiek (201900054)
All documents for this subject (13)
Seller
Follow
reneejoleinjansen
Reviews received
Content preview
Grasple lessen VOS
Week 1: correlationeel factoranalyse.....................................................................3
Voorkennis validiteit............................................................................................ 3
Voorkennis introductie JASP................................................................................. 5
Practicum Factoranalyse FA1: introductie factoranalyse en eigenwaarden.........5
Practicum Factoranalyse FA2: factorladingen en rotatie......................................8
Practicum Factoranalyse FA3: factoranalyse uitvoeren en beoordeling van de
kwaliteit............................................................................................................. 11
Practicum Factoranalyse BA1: introductie betrouwbaarheidsanalyse en ompolen
in JASP............................................................................................................... 15
Week 2: correlationeel multipele lineaire regressie..............................................18
Voorkennis correlatie......................................................................................... 18
Voorkennis meer over correlatie en causaliteit..................................................19
Voorkennis het lineaire regressiemodel.............................................................21
Voorkennis het schatten van de regressielijn....................................................24
Voorkennis R-kwadraat (R-squared)...................................................................26
Voorkennis Bayesiaanse hypothese evaluatie en de Bayes Factor....................28
Practicum multipele regressie analyse: controle assumpties (initieel)..............30
Practicum multipele regressie analyse: controle assumpties (statistisch).........34
Practicum multipele regressie analyse: MLR en hiërarchische MRL uitvoeren en
interpreteren (freq + bayes)............................................................................. 42
Practicum multipele regressie analyse: Multipele regressie met dummy's (freq)
.......................................................................................................................... 51
Week 3 correlationeel moderatie en mediatieanalyse..........................................57
Practicum moderatie & mediatie.......................................................................57
Practicum moderatie & mediatie: moderatie uitvoeren en interpreteren (freq. &
Bays)................................................................................................................. 61
Bootstrapping.................................................................................................... 73
Practicum moderatie & mediatie: mediatie uitvoeren en interpreteren............74
Week 6: experimenteel ANOVA............................................................................. 81
Voorkennis inleiding ANOVA.............................................................................. 81
Voorkennis meer over varianties en de F-toetsingsgrootheid............................84
Practicum ANOVA: hoofd en interactie-effecten................................................85
Practicum ANOVA: assumpties controleren in JASP............................................89
Practicum ANOVA: meerweg ANOVA uitvoeren en interpreteren
(frequentistische).............................................................................................. 96
Practicum ANOVA: meerweg ANOVA uitvoeren en interpreteren (Bayesiaans)
........................................................................................................................ 106
,Week 7- ANCOVA................................................................................................ 113
Practicum ANCOVA: gecorrigeerde gemiddelden............................................113
Practicum ANCOVA: uitvoeren en interpreteren (frequentistische)..................120
Week 8 - Herhaalde meting en mixed design.....................................................140
Herhaalde metingen: sfericiteit.......................................................................140
Herhaalde meting: tussen en binnen factor ontwerpen..................................143
Herhaalde metingen uitvoeren en interpreteren (within-subject factor).........146
Herhaalde meting met twee factoren uitvoeren en interpreteren
(frequentistisch).............................................................................................. 155
Mixed design ANOVA....................................................................................... 160
,Week 1: correlationeel factoranalyse
Voorkennis validiteit
In deze cursus gaan we aan de hand van deze verschillende vormen van validiteit
de kwaliteit van wetenschappelijke artikelen beoordelen.
Er zijn vier verschillende vormen van validiteit
1. Begripsvaliditeit
De mate waarin de meetinstrumenten (operationele definitie) slagen in het
meten van de concepten/constructen en dus passen bij de conceptuele
definitie. In experimenteel onderzoek gaat het daarnaast om de mate
waarin de bedoelde manipulatie geslaagd is.
2. Interne validiteit
De mate waarin de onderzoeksmethode alternatieve verklaringen voor een
effect kan uitsluiten.
3. Externe validiteit
De mate waarin de onderzoeksresultaten kunnen worden gegeneraliseerd
naar andere groepen, tijden en situaties.
4. Statistische validiteit
De mate waarin de resultaten van een statistische analyse nauwkeurig en
goed gefundeerd zijn.
Begripsvaliditeit
Dit gaat over de overeenstemming tussen de operationalisatie (door middel van
het meetinstrument) en het theoretische begrip (zoals beschreven in de
conceptuele definitie).
Vragen die bruikbaar zijn om de begripsvaliditeit van wetenschappelijk onderzoek
te beoordelen;
Welke theoretische begrippen worden er gemeten of gemanipuleerd in het
onderzoek (conceptuele definitie)
Met welke meetinstrumenten worden de theoretische begrippen gemeten
(operationalisatie)
Is er een betrouwbaarheidsanalyse uitgevoerd? Zo ja, wat is het resultaat
hiervan?
Meet het gekozen meetinstrument wel wat het beoogt te meten?
Daarnaast kan je meer te weten komen over de begripsvaliditeit door te kijken
naar de inhouds-, indruks-, convergente, divergente en criteriumvaliditeit.
Bij zelf-rapportages kan het geval zijn dat mensen niet eerlijk antwoorden of niet
goed kunnen beoordelen. Hierdoor slaagt het gebruikte meetinstrument (de
vragenlijst) dus niet goed in het meten van het construct dat onderzocht wordt.
Interne validiteit
We hebben interne validiteit gedefinieerd als de mate waarin de
onderzoeksmethode alternatieve verklaringen voor een effect kan uitsluiten. Dit
‘effect’ kan betrekking hebben op zowel een relatie tussen variabelen als een
verschil tussen groepen. Interne validiteit gaat dus over de mogelijkheid om te
bepalen of er sprake is van een causaal verband (oorzaak-gevolgrelatie).
In voorgaande cursussen heb je geleerd dat er drie voorwaarden zijn om te
kunnen spreken van een causaal verband. Om te bepalen of aan deze
voorwaarden wordt voldaan kun je de volgende vragen stellen:
, 1. Is er sprake van een relatie tussen twee of meer variabelen?
2. Gaat de oorzaak vooraf aan het gevolg (in tijd)?
3. Kunnen we andere verklaringen voor het gevonden verband uitsluiten?
Met experimenteel onderzoek kan je in principe een hogere interne validiteit
realiseren dan met kwalitatief of correlationeel onderzoek. Experimenten kunnen
uitgevoerd worden in een gecontroleerde setting, waardoor we alternatieve
verklaringen zo veel mogelijk kunnen uitsluiten. We kunnen dan bepalen of er
sprake is van een causaal verband tussen de afhankelijke en de onafhankelijke
variabele.
Externe validiteit
Dit gaat over de mogelijkheid om op basis van de onderzoeksresultaten iets te
zeggen over situaties buiten het onderzoek, oftewel over situaties in een real
world setting. Om de externe validiteit te beoordelen kan je de volgende vragen
stellen:
Welke populatie wordt er onderzocht
Welke steekproefmethode is er gebruikt
Hoe representatief is de steekproef voor de populatie
Wat kunnen we op basis van de onderzoeksresultaten zeggen over
situaties in een real world setting?
Een grote steekproef betekent niet automatisch een hogere externe validiteit,
want de steekproef is niet automatisch representatief als die groot is. De
representativiteit hangt af van de gebruikte steekproefmethode.
Als je de onderzoeksresultaten wilt generaliseren zijn aselecte
steekproefmethode geschikter dan selecte steekproefmethode. Dit is omdat bij
aselecte streekproeven respondenten willekeurig (op toeval basis) geselecteerd
worden. Hierdoor heeft iedereen uit de populatie evenveel kans om deel uit te
maken van de steekproef. Daarom kunnen resultaten beter gegeneraliseerd
worden naar de populatie dan wanneer je gebruik zou maken van een selecte
steekproef methode.
Statistische validiteit
Dit gaat over de nauwkeurigheid en juistheid van statistische analyses. Om de
statistische validiteit te beoordelen kan je de volgende vragen stellen;
Is de gekozen analysetechniek geschikt voor beantwoording van de
onderzoeksvraag
Is er voldaan aan de voorwaarden/assumpties van de uitgevoerde analyse
Zijn de resultaten van de analyse op de juiste manier gerapporteerd en
geïnterpreteerd?
Pearson correlatie meet de samenhang tussen twee variabelen van
interval/ratio meetniveau. Deze is niet geschikt om het verschil tussen twee
groepen te meten.
Invloed keuzes op validiteit
Er zijn vier verschillende vormen van validiteit besproken; begrip, interne,
externe en statistische validiteit. Ze hebben ieder hun eigen focuspunten, maar
haken ook op elkaar in. Daardoor kunnen binnen een onderzoek bepaalde keuzes
leiden tot positieve uitkomsten voor de ene vorm van validiteit en tegelijkertijd
negatief voor een andere vorm. Dit geldt met name voor interne en externe
validiteit. Bijvoorbeeld: wanneer er bij een experiment (hoge interne validiteit)
gebruikgemaakt wordt van een labsetting of een (computer)simulatie, kunnen we
,op basis van de onderzoeksresultaten minder zeggen over situaties buiten het
onderzoek (lage externe validiteit).
Voorkennis introductie JASP
JASP is een programma voor statistische analyses. Hulpbron bij JASP: https://jasp-
stats.org/jasp-materials/
Nu gaan we JASP gebruiken om de data te analyseren aan de hand van wat
beschrijvende statistieken en grafieken.
Beschrijvende statistieken opvragen stappen:
1. Ga in JASP naar Descriptives > Descriptive Statistics.
2. Sleep de variabelen naar het vak onder het kopje Variables.
3. JASP zal onmiddellijk de (standaard) output laten zien. Als je meer
beschrijvende statistieken opvraagt, zal je deze ook meteen zien in de
output.
Je kunt onder Descriptives > Descriptive Statistics aangeven welke beschrijvende
statistieken je precies wilt hebben. Dit doe je onder het kopje Statistics. Als je
hierop klikt krijg je verschillende opties die je kunt aan- en uitvinken. Zo kan je
naast het gemiddelde en de standaardafwijking ook de variantie, mediaan of
modus opvragen. Of misschien ben je wel geïnteresseerd in het bereik
of range van een variabele.
Wanneer je een nieuwe optie aanvinkt, bijvoorbeeld Variance, zul je zien dat er
rechts in de tabel met beschrijvende statistieken een rij wordt toegevoegd.
Wanneer je Variance uitvinkt, verdwijnt deze rij weer.
JASP geeft ook de optie om grafieken te maken. Deze optie vind je eveneens
bij Descriptive Statistics, onder het kopje Plots. Je hebt de keuze uit drie
verschillende grafieken:
1. Distribution plots: denk hierbij aan bijvoorbeeld een histogram om te
zien hoe de verdeling van scores op een variabele verdeeld zijn
2. Correlation plots: denk hierbij een spreidingsdiagram (scatterplot) die
om te zien hoe de relatie tussen twee variabelen eruit ziet
3. Boxplots: grafieken waarmee je ook kunt zien hoe de scores op een
variabele verdeeld zijn en of er uitschieters zijn
Practicum Factoranalyse FA1: introductie factoranalyse
en eigenwaarden
Introductie factoranalyse
Voor het uitvoeren van een factoranalyse onderscheiden we grofweg twee
doelen:
beoordelen dimensionaliteit
datareductie
Centraal staat in beide doelen de vraag of het mogelijk is een verzameling items
te representeren door een kleiner aantal nieuw te construeren variabelen
(factoren).
Het algemene uitgangspunt hierbij is dat we proberen met zo weinig mogelijk
factoren zo veel als mogelijk variantie in de items te verklaren.
De resultaten van de factoranalyse geven zicht op de interne structuur van een
verzameling items (variabelen) en is daarmee een techniek die kan worden
ingezet bij de beoordeling van de begripsvaliditeit van een test, maar ook kan het
,zicht geven op het aantal zinvol te onderscheiden factoren binnen een
verzameling items. In dit laatste geval zijn er van tevoren geen expliciete
verwachtingen over te onderscheiden aspecten binnen de verzameling items.
Als we op theoretische gronden een verwachting hebben over het aantal factoren
dat in een test aanwezig is, kiezen we ervoor om dit aantal tijdens de analyse te
specificeren. Vervolgens gaan we na of de items naar verwachting op de factoren
laden. Wordt in de data het verwachte aantal factoren gevonden en ook de
interpretatie van de factoren is volgens verwachting, dan ondersteunt dat
resultaat de begripsvaliditeit van de test. Als de factoranalyse wordt ingezet voor
ondersteuning van de begripsvaliditeit spreken we van een confirmatieve
factoranalyse.
Factoranalyse kan ook in een eerder stadium van testconstructie worden ingezet.
Bij testconstructie is de factoranalyse dan een techniek voor het vaststellen van
het aantal zinvol (statistisch en inhoudelijk) te onderscheiden aspecten
(dimensies) binnen een verzameling items. Afhankelijk van de mate waarin er
expliciete verwachtingen zijn over de interne structuur van een verzameling
items, is de factoranalyse meer of minder exploratief. We spreken in dit geval van
een exploratieve factoranalyse.
We kunnen de keuze voor het aantal factoren dus baseren op wat we theoretisch
verwachten of wat de data ons aan informatie geeft. Dit onderscheid komt
overeen met het verschil tussen:
confirmatieve factoranalyse (ook wel 'theoriegestuurd' genoemd)
exploratieve factoranalyse (ook wel 'datagestuurd' genoemd)
Instructie uitvoeren factoranalyse
Voer, op basis van onderstaande instructies, een explorerende factoranalyse uit
met een oblique rotatie op de items over Persoonlijkheid: pk01 t/m pk20.
Factor > Exploratory Factor Analysis
Selecteer de items en zet deze in de box 'Variables' (voor deze oefening
pk01 t/m pk20)
Stip aan bij 'Number of Factors based on': 'Eigenvalues'
Selecteer bij 'Factoring method': 'Principal axis factoring'
Selecteer onder 'Rotation': 'Oblique' en daarbij 'oblimin'
Klik op Output options:
Vink aan onder 'Tables': 'Factor Correlations', en
Vink aan Onder 'plots': 'Scree Plot' en deselecteer daarbij 'Parallel analysis
results'
Rechts in het scherm verschijnt de uitvoer van de analyse met de gewenste
output.
Tip
Variabelen sorteren
In JASP kun je ervoor kiezen om de volgorde van je
variabelen te sorteren, alfabetisch of op het type
variabele. Dat is handig als je variabelen door elkaar
staan!
Eigenwaarde
,Elke onderscheiden factor heeft zijn eigen eigenwaarde. Het is een kenmerk van
een factor. De eigenwaarde drukt uit hoeveel variantie de betreffende factor
verklaart van alle bij de factoranalyse betrokken variabelen (items).
Factoren zijn relevant als ze een aanzienlijk deel van de variantie in de items
verklaren en daarnaast duidelijk inhoudelijk geïnterpreteerd kunnen worden. Als
criterium voor een relevante hoeveelheid verklaarde variantie door een factor,
kunnen we het eigenwaarde-criterium gebruiken:
Als de eigenwaarde groter is dan 1, verklaart de factor meer variantie dan
een afzonderlijk item uit de test.
Is de eigenwaarde kleiner dan 1, dan verklaart deze factor minder variantie
dan elk van de gemeten items afzonderlijk. Factoren met een eigenwaarde
kleiner dan 1 worden daarom als statistisch niet-relevant beschouwd.
NB. In het Engels (in JASP) noemen we een eigenwaarde eigenvalue.
NB. Eigenwaarden voor EFA zijn net iets anders dan eigenwaarden voor PCA. In
de EFA vind je ze staan onder 'SumSq. Loadings'. Gebruik in een EFA deze
waarden voor de verklaarde variantie in de items door een factor.
Tip
JASP maakt niet standaard gebruik van het eigenwaardecriterium voor het aantal
te selecteren factoren. In JASP geef je dit aan onder 'Number of Factors based on'
te kiezen voor 'Eigenvalues above 1'.
Als het goed is heb je dat in de huidige analyse al gedaan. Desgewenst kun je
ook kiezen voor een strenger of minder streng criterium. Of in een meer
confirmatieve context kun je kiezen voor een handmatige (Manual) instelling.
Selecteer dan 'Manual' en geef het verwachte aantal factoren ('Number of
Factors') aan.
Oefening vraag 1
Hoeveel factoren selecteert JASP op basis van het eigenwaarde-criterium?
Antwoord: 4
Toelichting: In de tabel 'Factor Characteristics', maar ook op andere plaatsen, zien
we dat er vier factoren geselecteerd zijn. De analyse is zodanig uitgevoerd dat er
voor factoren met een eigenwaarde onder de 1 geen resultaten in de output
worden opgenomen. Op basis van het eigenwaarde criterium < 1, zijn dus vier
factoren geselecteerd.
Tip
Als je in JASP de betekenis van bepaalde
statistieken niet kent, kun je op de blauwe 'i'
klikken aan de bovenkant van je
analysescherm. Daarmee open je een tekst
waarin de termen worden toegelicht die in de
analyse worden gebruikt.
Voor maximale efficiëntie kun je de zoekbalk
,onderin dat hulpscherm gebruiken om naar de specifieke term te zoeken die je
toegelicht wil hebben.
Oefening vraag 2
Wat geeft JASP voor uitleg bij 'Eigenvalue' onder 'Number of Factors'?
Antwoord: factors are selected when they have a certain eigenvalue. By default
factors are selected that have an eigenvalue of 0 or higher. This is called Kaiser
criterion.
Oefening vraag 3
Hoeveel procent van de variantie in de items wordt door deze factoren
gezamenlijk verklaard?
Antwoord: 40,8%
Screeplot en knikcirterium
Als er veel variabelen (items) in de analyse zijn opgenomen, dan leidt het
eigenwaarde-criterium vaak tot een relatief groot aantal factoren. Daarom is er
een tweede criterium voor de keuze van het aantal zinvol te onderscheiden
factoren: het knikcriterium.
Bij dit criterium wordt gezocht naar de overgang tussen factoren welke veel
variantie verklaren en de factoren die weinig variantie verklaren.
Om deze overgang te bepalen, gebruiken we de screeplot. In
het screeplot wordt voor elke mogelijke factor de hoogte van de eigenwaarde
weergegeven. De eerste factor heeft de hoogste eigenwaarde en de laatste
factor de laagste. Volgens het knikcriterium kies je voor het aantal factoren met
een eigenwaarde die in de figuur voor of boven de 'knik' ligt.
Oefening vraag 4
Hoeveel factoren zou je selecteren volgens het knikcriterium?
Antwoord: 2
De scree plot is niet eenduidig. Er is niet één
duidelijke knik te zien. Zowel een keuze voor
twee factoren, als voor vier factoren is te
verdedigen.
Vanaf factor 3 is er een regelmatig aflopende
reeks van eigenwaarden, en kies je voor twee
factoren.
Als je vindt dat de regelmatig aflopende reeks
eigenwaarden begint vanaf factor 5, dan kies je
voor vier factoren.
Practicum Factoranalyse FA2: factorladingen en rotatie
Factorladingen en factormatrix
De correlaties tussen een geobserveerde variabele en een factor worden in het
jargon van de factoranalyse factorladingen of kortweg ladingen genoemd. De
samenhangen tussen factoren en de geobserveerde variabelen (items) worden
,weergegeven in een factorladingenmatrix of factormatrix. De ladingen kunnen we
beschouwen en interpreteren als correlaties tussen een factor en een variabele.
In de tabel ‘Factor Loadings’ staan de factorladingen van de items voor het aantal
geselecteerde factoren.
Rotatie
In het figuur geven de rode lijnen
factoren weer en de zwarte punten
de items. De positie van elk item is
hierbij bepaald door de
factorladingen van een item voor de
twee factoren.
Bij een standaard factoranalyse worden factoren zodanig berekend dat ze hoog
correleren met alle testitems. Grafisch ziet dat er bijvoorbeeld uit als de
linkergrafiek in de figuur.
Met deze benadering weten we alleen niet goed welke testitems goed door een
achterliggende variabele verklaard worden en welke minder. Om dit te verhelpen
passen we een zogeheten rotatie toe. De lijnen worden zodanig geroteerd dat dat
testitems zo hoog mogelijk laden op één factor, en zo laag mogelijk laden op de
andere factoren. Grafisch ziet het resultaat van de rotatie eruit als de rechter
grafiek in de onderstaande figuur.
Het doel van de rotatie is het verkrijgen van een factorladingenmatrix die
interpretatie van factoren vergemakkelijkt. Na rotatie is het over het algemeen
eenvoudiger om vast te stellen welke items samen door een achterliggende
variabele verklaard kunnen worden. We gebruiken hiervoor, in eerste instantie,
de oblique of scheve rotatie. Bij deze vorm van roteren, kan het voorkomen dat
de factoren na rotatie samenhangen. In dat geval staan de factoren in een figuur
niet meer loodrecht (orthogonaal) op elkaar. Zie de figuur op de vorige pagina.
In JASP hebben we de gewenste scheve rotatie aangegeven door onder
'Rotation' voor 'Oblique' te kiezen. Uit de verschillende opties voor een oblique
rotatie is gekozen voor de optie oblimin.
Tip
In de tabel 'Factor Loadings' worden veel factorladingen niet
weergegeven. JASP doet dit automatisch om de tabel
overzichtelijk te houden: alleen de sterkste en daarmee meest
relevante factorladingen worden weergegeven.
Als je van meer items de factorladingen wilt zien, kun je dit doen
met het schuifje 'Display loadings above'. Als je dat schuifje naar
0 sleept zul je in de tabel 'Factor Loadings' alle factorladingen
zien. Als je het schuifje verder omhoog sleept, dan zie je alleen
nog de factorladingen hoger dan de aangegeven waarde.
Het gaat hierbij overigens om absolute factorladingen. Met de absolute
factorlading wordt bedoeld dat het alleen gaat om de grootte van de lading en
niet om de richting (++ of −−). Het min-teken wordt dus genegeerd. Een
factorlading van bijvoorbeeld -0.512 zal dus weergegeven worden in de tabel.
In de output kan de ordening van de variabelen (items) gedaan worden op basis
van ' Factor size' of op basis van de 'Variabele'. In dat laatste geval krijg je de
volgorde van items zoals in het databestand. Hier is gekozen voor 'Factor size'.
, Oefening vraag 5
Hoeveel items hebben een hoge lading ( > .4)
op factor 2?
Antwoord: 4
Toelichting: Dat zijn vier items. De items pk03,
pk07, pk14 en pk20 hebben een hoge absolute
lading (> .4) op factor 2.
Oefening vraag 6
Hoeveel items hebben een hoge lading ( > .4)
op factor 4?
antwoord: 3
Toelichting: De items pk18, pk19 en pk08 hebben een hoge absolute lading op
factor 4.
Oefening vraag 7
Hebben alle items een hoge lading op één van de factoren en lage ladingen op de
overige factoren?
Antwoord: nee
Toelichting: Zes van de twintig items geldt dat niet op één factor een absolute
lading hebben > 0.4. Vijf items (pk04, pk06, pk13, pk15, pk17) laden namelijk
op geen van de factoren hoog (> .4) en één item (pk18) laadt hoog (> .4) op
meer dan één factor. Deze zes items zijn niet eenduidig aan één factor toe te
wijzen.
Reductie
Een factor moet voor een aantal items iets gemeenschappelijks representeren.
Als er slechts weinig items een hoge lading hebben op een factor, draagt de
betreffende factor weinig bij aan het doel 'data reductie'. Stel we gebruiken een
minimum aantal van vier items met een hoge lading op een factor, als criterium
voor een voldoende bijdrage aan data-reductie.
Oefening vraag 8
Draagt factor 3 in de factoroplossing met vier factoren op voldoende wijze bij aan
data-reductie?
Antwoord: Nee
Toelichting: in de factoroplossing zijn er maar twee items met een hoge lading
(>.4) op factor 3. Dat beschouwen we volgens het genoemde criterium als
onvoldoende voor de bijdrage aan datareductie.
Oefening vraag 9
De keuze tussen vier factoren (volgens het eigenwaarde criterium) of twee
factoren (volgens het knik-criterium) als factoroplossing is lastig. Als we de keuze
voor de factoroplossing mede baseren op het aantal items dat op een factor een
hoge lading (> 0.4) heeft, dan kunnen we een voorkeur uitspreken over het
gewenste aantal te selecteren factoren.
Hoeveel factoren selecteer je, als ook het aantal items met een hoge lading een
rol speelt bij die keuze?
Antwoord: 2
Toelichting: De derde en vierde factor dragen relatief gezien minder bij aan de
verklaarde variantie. Er zijn voor deze twee van de factoren (factor 3 en factor 4)
maar weinig hoogladende items (minder dan vier). Als we het uitgangspunt voor
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller reneejoleinjansen. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $5.96. You're not tied to anything after your purchase.
