Przegląd procesu tworzenia miary

Analiza czynnikowa w R

Jennifer Brussow

Psychometrician

Proces tworzenia

Opracuj pozycje do swojej miary
Zbierz dane pilotażowe z reprezentatywnej próby
Sprawdź, jak wygląda zbiór danych
Zdecyduj, czy chcesz użyć EFA, CFA, czy obu
Jeśli obu, podziel próbę na losowe połowy
Porównaj obie próby, aby upewnić się, że są podobne

Proces tworzenia

Opracuj pozycje do swojej miary
Zbierz dane pilotażowe z reprezentatywnej próby
Sprawdź, jak wygląda zbiór danych

Analiza zbioru danych

library(psych)
describe(gcbs)

    vars    n mean   sd median trimmed  mad min max range  skew ...
Q1     1 2495 3.47 1.46      4    3.59 1.48   0   5     5 -0.55 ...
Q2     2 2495 2.96 1.49      3    2.96 1.48   0   5     5 -0.01 ...
Q3     3 2495 2.05 1.39      1    1.82 0.00   0   5     5  0.98 ...
Q4     4 2495 2.64 1.45      2    2.55 1.48   0   5     5  0.26 ...
Q5     5 2495 3.25 1.47      4    3.32 1.48   0   5     5 -0.35 ...
...
Q11   11 2495 3.27 1.40      4    3.34 1.48   0   5     5 -0.35 ...
Q12   12 2495 2.64 1.50      2    2.56 1.48   0   5     5  0.29 ...
Q13   13 2495 2.10 1.38      1    1.89 0.00   0   5     5  0.89 ...
Q14   14 2495 2.96 1.49      3    2.95 1.48   0   5     5 -0.02 ...
Q15   15 2495 4.23 1.10      5    4.47 0.00   0   5     5 -1.56 ...

Proces tworzenia

Opracuj pozycje do swojej miary
Zbierz dane pilotażowe z reprezentatywnej próby
Sprawdź, jak wygląda zbiór danych
Zdecyduj, czy chcesz użyć analizy eksploracyjnej (EFA), konfirmacyjnej (CFA), czy obu
Jeśli obu, podziel próbę na losowe połowy

Podział zbioru danych

N <- nrow(gcbs)
indices <- seq(1, N)
indices_EFA <- sample(indices, floor((0.5 * N)))
indices_CFA <- indices[!(indices %in% indices_EFA)]

gcbs_EFA <- gcbs[indices_EFA, ]
gcbs_CFA <- gcbs[indices_CFA, ]

Proces tworzenia

Opracuj pozycje do swojej miary
Zbierz dane pilotażowe z reprezentatywnej próby
Sprawdź, jak wygląda zbiór danych
Zdecyduj, czy chcesz użyć EFA, CFA, czy obu
Jeśli obu, podziel próbę na losowe połowy
Porównaj obie próby, aby upewnić się, że są podobne

Badanie połów

group_var <- vector("numeric", nrow(gcbs))
group_var[indices_EFA] <- 1
group_var[indices_CFA] <- 2
group_var

   [1] 2 1 2 2 1 2 1 1 2 2 2 1 2 2 1 1 2 1 1 1 1 2 1 1 2 1 1 1 2 2
  [31] 2 2 2 1 2 2 2 1 2 2 2 1 1 1 2 2 2 2 1 2 2 1 1 2 2 2 2 2 2 2
  [61] 2 1 2 1 2 2 1 2 1 2 2 2 1 2 1 2 1 1 2 2 1 2 1 2 1 1 1 2 2 2
  [91] 2 2 2 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 2 1 1 1 2 2 1 1 2 2
 [121] 2 1 2 2 1 2 2 1 2 2 2 2 1 2 1 1 1 2 2 1 1 1 2 1 1 1 1 2 2 2
 [151] 1 1 1 1 2 2 2 2 2 1 2 1 1 2 1 1 2 1 2 1 2 1 1 1 2 1 1 1 1 2
 [181] 2 1 1 2 2 2 1 1 1 1 2 2 2 2 2 1 1 1 1 2 2 1 1 1 2 1 2 1 2 2

Badanie połów

gcbs_grouped <- cbind(gcbs, group_var)

describeBy(gcbs_grouped, group = group_var)
statsBy(gcbs_grouped, group = "group_var")

Czas na ćwiczenia!

Analiza czynnikowa w R