Разница между поисковым и подтверждающим факторным анализом при определении независимости конструкции

Исследователи часто используют две меры, которые имеют очень похожие предметы, и утверждают, что они измеряют разные вещи (например, «я всегда волнуюсь, когда я рядом с машинами»; «я боюсь машин»). Назовем гипотетические меры «Мера страха перед автомобилем» и «Беспокойство от автомобильной шкалы». Я заинтересован в эмпирическом тестировании, если они действительно оценивают различные скрытые конструкции или измеряют одно и то же.

Два лучших способа, которыми я могу подумать сделать это, были бы через предварительный заводской анализ (EFA) или подтверждающий факторный анализ (CFA). Я думаю, что EFA был бы хорош, потому что он позволяет свободно загружать все элементы без ограничений. Если элементы из двух шкал нагружены одними и теми же факторами, то я могу заключить, что показатели, вероятно, не очень хорошо оценивают разные вещи. Однако я также вижу преимущества в CFA, поскольку буду тестировать заранее определенные модели. Например, я мог бы сравнить соответствие модели, в которой все элементы загружаются в один фактор (т. Е. Они не оценивают различные конструкции), или элементы разделены на ожидаемые показатели. Я полагаю, что проблема с CFA заключается в том, что он не будет рассматривать альтернативные модели (например, трехфакторную модель).

В целях обсуждения, давайте также, возможно, рассмотрим, что могут быть две другие очень похожие меры (например, опросник по автомобильной тревоге и шкалы для оценки автомобильных страхов), которые я хотел бы добавить в смесь!

Как мне лучше всего статистически определить, оценивают ли две меры разные конструкции?

Эти методы являются примерами применения разведочного и подтверждающего анализа данных. Исследовательский анализ данных ищет закономерности, в то время как анализ подтверждающих данных выполняет статистическую проверку гипотез на предложенных моделях. Это действительно не следует рассматривать с точки зрения того, какой метод использовать, это больше зависит от того, на какой стадии анализа данных вы находитесь. Если вы не уверены, какие факторы включить в вашу модель, вы применяете EFA. После того, как вы устранили некоторые факторы и определились с тем, что включать в свою модель, вы проводите CFA для формального тестирования модели, чтобы увидеть, значимы ли выбранные факторы.

Если я правильно понимаю ваш вопрос, это вопрос тестирования . Тогда простое тестирование требует своего рода подтверждающего факторного анализа, такого же, как и вопрос: «Действительно ли средства в подгруппах различаются?» требует t-теста.

К сожалению (?) При выборе общего подхода к соответствующему методу факторного анализа часто подразумеваются и другие математические (и статистические) модели, например, если вы выбираете «CFA» в SPSS, то подразумевается, что вы допускаете некоррелированные ошибки и что некоррелированные ошибки оцениваются, и оценка исключается из модели - так что, по моему мнению, из-за дальнейших последствий первоначальный выбор правильного факторного аналитического подхода часто подвергается риску из-за этих математических / статистических последствий.

Вкратце: ваш вопрос относится к типу «тестирование нуля», поэтому вам нужен CFA или лучше: методы, разработанные в рамках SEM (моделирование структурных уравнений). Обратите внимание, что есть дружественный и полезный список рассылки, полный экспертов по SEM под названием «SEMNET», и, поскольку я не настоящий эксперт, вы можете уточнить свой отзыв, спросив там ...