12

Methoden empirischer Forschung (Fach) / Explorative Datenanalyse (Lektion)

Diese Lektion wurde von Niiklas1997 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Die explorative Datenanalyse ist ein... ...multivariates Analyseverfahren, also ein statistisches Verfahren, das die Beziehungsstruktur von mehr als 2 Variablen untersucht.
• 2 Arten von multivariaten Datenanalysen - strukturen-entdeckende Verfahren (explorativ) -> Faktoren- und Clusteranalyse - strukturen-prüfende Verfahren (konfirmatorisch) -> Regressions- und Varianzanalyse
• wofür werden explorative Datenanalysen genutzt? Für: 1. Hypothesengenerierung 2. Strukturierung großer Variablensets 3. Verdichtung und Datenreduktion 4. Aufdeckung nicht beobachteter Zusammenhänge
• Faktorenanalyse Analyseverfahren, mit dem Strukturen von Daten untersucht werden, indem mehrere Variablen zu einigen Faktoren zusammengefasst werden. Ziele: -> Strukturen/Abhängigkeiten von Datensätzen erkennen -> Datenreduktion
• Wodurch grenzt sich die Faktorenanalyse von hypothesenprüfenden Verfahren ab? Sie: - stellt keine Prognosen auf - führt keine Ermittlung von Kausalbeziehungen der Form "Ursache -> Wirkung" durch - erlaubt dem Anwender viele Freiheiten bzgl. der Annahmen und der Interpretationen
• Mögliche Reduzierungsverfahren bei der Faktorenanalyse 1. Explorative Vorgehensweise: Modell-oder Hypothesengenerierendes Verfahren; wie gut passt jede Variable zu allen Faktoren? 2. Konfirmatorische Vorgehensweise: Vordefinierte Hypothesen über die Faktorstruktur, wird das aufgestellte Modell durch die erfassten Daten bestätigt oder nicht?; Wie gut spiegeln einzelne Variablen einen gemeinsamen Faktor wieder?
• Faktorenanalyse: Faktoren, Variablen, Ladung, Kommunalität, Eigenwert, Residuum Faktoren = Dimension "hinter" der beobachteten Variable, abstrakt und hypothetisch Variablen = Einzelnes, messbares Item Ladung = Stärke des Zusammenhangs zwischen Faktor und Variablen Kommunalität = Varianzanteil einer Variable, der durch die Faktoren erklärt werden kann (Max. Kommunalität = 1) Eigenwert = Varianzerklärungsbeitrag eines Faktors über alle Variablen Residuum = Teil der Varianz, der von den Faktoren nicht "aufgefangen" werden kann
• Faktorenanalyse in 6 Schritten 1. Variablenauswahl und Korrelationsmatrix 2. Extraktion der Faktoren 3. Bestimmung der Kommunalitäten 4. Bestimmung der Faktorenanzahl 5. (Rotation und Interpretation der Faktoren) 6. (Ermittlung der Faktorenwerte)
• Schwierigkeiten bei der Faktorenanalyse 1. Daten müssen standardisiert werden 2. Ausreißer beachten 3. Stichprobengröße (nicht unter 60, ab 500 sehr gut)
• Faktorenextraktion - Ansatz: Objekte werden durch Vektoren im n-dimensionalen Raum repräsentiert - Ziel: Reproduktion der Informationen in einem Raum geringer Dimensionalität
• Anzeige
• Abschließende Beurteilung explorativer Verfahren + Reduzierung der Komplexität bei variablenreichen Datensätzen, dadurch bessere Überschaubarkeit - Faktorenanalyse basiert fast ausschließlich auf unbekannten Größen - Schätzung dieser Größen ist schwierig, erfolgt größtenteils subjektiv und ist daher im Hinblick auf die zu verwendende Methode umstritten - Dadurch viel Spielraum bei der Interpretation gewonnener Faktoren => Instrument zur Aufstellung und Fundierung wissenschaftlicher Hypothesen, aber keine kausalen Rückschlüsse erlaubt!
• Wie berechnet man die Kommunalität, die Eigenwerte, die erklärte Varianz und die Gesamtvarianz? Kommunalität: Indem die quadrierten Werte der Faktoren addiert werden (bspw. F1+F2). Eigenwerte: Indem die quadrierten Werte eines Faktors addiert werden (bspw. F11+F12+F13...). erklärte Varianz: Eigenwert * 10 +"%" Zeichen Gesamtvarianz: Eigenwerte addieren und durch "10" teilen, dann in Prozent umrechnen

zurück  |  weiter 1 / 1