Dokument: Validierung und Weiterentwicklung neuer Methoden zur Bestimmung der Faktorenzahl in explorativen Faktorenanalysen

Titel:	Validierung und Weiterentwicklung neuer Methoden zur Bestimmung der Faktorenzahl in explorativen Faktorenanalysen
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=62112
URN (NBN):	urn:nbn:de:hbz:061-20230306-085259-9
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Brandenburg, Nils [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 6,06 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 28.02.2023 / geändert 28.02.2023
Beitragende:	Prof. Dr. Buchner, Axel [Gutachter] Prof. Dr. Musch, Jochen [Gutachter]
Stichwörter:	Faktorenanalyse, Dimensionalitätsbestimmung, Simulation
Dewey Dezimal-Klassifikation:	100 Philosophie und Psychologie » 150 Psychologie
Beschreibungen:	Im Kontext explorativer Faktorenanalysen existieren zahlreiche Methoden zur Bestimmung der Faktorenzahl. Simulierte Zufallsdatensätze unter Faktorenmodellen mit bekannter Faktorenzahl eignen sich zur Validierung solcher Methoden, indem die Genauigkeit ermittelt wird, mit der Methoden die bekannte Faktorenzahl reproduzieren. In der vorliegenden Dissertation werden die Methoden Next Eigenvalue Sufficiency Test (NEST; Achim, 2017) und Exploratory Graph Analysis (EGA; Golino & Epskamp, 2017; Golino et al., 2020) behandelt. Beide Methoden wurden zuvor mit dem Befund validiert, die Genauigkeit der Parallelanalyse (PA; Horn, 1965) als Goldstandardreferenz in Simulationen übertroffen zu haben. Für die vorliegende Dissertation wurden NEST und EGA erstmals in Simulationen miteinander verglichen. Die Ergebnisse zeigen, dass NEST, EGA und auch PA allesamt vergleichbar genau waren, wenn simulierte Variablen jeweils nur einen Faktor anzeigten (Simulation 1a). Darüber hinaus wurden NEST und EGA erstmals in Simulationsbedingungen untersucht, in denen simulierte Variablen jeweils mehrere Faktoren anzeigten. NEST und PA waren weiterhin vergleichbar genau, wenn simulierte Variablen jeweils zwei Faktoren anzeigten; EGA war hingegen deutlich ungenauer als NEST und PA (Simulation 1b). Das Genauigkeitsdefizit von EGA wurde in weiteren Simulationen anhand von Circumplexmodellen bestätigt, in denen Variablen ebenfalls jeweils mehrere Faktoren anzeigten (Simulationen 2a bis 2f). Die Ergebnisse zeigen insgesamt, dass NEST weniger restriktive Annahmen zur faktoriellen Struktur gemessener Variablen voraussetzt als EGA und daher für explorative Faktorenanalysen besser geeignet ist. Außerdem wird in der vorliegenden Dissertation ein Vergleich verschiedener Implementierungen von NEST für Anwendungen mit kategorialen Variablen behandelt. Dazu wurde die ursprüngliche Implementierung basierend auf Pearson-Korrelationen mit einer modifizierten Implementierung basierend auf polychorischen Korrelationen verglichen (Simulation 3). NEST mit polychorischen Korrelationen war die genaueste Methode für binäre Variablen, setzte jedoch große Stichproben (N = 500) voraus. NEST mit Pearson-Korrelationen war die genaueste Methode für Variablen mit vier Antwortkategorien, setzte jedoch homogene Item-Schwierigkeiten voraus. Insgesamt wird die Validierung von NEST durch die vorliegende Dissertation um zusätzliche Methoden- und Implementierungsvergleiche erweitert. Die Ergebnisse grenzen ein, unter welchen Bedingungen NEST Vorteile gegenüber PA zeigt und unter welchen nicht. In the context of exploratory factor analysis, there are several methods to determine the number of factors. Random data sets simulated under factors models with known numbers of factors may serve the validation of such methods in that the accuracy with which methods recover the known number of factors is investigated. The present work concerns the methods Next Eigenvalue Sufficiency Test (NEST; Achim, 2017) and Exploratory Graph Analysis (EGA; Golino & Epskamp, 2017; Golino et al., 2020). Both methods have been reported to surpass the accuracy of Parallel Analysis (PA; Horn, 1965)—the common gold standard benchmark—in simulations. The present work provides a first direct comparison of NEST and EGA in a series of simulations. The results show that NEST, EGA, and also PA were all similar in accuracy when simulated variables indicated one factor each (Simulation 1a). Furthermore, NEST and EGA were tested in conditions where simulated variables indicated multiple factors each. NEST and PA continued to be similar in accuracy when variables indicated two factors each whereas EGA was considerably less accurate than NEST and PA (Simulation 1b). The deficit in accuracy of EGA continued to show in additional simulations targeting circumplex models in which variables again indicated multiple factors each (Simulations 2a to 2f). In summary, the present work reveals that NEST is less restrictive than EGA in its assumptions concerning the factorial structure of analyzed data and hence better suited for application in exploratory factor analysis. In addition, the present work includes a comparison of different implementations of NEST with respect to analyses of categorical variables. The original implementation of NEST based on Pearson correlations was compared to a modified implementation based on polychoric correlations (Simulation 3). NEST with polychoric correlations was the most accurate method for binary variables, albeit limited to large samples (N = 500). NEST with Pearson correlations was the most accurate method for variables with four response categories, albeit limited to homogeneous item difficulties. All in all, the present work extends the previous validation of NEST through comparison to an extended set of competing methods and comparisons of different implementations of NEST. The present results narrow down the conditions in which NEST shows superior accuracy to PA and the conditions in which NEST does not.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Psychologie » Allgemeine Psychologie und Arbeitspsychologie
Dokument erstellt am:	06.03.2023
Dateien geändert am:	06.03.2023
Promotionsantrag am:	15.09.2022
Datum der Promotion:	16.12.2022