Välkommen till sidan om faktor
På denna sida beskrivs metoder för att undersöka skalors pålitlighet och underliggande faktorer i data, inklusive Reliabilitetsanalys, Exploratorisk faktoranalys (EFA) och Konfirmatorisk faktoranalys (CFA). Guiden visar vad varje analys mäter, exempel på när de används, instruktioner för hur de genomförs i Jamovi och hur resultaten kan tolkas. Målet är att ge en tydlig referens för att analysera interna konsistenser och latent struktur i dataset.
Reliabilitetsanalys
Vad är det?
Reliabilitetsanalys mäter intern konsistens hos en skala eller ett test, dvs. hur väl de olika delarna av ett mått hänger ihop. Den vanligaste måtten är Cronbach’s alpha och Omega.
Exempel:
Du har ett stressmått med 10 frågor och vill undersöka om frågorna mäter samma underliggande koncept.
- Variabler: Alla frågor i skalan är delkomponenter; det finns ingen strikt beroende/oberoende variabel.
JAMOVI INSTRUKTION
- Öppna datasetet i Jamovi.
- Klicka på Analyses → Reliability → Reliability Analysis.
- Välj de frågor/variabler som ingår i skalan.
- Välj mått (t.ex. Cronbach’s alpha).
- Klicka på OK.
Tolkning:
Kontrollera item-total correlations för att se om vissa frågor minskar skalan reliabilitet.
Cronbach’s alpha:
- ≥ 0,9: Utmärkt
- 0,8–0,89: God
- 0,7–0,79: Acceptabel
- < 0,7: Låg reliabilitet, kan behöva justeringar
Exploratorisk faktoranalys (EFA)
Vad är det?
EFA används för att identifiera underliggande faktorer i ett dataset utan att göra antaganden om strukturen på förhand. Den hjälper till att se om variabler grupperar sig på ett logiskt sätt.
Exempel:
Du har 12 frågor om livsstil och vill undersöka om de grupperar sig i faktorer som t.ex. fysisk aktivitet, kost och sömn.
- Variabler: Alla frågor är observerade indikatorer; faktorer är latenta (underliggande) och genereras av analysen.
JAMOVI INSTRUKTION
- Öppna datasetet i Jamovi.
- Klicka på Analyses → Factor → Exploratory Factor Analysis.
- Välj variabler som ska inkluderas.
- Välj extraktionsmetod (t.ex. Principal Axis Factoring) och rotationsmetod (t.ex. Varimax).
- Ange antal faktorer om du vill, eller låt Jamovi föreslå via Kaiser-kriteriet (eigenvalue >1).
- Klicka på OK.
Tolkning:
- Explained variance: Anger hur stor del av den totala variansen som förklaras av faktorerna.
- Factor loadings: >0,4 indikerar starkt samband med faktorn.
- Eigenvalues: Faktorer med värde >1 brukar behållas.
Konfirmatorisk faktoranalys (CFA)
Vad är det?
CFA används för att testa om en förutbestämd faktormodell stämmer med dina data. Du anger vilka variabler som hör till vilken faktor och utvärderar modellens passform.
Exempel:
Du vill testa om en skala med 10 frågor verkligen mäter de tre faktorerna fysisk aktivitet, kost och sömn som tidigare forskning föreslagit.
- Variabler: Alla frågor är observerade variabler; faktorer är latenta och definieras av modellen.
JAMOVI INSTRUKTION
Notera: CFA kräver oftast tillägget Jamovi SEM/AMOS eller lavaan via Rj i Jamovi.
- Öppna datasetet i Jamovi.
- Installera och öppna SEM-modulen (t.ex. lavaan).
- Definiera modell: ange vilka frågor som hör till vilka faktorer.
- Kör CFA och granska fit indices (t.ex. CFI, TLI, RMSEA, SRMR).
Tolkning:
Om modellen inte passar kan faktorer omdefinieras eller korrelationer mellan feltermer inkluderas.
- CFI/TLI > 0,90: Bra passform
- RMSEA < 0,08: Acceptabel passform
- SRMR < 0,08: Bra passform