Factor AnalysisAs recommended by Fa

Factor Analysis
As recommended by Fabrigar, Wegener, MacCallum, and Strahan (1999),
ML-EFA with oblique Geomin rotation (cf. Browne, 2001) were iteratively run
to assess the dimensionality of the remaining 35 items. Several criteria were
investigated to determine the number of factors, that is, RMSEA, expected crossvalidation
index (ECVI), parallel analysis. Items without loadings above .40 or
with multiple cross-loadings were removed considering 90% confidence intervals
for the loadings in the pattern matrix. This led to a one-factor solution including
eight items that yielded excellent fit indices: χ2/df -ratio = .56; RMSEA = 0;
PClose fit (H0: RMSEA < = .050) = .990. However, the theoretical facets of
two items were also represented by other higher loading items; therefore, both lower loading items were dropped. This resulted in a six-item solution following
the rationale to include as many items as necessary from a theoretical perspective
(every remaining facet is represented by at least one item) and as few items as
possible to keep the scale short and simple from a psychometric perspective. The
six-item solution was submitted to CFA with ML estimation and yielded excellent
fit indices (χ2/df -ratio=.33; RMSEA=0; CFI=1;SRMR=.021; cf. Schweizer,
2010). Path coefficients of the standardized solution were between .50 and .69 (see
Appendix).

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ปัจจัยแนะนำ โดย Fabrigar, Wegener, MacCallum น (1999),ML-EFA กับหมุน Geomin oblique (cf. Browne, 2001) ได้ทำซ้ำ ๆการประเมิน dimensionality เหลือ 35 รายการ เงื่อนไขต่าง ๆ ได้ตรวจสอบการกำหนดจำนวนของปัจจัย คือ RMSEA คาด crossvalidationดัชนี (ECVI), วิเคราะห์ควบคู่กัน สินค้าที่ไม่ มี loadings เหนือ.40 หรือมีหลายขน-loadings ออกพิจารณาช่วงความเชื่อมั่น 90%สำหรับ loadings ในรูปเมตริกซ์ นี้นำไปสู่ปัจจัยหนึ่งโซลูชันที่รวมสินค้าแปดที่ให้ผลยอดเยี่ยมพอดัชนี: χ2/df-อัตราส่วน = 56 RMSEA = 0พอดี PClose (H0: RMSEA < =.050) =.990 อย่างไรก็ตาม แง่มุมทางทฤษฎีของยังได้แสดงสองรายการ โดยรายการโหลดอื่น ๆ สูง ดังนั้น ทั้งล่างโหลดสินค้าถูกตัดทิ้ง ส่งผลให้เป็นโซลูชัน 6 รายการดังต่อไปนี้ผลรวมสินค้ามากที่สุดตามความจำเป็นจากมุมมองทางทฤษฎี(พได้ทุกที่เหลือจะถูกแสดง ด้วยสินค้าน้อย) และเป็นบางรายการเป็นสามารถให้มุมมอง psychometric ขนาดสั้น และง่าย ที่โซลูชันที่หกสินค้าส่ง CFA กับ ML ประเมิน และผลแห่งพอดัชนี (χ2/df-อัตราส่วน = 33 RMSEA = 0 CFI = 1 SRMR =. 021 cf. Schweizer2010) ค่าสัมประสิทธิ์เส้นทางของการแก้ปัญหามาตรฐานอยู่ระหว่าง.50 และ.69 (ดูภาคผนวก)

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบในฐานะที่แนะนำโดย Fabrigar, Wegener, MacCallum และสตราฮาน (1999), ML-EFA กับการหมุนเอียง Geomin (cf บราวน์, 2001) ได้รับการเรียกใช้ซ้ำเพื่อประเมินมิติที่เหลืออีก35 รายการ เกณฑ์ที่หลายคนได้รับการตรวจสอบเพื่อตรวจสอบจำนวนของปัจจัยที่เป็น RMSEA, crossvalidation คาดว่าดัชนี(ECVI) การวิเคราะห์แบบคู่ขนาน รายการดังกล่าวข้างต้นโดยไม่ต้องเติม 0.40 หรือมีแรงข้ามหลายถูกถอดออกเมื่อพิจารณาช่วงความเชื่อมั่น90% สำหรับเติมในรูปแบบเมทริกซ์ นี้นำไปสู่การแก้ปัญหาหนึ่งปัจจัยรวมทั้งแปดรายการที่ให้ผลดัชนีแบบเต็มยอดเยี่ยม: χ2 / DF -ratio = 0.56; RMSEA = 0; PClose พอดี (H0: RMSEA <= 0.050) = 0.990 อย่างไรก็ตามในแง่มุมทางทฤษฎีของสองรายการยังเป็นตัวแทนจากรายการที่สูงขึ้นในการโหลดอื่น ๆ ดังนั้นทั้งสองรายการลดโหลดที่ถูกทิ้ง นี้ส่งผลในการแก้ปัญหาหกรายการต่อไปนี้เหตุผลที่จะรวมรายการที่มากที่สุดเท่าที่จำเป็นจากมุมมองทางทฤษฎี(ทุกด้านที่เหลือจะถูกแทนด้วยอย่างน้อยหนึ่งรายการ) และรายการที่น้อยที่สุดเท่าที่เป็นไปได้เพื่อให้ขนาดสั้นและง่ายจากทางจิตวิทยามุมมอง แก้ปัญหาหกรายการที่ถูกส่งไปยังเอฟที่มีการประมาณ ML และให้ผลที่ดีเยี่ยมดัชนีพอดี(χ2 / DF -ratio = 0.33; RMSEA = 0; CFI = 1; SRMR = 0.021; cf เลย Schweizer, 2010) ค่าสัมประสิทธิ์เส้นทางของการแก้ปัญหาที่ได้มาตรฐานอยู่ระหว่าง 0.50 และ 0.69 (ดูภาคผนวก)