Con referencia de varias fuentes, estoy tratando de explicar la diferencia entre CFA y EFA en términos simples.
- CFA evalúa las hipótesis a priori y se basa en gran medida en la teoría, mientras que EFA es para identificar factores basados en datos y para maximizar la cantidad de varianza requerida.
- Los análisis CFA requieren que el investigador hipotetice, de antemano, el número de factores, si estos factores están correlacionados o no, y qué elementos / medidas se cargan y reflejan qué factores, mientras que en la EPT, el investigador no está obligado a tener ninguna hipótesis específica sobre cómo surgirán muchos factores y qué elementos o variables comprenderán estos factores.
- EFA busca patrones mientras que CFA realiza pruebas de hipótesis estadísticas en los modelos propuestos.
- Si no está seguro de qué factores incluir en su modelo, aplique EFA. Una vez que haya eliminado algunos factores y haya decidido qué incluir en su modelo, haga CFA para probar el modelo formalmente para ver si los factores elegidos son significativos.
- La EPT es un enfoque basado en datos o puede decir un enfoque inductivo, lo que significa que sigue una estrategia de abajo hacia arriba. Entonces, en EFA sacamos conclusiones basadas en observaciones específicas, mientras que CFA es un enfoque deductivo que sigue una estrategia de arriba hacia abajo donde desarrollamos nuestra conclusión basada en la teoría.
- En EFA, usamos los datos para determinar la estructura subyacente. Además, normalmente se usa una rotación ortogonal y se permiten cargas cruzadas, siempre que sean relativamente pequeñas mientras se encuentren en CFA, especificamos la estructura de factores sobre la base de una “buena” teoría y luego usamos CFA para determinar si existe soporte empírico para La estructura factorial teórica propuesta. además; asume rotación oblicua y sin cargas cruzadas.
¡Espero que sea útil!
- ¿Cuál es el punto de ejecutar un modelo de regresión logística antes de un árbol de decisión?
- ¿Se puede usar tensorflow en SVM?
- ¿En qué se diferencia la teoría del "cuello de botella de información" del aprendizaje profundo del ejemplo conocido de tener una capa oculta de dimensión reducida en un codificador automático?
- ¿Cuáles son los mejores cursos de ciencia de datos en Udemy?
- ¿Todavía es necesario aprender LDA (distribución de Dirichlet latente)?