Veja a diferença na magnitude das correlações pearson e tetracóricas nas duas análises que fizemos via score.multiple.choice vs irt.fa
round(bpr_irt$rho, digits = 2)
## ahv_1 ahv_2 ahv_3 ahv_4 ahv_5 ahv_6 ahv_7 ahv_8 ahv_9 aha_1 aha_2
## ahv_1 1.00 0.38 0.31 0.28 0.16 0.16 0.03 0.02 0.02 0.29 0.28
## ahv_2 0.38 1.00 0.34 0.29 0.20 0.14 -0.13 -0.06 0.06 0.32 0.33
## ahv_3 0.31 0.34 1.00 0.30 0.21 0.13 -0.05 -0.16 0.00 0.29 0.25
## ahv_4 0.28 0.29 0.30 1.00 0.10 0.13 0.08 -0.03 0.03 0.16 0.24
## ahv_5 0.16 0.20 0.21 0.10 1.00 -0.02 -0.17 -0.11 0.25 0.13 0.20
## ahv_6 0.16 0.14 0.13 0.13 -0.02 1.00 -0.11 0.12 0.03 0.18 0.20
## ahv_7 0.03 -0.13 -0.05 0.08 -0.17 -0.11 1.00 -0.07 -0.16 -0.03 0.03
## ahv_8 0.02 -0.06 -0.16 -0.03 -0.11 0.12 -0.07 1.00 -0.13 -0.04 -0.02
## ahv_9 0.02 0.06 0.00 0.03 0.25 0.03 -0.16 -0.13 1.00 0.08 0.06
## aha_1 0.29 0.32 0.29 0.16 0.13 0.18 -0.03 -0.04 0.08 1.00 0.59
## aha_2 0.28 0.33 0.25 0.24 0.20 0.20 0.03 -0.02 0.06 0.59 1.00
## aha_3 0.26 0.27 0.25 0.22 0.13 0.18 -0.04 0.09 0.04 0.33 0.56
## aha_4 0.18 0.16 0.17 0.12 0.18 0.09 0.02 0.03 0.03 0.15 0.16
## aha_5 0.12 0.14 0.16 0.13 0.11 0.04 -0.02 0.03 0.03 0.27 0.27
## aha_6 0.16 0.14 0.14 0.08 0.09 0.07 0.07 -0.04 0.04 0.18 0.28
## aha_7 0.26 0.26 0.30 0.30 0.20 0.09 0.04 -0.06 0.00 0.40 0.51
## aha_8 -0.01 0.08 0.09 0.11 0.05 0.04 -0.12 0.20 0.07 0.08 0.22
## aha_9 -0.04 0.05 0.06 0.10 0.12 0.03 -0.02 -0.12 0.06 -0.20 -0.02
## ahe_1 0.12 0.15 0.18 0.16 0.09 -0.02 0.01 -0.08 0.08 0.07 0.19
## ahe_2 0.20 0.15 0.09 0.08 0.08 0.00 -0.01 -0.13 0.10 0.10 0.04
## ahe_3 0.10 0.08 0.06 0.03 0.03 0.10 0.03 -0.11 0.02 0.11 0.09
## ahe_4 0.12 0.08 0.10 0.22 0.07 0.00 0.06 0.11 0.00 0.15 0.17
## ahe_5 0.12 0.16 0.19 0.15 0.05 0.02 0.03 0.09 0.04 0.14 0.16
## ahe_6 0.08 0.13 0.05 0.09 0.10 0.02 0.07 0.00 -0.05 0.15 0.14
## ahe_7 0.21 0.22 0.18 0.20 0.11 -0.01 -0.01 -0.01 0.01 0.16 0.17
## ahe_8 0.06 0.06 0.05 0.10 0.15 0.02 0.07 0.03 0.04 0.06 0.04
## ahe_9 0.02 0.03 0.08 0.01 0.13 -0.03 0.00 -0.10 0.09 -0.06 0.01
## aha_3 aha_4 aha_5 aha_6 aha_7 aha_8 aha_9 ahe_1 ahe_2 ahe_3 ahe_4
## ahv_1 0.26 0.18 0.12 0.16 0.26 -0.01 -0.04 0.12 0.20 0.10 0.12
## ahv_2 0.27 0.16 0.14 0.14 0.26 0.08 0.05 0.15 0.15 0.08 0.08
## ahv_3 0.25 0.17 0.16 0.14 0.30 0.09 0.06 0.18 0.09 0.06 0.10
## ahv_4 0.22 0.12 0.13 0.08 0.30 0.11 0.10 0.16 0.08 0.03 0.22
## ahv_5 0.13 0.18 0.11 0.09 0.20 0.05 0.12 0.09 0.08 0.03 0.07
## ahv_6 0.18 0.09 0.04 0.07 0.09 0.04 0.03 -0.02 0.00 0.10 0.00
## ahv_7 -0.04 0.02 -0.02 0.07 0.04 -0.12 -0.02 0.01 -0.01 0.03 0.06
## ahv_8 0.09 0.03 0.03 -0.04 -0.06 0.20 -0.12 -0.08 -0.13 -0.11 0.11
## ahv_9 0.04 0.03 0.03 0.04 0.00 0.07 0.06 0.08 0.10 0.02 0.00
## aha_1 0.33 0.15 0.27 0.18 0.40 0.08 -0.20 0.07 0.10 0.11 0.15
## aha_2 0.56 0.16 0.27 0.28 0.51 0.22 -0.02 0.19 0.04 0.09 0.17
## aha_3 1.00 0.27 0.15 0.28 0.39 0.17 0.08 0.18 0.13 -0.01 0.12
## aha_4 0.27 1.00 0.19 0.23 0.19 0.10 0.07 0.07 0.13 0.09 0.12
## aha_5 0.15 0.19 1.00 0.15 0.18 0.07 -0.10 0.05 0.12 0.01 0.10
## aha_6 0.28 0.23 0.15 1.00 0.31 0.22 0.01 0.07 0.07 -0.02 0.12
## aha_7 0.39 0.19 0.18 0.31 1.00 0.19 -0.02 0.17 0.11 0.09 0.29
## aha_8 0.17 0.10 0.07 0.22 0.19 1.00 0.09 0.00 -0.03 -0.02 0.02
## aha_9 0.08 0.07 -0.10 0.01 -0.02 0.09 1.00 0.06 -0.05 -0.03 0.01
## ahe_1 0.18 0.07 0.05 0.07 0.17 0.00 0.06 1.00 0.44 0.03 0.14
## ahe_2 0.13 0.13 0.12 0.07 0.11 -0.03 -0.05 0.44 1.00 0.07 0.16
## ahe_3 -0.01 0.09 0.01 -0.02 0.09 -0.02 -0.03 0.03 0.07 1.00 0.06
## ahe_4 0.12 0.12 0.10 0.12 0.29 0.02 0.01 0.14 0.16 0.06 1.00
## ahe_5 0.26 0.09 0.08 0.11 0.20 0.03 0.01 0.06 0.10 0.12 0.19
## ahe_6 0.14 0.04 0.03 0.10 0.18 0.13 -0.04 0.16 0.03 0.12 0.19
## ahe_7 0.19 0.16 0.10 0.15 0.21 0.06 0.06 0.11 0.14 -0.04 0.22
## ahe_8 0.04 0.13 0.06 0.03 0.10 0.06 0.03 -0.04 0.07 0.05 0.03
## ahe_9 0.12 0.04 0.01 0.10 0.05 0.11 0.10 0.18 0.09 -0.02 0.11
## ahe_5 ahe_6 ahe_7 ahe_8 ahe_9
## ahv_1 0.12 0.08 0.21 0.06 0.02
## ahv_2 0.16 0.13 0.22 0.06 0.03
## ahv_3 0.19 0.05 0.18 0.05 0.08
## ahv_4 0.15 0.09 0.20 0.10 0.01
## ahv_5 0.05 0.10 0.11 0.15 0.13
## ahv_6 0.02 0.02 -0.01 0.02 -0.03
## ahv_7 0.03 0.07 -0.01 0.07 0.00
## ahv_8 0.09 0.00 -0.01 0.03 -0.10
## ahv_9 0.04 -0.05 0.01 0.04 0.09
## aha_1 0.14 0.15 0.16 0.06 -0.06
## aha_2 0.16 0.14 0.17 0.04 0.01
## aha_3 0.26 0.14 0.19 0.04 0.12
## aha_4 0.09 0.04 0.16 0.13 0.04
## aha_5 0.08 0.03 0.10 0.06 0.01
## aha_6 0.11 0.10 0.15 0.03 0.10
## aha_7 0.20 0.18 0.21 0.10 0.05
## aha_8 0.03 0.13 0.06 0.06 0.11
## aha_9 0.01 -0.04 0.06 0.03 0.10
## ahe_1 0.06 0.16 0.11 -0.04 0.18
## ahe_2 0.10 0.03 0.14 0.07 0.09
## ahe_3 0.12 0.12 -0.04 0.05 -0.02
## ahe_4 0.19 0.19 0.22 0.03 0.11
## ahe_5 1.00 0.20 0.21 0.20 0.00
## ahe_6 0.20 1.00 0.13 0.06 0.19
## ahe_7 0.21 0.13 1.00 0.09 0.07
## ahe_8 0.20 0.06 0.09 1.00 -0.08
## ahe_9 0.00 0.19 0.07 -0.08 1.00
lowerCor(bpr_df, digits =2)
## ahv_1 ahv_2 ahv_3 ahv_4 ahv_5 ahv_6 ahv_7 ahv_8 ahv_9 aha_1
## ahv_1 1.00
## ahv_2 0.23 1.00
## ahv_3 0.19 0.22 1.00
## ahv_4 0.16 0.18 0.19 1.00
## ahv_5 0.10 0.13 0.13 0.06 1.00
## ahv_6 0.09 0.09 0.08 0.08 -0.01 1.00
## ahv_7 0.01 -0.06 -0.02 0.04 -0.07 -0.05 1.00
## ahv_8 0.01 -0.02 -0.07 -0.01 -0.05 0.05 -0.02 1.00
## ahv_9 0.01 0.04 0.00 0.02 0.16 0.02 -0.07 -0.06 1.00
## aha_1 0.16 0.17 0.15 0.08 0.07 0.09 -0.01 -0.02 0.05 1.00
## aha_2 0.17 0.21 0.16 0.15 0.12 0.12 0.01 -0.01 0.04 0.34
## aha_3 0.14 0.17 0.15 0.13 0.08 0.11 -0.02 0.04 0.03 0.16
## aha_4 0.11 0.10 0.11 0.08 0.11 0.05 0.01 0.01 0.02 0.08
## aha_5 0.07 0.09 0.10 0.08 0.07 0.03 -0.01 0.01 0.02 0.14
## aha_6 0.09 0.09 0.09 0.05 0.06 0.04 0.03 -0.02 0.03 0.09
## aha_7 0.16 0.17 0.19 0.19 0.12 0.06 0.02 -0.02 0.00 0.22
## aha_8 0.00 0.04 0.05 0.05 0.03 0.02 -0.04 0.08 0.04 0.03
## aha_9 -0.02 0.02 0.03 0.05 0.06 0.02 -0.01 -0.04 0.03 -0.10
## ahe_1 0.07 0.09 0.12 0.10 0.06 -0.01 0.00 -0.04 0.05 0.04
## ahe_2 0.12 0.09 0.05 0.05 0.05 0.00 -0.01 -0.06 0.06 0.06
## ahe_3 0.05 0.04 0.03 0.01 0.02 0.06 0.01 -0.04 0.01 0.05
## ahe_4 0.07 0.05 0.06 0.13 0.04 0.00 0.03 0.05 0.00 0.08
## ahe_5 0.06 0.10 0.12 0.09 0.03 0.01 0.01 0.04 0.02 0.07
## ahe_6 0.04 0.08 0.03 0.05 0.06 0.01 0.03 0.00 -0.03 0.08
## ahe_7 0.12 0.13 0.11 0.12 0.07 -0.01 0.00 0.00 0.01 0.08
## ahe_8 0.03 0.03 0.03 0.06 0.08 0.01 0.03 0.01 0.02 0.03
## ahe_9 0.01 0.02 0.04 0.01 0.07 -0.02 0.00 -0.04 0.05 -0.03
## aha_2 aha_3 aha_4 aha_5 aha_6 aha_7 aha_8 aha_9 ahe_1 ahe_2
## aha_2 1.00
## aha_3 0.34 1.00
## aha_4 0.10 0.17 1.00
## aha_5 0.17 0.09 0.12 1.00
## aha_6 0.17 0.17 0.14 0.09 1.00
## aha_7 0.34 0.24 0.12 0.11 0.19 1.00
## aha_8 0.11 0.09 0.05 0.04 0.11 0.10 1.00
## aha_9 -0.01 0.04 0.04 -0.05 0.00 -0.01 0.04 1.00
## ahe_1 0.12 0.11 0.05 0.03 0.04 0.11 0.00 0.03 1.00
## ahe_2 0.03 0.08 0.08 0.07 0.04 0.07 -0.02 -0.02 0.28 1.00
## ahe_3 0.05 -0.01 0.05 0.00 -0.01 0.05 -0.01 -0.02 0.02 0.04
## ahe_4 0.10 0.07 0.08 0.06 0.07 0.18 0.01 0.01 0.09 0.10
## ahe_5 0.10 0.16 0.05 0.04 0.07 0.12 0.02 0.00 0.04 0.06
## ahe_6 0.09 0.08 0.03 0.02 0.06 0.11 0.07 -0.02 0.10 0.02
## ahe_7 0.10 0.11 0.10 0.06 0.09 0.13 0.03 0.03 0.06 0.08
## ahe_8 0.02 0.02 0.07 0.03 0.01 0.05 0.03 0.01 -0.02 0.03
## ahe_9 0.00 0.06 0.02 0.00 0.05 0.03 0.05 0.04 0.10 0.05
## ahe_3 ahe_4 ahe_5 ahe_6 ahe_7 ahe_8 ahe_9
## ahe_3 1.00
## ahe_4 0.03 1.00
## ahe_5 0.06 0.11 1.00
## ahe_6 0.07 0.11 0.12 1.00
## ahe_7 -0.02 0.13 0.13 0.08 1.00
## ahe_8 0.02 0.02 0.10 0.03 0.04 1.00
## ahe_9 -0.01 0.06 0.00 0.10 0.04 -0.04 1.00
describe(bpr_irt$rho)
## vars n mean sd median trimmed mad min max range skew kurtosis
## ahv_1 1 27 0.18 0.20 0.16 0.16 0.15 -0.04 1 1.04 2.54 8.30
## ahv_2 2 27 0.19 0.20 0.15 0.17 0.13 -0.13 1 1.13 2.20 6.97
## ahv_3 3 27 0.18 0.20 0.16 0.16 0.14 -0.16 1 1.16 2.25 7.50
## ahv_4 4 27 0.17 0.19 0.13 0.15 0.07 -0.03 1 1.03 3.07 11.03
## ahv_5 5 27 0.14 0.20 0.11 0.12 0.07 -0.17 1 1.17 2.95 11.37
## ahv_6 6 27 0.10 0.20 0.04 0.07 0.09 -0.11 1 1.11 3.56 13.86
## ahv_7 7 27 0.02 0.21 0.00 -0.01 0.06 -0.17 1 1.17 3.76 15.18
## ahv_8 8 27 0.02 0.22 -0.03 -0.02 0.09 -0.16 1 1.16 3.47 13.14
## ahv_9 9 27 0.07 0.20 0.04 0.04 0.03 -0.16 1 1.16 3.67 14.60
## aha_1 10 27 0.19 0.23 0.15 0.16 0.13 -0.20 1 1.20 1.65 4.09
## aha_2 11 27 0.23 0.22 0.19 0.20 0.13 -0.02 1 1.02 1.66 3.09
## aha_3 12 27 0.21 0.20 0.18 0.19 0.13 -0.04 1 1.04 2.22 6.21
## aha_4 13 27 0.16 0.18 0.13 0.13 0.08 0.02 1 0.98 3.73 14.82
## aha_5 14 27 0.13 0.19 0.10 0.10 0.08 -0.10 1 1.10 3.33 12.59
## aha_6 15 27 0.15 0.19 0.11 0.13 0.07 -0.04 1 1.04 3.17 11.55
## aha_7 16 27 0.22 0.20 0.19 0.20 0.15 -0.06 1 1.06 1.93 5.27
## aha_8 17 27 0.11 0.19 0.08 0.08 0.07 -0.12 1 1.12 3.45 13.31
## aha_9 18 27 0.05 0.20 0.03 0.02 0.07 -0.20 1 1.20 3.63 14.58
## ahe_1 19 27 0.13 0.20 0.09 0.10 0.09 -0.08 1 1.08 3.02 10.36
## ahe_2 20 27 0.12 0.20 0.09 0.09 0.06 -0.13 1 1.13 3.06 10.62
## ahe_3 21 27 0.08 0.19 0.05 0.05 0.07 -0.11 1 1.11 3.98 16.40
## ahe_4 22 27 0.15 0.18 0.12 0.12 0.08 0.00 1 1.00 3.59 13.97
## ahe_5 23 27 0.15 0.18 0.12 0.12 0.11 0.00 1 1.00 3.55 13.78
## ahe_6 24 27 0.13 0.19 0.10 0.10 0.08 -0.05 1 1.05 3.65 14.51
## ahe_7 25 27 0.15 0.19 0.14 0.13 0.10 -0.04 1 1.04 3.32 12.79
## ahe_8 26 27 0.09 0.19 0.06 0.06 0.04 -0.08 1 1.08 4.06 16.75
## ahe_9 27 27 0.08 0.20 0.05 0.05 0.07 -0.10 1 1.10 3.67 14.52
## se
## ahv_1 0.04
## ahv_2 0.04
## ahv_3 0.04
## ahv_4 0.04
## ahv_5 0.04
## ahv_6 0.04
## ahv_7 0.04
## ahv_8 0.04
## ahv_9 0.04
## aha_1 0.04
## aha_2 0.04
## aha_3 0.04
## aha_4 0.03
## aha_5 0.04
## aha_6 0.04
## aha_7 0.04
## aha_8 0.04
## aha_9 0.04
## ahe_1 0.04
## ahe_2 0.04
## ahe_3 0.04
## ahe_4 0.04
## ahe_5 0.04
## ahe_6 0.04
## ahe_7 0.04
## ahe_8 0.04
## ahe_9 0.04
describe(cor(bpr_df, use = "pairwise"))
## vars n mean sd median trimmed mad min max range skew kurtosis
## ahv_1 1 27 0.12 0.19 0.09 0.09 0.08 -0.02 1 1.02 3.78 15.04
## ahv_2 2 27 0.13 0.19 0.09 0.10 0.08 -0.06 1 1.06 3.55 13.81
## ahv_3 3 27 0.12 0.19 0.10 0.10 0.08 -0.07 1 1.07 3.60 14.19
## ahv_4 4 27 0.12 0.18 0.08 0.09 0.06 -0.01 1 1.01 3.98 16.20
## ahv_5 5 27 0.10 0.19 0.07 0.07 0.04 -0.07 1 1.07 4.04 16.74
## ahv_6 6 27 0.07 0.19 0.03 0.04 0.05 -0.05 1 1.05 4.26 17.91
## ahv_7 7 27 0.03 0.20 0.00 0.00 0.03 -0.07 1 1.07 4.44 19.08
## ahv_8 8 27 0.03 0.20 -0.01 -0.01 0.04 -0.07 1 1.07 4.37 18.59
## ahv_9 9 27 0.06 0.19 0.02 0.02 0.02 -0.07 1 1.07 4.31 18.21
## aha_1 10 27 0.12 0.20 0.08 0.08 0.07 -0.10 1 1.10 3.35 12.41
## aha_2 11 27 0.15 0.20 0.11 0.12 0.09 -0.01 1 1.01 2.96 9.99
## aha_3 12 27 0.14 0.19 0.11 0.11 0.07 -0.02 1 1.02 3.51 13.32
## aha_4 13 27 0.11 0.18 0.08 0.08 0.05 0.01 1 0.99 4.28 18.03
## aha_5 14 27 0.09 0.19 0.06 0.06 0.05 -0.05 1 1.05 4.16 17.33
## aha_6 15 27 0.11 0.19 0.07 0.07 0.04 -0.02 1 1.02 4.06 16.68
## aha_7 16 27 0.15 0.19 0.12 0.12 0.10 -0.02 1 1.02 3.30 12.23
## aha_8 17 27 0.07 0.19 0.04 0.04 0.03 -0.04 1 1.04 4.34 18.45
## aha_9 18 27 0.04 0.19 0.01 0.01 0.04 -0.10 1 1.10 4.39 18.76
## ahe_1 19 27 0.10 0.19 0.06 0.06 0.06 -0.04 1 1.04 3.90 15.56
## ahe_2 20 27 0.09 0.19 0.05 0.05 0.04 -0.06 1 1.06 3.96 15.87
## ahe_3 21 27 0.06 0.19 0.02 0.02 0.04 -0.04 1 1.04 4.47 19.21
## ahe_4 22 27 0.10 0.18 0.07 0.07 0.05 0.00 1 1.00 4.22 17.69
## ahe_5 23 27 0.10 0.18 0.06 0.07 0.06 0.00 1 1.00 4.24 17.79
## ahe_6 24 27 0.09 0.19 0.06 0.06 0.05 -0.03 1 1.03 4.28 18.08
## ahe_7 25 27 0.10 0.19 0.08 0.07 0.06 -0.02 1 1.02 4.15 17.33
## ahe_8 26 27 0.07 0.19 0.03 0.03 0.02 -0.04 1 1.04 4.48 19.25
## ahe_9 27 27 0.06 0.19 0.03 0.03 0.04 -0.04 1 1.04 4.35 18.48
## se
## ahv_1 0.04
## ahv_2 0.04
## ahv_3 0.04
## ahv_4 0.04
## ahv_5 0.04
## ahv_6 0.04
## ahv_7 0.04
## ahv_8 0.04
## ahv_9 0.04
## aha_1 0.04
## aha_2 0.04
## aha_3 0.04
## aha_4 0.04
## aha_5 0.04
## aha_6 0.04
## aha_7 0.04
## aha_8 0.04
## aha_9 0.04
## ahe_1 0.04
## ahe_2 0.04
## ahe_3 0.04
## ahe_4 0.04
## ahe_5 0.04
## ahe_6 0.04
## ahe_7 0.04
## ahe_8 0.04
## ahe_9 0.04
hist(bpr_irt$rho)
hist(cor(bpr_df, use = "pairwise"))
Calculando a precisão usando as correlações tetracóricas vs pearson
bpr_psicom2 <- alpha(x = bpr_irt$rho, check.keys = FALSE)
print.psych(bpr_psicom2, short = FALSE)
##
## Reliability analysis
## Call: alpha(x = bpr_irt$rho, check.keys = FALSE)
##
## raw_alpha std.alpha G6(smc) average_r S/N
## 0.75 0.75 0.79 0.099 3
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N
## ahv_1 0.73 0.73 0.77 0.095 2.7
## ahv_2 0.73 0.73 0.77 0.095 2.7
## ahv_3 0.73 0.73 0.77 0.096 2.8
## ahv_4 0.73 0.73 0.78 0.096 2.8
## ahv_5 0.74 0.74 0.78 0.099 2.9
## ahv_6 0.75 0.75 0.79 0.103 3.0
## ahv_7 0.76 0.76 0.80 0.109 3.2
## ahv_8 0.76 0.76 0.79 0.109 3.2
## ahv_9 0.75 0.75 0.79 0.105 3.0
## aha_1 0.73 0.73 0.77 0.095 2.7
## aha_2 0.72 0.72 0.76 0.092 2.6
## aha_3 0.73 0.73 0.77 0.093 2.7
## aha_4 0.74 0.74 0.78 0.098 2.8
## aha_5 0.74 0.74 0.78 0.100 2.9
## aha_6 0.74 0.74 0.78 0.098 2.8
## aha_7 0.73 0.73 0.77 0.092 2.6
## aha_8 0.75 0.75 0.78 0.101 2.9
## aha_9 0.76 0.76 0.79 0.107 3.1
## ahe_1 0.74 0.74 0.78 0.099 2.9
## ahe_2 0.74 0.74 0.78 0.101 2.9
## ahe_3 0.75 0.75 0.79 0.104 3.0
## ahe_4 0.74 0.74 0.78 0.098 2.8
## ahe_5 0.74 0.74 0.78 0.098 2.8
## ahe_6 0.74 0.74 0.78 0.100 2.9
## ahe_7 0.74 0.74 0.78 0.098 2.8
## ahe_8 0.75 0.75 0.79 0.103 3.0
## ahe_9 0.75 0.75 0.79 0.104 3.0
##
## Item statistics
## r r.cor r.drop
## ahv_1 0.497 0.478 0.415
## ahv_2 0.512 0.496 0.431
## ahv_3 0.486 0.468 0.403
## ahv_4 0.476 0.449 0.392
## ahv_5 0.372 0.331 0.280
## ahv_6 0.263 0.197 0.165
## ahv_7 0.062 -0.027 -0.040
## ahv_8 0.046 -0.035 -0.056
## ahv_9 0.189 0.115 0.089
## aha_1 0.517 0.521 0.437
## aha_2 0.624 0.657 0.556
## aha_3 0.588 0.597 0.515
## aha_4 0.430 0.390 0.342
## aha_5 0.355 0.301 0.261
## aha_6 0.421 0.382 0.332
## aha_7 0.604 0.611 0.534
## aha_8 0.306 0.255 0.210
## aha_9 0.131 0.051 0.029
## ahe_1 0.368 0.334 0.275
## ahe_2 0.329 0.291 0.235
## ahe_3 0.207 0.129 0.107
## ahe_4 0.404 0.364 0.314
## ahe_5 0.408 0.369 0.318
## ahe_6 0.349 0.299 0.255
## ahe_7 0.416 0.372 0.326
## ahe_8 0.255 0.185 0.157
## ahe_9 0.228 0.159 0.129
bpr_psicom3 <-alpha(cor(bpr_df, use = "pairwise"), check.keys = FALSE)
print.psych(bpr_psicom3, short = FALSE)
##
## Reliability analysis
## Call: alpha(x = cor(bpr_df, use = "pairwise"), check.keys = FALSE)
##
## raw_alpha std.alpha G6(smc) average_r S/N
## 0.63 0.63 0.64 0.059 1.7
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N
## ahv_1 0.61 0.61 0.63 0.057 1.6
## ahv_2 0.61 0.61 0.62 0.056 1.5
## ahv_3 0.61 0.61 0.62 0.057 1.6
## ahv_4 0.61 0.61 0.63 0.057 1.6
## ahv_5 0.62 0.62 0.63 0.059 1.6
## ahv_6 0.63 0.63 0.64 0.061 1.7
## ahv_7 0.64 0.64 0.65 0.064 1.8
## ahv_8 0.64 0.64 0.65 0.064 1.8
## ahv_9 0.63 0.63 0.65 0.062 1.7
## aha_1 0.61 0.61 0.62 0.057 1.6
## aha_2 0.60 0.60 0.61 0.054 1.5
## aha_3 0.60 0.60 0.62 0.055 1.5
## aha_4 0.62 0.62 0.63 0.058 1.6
## aha_5 0.62 0.62 0.64 0.059 1.6
## aha_6 0.62 0.62 0.63 0.058 1.6
## aha_7 0.60 0.60 0.61 0.055 1.5
## aha_8 0.63 0.63 0.64 0.061 1.7
## aha_9 0.64 0.64 0.65 0.063 1.8
## ahe_1 0.62 0.62 0.63 0.059 1.6
## ahe_2 0.62 0.62 0.63 0.060 1.6
## ahe_3 0.63 0.63 0.65 0.062 1.7
## ahe_4 0.62 0.62 0.63 0.059 1.6
## ahe_5 0.62 0.62 0.63 0.059 1.6
## ahe_6 0.62 0.62 0.64 0.059 1.6
## ahe_7 0.62 0.62 0.63 0.058 1.6
## ahe_8 0.63 0.63 0.64 0.061 1.7
## ahe_9 0.63 0.63 0.64 0.062 1.7
##
## Item statistics
## r r.cor r.drop
## ahv_1 0.391 0.356 0.282
## ahv_2 0.423 0.399 0.316
## ahv_3 0.404 0.374 0.296
## ahv_4 0.387 0.349 0.278
## ahv_5 0.320 0.262 0.206
## ahv_6 0.234 0.148 0.116
## ahv_7 0.103 -0.019 -0.018
## ahv_8 0.096 -0.025 -0.025
## ahv_9 0.189 0.092 0.069
## aha_1 0.382 0.352 0.272
## aha_2 0.501 0.516 0.402
## aha_3 0.461 0.454 0.358
## aha_4 0.354 0.302 0.242
## aha_5 0.300 0.233 0.185
## aha_6 0.346 0.294 0.234
## aha_7 0.488 0.490 0.388
## aha_8 0.243 0.159 0.125
## aha_9 0.142 0.031 0.021
## ahe_1 0.318 0.265 0.204
## ahe_2 0.289 0.227 0.173
## ahe_3 0.190 0.090 0.070
## ahe_4 0.331 0.275 0.218
## ahe_5 0.330 0.273 0.216
## ahe_6 0.293 0.225 0.177
## ahe_7 0.341 0.285 0.228
## ahe_8 0.214 0.120 0.095
## ahe_9 0.206 0.112 0.087
Análise Paralela e VSS
bpr_paralel <- fa.parallel(bpr_df, cor = "tet")
bpr_VSS <- VSS(bpr_irt$rho, n.obs = dim(bpr_df)[1])
senna_paralel <- fa.parallel(df1[ , 42:124], cor = "poly")
senna_VSS <- VSS(df1[ , 42:124], n.obs = dim(bpr_df)[1])
plot(bpr_paralel)
print.psych(bpr_paralel)
## Call: fa.parallel.poly(x = bpr_df, n.iter = 100)
## Parallel analysis suggests that the number of factors = 5 and the number of components = 4
##
## Eigen Values of
## Original factors Simulated data Original components simulated data NA
## 1 3.72 1 100 0.91 0.24
## 2 0.80 2 100 0.53 0.04
## 3 0.59 3 100 0.46 0.04
## 4 0.54 4 100 0.41 0.03
## 5 0.44 5 100 0.35 0.03
## NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1 0.81 0.90 0.24 0.61 1.28 0.67 0.31 -1.64 0.02 4.45 1 100 1.60 0.05 1.59
## 2 0.54 0.53 0.04 0.43 0.67 0.24 0.17 0.65 0.00 1.68 2 100 1.51 0.04 1.51
## 3 0.46 0.46 0.03 0.38 0.57 0.19 0.15 -0.11 0.00 1.51 3 100 1.44 0.04 1.44
## 4 0.41 0.41 0.03 0.33 0.50 0.16 0.06 -0.39 0.00 1.45 4 100 1.38 0.03 1.39
## 5 0.35 0.35 0.02 0.29 0.42 0.13 0.14 -0.22 0.00 1.30 5 100 1.33 0.03 1.33
## NA NA NA NA NA NA NA NA
## 1 1.59 0.05 1.50 1.76 0.27 0.39 0.18 0
## 2 1.51 0.04 1.42 1.64 0.22 0.23 0.81 0
## 3 1.44 0.03 1.35 1.54 0.19 -0.06 -0.07 0
## 4 1.38 0.03 1.31 1.48 0.16 0.11 -0.05 0
## 5 1.33 0.02 1.28 1.40 0.13 0.34 -0.18 0
plot(bpr_VSS)
print.psych(bpr_VSS)
##
## Very Simple Structure
## Call: vss(x = x, n = n, rotate = rotate, diagonal = diagonal, fm = fm,
## n.obs = n.obs, plot = plot, title = title, use = use, cor = cor)
## VSS complexity 1 achieves a maximimum of 0.45 with 1 factors
## VSS complexity 2 achieves a maximimum of 0.54 with 6 factors
##
## The Velicer MAP achieves a minimum of 0.01 with 1 factors
## BIC achieves a minimum of 733.62 with 8 factors
## Sample Size adjusted BIC achieves a minimum of 1251.55 with 8 factors
##
## Statistics by number of factors
## vss1 vss2 map dof chisq prob sqresid fit RMSEA BIC SABIC complex
## 1 0.45 0.00 0.0079 324 7402 0 24 0.45 0.078 4751 5780 1.0
## 2 0.34 0.50 0.0090 298 6050 0 22 0.50 0.074 3612 4559 1.5
## 3 0.33 0.50 0.0106 273 5320 0 20 0.54 0.072 3086 3953 1.8
## 4 0.34 0.52 0.0121 249 4535 0 18 0.57 0.069 2497 3288 1.9
## 5 0.36 0.52 0.0138 226 3672 0 17 0.60 0.065 1823 2541 2.0
## 6 0.38 0.54 0.0162 204 2883 0 16 0.63 0.061 1213 1862 2.1
## 7 0.35 0.52 0.0181 183 2428 0 15 0.66 0.059 930 1512 2.2
## 8 0.37 0.51 0.0210 163 2067 0 14 0.68 0.057 734 1252 2.3
## eChisq SRMR eCRMS eBIC
## 1 10699 0.065 0.068 8048
## 2 8252 0.057 0.062 5814
## 3 6687 0.052 0.059 4453
## 4 5223 0.046 0.054 3185
## 5 4116 0.040 0.050 2267
## 6 3266 0.036 0.047 1597
## 7 2563 0.032 0.044 1065
## 8 2079 0.029 0.042 745
print.psych(senna_paralel)
## Call: fa.parallel(x = df1[, 42:124], cor = "poly")
## Parallel analysis suggests that the number of factors = 16 and the number of components = 8
##
## Eigen Values of
## Original factors Simulated data Original components simulated data
## 1 20.45 0.32 21.15 1.31
## 2 6.74 0.30 7.56 1.29
## 3 2.66 0.28 3.42 1.28
## 4 1.15 0.27 1.93 1.26
## 5 0.99 0.26 1.80 1.25
## 6 0.74 0.25 1.47 1.24
## 7 0.54 0.24 1.32 1.23
## 8 0.46 0.23 1.24 1.22
## 9 0.45 0.22 1.18 1.21
## 10 0.41 0.21 1.15 1.21
## 11 0.32 0.20 1.09 1.20
## 12 0.28 0.19 1.08 1.19
## 13 0.25 0.18 1.00 1.18
## 14 0.23 0.18 0.98 1.17
## 15 0.21 0.17 0.95 1.16
## 16 0.16 0.16 0.92 1.16
plot(senna_VSS )
print.psych(senna_VSS)
##
## Very Simple Structure
## Call: vss(x = x, n = n, rotate = rotate, diagonal = diagonal, fm = fm,
## n.obs = n.obs, plot = plot, title = title, use = use, cor = cor)
## VSS complexity 1 achieves a maximimum of 0.76 with 1 factors
## VSS complexity 2 achieves a maximimum of 0.86 with 2 factors
##
## The Velicer MAP achieves a minimum of 0 with 5 factors
## BIC achieves a minimum of -10140.2 with 8 factors
## Sample Size adjusted BIC achieves a minimum of -1348.07 with 8 factors
##
## Statistics by number of factors
## vss1 vss2 map dof chisq prob sqresid fit RMSEA BIC SABIC complex
## 1 0.76 0.00 0.0099 3320 45017 0 98 0.76 0.060 17851 28400 1.0
## 2 0.69 0.86 0.0038 3238 26441 0 57 0.86 0.045 -54 10235 1.3
## 3 0.51 0.84 0.0025 3157 19814 0 48 0.88 0.039 -6018 4013 1.6
## 4 0.49 0.82 0.0024 3077 17508 0 45 0.89 0.036 -7670 2107 1.7
## 5 0.43 0.72 0.0024 2998 15858 0 42 0.89 0.035 -8674 852 2.0
## 6 0.44 0.75 0.0024 2920 14443 0 41 0.90 0.033 -9450 -172 2.1
## 7 0.41 0.76 0.0025 2843 13475 0 39 0.90 0.033 -9788 -754 2.2
## 8 0.42 0.73 0.0026 2767 12501 0 38 0.91 0.032 -10140 -1348 2.3
## eChisq SRMR eCRMS eBIC
## 1 159226 0.081 0.082 132060
## 2 43000 0.042 0.043 16505
## 3 22896 0.031 0.032 -2937
## 4 18575 0.028 0.029 -6603
## 5 15467 0.025 0.027 -9064
## 6 13341 0.023 0.025 -10553
## 7 12023 0.022 0.024 -11240
## 8 10772 0.021 0.023 -11869
Análise Bi-Fatorial Exploratória
bpr_omega <- omega(bpr_irt$rho, nfactors = 3)
## Loading required namespace: GPArotation
bpr_omega
## Omega
## Call: omega(m = bpr_irt$rho, nfactors = 3)
## Alpha: 0.75
## G.6: 0.79
## Omega Hierarchical: 0.47
## Omega H asymptotic: 0.61
## Omega Total 0.78
##
## Schmid Leiman Factor loadings greater than 0.2
## g F1* F2* F3* h2 u2 p2
## ahv_1 0.37 0.22 0.26 0.26 0.74 0.55
## ahv_2 0.41 0.24 0.27 0.29 0.71 0.56
## ahv_3 0.37 0.30 0.27 0.73 0.52
## ahv_4 0.32 0.24 0.19 0.81 0.54
## ahv_5 0.23 0.27 0.14 0.86 0.40
## ahv_6 0.08 0.92 0.47
## ahv_7- 0.01 0.99 0.03
## ahv_8- -0.29 0.31 0.18 0.82 0.00
## ahv_9 0.04 0.96 0.12
## aha_1 0.53 0.49 0.53 0.47 0.52
## aha_2 0.62 0.48 0.63 0.37 0.61
## aha_3 0.51 0.28 0.30 0.43 0.57 0.61
## aha_4 0.26 0.13 0.87 0.52
## aha_5 0.27 0.20 0.12 0.88 0.63
## aha_6 0.31 0.25 0.18 0.82 0.53
## aha_7 0.52 0.30 0.20 0.42 0.58 0.65
## aha_8 0.20 0.35 0.18 0.82 0.21
## aha_9- 0.08 0.92 0.00
## ahe_1 0.21 0.46 0.26 0.74 0.17
## ahe_2 0.48 0.26 0.74 0.10
## ahe_3 0.03 0.97 0.28
## ahe_4 0.24 0.26 0.15 0.85 0.36
## ahe_5 0.25 0.24 0.14 0.86 0.45
## ahe_6 0.20 0.23 0.11 0.89 0.37
## ahe_7 0.26 0.23 0.16 0.84 0.42
## ahe_8 0.03 0.97 0.41
## ahe_9 0.21 0.23 0.12 0.88 0.04
##
## With eigenvalues of:
## g F1* F2* F3*
## 2.44 0.96 0.81 1.21
##
## general/max 2.02 max/min = 1.49
## mean percent general = 0.37 with sd = 0.21 and cv of 0.57
## Explained Common Variance of the general factor = 0.45
##
## The degrees of freedom are 273 and the fit is 1.49
##
## The root mean square of the residuals is 0.05
## The df corrected root mean square of the residuals is 0.06
##
## Compare this with the adequacy of just a general factor and no group factors
## The degrees of freedom for just the general factor are 324 and the fit is 2.23
##
## The root mean square of the residuals is 0.08
## The df corrected root mean square of the residuals is 0.08
##
## Measures of factor score adequacy
## g F1* F2* F3*
## Correlation of scores with factors 0.75 0.59 0.68 0.75
## Multiple R square of scores with factors 0.57 0.34 0.46 0.56
## Minimum correlation of factor score estimates 0.14 -0.31 -0.07 0.12
##
## Total, General and Subset omega for each subset
## g F1* F2* F3*
## Omega total for total scores and subscales 0.78 0.70 0.40 0.64
## Omega general for total scores and subscales 0.47 0.43 0.26 0.24
## Omega group for total scores and subscales 0.16 0.26 0.13 0.40
I-Clust
bpr_iclust <- iclust(bpr_irt$rho)
bpr_iclust
## ICLUST (Item Cluster Analysis)
## Call: iclust(r.mat = bpr_irt$rho)
##
## Purified Alpha:
## C24 C22 C6
## 0.78 0.38 0.33
##
## G6* reliability:
## C24 C22 C6
## 1.00 0.72 1.00
##
## Original Beta:
## C24 C22 C6
## 0.46 0.19 0.33
##
## Cluster size:
## C24 C22 C6
## 20 5 2
##
## Item by Cluster Structure matrix:
## O P C24 C22 C6
## ahv_1 C24 C24 0.50 0.08 0.01
## ahv_2 C24 C24 0.51 0.27 0.02
## ahv_3 C24 C24 0.48 0.23 -0.07
## ahv_4 C24 C24 0.44 0.10 0.08
## ahv_5 C22 C22 0.30 0.51 -0.07
## ahv_6 C24 C24 0.21 0.07 0.17
## ahv_7 C22 C22 0.02 -0.29 -0.20
## ahv_8 C6 C6 -0.03 -0.23 0.48
## ahv_9 C22 C22 0.09 0.40 -0.07
## aha_1 C24 C24 0.58 -0.01 0.04
## aha_2 C24 C24 0.66 0.13 0.21
## aha_3 C24 C24 0.58 0.24 0.28
## aha_4 C24 C24 0.37 0.18 0.14
## aha_5 C24 C24 0.31 0.05 0.11
## aha_6 C24 C24 0.36 0.10 0.19
## aha_7 C24 C24 0.62 0.11 0.14
## aha_8 C6 C6 0.20 0.25 0.45
## aha_9 C22 C22 0.01 0.26 -0.04
## ahe_1 C24 C24 0.33 0.24 -0.09
## ahe_2 C24 C24 0.32 0.13 -0.17
## ahe_3 C24 C24 0.15 -0.02 -0.14
## ahe_4 C24 C24 0.35 0.07 0.14
## ahe_5 C24 C24 0.37 0.04 0.14
## ahe_6 C24 C24 0.28 0.07 0.14
## ahe_7 C24 C24 0.37 0.16 0.06
## ahe_8 C24 C24 0.17 0.04 0.10
## ahe_9 C24 C22 0.11 0.26 0.02
##
## With eigenvalues of:
## C24 C22 C6
## 3.58 0.97 0.80
##
## Purified scale intercorrelations
## reliabilities on diagonal
## correlations corrected for attenuation above diagonal:
## C24 C22 C6
## C24 0.78 0.30 0.20
## C22 0.17 0.38 0.03
## C6 0.10 0.01 0.33
##
## Cluster fit = 0.48 Pattern fit = 0.95 RMSR = 0.06
Análise fatorial com correlações policóricas e pearson
dic_senna$VarLabel3 <- paste("i", dic_senna$domain,dic_senna$P_S, dic_senna$pole, dic_senna$OrdSenna84, sep="_")
names(df1)[42:124] <- dic_senna$VarLabel3
efa.senna <- fa(df1[ , 42:124], nfactors = 6, rotate = "oblimin", fm = "minres", cor = "poly")
efa.senna2 <- fa(df1[ , 42:124], nfactors = 6, rotate = "oblimin", fm = "minres", cor = "cor")
# str(efa.senna)
print.psych(efa.senna, sort = TRUE, cut = .15)
## Factor Analysis using method = minres
## Call: fa(r = df1[, 42:124], nfactors = 6, rotate = "oblimin", fm = "minres",
## cor = "poly")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item MR1 MR2 MR5 MR4 MR3 MR6 h2 u2 com
## i_O_0_1_79 79 0.74 0.49 0.51 1.0
## i_E_0_1_65 65 0.71 0.58 0.42 1.1
## i_E_0_1_72 72 0.71 0.54 0.46 1.0
## i_E_0_1_82 82 0.70 0.53 0.47 1.0
## i_E_0_1_78 78 0.68 -0.16 0.44 0.56 1.1
## i_O_0_1_68 68 0.67 0.52 0.48 1.1
## i_A_0_1_67 67 0.64 0.51 0.49 1.1
## i_O_1_1_77 77 0.63 0.44 0.56 1.1
## i_O_0_1_64 64 0.62 0.49 0.51 1.1
## i_NV_0_1_70 70 0.61 0.49 0.51 1.2
## i_O_0_1_56 56 0.56 -0.18 0.50 0.50 1.5
## i_O_0_1_74 74 0.52 0.41 0.59 1.3
## i_E_0_1_83 83 0.48 0.34 0.66 1.5
## i_O_0_1_52 52 0.48 0.40 0.60 1.4
## i_O_0_1_71 71 0.47 0.26 0.41 0.59 1.8
## i_E_0_0_75 75 0.46 0.32 0.45 0.55 2.1
## i_A_0_1_60 60 0.46 0.17 0.39 0.61 1.6
## i_E_0_0_69 69 0.42 0.19 0.26 0.44 0.56 2.5
## i_NV_0_1_66 66 0.42 0.20 0.35 0.65 1.5
## i_NV_0_1_73 73 0.41 0.23 0.28 0.45 0.55 2.7
## i_A_0_1_51 51 0.38 0.19 0.19 0.22 0.49 0.51 3.1
## i_N_0_0_41 41 0.38 0.29 -0.21 0.47 0.53 2.9
## i_O_0_1_43 43 0.37 0.20 0.19 0.40 0.60 2.7
## i_NV_0_1_76 76 0.36 0.22 0.27 0.40 0.60 2.8
## i_NV_0_0_81 81 0.32 0.21 0.23 0.35 0.65 2.8
## i_C_0_0_61 61 0.65 0.48 0.52 1.2
## i_C_0_0_53 53 0.64 0.46 0.54 1.1
## i_N_0_0_54 54 0.62 0.45 0.55 1.1
## i_C_0_0_57 57 0.61 0.47 0.53 1.1
## i_C_0_0_44 44 0.61 0.42 0.58 1.2
## i_C_0_0_49 49 0.57 0.43 0.57 1.3
## i_A_0_0_55 55 0.52 0.15 0.41 0.59 1.4
## i_NV_0_1_59 59 0.48 0.17 0.42 0.58 1.5
## i_NV_0_1_62 62 0.47 0.19 0.44 0.56 1.7
## i_C_0_1_48 48 0.17 0.45 0.36 0.64 1.5
## i_N_0_0_45 45 0.43 0.34 0.44 0.56 2.2
## i_A_0_1_47 47 0.16 0.42 0.17 -0.19 0.33 0.67 2.4
## i_N_0_0_58 58 0.25 0.40 0.38 0.62 2.0
## i_A_0_0_63 63 0.19 0.40 0.21 0.40 0.60 2.2
## i_NV_0_1_46 46 0.25 0.36 0.33 0.67 2.4
## i_C_1_1_7 7 0.60 0.19 0.48 0.52 1.2
## i_E_1_1_8 8 0.59 0.40 0.60 1.1
## i_C_1_1_13 13 0.57 0.45 0.55 1.2
## i_N_1_1_6 6 0.18 0.56 0.30 0.70 1.3
## i_N_1_1_12 12 0.55 -0.24 0.26 0.74 1.5
## i_C_1_1_10 10 0.55 0.41 0.59 1.2
## i_N_1_1_9 9 0.54 0.28 0.72 1.0
## i_C_1_1_1 1 0.49 0.23 0.38 0.62 1.5
## i_E_1_1_2 2 0.48 0.31 0.69 1.3
## i_C_1_1_15 15 0.47 0.25 0.41 0.59 1.8
## i_C_1_1_4 4 0.47 0.18 0.29 0.71 1.5
## i_C_0_1_17 17 0.45 0.34 0.59 0.41 2.3
## i_E_1_1_14 14 0.44 0.21 0.28 0.72 1.6
## i_E_1_1_5 5 0.44 0.25 0.75 1.4
## i_E_1_1_16 16 0.17 0.38 0.27 -0.22 0.27 0.73 3.4
## i_N_1_1_3 3 0.37 0.18 0.16 0.84 1.5
## i_O_0_1_20 20 0.37 0.17 0.18 0.39 0.61 2.5
## i_E_1_1_11 11 0.23 0.29 0.21 -0.26 0.25 0.75 4.5
## i_N_0_0_31 31 0.65 0.50 0.50 1.1
## i_N_0_0_22 22 0.61 0.41 0.59 1.1
## i_N_0_0_27 27 0.59 0.45 0.55 1.1
## i_N_0_0_32 32 0.53 0.37 0.63 1.1
## i_N_0_0_18 18 0.53 0.33 0.67 1.3
## i_N_0_0_40 40 0.53 0.21 0.42 0.58 1.7
## i_NV_0_1_23 23 0.17 0.47 0.34 0.66 1.4
## i_A_0_1_36 36 0.19 0.46 0.34 0.66 1.5
## i_C_0_0_30 30 0.19 0.44 0.34 0.66 1.6
## i_NV_0_1_28 28 -0.23 0.22 0.38 0.28 0.72 2.8
## i_O_0_1_34 34 0.15 0.27 0.20 0.30 0.70 3.5
## i_C_0_1_39 39 0.16 0.52 0.48 0.52 1.4
## i_C_0_1_35 35 0.16 0.47 0.42 0.58 1.6
## i_C_0_1_26 26 0.27 0.46 0.53 0.47 2.0
## i_C_0_1_21 21 0.29 0.46 0.47 0.53 1.8
## i_A_0_1_33 33 0.29 -0.16 0.17 0.39 0.50 0.50 3.0
## i_A_0_1_24 24 0.22 0.38 0.41 0.59 2.2
## i_A_0_1_29 29 0.21 0.35 0.34 0.66 2.0
## i_A_0_1_42 42 0.34 0.21 0.34 -0.18 0.54 0.46 3.9
## i_O_0_1_25 25 0.27 0.15 0.19 0.34 0.43 0.57 3.3
## i_O_0_1_37 37 0.21 0.33 0.33 0.67 2.4
## i_A_0_1_38 38 0.18 0.16 0.17 0.33 0.26 0.74 3.1
## i_N_0_0_50 50 0.20 0.26 0.16 -0.17 0.30 0.40 0.60 4.3
## i_A_0_1_19 19 0.21 0.27 0.29 0.42 0.58 3.9
## i_E_0_0_80 80 0.22 0.26 0.41 0.45 0.55 2.3
##
## MR1 MR2 MR5 MR4 MR3 MR6
## SS loadings 10.36 6.29 6.49 4.63 4.53 1.46
## Proportion Var 0.12 0.08 0.08 0.06 0.05 0.02
## Cumulative Var 0.12 0.20 0.28 0.33 0.39 0.41
## Proportion Explained 0.31 0.19 0.19 0.14 0.13 0.04
## Cumulative Proportion 0.31 0.49 0.69 0.82 0.96 1.00
##
## With factor correlations of
## MR1 MR2 MR5 MR4 MR3 MR6
## MR1 1.00 0.37 0.54 0.19 0.47 0.08
## MR2 0.37 1.00 0.10 0.48 0.08 0.31
## MR5 0.54 0.10 1.00 0.18 0.52 -0.01
## MR4 0.19 0.48 0.18 1.00 0.05 0.14
## MR3 0.47 0.08 0.52 0.05 1.00 0.01
## MR6 0.08 0.31 -0.01 0.14 0.01 1.00
##
## Mean item complexity = 1.9
## Test of the hypothesis that 6 factors are sufficient.
##
## The degrees of freedom for the null model are 3403 and the objective function was 40.12 with Chi Square of 142358.5
## The degrees of freedom for the model are 2920 and the objective function was 7.14
##
## The root mean square of the residuals (RMSR) is 0.03
## The df corrected root mean square of the residuals is 0.03
##
## The harmonic number of observations is 1444 with the empirical chi square 7316.15 with prob < 0
## The total number of observations was 3578 with MLE Chi Square = 25293.92 with prob < 0
##
## Tucker Lewis Index of factoring reliability = 0.812
## RMSEA index = 0.047 and the 90 % confidence intervals are 0.046 0.047
## BIC = 1400.85
## Fit based upon off diagonal values = 0.99
## Measures of factor score adequacy
## MR1 MR2 MR5 MR4 MR3
## Correlation of scores with factors 0.97 0.95 0.94 0.93 0.92
## Multiple R square of scores with factors 0.94 0.90 0.89 0.86 0.84
## Minimum correlation of possible factor scores 0.88 0.80 0.78 0.73 0.68
## MR6
## Correlation of scores with factors 0.83
## Multiple R square of scores with factors 0.68
## Minimum correlation of possible factor scores 0.37
print.psych(efa.senna2, sort = TRUE, cut = .15)
## Factor Analysis using method = minres
## Call: fa(r = df1[, 42:124], nfactors = 6, rotate = "oblimin", fm = "minres",
## cor = "cor")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item MR1 MR2 MR3 MR4 MR5 MR6 h2 u2 com
## i_E_0_1_65 65 0.67 0.48 0.52 1.1
## i_E_0_1_72 72 0.65 0.44 0.56 1.0
## i_O_0_1_79 79 0.64 0.39 0.61 1.1
## i_E_0_1_82 82 0.64 0.44 0.56 1.0
## i_O_0_1_68 68 0.61 0.45 0.55 1.1
## i_A_0_1_67 67 0.61 0.43 0.57 1.0
## i_E_0_1_78 78 0.60 0.35 0.65 1.2
## i_O_0_1_64 64 0.58 0.41 0.59 1.1
## i_O_1_1_77 77 0.56 0.37 0.63 1.2
## i_NV_0_1_70 70 0.55 0.40 0.60 1.2
## i_O_0_1_56 56 0.52 -0.15 0.40 0.60 1.4
## i_O_0_1_74 74 0.44 0.16 0.34 0.66 1.5
## i_A_0_1_60 60 0.43 0.15 0.32 0.68 1.5
## i_O_0_1_52 52 0.42 0.32 0.68 1.4
## i_E_0_1_83 83 0.39 0.27 0.73 1.8
## i_NV_0_1_66 66 0.39 0.18 0.29 0.71 1.5
## i_A_0_1_51 51 0.38 0.17 0.16 0.19 0.42 0.58 2.7
## i_O_0_1_71 71 0.38 0.28 0.34 0.66 2.1
## i_N_0_0_41 41 0.37 0.25 -0.17 0.39 0.61 2.6
## i_E_0_0_75 75 0.37 0.34 0.38 0.62 2.3
## i_O_0_1_43 43 0.36 0.17 0.17 0.33 0.67 2.2
## i_A_0_1_42 42 0.36 0.16 0.32 0.46 0.54 3.2
## i_E_0_0_69 69 0.34 0.17 0.28 0.37 0.63 3.1
## i_NV_0_1_73 73 0.32 0.22 0.29 0.38 0.62 3.2
## i_NV_0_1_76 76 0.29 0.20 0.28 0.34 0.66 3.1
## i_NV_0_0_81 81 0.24 0.21 0.23 0.29 0.71 3.2
## i_C_0_0_53 53 0.60 0.39 0.61 1.0
## i_C_0_0_61 61 0.60 0.39 0.61 1.1
## i_N_0_0_54 54 0.58 0.39 0.61 1.1
## i_C_0_0_57 57 0.58 0.40 0.60 1.1
## i_C_0_0_44 44 0.54 0.34 0.66 1.2
## i_C_0_0_49 49 0.53 0.36 0.64 1.2
## i_A_0_0_55 55 0.48 0.33 0.67 1.3
## i_NV_0_1_59 59 0.44 0.16 0.35 0.65 1.4
## i_NV_0_1_62 62 0.44 0.17 0.36 0.64 1.6
## i_C_0_1_48 48 0.16 0.41 0.30 0.70 1.5
## i_N_0_0_45 45 0.39 0.31 0.37 0.63 2.3
## i_A_0_0_63 63 0.16 0.38 0.19 0.33 0.67 2.0
## i_A_0_1_47 47 0.15 0.38 -0.17 0.28 0.72 2.4
## i_N_0_0_58 58 0.23 0.37 0.32 0.68 2.0
## i_NV_0_1_46 46 0.23 0.33 0.26 0.74 2.3
## i_C_1_1_7 7 0.57 0.41 0.59 1.2
## i_E_1_1_8 8 0.53 0.34 0.66 1.1
## i_C_1_1_13 13 0.53 0.36 0.64 1.1
## i_N_1_1_6 6 0.51 0.24 0.76 1.3
## i_C_1_1_10 10 0.51 0.33 0.67 1.1
## i_N_1_1_12 12 0.49 -0.23 0.21 0.79 1.5
## i_N_1_1_9 9 0.49 0.23 0.77 1.0
## i_C_1_1_1 1 0.45 0.19 0.32 0.68 1.4
## i_E_1_1_2 2 0.44 0.26 0.74 1.4
## i_C_1_1_15 15 0.44 0.21 0.33 0.67 1.7
## i_C_1_1_4 4 0.43 0.25 0.75 1.4
## i_C_0_1_17 17 0.42 0.28 0.49 0.51 2.2
## i_E_1_1_5 5 0.39 0.20 0.80 1.5
## i_E_1_1_14 14 0.39 0.19 0.22 0.78 1.6
## i_N_1_1_3 3 0.35 0.17 0.14 0.86 1.5
## i_E_1_1_16 16 0.16 0.33 0.25 -0.19 0.21 0.79 3.4
## i_O_0_1_20 20 0.33 0.17 0.17 0.32 0.68 2.6
## i_E_1_1_11 11 0.20 0.23 0.19 -0.19 0.17 0.83 4.8
## i_N_0_0_31 31 0.59 0.42 0.58 1.1
## i_N_0_0_22 22 0.55 0.34 0.66 1.1
## i_N_0_0_27 27 0.53 0.37 0.63 1.1
## i_N_0_0_32 32 0.49 0.32 0.68 1.1
## i_N_0_0_18 18 0.48 0.27 0.73 1.3
## i_N_0_0_40 40 0.47 0.19 0.34 0.66 1.7
## i_NV_0_1_23 23 0.17 0.42 0.28 0.72 1.4
## i_A_0_1_36 36 0.18 0.41 0.28 0.72 1.6
## i_C_0_0_30 30 0.17 0.40 0.29 0.71 1.6
## i_NV_0_1_28 28 -0.20 0.20 0.33 0.22 0.78 2.9
## i_O_0_1_34 34 0.25 0.18 0.24 0.76 3.5
## i_C_0_1_39 39 0.49 0.40 0.60 1.3
## i_C_0_1_35 35 0.43 0.34 0.66 1.6
## i_C_0_1_26 26 0.25 0.42 0.45 0.55 2.0
## i_C_0_1_21 21 0.27 0.41 0.39 0.61 1.9
## i_A_0_1_33 33 0.26 -0.15 0.15 0.36 0.41 0.59 3.0
## i_A_0_1_24 24 0.19 0.36 0.34 0.66 2.1
## i_A_0_1_29 29 0.19 0.33 0.27 0.73 1.9
## i_O_0_1_25 25 0.23 0.17 0.32 0.36 0.64 3.3
## i_O_0_1_37 37 0.19 0.31 0.28 0.72 2.4
## i_A_0_1_38 38 0.16 0.29 0.21 0.79 3.1
## i_A_0_1_19 19 0.18 0.26 0.29 0.37 0.63 3.5
## i_N_0_0_50 50 0.18 0.23 -0.17 0.28 0.34 0.66 4.5
## i_E_0_0_80 80 0.25 0.40 0.38 0.62 1.9
##
## MR1 MR2 MR3 MR4 MR5 MR6
## SS loadings 8.32 5.30 5.37 3.79 3.66 1.50
## Proportion Var 0.10 0.06 0.06 0.05 0.04 0.02
## Cumulative Var 0.10 0.16 0.23 0.27 0.32 0.34
## Proportion Explained 0.30 0.19 0.19 0.14 0.13 0.05
## Cumulative Proportion 0.30 0.49 0.68 0.82 0.95 1.00
##
## With factor correlations of
## MR1 MR2 MR3 MR4 MR5 MR6
## MR1 1.00 0.35 0.53 0.18 0.47 0.19
## MR2 0.35 1.00 0.09 0.48 0.08 0.33
## MR3 0.53 0.09 1.00 0.17 0.53 0.06
## MR4 0.18 0.48 0.17 1.00 0.06 0.15
## MR5 0.47 0.08 0.53 0.06 1.00 0.06
## MR6 0.19 0.33 0.06 0.15 0.06 1.00
##
## Mean item complexity = 1.9
## Test of the hypothesis that 6 factors are sufficient.
##
## The degrees of freedom for the null model are 3403 and the objective function was 28.78 with Chi Square of 102123.2
## The degrees of freedom for the model are 2920 and the objective function was 4.07
##
## The root mean square of the residuals (RMSR) is 0.02
## The df corrected root mean square of the residuals is 0.03
##
## The harmonic number of observations is 1444 with the empirical chi square 5458.29 with prob < 3.5e-157
## The total number of observations was 3578 with MLE Chi Square = 14443.2 with prob < 0
##
## Tucker Lewis Index of factoring reliability = 0.864
## RMSEA index = 0.033 and the 90 % confidence intervals are 0.033 0.034
## BIC = -9449.87
## Fit based upon off diagonal values = 0.99
## Measures of factor score adequacy
## MR1 MR2 MR3 MR4 MR5
## Correlation of scores with factors 0.96 0.93 0.93 0.91 0.90
## Multiple R square of scores with factors 0.92 0.87 0.86 0.83 0.80
## Minimum correlation of possible factor scores 0.84 0.75 0.73 0.66 0.61
## MR6
## Correlation of scores with factors 0.81
## Multiple R square of scores with factors 0.65
## Minimum correlation of possible factor scores 0.30
