Kiedyś analizowałem przedmioty z psychometrycznego punktu widzenia. Ale teraz próbuję przeanalizować inne rodzaje pytań dotyczących motywacji i innych tematów. Wszystkie te pytania dotyczą skal Likerta. Moją początkową myślą było zastosowanie analizy czynnikowej, ponieważ hipoteza pytań odzwierciedla niektóre podstawowe wymiary.
- Ale czy analiza czynnikowa jest odpowiednia?
- Czy konieczne jest sprawdzenie każdego pytania pod względem jego wymiarów?
- Czy występuje problem z przeprowadzeniem analizy czynnikowej dla elementów lajkujących?
- Czy są jakieś dobre artykuły i metody dotyczące przeprowadzania analizy czynnikowej Likerta i innych kategorycznych pozycji?
Odpowiedzi:
Z tego, co do tej pory widziałem, FA jest stosowany do elementów postawy, podobnie jak do innych rodzajów skal oceny. Problem wynikający z zastosowanej miary (to znaczy „czy skale Likerta naprawdę należy traktować jako skale numeryczne?” To długotrwała debata, ale pod warunkiem, że sprawdzisz rozkład odpowiedzi w kształcie dzwonu, możesz traktować je jako pomiary ciągłe, w przeciwnym razie sprawdzanie nieliniowych modeli FA lub optymalnego skalowania ) może być obsługiwane przez polimorficzne modele IRT, takie jak stopniowana odpowiedź, skala ratingowa lub częściowy model kredytowy. Te dwa ostatnie można wykorzystać jako zgrubne sprawdzenie, czy odległości progowe, stosowane w elementach typu Likerta, są charakterystyczne dla formatu odpowiedzi (RSM) lub określonego elementu (PCM).
Jeśli chodzi o twój drugi punkt, wiadomo na przykład, że rozkład odpowiedzi w ankietach dotyczących postawy lub zdrowia różni się w zależności od kraju (np. Chińczycy zwracają uwagę na „ekstremalne” wzorce reakcji w porównaniu do tych pochodzących z krajów zachodnich, patrz np. Song , X.-Y. (2007) Analiza wielopróbkowych modeli równań strukturalnych z zastosowaniami do danych o jakości życia, w Handbook of Latent Variable and Related Models , Lee, S.-Y. (red.), Str. 279-302, North -Holandia). Niektóre metody radzenia sobie z taką sytuacją z góry mojej głowy:
Chodzi o to, że większość z tych podejść koncentruje się na poziomie przedmiotu (efekt sufitu / podłogi, zmniejszona niezawodność, statystyki niewłaściwego dopasowania przedmiotu itp.), Ale gdy ktoś jest zainteresowany tym, jak ludzie odbiegają od tego, czego można oczekiwać od ideału zestaw obserwatorów / respondentów, myślę, że zamiast tego musimy skupić się na wskaźnikach dopasowania do osoby.
Takiχ2) statystyki są łatwo dostępne dla modeli IRT, takich jak INFIT lub OUTFIT średnia kwadratowa, ale generalnie dotyczą one całego kwestionariusza. Ponadto, ponieważ szacowanie parametrów pozycji opiera się częściowo na parametrach osób (np. W ramach marginalnego prawdopodobieństwa zakładamy rozkład gaussowski), obecność osób odległych może prowadzić do potencjalnie stronniczych szacunków i słabego dopasowania modelu.
Jak zaproponowali Eid i Zickar (2007), połączenie modelu klasy utajonej (w celu wyodrębnienia grupy respondentów, np. Tych, którzy zawsze odpowiadają na skrajne kategorie w porównaniu z innymi) i modelu IRT (w celu oszacowania parametrów pozycji i lokalizacji osób na utajonym cecha w obu grupach) wydaje się być dobrym rozwiązaniem. Inne strategie modelowania opisano w ich pracy (np. Model HYBRID, patrz także Holden i Book, 2009).
Podobnie, modele rozwijające się mogą być wykorzystane do radzenia sobie ze stylem odpowiedzi , który jest zdefiniowany jako spójny i niezależny od treści wzorzec kategorii odpowiedzi (np. Tendencja do zgadzania się ze wszystkimi stwierdzeniami). W naukach społecznych lub literaturze psychologicznej nazywa się to Extreme Response Style (ERS). Odnośniki (1–3) mogą być przydatne, aby dowiedzieć się, w jaki sposób manifestuje się i jak można go zmierzyć.
Oto krótka lista artykułów, które mogą pomóc w postępach w tym temacie:
źródło
Eksploracyjna analiza czynnikowa (EFA) jest odpowiednia (psychometrycznie i w inny sposób) do zbadania, w jakim stopniu można wyjaśnić korelacje między wieloma elementami poprzez wywnioskowanie wspólnego wpływu (an) nie mierzonego (tj. Utajonego) czynnika (ów). Jeśli nie jest to twój konkretny zamiar, rozważ alternatywne analizy, np .:
Wymiarowość to pierwszy problem, którym EFA może się zająć. Możesz zbadać wartości własne macierzy kowariancji (np. Tworząc wykres piargowy za pomocą EFA) i przeprowadzić równoległą analizę w celu ustalenia wymiarów swoich miar. (Zobacz także kilka świetnych porad i alternatywnych sugestii Williama Revelle'a ). Powinieneś to zrobić ostrożnie przed wyodrębnieniem ograniczonej liczby czynników i obróceniem ich w EFA lub przed dopasowaniem modelu z określoną liczbą ukrytych czynników za pomocą CFA, SEM lub jak. Jeśli równoległa analiza wskazuje na wielowymiarowość, ale twój ogólny (pierwszy) czynnik znacznie przewyższa wszystkie inne (tj. Ma zdecydowanie największą wartość własną / wyjaśnia większość wariancji w twoich pomiarach), rozważ analizę dwuskładnikową (Gibbons i Hedeker, 1992;Reise, Moore i Haviland, 2010 ) .
Wiele problemów pojawia się w EFA i modelowaniu współczynnika utajonego ocen skali Likerta. Skale Likerta wytwarzają dane porządkowe (tj. Kategoryczne, wielomianowe, uporządkowane), a nie dane ciągłe. Analiza czynnikowa ogólnie zakłada, że wszelkie surowe dane są ciągłe, a ludzie często przeprowadzają analizy czynnikowe macierzy korelacji iloczynu Pearsona, które są odpowiednie tylko dla danych ciągłych. Oto cytat Reise i współpracowników (2010) :
Poleciłbym połączenie zarówno pierwszego, jak i trzeciego podejścia (tj. Zastosować ważoną po przekątnej estymację najmniejszych kwadratów na polikorycznej macierzy korelacji), w oparciu o omówienie problemów przez Wanga i Cunninghama (2005) z typowymi alternatywami:
Nie jest dla mnie jasne, czy to samo dotyczy estymacji metodą najmniejszych kwadratów ważonych dotyczy estymacji DWLS; niezależnie od tego autorzy zalecają ten estymator. Jeśli nie masz jeszcze środków:
2.15.2
) Dla tych pakietów:psych
Pakiet (Revelle 2013) zawierapolychoric
funkcję.fa.parallel
funkcja może pomóc w określeniu liczby czynników do wyodrębnienia.lavaan
Pakiet (Rosseel 2012) oferty DWLS estymację analizy zmienna ukryta.semTools
Pakiet zawieraefaUnrotate
,orthRotate
orazoblqRotate
funkcje.mirt
pakiet (Chalmers 2012) oferty obiecujących alternatyw wykorzystaniem teorii reakcji poz.Wyobrażam sobie, że Mplus (Muthén i Muthén, 1998-2011) też by działał, ale darmowa wersja demo nie pomieści więcej niż sześciu pomiarów, a wersja licencjonowana nie jest tania. Może jednak warto, jeśli możesz sobie na to pozwolić; ludzie kochają Mplus , a obsługa klienta Muthéns za pośrednictwem forów jest niesamowita!
Jak stwierdzono powyżej, oszacowanie DWLS rozwiązuje problem naruszeń założeń normalności (zarówno jedno-, jak i wielowymiarowych), co jest bardzo częstym problemem i prawie wszechobecnym w danych oceny skali Likerta. Jednak niekoniecznie jest to problem związany z pragmatycznymi konsekwencjami; większość metod nie jest zbyt wrażliwa na (bardzo stronnicze) małe naruszenia (por. Czy testowanie normalności jest „zasadniczo bezużyteczne”? ). Odpowiedź @ chl na to pytanie podnosi także ważniejsze, doskonałe punkty i sugestie dotyczące problemów z ekstremalnym stylem odpowiedzi; zdecydowanie problem z ocenami skali Likerta i innymi subiektywnymi danymi.
Piśmiennictwo
· Babakus, E., Ferguson, JCE i Jöreskog, KG (1987). Wrażliwość analizy potwierdzającego maksymalnego współczynnika prawdopodobieństwa na naruszenia skali pomiarowej i założeń dystrybucyjnych. Journal of Marketing Research, 24 , 222–228.
· Byrne, BM (2006). Modelowanie równań strukturalnych za pomocą EQS. Mahwah, NJ: Lawrence Erlbaum.
· Chalmers, RP (2012). mirt: Wielowymiarowy pakiet teorii odpowiedzi na elementy dla środowiska R. Journal of Statistics Software, 48 (6), 1–29. Źródło: http://www.jstatsoft.org/v48/i06/ .
· Gibbons, RD i Hedeker, DR (1992). Analiza dwuskładnikowa pozycji pełnej informacji. Psychometrika, 57 , 423–436.
· Knol, DL i Berger, MPF (1991). Empiryczne porównanie między analizą czynnikową a wielowymiarowymi modelami reakcji na elementy. Multivariate Behavioural Research, 26 , 457–477.
· Muthén, LK, i Muthén, BO (1998-2011). Podręcznik użytkownika Mplus (wydanie 6). Los Angeles, Kalifornia: Muthén i Muthén.
· Muthén, LK i Muthén, BO (2009). Mplus (wersja 4.00). [Oprogramowanie komputerowe]. Los Angeles, Kalifornia: autor. URL: http://www.statmodel.com .
· Olsson, U. (1979). Oszacowania maksymalnego prawdopodobieństwa dla współczynnika korelacji polichorycznej. Psychometrika, 44 , 443–460.
·Zespół R Core. (2012). R: Język i środowisko dla obliczeń statystycznych. R Foundation for Statistics Computing, Wiedeń, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM i Haviland, MG (2010). Modele i obroty bifaktorów: badanie stopnia, w jakim dane wielowymiarowe dają wyniki w skali jednoznacznej. Journal of Personality Assessment, 92 (6), 544–559. Źródło: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Revelle, W. (2013). psych: Procedury dotyczące osobowości i badań psychologicznych. Northwestern University, Evanston, Illinois, USA. Źródło: http://CRAN.R-project.org/package=psych . Wersja = 1.3.2.
· Rosseel, Y. (2012). lavaan: pakiet R do modelowania równań strukturalnych. Journal of Statistics Software, 48 (2), 1–36. Źródło: http://www.jstatsoft.org/v48/i02/ .
· Wang, WC i Cunningham, EG (2005). Porównanie alternatywnych metod oceny w potwierdzających analizach czynnikowych ogólnego kwestionariusza zdrowia. Raporty psychologiczne, 97 , 3–10.
· Wirth, RJ i Edwards, MC (2007). Analiza czynnikowa pozycji: aktualne podejścia i przyszłe kierunki. Metody psychologiczne, 12 , 58–79. Źródło: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .
źródło
Krótka uwaga, że warto przyjrzeć się korelacji polichorycznej z analizą czynnikową, a nie tradycyjnej macierzy korelacji / kowariancji.
http://www.john-uebersax.com/stat/sem.htm
źródło