Раньше я анализировал предметы с психометрической точки зрения. Но сейчас я пытаюсь проанализировать другие типы вопросов по мотивации и другим темам. Эти вопросы все по шкалам Лайкерта. Моя первоначальная мысль состояла в том, чтобы использовать факторный анализ, потому что гипотезы предполагают отражение некоторых основных аспектов.
- Но уместен ли факторный анализ?
- Нужно ли проверять каждый вопрос относительно его размерности?
- Есть ли проблема с выполнением факторного анализа на предметах likert?
- Есть ли хорошие статьи и методы о том, как проводить факторный анализ по Лайкерту и другим категориям?
Ответы:
Из того, что я видел до сих пор, FA используется для позиций, как и для других видов оценочных шкал. Проблема, возникающая из-за используемой метрики (то есть «действительно ли шкалы Лайкерта должны рассматриваться как числовые шкалы?» - давняя дискуссия, но, предоставляя вам проверку распределения колоколообразных откликов, вы можете обращаться с ними как с непрерывными измерениями, в противном случае проверка на нелинейные модели FA или оптимальное масштабирование ) может быть обработана политомными моделями IRT, такими как градуированный отклик, рейтинговая шкала или модель частичного кредита. Последние два могут использоваться как грубая проверка того, являются ли пороговые расстояния, используемые в элементах типа Лайкерта, характеристикой формата ответа (RSM) или конкретного элемента (PCM).
Что касается вашего второго пункта, то, например, известно, что распределение ответов в опросах об отношении к здоровью или в отношении здоровья отличается от страны к стране (например, китайцы, как правило, выделяют «экстремальные» схемы реагирования по сравнению с людьми из западных стран, см., Например, Song , X.-Y. (2007) Анализ моделей мультиструктурных структурных уравнений с приложениями к данным о качестве жизни, в Справочнике по скрытой переменной и родственным моделям , Lee, S.-Y. (Ed.), Стр. 279-302, Север -Holland). Некоторые методы, чтобы справиться с такой ситуацией с моей головы:
Дело в том, что большинство из этих подходов фокусируются на уровне предметов (эффект потолка / пола, сниженная надежность, статистика плохого соответствия предметов и т. Д.), Но когда кто-то интересуется тем, как люди отклоняются от того, что можно ожидать от идеала группа наблюдателей / респондентов, я думаю, что вместо этого мы должны сосредоточиться на показателях соответствия человека.
Такихχ2 статистические данные легко доступны для моделей IRT, как INFIT или обмундирования средней площади, но , как правило , они применяются на всей анкете. Кроме того, поскольку оценка параметров элементов частично зависит от параметров лиц (например, в рамках предельного правдоподобия, мы предполагаем гауссовское распределение), присутствие удаленных лиц может привести к потенциально необъективным оценкам и плохому соответствию модели.
Как предложено Eid и Zickar (2007), объединение модели скрытого класса (для изоляции группы респондентов, например, тех, кто всегда отвечает на экстремальные категории по сравнению с другими) и модели IRT (для оценки параметров элемента и местоположения людей на скрытой черта в обеих группах) представляется хорошим решением. Другие стратегии моделирования описаны в их статье (например, модель HYBRID, см. Также Holden and Book, 2009).
Аналогичным образом, разворачивающиеся модели могут использоваться для соответствия стилю ответа , который определяется как согласованный и независимый от содержимого шаблон категории ответа (например, тенденция соглашаться со всеми утверждениями). В общественных науках или психологической литературе это называется экстремальным стилем ответа (ERS). Ссылки (1–3) могут быть полезны, чтобы получить представление о том, как оно проявляется и как его можно измерить.
Вот краткий список статей, которые могут помочь в продвижении по этому вопросу:
источник
Исследовательский факторный анализ (ОДВ) является подходящим (психометрически и иным образом) для изучения степени, в которой можно объяснить корреляции между несколькими элементами, исходя из общего влияния (не) неизмеренного (т. Е. Скрытого) фактора (ов). Если это не ваше конкретное намерение, рассмотрите альтернативные анализы, например:
Размерность - это первая проблема, которую может решить ОДВ. Вы можете исследовать собственные значения ковариационной матрицы (например, создавая осыпной график через EFA) и провести параллельный анализ для определения размерности ваших мер. (См. Также несколько полезных советов и альтернативных предложений от William Revelle .) Вы должны делать это осторожно, прежде чем извлекать ограниченное число факторов и поворачивать их в EFA, или перед тем, как подбирать модель с определенным количеством скрытых факторов, используя CFA, SEM или как. Если параллельный анализ указывает на многомерность, но ваш общий (первый) фактор значительно перевешивает все остальные (т. Е. Имеет наибольшее собственное значение / объясняет большинство отклонений в ваших показателях), рассмотрите бифакторный анализ (Gibbons & Hedeker, 1992;Reise, Moore, & Haviland, 2010 ) .
Многие проблемы возникают в ОДВ и скрытом факторе моделирования рейтингов по шкале Лайкерта. Шкалы Лайкерта дают порядковые (то есть категориальные, политомные, упорядоченные) данные, а не непрерывные данные. Факторный анализ, как правило, предполагает, что любые исходные данные являются непрерывными, и люди часто проводят факторный анализ матриц соотношений продукта и момента Пирсона, которые подходят только для непрерывных данных. Вот цитата из Reise и коллег (2010) :
Я бы порекомендовал объединить как первый, так и третий подходы (т. Е. Использовать диагонально взвешенную оценку наименьших квадратов на полихорической корреляционной матрице) на основе обсуждения проблем Ванга и Каннингема (2005) с типичными альтернативами:
Мне не ясно, относится ли та же проблема с оценкой взвешенных наименьших квадратов к оценке DWLS; независимо от того, авторы рекомендуют оценку. Если у вас уже нет средств:
2.15.2
) для этих пакетов:psych
Пакет (Ревеллы, 2013) содержитpolychoric
функцию.fa.parallel
Функция может помочь определить ряд факторов для извлечения.lavaan
Пакет (Rosseel, 2012) предлагает DWLS оценки для анализа скрытого переменного.semTools
Пакет содержитefaUnrotate
,orthRotate
иoblqRotate
функции.mirt
пакете (Chalmers, 2012) предлагает перспективные альтернативы , используя теорию ответа пункта.Я полагаю, что Mplus (Muthén & Muthén, 1998-2011) также будет работать, но бесплатная демо-версия не будет содержать более шести измерений, а лицензионная версия не дешевая. Это может стоить того, если вы можете себе это позволить; люди любят Mplus , и обслуживание клиентов Muthéns через их форумы невероятно!
Как указывалось выше, оценка DWLS преодолевает проблему нарушений допущений нормальности (как одномерных, так и многомерных), которая является очень распространенной и почти повсеместной в данных рейтинга по шкале Лайкерта. Однако это не обязательно прагматически вытекающая проблема; большинство методов не слишком чувствительны (сильно предвзяты) к мелким нарушениям (ср. Тестирование нормальности «по сути бесполезно»? ). Ответ @ chl на этот вопрос поднимает более важные, отличные вопросы и предложения относительно проблем с экстремальным стилем ответа; определенно проблема с оценками по шкале Лайкерта и другими субъективными данными.
Список литературы
· Бабакус, Э., Фергюсон, JCE, & Jöreskog, KG (1987). Чувствительность подтверждающего анализа факторов максимального правдоподобия к нарушениям шкалы измерений и допущений распределения. Журнал маркетинговых исследований, 24 , 222–228.
· Бирн, Б.М. (2006). Моделирование структурных уравнений с помощью EQS. Махва, Нью-Джерси: Лоуренс Эрлбаум.
· Чалмерс, RP (2012). mirt: пакет многоплановой теории отклика предмета для среды R. Журнал статистического программного обеспечения, 48 (6), 1–29. Получено с http://www.jstatsoft.org/v48/i06/ .
· Gibbons, RD & Hedeker, DR (1992). Полный информационный элемент двухфакторного анализа. Психометрика, 57 , 423–436.
· Knol, DL & Berger, MPF (1991). Эмпирическое сравнение между факторным анализом и многомерными моделями ответа. Многомерное поведенческое исследование, 26 , 457–477.
· Muthén, LK, & Muthén, BO (1998-2011). Руководство пользователя Mplus (6-е изд.). Лос-Анджелес, Калифорния: Мутен и Мутен.
· Muthén, LK, & Muthén, BO (2009). Mplus (версия 4.00). [Компьютерное программное обеспечение]. Лос-Анджелес, Калифорния: Автор. URL: http://www.statmodel.com .
· Олссон, У. (1979). Оценки максимального правдоподобия для коэффициента полихорической корреляции. Психометрика, 44 , 443–460.
·R Core Team. (2012). Р: Язык и среда для статистических вычислений. R Фонд статистических вычислений, Вена, Австрия. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM & Haviland, MG (2010). Бифакторные модели и ротации: изучение степени, в которой многомерные данные дают однозначные оценки по шкале. Журнал оценки личности, 92 (6), 544–559. Получено с http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Revelle, W. (2013). Психология: Процедуры для личностных и психологических исследований. Северо-западный университет, Эванстон, Иллинойс, США. Получено с http://CRAN.R-project.org/package=psych . Версия = 1.3.2.
· Россель Ю. (2012). lavaan: пакет R для моделирования структурных уравнений. Журнал статистического программного обеспечения, 48 (2), 1–36. Получено с http://www.jstatsoft.org/v48/i02/ .
· Wang, WC, & Cunningham, EG (2005). Сравнение альтернативных методов оценки в подтверждающих факторных анализах Общего вопросника здоровья. Психологические отчеты, 97 , 3–10.
· Wirth, RJ & Edwards, MC (2007). Предметный анализ: современные подходы и будущие направления. Психологические методы, 12 , 58–79. Получено с http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .
источник
Просто короткое замечание о том, что вы можете рассмотреть полихорическую корреляцию с факторным анализом, а не традиционную матрицу корреляции / ковариации.
http://www.john-uebersax.com/stat/sem.htm
источник