Likert maddelerinden oluşan anketlerin faktör analizi

Maddeleri psikometrik bir bakış açısıyla analiz ederdim. Ama şimdi motivasyon ve diğer konularla ilgili diğer soruları analiz etmeye çalışıyorum. Bu soruların hepsi Likert skalalarında. İlk düşüncem faktör analizini kullanmaktı, çünkü sorular bazı temel boyutları yansıttığı varsayılıyor.

• Ancak faktör analizi uygun mu?
• Her bir sorunun boyutluluğuna ilişkin doğrulanması gerekli midir?
• Likert maddelerinde faktör analizi yapmayla ilgili bir sorun var mı?
• Likert ve diğer kategorik maddeler üzerinde faktör analizinin nasıl yapılacağına dair iyi makaleler ve yöntemler var mı?

Şimdiye kadar gördüğüm kadarıyla, FA, diğer derecelendirme ölçekleri için olduğu gibi tutum öğeleri için kullanılır. Kullanılan metrikten kaynaklanan sorun (yani "Likert ölçekleri gerçekten sayısal ölçek olarak ele alınacak mıdır?") Uzun süredir devam eden bir tartışmadır, ancak zil şeklindeki yanıt dağılımını kontrol etmenizi sağlayarak bunları sürekli ölçüm olarak ele alabilirsiniz, aksi takdirde doğrusal olmayan FA modelleri veya en uygun ölçeklendirme olup olmadığını kontrol edin ) Kademeli Yanıt, Derecelendirme Ölçeği veya Kısmi Kredi Modeli gibi politimom IRT modelleri tarafından işlenebilir. Son iki madde, Likert tipi öğelerde kullanılan eşik mesafelerinin tepki biçiminin (RSM) veya belirli öğenin (PCM) bir özelliği olup olmadığının kaba bir kontrolü olarak kullanılabilir.

İkinci noktanızla ilgili olarak, örneğin, tutum veya sağlık anketlerindeki yanıt dağılımlarının bir ülkeden diğerine farklılık gösterdiği bilinmektedir (örneğin, Çinli insanlar batı ülkelerinden gelenlere kıyasla 'aşırı' yanıt modellerini vurgulama eğilimindedir, bkz. , X.-Y. (2007) Latent Değişken ve İlişkili Modeller El Kitabında Yaşam Kalitesi verilerine uygulamalarla çok örnekli yapısal denklem modellerinin analizi , Lee, S.-Y. (Ed.), S. 279-302, Kuzey -Holland). Bu durumu başımın üstünden ele almak için bazı yöntemler:

• madde düzeyinde güçlü gruplar arası dengesizliği vurgulamak için log-lineer modellerin kullanımı (marjinal yaklaşım) (katsayılar daha sonra olasılıklar yerine nispi riskler olarak yorumlanır);
• Song'tan alınan çok örnekli SEM yöntemi (yine de bu yaklaşım üzerinde daha fazla çalışıp çalışmadıklarını bilmiyorum).

Şimdi, bu yaklaşımların çoğunun madde düzeyinde (tavan / zemin etkisi, azalan güvenilirlik, kötü ürün uyum istatistikleri, vb.) gözlemciler / katılımcılar, bunun yerine kişi uyum indekslerine odaklanmamız gerektiğini düşünüyorum.

$\chi^2$

Eid ve Zickar (2007) tarafından önerildiği gibi, bir gizli sınıf modelini (yanıtlayanlar grubunu izole etmek için, örneğin her zaman aşırı kategorilere karşı diğerleri gibi cevaplayanlar) ve bir IRT modelini (madde parametrelerini ve gizli konumdaki kişilerin konumlarını tahmin etmek için) birleştirmek her iki grupta da özellik) hoş bir çözüm gibi görünüyor. Diğer modelleme stratejileri makalelerinde açıklanmıştır (örn. HYBRID modeli, ayrıca bkz. Holden ve Book, 2009).

Benzer şekilde, katlama modelleri , tutarlı ve içerikten bağımsız bir yanıt kategorisi modeli olarak tanımlanan yanıt stili ile başa çıkmak için kullanılabilir (örneğin tüm ifadelere katılma eğilimi). Sosyal bilimlerde veya psikolojik literatürde bu, Aşırı Tepki Tarzı (ERS) olarak bilinir. Referanslar (1-3) nasıl ortaya çıktığı ve nasıl ölçülebileceği hakkında fikir edinmek için yararlı olabilir.

İşte bu konuda ilerlemenize yardımcı olabilecek kısa bir makale listesi:

1. Hamilton, DL (1968). Aşırı tepki stili ile ilişkili kişilik özellikleri . Psikolojik Bülten , 69 (3) : 192-203.
2. Greanleaf, EA (1992). Aşırı tepki stilini ölçme. Kamuoyu Üçlü Olarak , 56 (3) : 328-351.
3. de Jong, MG, Steenkamp, ​​J.-BEM, Fox, J.-P. ve Baumgartner, H. (2008). Pazarlama Araştırmalarında Aşırı Tepki Tarzını Ölçmek için Madde Tepki Teorisinin Kullanılması: Küresel Bir Araştırma. Pazarlama araştırması dergisi , 45 (1) : 104-115.
4. Morren, M., Gelissen, J. ve Vermunt, JK (2009). Kültürlerarası araştırmalarda aşırı tepki tarzı ile başa çıkmak: Kısıtlı bir gizli sınıf faktörü analizi yaklaşımı
5. Moors, G. (2003). Latent Sınıf Faktörü Yaklaşımı Aracılığıyla Yanıt Stili Davranışının Teşhisi. Toplumsal Cinsiyet Rolü Tutumlarının Sosyo-Demografik İlişkileri ve Etnik Ayrımcılığın Algıları Yeniden İncelendi. Kalite ve Miktar , 37 (3), 277-302.
6. de Jong, MG Steenkamp JB, Fox, J.-P. ve Baumgartner, H. (2008). Pazarlama Araştırmalarında Aşırı Tepki Tarzını Ölçmek için Madde Tepki Teorisi: Küresel Bir Araştırma. Pazarlama Araştırmaları Dergisi , 45 (1), 104-115.
7. Javaras, KN ​​ve Ripley, BD (2007). Likert Tutum Verileri için bir "Açılım" Gizli Değişken Modeli. JASA , 102 (478): 454-463.
8. , Knott ve Mavridis'ten lamlar, Gizli değişken modellerde aykırı değerleri tespit etme yöntemleri
9. Eid, M. ve Zickar, MJ (2007). Karışık Rasch Modelleri ile kişilik ve örgütsel değerlendirmelerde tepki biçimlerinin ve sahteciliğin tespiti. Von Davier, M. ve Carstensen, CH (Eds.), Çok Değişkenli ve Karışım Dağılımı Rasch Modelleri , s. 255-270, Springer.
10. Holden, RR ve Book, AS (2009). Bir kişilik envanterindeki faktörlerin algılanmasını iyileştirmek için hibrit Rasch-latent sınıf modelleme kullanma. Kişilik ve Bireysel Farklılıklar , 47 (3) : 185-190.

Açıklayıcı faktör analizi (EFA), (an) ölçülmemiş (yani gizli) faktörlerin ortak etkisini ortaya çıkararak, birden fazla madde arasındaki korelasyonları ne kadar açıklayabildiğini incelemek için uygundur (psikometrik ve diğer). Bu sizin özel amacınız değilse, alternatif analizleri düşünün, örneğin:

• Genel doğrusal modelleme (örneğin, çoklu regresyon, kanonik korelasyon veya (M) AN (C) OVA)
• Doğrulayıcı faktör analizi (CFA) veya gizli özellik / sınıf / profil analizleri
• Yapısal eşitlik (SEM) / kısmi en küçük kareler modellemesi

Boyut, EFA'nın ele alabileceği ilk konudur. Kovaryans matrisinin özdeğerlerini inceleyebilir (EFA yoluyla bir çizici grafik oluşturarak olduğu gibi) ve ölçümlerinizin boyutluluğunu çözmek için paralel bir analiz yapabilirsiniz. (Ayrıca , William Revelle'in bazı harika tavsiyelerine ve alternatif önerilerine bakın .) Sınırlı sayıda faktörü çıkarmadan ve bunları EFA'ya döndürmeden önce veya CFA, SEM veya gibi. Paralel bir analiz çokboyutluluğa işaret ediyorsa, ancak genel (ilk) faktörünüz diğerlerinden büyük ölçüde ağır basarsa (yani, en büyük öz değere sahiptir / ölçümlerinizdeki varyansın çoğunluğunu açıklar), iki faktörlü analizi düşünün ^{(Gibbons & Hedeker, 1992;Reise, Moore ve Haviland, 2010 )} .

EFA ve Likert ölçek derecelendirmelerinin gizli faktör modellemesinde birçok sorun ortaya çıkmaktadır. Likert ölçekleri sürekli veriler değil sıralı (yani kategorik, politomik, sıralı) veriler üretir. Faktör analizi genellikle herhangi bir ham veri girdisinin sürekli olduğunu varsayar ve insanlar genellikle yalnızca sürekli veriler için uygun olan Pearson ürün-moment korelasyonlarının matrislerinin faktör analizlerini yaparlar. İşte Reise ve meslektaşlarından bir alıntı ⁽²⁰¹⁰⁾ :

Sıradan doğrulayıcı faktör analitik teknikleri, dikotom veya politom veriler için geçerli değildir ^{(Byrne, 2006)} . Bunun yerine, özel tahmin prosedürleri gereklidir ^{(Wirth ve Edwards, 2007)} . Temel olarak, çok öğeli öğe yanıt verileriyle çalışmak için üç seçenek vardır. Birincisi bir polikrik matris hesaplamak ve daha sonra standart faktör analitik yöntemleri uygulamaktır ^{(bkz. Knol ve Berger, 1991)} . İkinci bir seçenek de tam bilgi madde faktör analizi kullanmaktır ^{(Gibbons & Hedeker, 1992)} . Üçüncüsü, ortalama ve varyans ayarlı ağırlıklı en küçük kareler gibi düzenli veriler için özel olarak tasarlanmış sınırlı bilgi tahmin prosedürlerini kullanmaktır ^{(MPLUS; Muthén ve Muthén, 2009)} .

Wang ve Cunningham'ın ⁽²⁰⁰⁵⁾ tipik alternatiflerle ilgili tartışmalarına dayanarak, hem birinci hem de üçüncü yaklaşımları birleştirmeyi (yani, bir polikrik korelasyon matrisinde çapraz ağırlıklı en küçük kareler tahminini kullanın) tavsiye ederim :

Maksimum olasılık kullanılarak ve Pearson ürün-moment korelasyonlarına dayalı olarak normal olmayan sıralı verilerle doğrulayıcı faktör analizi yapıldığında, bu çalışmada üretilen aşağı doğru parametre tahminleri Olsson ⁽¹⁹⁷⁹⁾ bulguları ile uyumluydu. Başka bir deyişle, gözlenen sıralı değişkenlerdeki normal olmayan büyüklük, parametre tahminlerinin doğruluğunun önemli bir belirleyicisidir.

Sonuçlar ayrıca Babakus ve ark. ⁽¹⁹⁸⁷⁾ . Doğrulayıcı faktör analizlerinde maksimum olasılık tahmini bir polikrik korelasyon giriş matrisi ile birlikte kullanıldığında, çözümler zayıf uyum istatistikleri ile birlikte kabul edilemez ve dolayısıyla önemli ki-kare değerlerine yol açma eğilimindedir.

Soru, araştırmacıların normal olmayan kategorik verileri olan yapısal eşitlik modellerinin tahmininde ağırlıklı en küçük kareler mi yoksa çapraz olarak ağırlıklı en küçük kareler tahmin edicilerini mi kullanmaları gerektiğidir. Ne ağırlıklı en küçük kareler ne de çapraz olarak ağırlıklı en küçük kareler tahmini, değişkenlerin dağılımının doğası hakkında varsayımlarda bulunmaz ve her iki yöntem de asemptolojik olarak geçerli sonuçlar üretir. Bununla birlikte, ağırlıklı en küçük kareler kestirimi dördüncü dereceden momentlere dayandığından, bu yaklaşım sıklıkla pratik sorunlara yol açmaktadır ve oldukça hesaplama gerektirmektedir. Bu, ağırlıklı en küçük kareler kestiriminin, ortam modellerini, yani 10 göstergeli, büyük boyutlu ve küçük ila orta boyutlu numune boyutlarını değerlendirmek için kullanıldığında sağlamlıktan yoksun olabileceği anlamına gelir.

Ağırlıklı en küçük kareler tahminiyle aynı kaygının DWLS tahmini için geçerli olup olmadığı net değil; ne olursa olsun, yazarlar bu tahminciyi tavsiye eder. Zaten araçlara sahip değilseniz:

• R ^{(R Core Team, 2012)} ücretsizdir. 2.15.2Bu paketler için eski bir sürüme (ör. ) İhtiyacınız olacak :
  • psychPaket ^{(Revelle, 2013)} içeren polychoricbir işlev.
    • fa.parallelFonksiyon ayıklamak faktörlerin sayısını belirlemek yardımcı olabilir.
  • lavaanPaket ^{(Rosseel, 2012)} teklifler gizli değişken analizi için tahmini DWLS.
  • semToolsPaket içerir efaUnrotate, orthRotateve oblqRotateişlevleri.
  • mirtPaket ^{(Chalmers, 2012)} madde tepki teorisini kullanarak alternatifleri vaat sunuyor.

Hayal sitede Mplus ^{(Muthén & Muthén, 1998-2011)} da çalışacak, ama ücretsiz demo sürümü en fazla altı ölçümleri karşılamak olmayacak ve lisanslı sürümü ucuz değil. Gerçi bunu karşılayabilirseniz buna değer olabilir; insanlar Mplus'u seviyor ve Muthéns'in forumları aracılığıyla müşteri hizmetleri inanılmaz!

Yukarıda belirtildiği gibi, DWLS tahmini, çok yaygın bir sorun olan ve Likert ölçek derecelendirme verilerinde neredeyse her yerde bulunan normallik varsayım ihlallerinin (hem tek değişkenli hem de çok değişkenli) sorununun üstesinden gelir. Ancak, bu pragmatik olarak sonuçsal bir sorun olmak zorunda değildir; çoğu yöntem küçük ihlallere karşı çok hassas değildir (bkz. normallik testi 'esasen işe yaramaz mı? ). @ chl'ın bu soruya vereceği cevap, aşırı tepki tarzı ile ilgili problemlerde de daha önemli, mükemmel noktalar ve öneriler getiriyor; kesinlikle Likert ölçek derecelendirmeleri ve diğer öznel verilerle ilgili bir sorun.

^{Kaynaklar
· Babakus, E., Ferguson, JCE ve Jöreskog, KG (1987). Doğrulayıcı maksimum olabilirlik faktörü analizinin ölçüm ölçeği ve dağıtım varsayımlarının ihlallerine duyarlılığı. Pazarlama Araştırmaları Dergisi, 24 , 222-228.
· Byrne, BM (2006). EQS ile Yapısal Eşitlik Modellemesi. Mahwah, NJ: Lawrence Erlbaum.
· Chalmers, RP (2012). mirt: R ortamı için çok boyutlu bir madde yanıt teorisi paketi. İstatistiksel Yazılım Dergisi, 48 (6), 1–29. Http://www.jstatsoft.org/v48/i06/ adresinden erişildi .
· Gibbons, RD ve Hedeker, DR (1992). Tam bilgi kalemi iki faktörlü analiz. Psikometrik, 57 , 423-436.
· Knol, DL ve Berger, MPF (1991). Faktör analizi ile çok boyutlu madde yanıt modelleri arasında ampirik karşılaştırma. Çok Değişkenli Davranışsal Araştırma, 26 , 457-477.
· Muthén, LK ve Muthén, BO (1998-2011). Mplus kullanım kılavuzu (6. baskı). Los Angeles, CA: Muthén ve Muthén.
· Muthén, LK ve Muthén, BO (2009). Mplus (Sürüm 4.00). [Bilgisayar yazılımı]. Los Angeles, CA: Yazar. URL: http://www.statmodel.com .
· Olsson, U. (1979). Polikrik korelasyon katsayısı için maksimum olabilirlik tahminleri. Psikometrik, 44 , 443-460.
·R Çekirdek Ekibi. (2012). R: İstatistiksel hesaplama için bir dil ve ortam. R İstatistiksel Hesaplama Vakfı, Viyana, Avusturya. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM ve Haviland, MG (2010). Bifaktör modelleri ve rotasyonları: Çok boyutlu verinin tek odaklı ölçek puanlarını ne ölçüde verdiğini keşfetmek. Kişilik Değerlendirmesi Dergisi, 92 (6), 544-559. Http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ adresinden erişildi .
· Revelle, W. (2013). psişik: Kişilik ve Psikolojik Araştırma Prosedürleri. Northwestern Üniversitesi, Evanston, Illinois, ABD. Http://CRAN.R-project.org/package=psych adresinden erişildi . Sürüm = 1.3.2.
· Rosseel, Y. (2012). lav: Yapısal Eşitlik Modellemesi için bir R Paketi. İstatistiksel Yazılım Dergisi, 48 (2), 1-36. Http://www.jstatsoft.org/v48/i02/ adresinden erişildi .
· Wang, WC ve Cunningham, EG (2005). Genel Sağlık Anketinin doğrulayıcı faktör analizlerinde alternatif tahmin yöntemlerinin karşılaştırılması. Psikolojik Raporlar, 97 , 3-10.
· Wirth, RJ ve Edwards, MC (2007). Madde faktör analizi: Güncel yaklaşımlar ve gelecekteki yönelimler. Psikolojik Yöntemler, 12 , 58-79. Http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ adresinden erişildi .}

Sadece geleneksel korelasyon / kovaryans matrisi yerine faktör analizi ile polikrik korelasyona bakmak isteyebileceğiniz kısa bir not.

http://www.john-uebersax.com/stat/sem.htm