Anketinizin tek boyutlu bir ölçek olarak kabul edileceğini varsayacağım (aksi takdirde, Cronbach'ın alfa çok mantıklı değil). Bunu kontrol etmek için bir açımlayıcı faktör analizi yapmaya değer. Ayrıca, öğelerin ölçekle nasıl ilişkili olduğunu görmenize de izin verir (yani yüklemeleri aracılığıyla).
Öğelerinizi ve ölçeğinizi doğrulamak için temel adımlar şunları içermelidir:
- öğelerin temel istatistikleri (aralık, çeyrekler, merkezi eğilim, tavan ve varsa zemin etkileri) hakkında eksiksiz bir rapor;
- alfanızla yaptığınız gibi iç tutarlılığı kontrol etmek (en iyisi,% 95 güven aralığı verin, çünkü örneğe bağlıdır);
- genel istatistiklerle (histogram + yoğunluk, kantiller vb.) özet ölçüyü (örn. toplam veya ortalama puan, aka ölçek puanı) tanımlayın;
- değerlendirdiğiniz yapı ile ilgili olması gereken belirli ortak değişkenlere karşı özet yanıtlarınızı kontrol edin - buna bilinen grup geçerliliği denir;
- mümkünse, aynı yapıyı ( eşzamanlı veya yakınsak geçerlilik) ölçtüğü iddia edilen araçlara karşı özet yanıtlarınızı kontrol edin .
Ölçeğiniz tek boyutlu değilse, bu adımların her alt ölçek için yapılması gerekir ve ayrıca ikinci dereceden faktör yapısını değerlendirmek için faktörlerinizin korelasyon matrisini de hesaba katabilirsiniz (veya yapısal denklem modellemesi veya doğrulayıcı faktör analizi kullanın veya ne istersen). Ayrıca, çok-özellikli ölçekleme veya Çok-özellikli çok-yöntemli modelleme (ölçekler içinde ve arasında interitem korelasyonlarına dayalı olarak) veya yine SEM'leri kullanarak yakınsak ve ayırt edici geçerliliği değerlendirebilirsiniz.
Ardından, anketinizi kısaltmak, farklı öğe işlevlerini gösteren bazı öğeleri filtrelemek veya testinizi bir tür bilgisayar uyarlamalı testte kullanmak istemiyorsanız , Madde Yanıt Teorisinin bu kadar yardımcı olmayacağını söyleyebilirim .
Her durumda, Rasch modeli ikili öğeler içindir. Çok boyutlu sipariş edilen ürünler için en yaygın kullanılan modeller:
- notlandırılmış cevap modeli
- kısmi kredi modeli
- derecelendirme ölçek modeli.
Sadece son ikisi Rasch ailesindendir ve temel olarak bitişik bir olasılık formülasyonu kullanırlar, bu da konunun belirli bir yanıt kategorisini desteklemek için birkaç eşiği "geçmesi" gerektiği düşüncesiyle. Bu iki model arasındaki fark, PCM'nin eşiklerin teta ( yetenek veya latent özellikteki özne konumu) ölçeğinde eşit aralıklarla yerleştirilmemesidir . Kademeli yanıt modeli kümülatif oran formülasyonuna dayanır. Bu modellerin hepsinin ölçeğin tek boyutlu olduğunu varsaydığını unutmayın; yani, sadece bir gizli özellik vardır. Yerel bağımsızlık gibi başka varsayımlar da vardır (yani, cevaplar arasındaki korelasyonlar yetenek ölçeğindeki değişiklikle açıklanmaktadır).
Her neyse, Journal of Statistical Software: Special Volume: R'deki Psikometri'nin 20. cildinde R'de psikometrik yöntemleri uygulamak için çok eksiksiz bir dokümantasyon ve faydalı ipuçları bulacaksınız . Temel olarak, günlük işlerimde kullandığım en ilginç R paketleri: ltm , eRm , psych , psy . Diğerlerine CRAN görev görünümü Psikometri'de başvurulur . İlgilenilen diğer kaynaklar:
Ölçek geliştirme FA vs IRT kullanımına ilişkin iyi bir derleme uygulamada Ölçekli inşaat ve değerlendirmede bulunabilir: madde tepki kuramı uygulamaları karşısında faktör analizi gözden on tarafından, Holt ve arkadaşları (Psikolojik Test ve Değerlendirme Modelleme (2010) 52 (3): 272-297) 'de tarif edilmiştir.