Tôi rất muốn nhận được đề xuất về thời điểm sử dụng " điểm yếu tố " so với tổng điểm đơn giản khi xây dựng thang đo. Tức là "Tinh chỉnh" hơn các phương pháp "không tinh chế" để ghi một yếu tố. Từ DiStefano et al. (2009; pdf ), nhấn mạnh thêm:
Có hai lớp chính của phương pháp tính điểm yếu tố: tinh chế và không tinh chế. Các phương pháp không tinh chế là các thủ tục tích lũy tương đối đơn giản để cung cấp thông tin về vị trí của các cá nhân trong phân phối nhân tố. Sự đơn giản cho vay một số tính năng hấp dẫn, đó là, các phương pháp không tinh chỉnh vừa dễ tính toán vừa dễ giải thích. Các phương pháp tính toán tinh chỉnh tạo ra các điểm yếu tố bằng cách sử dụng các phương pháp kỹ thuật và tinh vi hơn. Chúng chính xác và phức tạp hơn các phương pháp không tinh chế và cung cấp các ước tính là điểm số được tiêu chuẩn hóa.
Theo tôi, nếu mục tiêu là tạo ra một thang đo có thể được sử dụng trong các nghiên cứu và cài đặt, thì một tổng đơn giản hoặc điểm trung bình của tất cả các mục tỷ lệ có ý nghĩa. Nhưng hãy nói rằng mục tiêu là đánh giá hiệu quả điều trị của một chương trình và sự tương phản quan trọng nằm trong nhóm điều trị với nhóm đối chứng. Có bất kỳ lý do tại sao chúng ta có thể thích điểm yếu tố để tính tổng hoặc trung bình?
Để cụ thể về các lựa chọn thay thế, hãy lấy ví dụ đơn giản này:
library(lavaan)
library(devtools)
# read in data from gist ======================================================
# gist is at https://gist.github.com/ericpgreen/7091485
# this creates data frame mydata
gist <- "https://gist.github.com/ericpgreen/7091485/raw/f4daec526bd69557874035b3c175b39cf6395408/simord.R"
source_url(gist, sha1="da165a61f147592e6a25cf2f0dcaa85027605290")
head(mydata)
# v1 v2 v3 v4 v5 v6 v7 v8 v9
# 1 3 4 3 4 3 3 4 4 3
# 2 2 1 2 2 4 3 2 1 3
# 3 1 3 4 4 4 2 1 2 2
# 4 1 2 1 2 1 2 1 3 2
# 5 3 3 4 4 1 1 2 4 1
# 6 2 2 2 2 2 2 1 1 1
# refined and non-refined factor scores =======================================
# http://pareonline.net/pdf/v14n20.pdf
# non-refined -----------------------------------------------------------------
mydata$sumScore <- rowSums(mydata[, 1:9])
mydata$avgScore <- rowSums(mydata[, 1:9])/9
hist(mydata$avgScore)
# refined ---------------------------------------------------------------------
model <- '
tot =~ v1 + v2 + v3 + v4 + v5 + v6 + v7 + v8 + v9
'
fit <- sem(model, data = mydata, meanstructure = TRUE,
missing = "pairwise", estimator = "WLSMV")
factorScore <- predict(fit)
hist(factorScore[,1])
They are more exact
Sự nhấn mạnh được thêm vào này sẽ không làm chúng ta mất tập trung vào thực tế là ngay cả điểm yếu tố cũng không thể tránh khỏi ("không xác định").
"more exact"
. Trong số các yếu tố được tính toán tuyến tính, phương pháp hồi quy là "chính xác" nhất theo nghĩa "tương quan nhất với các giá trị yếu tố thực không xác định". Vì vậy, có, chính xác hơn (trong cách tiếp cận đại số tuyến tính), nhưng không hoàn toàn chính xác.