Tư vấn xây dựng quy mô khoa học


8

Tôi đã được tặng một bộ gồm 20 vật phẩm Likert (từ 1-5, cỡ mẫu n = 299) trong lĩnh vực nghiên cứu tổ chức. Các mục này nhằm đo lường một khái niệm tiềm ẩn là đa chiều, đa diện và không đồng nhất trong bản chất của nó. Mục tiêu là tạo ra một thang đo có thể được sử dụng độc đáo để phân tích các tổ chức khác nhau và được sử dụng trong hồi quy logistic. Theo hiệp hội tâm lý học người Mỹ, một thang đo phải là (1) một chiều, (2) đáng tin cậy và (3) hợp lệ.

Do đó, chúng tôi quyết định chọn bốn thứ nguyên hoặc các phạm vi con với 4/6/6/4 mỗi mục; được đưa ra giả thuyết để đại diện cho khái niệm.

Các mục được xây dựng bằng cách sử dụng phương pháp phản chiếu (tạo ra nhiều mục có thể và lặp đi lặp lại xóa các mục bằng cách sử dụng biểu diễn khái niệm alpha và khái niệm (tính hợp lệ) của cronbach trong ba nhóm tiếp theo).

Sử dụng dữ liệu có sẵn, phân tích nhân tố giải thích song song sơ bộ dựa trên mối tương quan đa âm và sử dụng vòng xoay varimax cho thấy các mặt hàng tải vào các yếu tố khác ngoài dự kiến. Có ít nhất 7 yếu tố tiềm ẩn trái ngược với bốn yếu tố được đưa ra giả thuyết. Tương quan giữa các mục trung bình khá thấp (r = 0,15) mặc dù dương. Hệ số cronbach-alpha cũng rất thấp (0,4-0,5) cho mỗi thang đo. Tôi nghi ngờ rằng một phân tích nhân tố khẳng định sẽ mang lại một mô hình tốt phù hợp.

Nếu hai chiều bị giảm, cronbachs alpha sẽ được chấp nhận (0,76,0,7 với 10 mục trên mỗi thang đo, vẫn có thể được làm lớn hơn bằng cách sử dụng phiên bản thứ tự của cronbachs alpha) nhưng bản thân thang đo vẫn sẽ là đa chiều!

Vì tôi chưa quen với thống kê và thiếu kiến ​​thức phù hợp, tôi không biết làm thế nào để tiến xa hơn. Khi tôi miễn cưỡng loại bỏ hoàn toàn (các) thang đo và từ bỏ cách tiếp cận chỉ mang tính mô tả, tôi đã có những câu hỏi khác nhau:

I) Có sai không khi sử dụng thang đo đáng tin cậy, hợp lệ nhưng không phải là không có chiều hướng?

II) Liệu có phù hợp để giải thích khái niệm sau đó là công thức và sử dụng thử nghiệm tetrad biến mất để đánh giá đặc tả mô hình và sử dụng bình phương tối thiểu một phần (PLS) để đi đến một giải pháp khả thi? Rốt cuộc, khái niệm này dường như là một công thức hơn là một phản xạ.

III) Việc sử dụng các mô hình phản hồi vật phẩm (Rasch, GRM, v.v.) có được sử dụng không? Như tôi đã đọc, các mô hình rasch, vv cũng cần sự không đồng nhất giả định

IV) Có nên sử dụng 7 yếu tố làm "tiểu cảnh" mới không? Chỉ cần loại bỏ định nghĩa cũ và sử dụng một định nghĩa mới dựa trên hệ số tải?

Tôi đánh giá cao bất kỳ suy nghĩ về điều này :)

EDIT: Đã thêm các yếu tố và mối tương quan

> fa.res$fa
Factor Analysis using method =  ml
Call: fa.poly(x = fl.omit, nfactors = 7, rotate = "oblimin", fm = "ml") 

Tải các yếu tố được tính toán từ ma trận mẫu yếu tố và ma trận tương quan yếu tố, chỉ các giá trị trên 0,2 được hiển thị

Tải nhân tố


3
Một gợi ý tôi có thể làm là bạn không nên sử dụng luân phiên varimax (hoặc bất kỳ luân chuyển khác, cho rằng các yếu tố trực giao), nó là nhiều tốt hơn để sử dụng một vòng xoay xiên, chẳng hạn như quartimin trực tiếp. Đầu tiên, không rõ tại sao các yếu tố cơ bản phải trực giao; thứ hai, phương pháp xiên cho phép bạn ước tính các mối tương quan yếu tố; và thứ ba, nếu các yếu tố là trực giao, một vòng xoay xiên sẽ trả về kết quả cơ bản giống như varimax. Mặt khác, nếu các yếu tố cơ bản không trực giao, thì varimax có thể mang lại kết quả thiếu sót nguy hiểm.
gung - Phục hồi Monica

Câu hỏi hay và dường như bạn đang ở trên một "đường đua tốt". Tại sao bạn không đăng tải các yếu tố và mối tương quan giữa các yếu tố sau khi làm theo lời khuyên thông minh mà @gung đã đưa ra. Điều đó sẽ giúp mọi người tăng kích thước cho bộ vật phẩm của bạn. (Nhưng ý của bạn là "phân tích nhân tố giải thích song song" là gì? Có thể phân tích nhân tố khám phá bằng cách sử dụng phân tích song song để chọn số lượng các yếu tố?) Sẽ không đúng khi gọi các mục "Các mục Likert" trừ khi chúng được đưa vào một cái gì đó giống như quy trình bạn đã mô tả.
rolando2

3
Một cân nhắc khác là thường có sự đánh đổi giữa tính nhất quán bên trong của thang đo (được đo bằng alpha của Cronbach) và tính hợp lệ của nó (như được chỉ ra bởi bề rộng của các chủ đề mà nó đề cập). Tất nhiên, sự nhất quán nội bộ hoàn hảo là không mong muốn, vì điều đó có nghĩa là chúng ta đã lãng phí thời gian để xử lý rất nhiều câu hỏi dư thừa. Và phạm vi bảo hiểm quá rộng có nghĩa là quy mô đo lường quá nhiều thứ, và không ai trong số chúng triệt để. Các hướng dẫn của APA có thể nghiêng quá nhiều về việc ủng hộ tính nhất quán nội bộ, nhưng bạn phải đưa ra trường hợp của riêng mình cho sự đánh đổi ưa thích của riêng bạn.
rolando2

@ rolando2 Có, tôi có nghĩa là phân tích nhân tố khám phá bằng cách sử dụng phân tích song song để chọn số lượng các yếu tố!
Jack Shadow

2
Không vấn đề gì. Có vẻ như @ rolando2 có nhiều kinh nghiệm với những vấn đề này hơn tôi và có vẻ như bạn đang trên đường đến. Tôi nên để anh ta hướng dẫn bạn thêm, nhưng tôi sẽ đề cập đến một điều nữa được nhắc bởi con số của bạn: thông thường bạn không nên sử dụng các yếu tố trừ khi chúng được hỗ trợ bởi ít nhất 3 biến đo. Nhưng một số trong số bạn dường như chỉ có 2 hoặc 1. Bạn có thể muốn tìm thêm các mục tải chủ yếu vào các yếu tố đó để tăng độ tin cậy của chúng hoặc bỏ các mục và yếu tố đó.
gung - Phục hồi Monica

Câu trả lời:


1

Tôi giả định rằng mục đích phân tích của bạn là để có được bằng chứng về tính hợp lệ của thang đo / công cụ của bạn. vì vậy, trước hết, công cụ của bạn được thiết kế dựa trên 4 cấu trúc giả định, do đó, bạn nên tiếp cận điều này bằng cách sử dụng phân tích nhân tố xác nhận (CFA). phân tích nhân tố khám phá (EFA) là phù hợp khi không có lý thuyết tiên nghiệm mô tả mối quan hệ giữa các biến quan sát (nghĩa là vật phẩm) và cấu trúc và có thể dẫn đến các yếu tố không thể giải thích được, như bạn thấy ở đây.

sau đó kiểm tra kết quả của mô hình CFA của bạn. số liệu thống kê phù hợp khác nhau (ví dụ: X ^ 2, RMSEA, chỉ số sửa đổi, thống kê kiểm tra wald) có thể hướng dẫn bạn qua việc tinh chỉnh mô hình của bạn.

nếu bạn thích một cách tiếp cận khám phá hơn, cũng nên xem xét "tìm kiếm ngược": Chou CP, Bentler, PM (2002). Sửa đổi mô hình trong mô hình phương trình cấu trúc bằng cách áp đặt các ràng buộc, Phân tích dữ liệu và thống kê tính toán, 41, (2), 271-287.


4

Một tình huống khó khăn. Các yếu tố 6, 4 và 7 dường như được đo lường khá mạnh mẽ, nhưng không phải là các yếu tố khác và tôi cá rằng tính nhất quán bên trong sẽ thấp đối với các yếu tố 1, 3 và 5. Có thể đánh giá độ tin cậy thông qua một số phương pháp khác không, như interrater rel.? Hoặc để đánh giá tính hợp lệ thông qua một số phương pháp khác ngoài việc xây dựng tính hợp lệ thông qua phân tích nhân tố? Ngay cả khi các quy mô khác nhau (hoặc các mục riêng lẻ) được xác nhận theo các cách khác nhau - đôi khi bạn cần lấy bất cứ thứ gì bạn có thể.

Ở bất cứ giá nào, tôi có thể thấy sử dụng v6 và v17 riêng lẻ. Tại sao buộc chúng vào một số quy mô nhiều mặt hàng khi tải và tương quan trông như thế này.

Và ngay cả khi đưa ra những gì tôi đã nói ở trên về phạm vi bảo hiểm có nghĩa là tính hợp lệ, tôi đồng ý rằng bạn muốn giữ cho các yếu tố dự báo hồi quy cuối cùng của mình khá nhiều chiều - đặc biệt là khi bạn có một số lượng lớn các dự đoán, như với các biến đa chiều, nước sẽ rất lầy lội . Điều này đặc biệt có liên quan vì dường như bạn đang áp dụng nhiều giải thích hơn là chế độ dự đoán thuần túy (bạn quan tâm đến quan hệ nhân quả).


Vâng tôi quan tâm đến tính nhân quả của các mối quan hệ xây dựng / vật phẩm, bởi vì đó cũng là cách tiếp cận hình thức, về cơ bản nói rằng "chúng tôi có 20 vật phẩm và chúng tạo thành cấu trúc" trái ngược với "cấu trúc tồn tại và nó phải được phản ánh bởi mỗi loại vật phẩm cá nhân ". Cách tiếp cận hình thành sẽ loại bỏ sự cần thiết phải có tương quan vật phẩm cao và tính không đồng nhất. Nhưng việc giải thích sẽ khó khăn. Tuy nhiên, cảm ơn bạn rất nhiều!
Jack Shadow

Một cách tiếp cận dự đoán hơn sẽ trông như thế nào?
Jack Shadow
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.