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