Phân tích nhân tố của bảng câu hỏi bao gồm các mục Likert


17

Tôi đã sử dụng để phân tích các mục từ quan điểm tâm lý học. Nhưng bây giờ tôi đang cố gắng phân tích các loại câu hỏi khác về động lực và các chủ đề khác. Những câu hỏi này là tất cả trên thang đo Likert. Suy nghĩ ban đầu của tôi là sử dụng phân tích nhân tố, bởi vì các câu hỏi được đưa ra giả thuyết để phản ánh một số chiều cơ bản.

  • Nhưng phân tích nhân tố có phù hợp không?
  • Có cần thiết phải xác nhận từng câu hỏi liên quan đến chiều không?
  • Có vấn đề gì với việc thực hiện phân tích nhân tố trên các mặt hàng Likeert không?
  • Có bất kỳ giấy tờ và phương pháp tốt về cách tiến hành phân tích nhân tố trên Likert và các mục phân loại khác không?

Nếu tôi hiểu chính xác, câu hỏi của bạn bao gồm ít nhất hai chủ đề khác nhau: (1) sử dụng FA theo thái độ hoặc thang đo động lực và (2) làm thế nào để xử lý các mẫu phản ứng 'cực đoan' (hiệu ứng trần / sàn) trong các thang đo như vậy?
chl

Câu trả lời:


22

Từ những gì tôi đã thấy cho đến nay, FA được sử dụng cho các mục thái độ vì nó dành cho các loại thang đánh giá khác. Vấn đề phát sinh từ số liệu được sử dụng (nghĩa là "thang đo Likert có thực sự được coi là thang số không?" Là một cuộc tranh luận lâu dài, nhưng cung cấp cho bạn kiểm tra phân phối phản hồi hình chuông bạn có thể xử lý chúng như các phép đo liên tục, mặt khác, kiểm tra các mô hình FA phi tuyến tính hoặc tỷ lệ tối ưu ) có thể được xử lý bằng các mô hình IRT đa hình, như Phản hồi được xếp loại, Thang đánh giá hoặc Mô hình tín dụng từng phần. Hai cái sau có thể được sử dụng như một kiểm tra sơ bộ xem khoảng cách ngưỡng, như được sử dụng trong các mục loại Likert, là một đặc điểm của định dạng phản hồi (RSM) hoặc của mục cụ thể (PCM).

Về điểm thứ hai của bạn, chẳng hạn, người ta biết rằng phân phối phản hồi trong các khảo sát về thái độ hoặc sức khỏe khác nhau giữa các quốc gia (ví dụ, người Trung Quốc có xu hướng làm nổi bật các mẫu phản ứng 'cực đoan' so với các nước đến từ các nước phương tây, xem ví dụ , X.-Y. (2007) Phân tích các mô hình phương trình cấu trúc đa mẫu với các ứng dụng cho dữ liệu Chất lượng cuộc sống, trong Sổ tay về các mô hình biến đổi và liên quan tiềm ẩn , Lee, S.-Y. (Ed.), Trang 279-302, North -Holland). Một số phương pháp để xử lý tình huống như vậy khỏi đỉnh đầu của tôi:

  • sử dụng các mô hình log-linear (cách tiếp cận cận biên) để làm nổi bật sự mất cân bằng giữa các nhóm ở cấp độ vật phẩm (hệ số sau đó được hiểu là rủi ro tương đối thay vì tỷ lệ cược);
  • phương pháp SEM đa mẫu từ Song được trích dẫn ở trên (Tuy nhiên, không biết họ có tiếp tục làm việc theo phương pháp đó không).

Bây giờ, vấn đề là hầu hết các cách tiếp cận này tập trung ở cấp độ vật phẩm (hiệu ứng trần / sàn, độ tin cậy giảm, thống kê phù hợp với mặt hàng xấu, v.v.), nhưng khi người ta quan tâm đến cách mọi người đi chệch khỏi những gì được mong đợi từ một lý tưởng tập hợp các quan sát viên / người trả lời, tôi nghĩ rằng chúng ta phải tập trung vào các chỉ số phù hợp với người thay thế.

Số liệu thống kê như vậy có sẵn cho các mô hình IRT, như bình phương có nghĩa là INFIT hoặc OUTFIT, nhưng nhìn chung chúng được áp dụng trên toàn bộ bảng câu hỏi. Ngoài ra, do ước tính các tham số vật phẩm phụ thuộc một phần vào các tham số của người (ví dụ: trong khung khả năng cận biên, chúng tôi giả sử phân phối gaussian), sự hiện diện của các cá nhân bên ngoài có thể dẫn đến ước tính sai lệch tiềm năng và phù hợp với mô hình kém.χ2

Theo đề xuất của Eid và Zickar (2007), kết hợp mô hình lớp tiềm ẩn (để cô lập nhóm người trả lời, ví dụ: những người luôn trả lời về các loại cực đoan so với các loại khác) và mô hình IRT (để ước tính các tham số vật phẩm và vị trí của người ở độ trễ đặc điểm trong cả hai nhóm) xuất hiện một giải pháp tốt đẹp. Các chiến lược mô hình hóa khác được mô tả trong bài báo của họ (ví dụ mô hình HYBRID, xem thêm Holden và Book, 2009).

Tương tự, các mô hình mở ra có thể được sử dụng để đối phó với kiểu phản hồi , được định nghĩa là một kiểu mẫu nhất quán và không phụ thuộc vào nội dung (ví dụ: xu hướng đồng ý với tất cả các câu lệnh). Trong khoa học xã hội hoặc văn học tâm lý, điều này được gọi là Phong cách phản ứng cực đoan (ERS). Tài liệu tham khảo (1 Ném3) có thể hữu ích để có ý tưởng về cách biểu hiện và cách đo lường.

Dưới đây là danh sách ngắn các giấy tờ có thể giúp tiến bộ về chủ đề này:

  1. Hamilton, DL (1968). Thuộc tính cá nhân liên quan đến phong cách phản ứng cực đoan . Bản tin tâm lý , 69 (3) : 192 Từ 203.
  2. Greanleaf, EA (1992). Đo lường kiểu phản ứng cực đoan. Ý kiến ​​công khai Quaterly , 56 (3) : 328-351.
  3. de Jong, MG, Steenkamp, ​​J.-BEM, Fox, J.-P., và Baumgartner, H. (2008). Sử dụng lý thuyết phản hồi vật phẩm để đo lường phong cách phản ứng cực đoan trong nghiên cứu tiếp thị: Một cuộc điều tra toàn cầu. Tạp chí nghiên cứu tiếp thị , 45 (1) : 104-115.
  4. Morren, M., Gelissen, J. và Vermunt, JK (2009). Xử lý kiểu phản ứng cực đoan trong nghiên cứu đa văn hóa: Cách tiếp cận phân tích nhân tố lớp tiềm ẩn bị hạn chế
  5. Moors, G. (2003). Chẩn đoán hành vi kiểu phản ứng bằng phương tiện của phương pháp tiếp cận nhân tố tiềm ẩn. Xã hội-Nhân khẩu học Tương quan về Thái độ và Nhận thức về Vai trò Giới của Phân biệt đối xử Dân tộc Được xem xét lại. Chất lượng & Số lượng , 37 (3), 277-302.
  6. de Jong, MG Steenkamp JB, Fox, J.-P., và Baumgartner, H. (2008). Lý thuyết trả lời vật phẩm để đo lường phong cách phản ứng cực đoan trong nghiên cứu tiếp thị: Một cuộc điều tra toàn cầu. Tạp chí Nghiên cứu Marketing , 45 (1), 104-115.
  7. Javara, KN và Ripley, BD (2007). Một mô hình biến đổi tiềm ẩn của tinh ranh đối với dữ liệu thái độ Likert. JASA , 102 (478): 454-463.
  8. slide từ Moustaki, Knott và Mavridis, Phương pháp phát hiện các ngoại lệ trong các mô hình biến tiềm ẩn
  9. Eid, M. và Zickar, MJ (2007). Phát hiện các kiểu phản ứng và giả mạo trong các đánh giá về tính cách và tổ chức của các Mô hình Rasch hỗn hợp. Trong von Davier, M. và Carstensen, CH (Eds.), Mô hình Rasch phân phối đa biến và hỗn hợp , trang 255 phản270, Springer.
  10. Holden, RR và Sách, NHƯ (2009). Sử dụng mô hình lớp lai Rasch-latent để cải thiện việc phát hiện kẻ giả mạo trong kho đồ cá tính. Sự khác biệt về tính cách và cá nhân , 47 (3) : 185-190.

Liên kết bị hỏng cho Hamilton (1968) và Morren, Gelissen và Vermunt (2009) ... bummer! Không thể tìm thấy các nguồn thay thế bằng Google Scholar (mặc dù chưa thử Google cũ thường xuyên).
Nick Stauner

13

Phân tích nhân tố khám phá (EFA) là phù hợp (về mặt tâm lý và mặt khác) để kiểm tra mức độ mà người ta có thể giải thích mối tương quan giữa nhiều mục bằng cách suy ra ảnh hưởng chung của (một) yếu tố không được đo lường (nghĩa là tiềm ẩn). Nếu đây không phải là mục đích cụ thể của bạn, hãy xem xét các phân tích thay thế, ví dụ:

  • Mô hình tuyến tính tổng quát (ví dụ: hồi quy bội, tương quan chính tắc hoặc (M) AN (C) OVA)
  • Phân tích nhân tố khẳng định (CFA) hoặc phân tích tính trạng / lớp / hồ sơ tiềm ẩn
  • Phương trình cấu trúc (SEM) / mô hình bình phương nhỏ nhất một phần

Kích thước là vấn đề đầu tiên EFA có thể giải quyết. Bạn có thể kiểm tra giá trị riêng của ma trận hiệp phương sai (như bằng cách tạo ra một biểu đồ scree qua EFA) và tiến hành phân tích song song để giải quyết tính chiều của các biện pháp của bạn. (Xem thêm một số lời khuyên tuyệt vời và đề xuất thay thế từ William Revelle .) Bạn nên làm điều này một cách cẩn thận trước khi trích xuất một số yếu tố hạn chế và xoay chúng trong EFA, hoặc trước khi lắp một mô hình với một số yếu tố tiềm ẩn cụ thể bằng CFA, SEM, hoặc như thế. Nếu một phân tích song song cho thấy tính đa chiều, nhưng yếu tố chung (đầu tiên) của bạn vượt xa tất cả các yếu tố khác (nghĩa là, có giá trị riêng lớn nhất / giải thích phần lớn phương sai trong các biện pháp của bạn), hãy xem xét phân tích hai yếu tố (Gibbons & Hedeker, 1992;Reise, Moore, & Haviland, 2010 ) .

Nhiều vấn đề phát sinh trong EFA và mô hình nhân tố tiềm ẩn của xếp hạng thang đo Likert. Thang đo Likert tạo ra dữ liệu thứ tự (nghĩa là phân loại, đa hình, có trật tự), không phải dữ liệu liên tục. Phân tích nhân tố thường cho rằng bất kỳ dữ liệu thô nào là liên tục và mọi người thường tiến hành phân tích nhân tố về ma trận của tương quan thời điểm sản phẩm Pearson, chỉ phù hợp với dữ liệu liên tục. Đây là một trích dẫn từ Reise và các đồng nghiệp (2010) :

Các kỹ thuật phân tích nhân tố xác nhận thông thường không áp dụng cho dữ liệu nhị phân hoặc đa hình (Byrne, 2006) . Thay vào đó, các thủ tục ước tính đặc biệt được yêu cầu (Wirth & Edwards, 2007) . Về cơ bản có ba tùy chọn để làm việc với dữ liệu phản hồi mục đa hình. Đầu tiên là tính toán một ma trận đa âm và sau đó áp dụng các phương pháp phân tích nhân tố tiêu chuẩn (xem Knol & Berger, 1991) . Tùy chọn thứ hai là sử dụng phân tích nhân tố vật phẩm đầy đủ thông tin (Gibbons & Hedeker, 1992) . Thứ ba là sử dụng các thủ tục ước tính thông tin hạn chế được thiết kế dành riêng cho dữ liệu theo thứ tự như bình phương tối thiểu có trọng số với điều chỉnh trung bình và phương sai (MPLUS; Muthén & Muthén, 2009) .

Tôi sẽ khuyên bạn nên kết hợp cả hai cách tiếp cận thứ nhất và thứ ba (nghĩa là sử dụng ước lượng bình phương nhỏ nhất theo đường chéo trên ma trận tương quan đa âm), dựa trên thảo luận về các vấn đề của Wang và Cickyham (2005) về các vấn đề thay thế điển hình:

Khi phân tích nhân tố xác nhận được thực hiện với dữ liệu thứ tự không bình thường sử dụng khả năng tối đa và dựa trên tương quan thời điểm sản phẩm Pearson, các ước tính tham số đi xuống được tạo ra trong nghiên cứu này phù hợp với kết quả của Olsson (1979) . Nói cách khác, mức độ không biến dạng trong các biến số thứ tự quan sát được là một yếu tố chính quyết định độ chính xác của các ước tính tham số.

Các kết quả cũng hỗ trợ những phát hiện của Babakus, et al. (1987) . Khi ước tính khả năng tối đa được sử dụng với ma trận đầu vào tương quan đa âm trong các phân tích nhân tố xác nhận, các giải pháp có xu hướng dẫn đến các giá trị chi bình phương đáng kể và do đó có thể thống kê kém phù hợp.

Câu hỏi đặt ra là liệu các nhà nghiên cứu nên sử dụng các ước lượng bình phương nhỏ nhất có trọng số hoặc ước lượng bình phương nhỏ nhất theo đường chéo trong việc ước tính các mô hình phương trình cấu trúc với dữ liệu phân loại không bình thường. Không phải ước lượng bình phương nhỏ nhất có trọng số hay ước lượng bình phương nhỏ nhất theo đường chéo đều đưa ra các giả định về bản chất của phân phối các biến và cả hai phương pháp đều cho kết quả không có giá trị. Tuy nhiên, vì ước lượng bình phương tối thiểu có trọng số dựa trên khoảnh khắc bậc bốn, phương pháp này thường dẫn đến các vấn đề thực tế và đòi hỏi rất cao về mặt tính toán. Điều này có nghĩa là ước lượng bình phương tối thiểu có trọng số có thể thiếu độ mạnh khi được sử dụng để đánh giá các mô hình của phương tiện, tức là, với 10 chỉ số, đến kích thước lớn và cỡ mẫu nhỏ đến trung bình.

Tôi không rõ liệu mối quan tâm tương tự với ước lượng bình phương tối thiểu có trọng số có áp dụng cho ước tính DWLS hay không; Bất kể, các tác giả đề nghị ước tính đó. Trong trường hợp bạn chưa có phương tiện:

  • R (Nhóm R Core, 2012) là miễn phí. Bạn sẽ cần một phiên bản cũ (ví dụ 2.15.2:) cho các gói này:
    • Các psychgói (Revelle, 2013) chứa các polychoricchức năng.
      • Các fa.parallelchức năng có thể giúp xác định số lượng các yếu tố cần trích xuất.
    • Các lavaangói (Rosseel, 2012) Mời DWLS ước lượng để phân tích biến tiềm ẩn.
    • Các semToolsgói chứa efaUnrotate, orthRotateoblqRotatecác chức năng.
    • Các mirtgói (Chalmers, 2012) Mời hứa hẹn thay thế bằng lý thuyết ứng đáp câu hỏi.

Tôi tưởng tượng Mplus (Muthén & Muthén, 1998-2011) cũng sẽ hoạt động, nhưng phiên bản demo miễn phí sẽ không chứa hơn sáu phép đo và phiên bản được cấp phép không rẻ. Nó có thể là giá trị nó nếu bạn có thể đủ khả năng mặc dù; mọi người yêu thích Mplus và dịch vụ khách hàng của Muthéns thông qua diễn đàn của họ là không thể tin được!

Như đã nêu ở trên, ước tính DWLS khắc phục vấn đề vi phạm giả định quy tắc (cả đơn biến và đa biến), đây là một vấn đề rất phổ biến và gần như phổ biến trong dữ liệu xếp hạng thang đo Likert. Tuy nhiên, nó không nhất thiết là một vấn đề hậu quả thực tế; hầu hết các phương pháp không quá nhạy cảm với (thiên vị nặng nề bởi) các vi phạm nhỏ (xem Kiểm tra tính quy phạm 'về cơ bản là vô dụng'? ). Câu trả lời của @ chl cho câu hỏi này làm tăng thêm những điểm quan trọng, xuất sắc và đề xuất liên quan đến các vấn đề với kiểu phản ứng cực đoan; chắc chắn là một vấn đề với xếp hạng thang đo Likert và dữ liệu chủ quan khác.


Tài liệu tham khảo
· Babakus, E., Ferguson, JCE, & Jöreskog, KG (1987). Độ nhạy của phân tích nhân tố khả năng tối đa xác nhận đối với vi phạm quy mô đo lường và các giả định phân phối. Tạp chí Nghiên cứu Marketing, 24 , 222 Từ228.
· Byrne, BM (2006). Mô hình hóa phương trình cấu trúc với EQS. Mahwah, NJ: Lawrence Erlbaum.
· Chalmer, RP (2012). mirt: Một gói lý thuyết đáp ứng vật phẩm đa chiều cho môi trường R. Tạp chí phần mềm thống kê, 48 (6), 1 trận29. Lấy từ http://www.jstatsoft.org/v48/i06/ .
· Vượn, RD, & Hedeker, DR (1992). Mục đầy đủ thông tin phân tích hai yếu tố. Psychometrika, 57 , 423 bóng436.
· Knol, DL, & Berger, MPF (1991). So sánh thực nghiệm giữa phân tích nhân tố và mô hình phản ứng vật phẩm đa chiều. Nghiên cứu hành vi đa biến, 26 , 457 .477.
· Muthén, LK, & Muthén, BO (1998-2011). Hướng dẫn sử dụng của Mplus (tái bản lần thứ 6). Los Angeles, CA: Muthén & Muthén.
· Muthén, LK, & Muthén, BO (2009). Mplus (Phiên bản 4,00). [Phần mềm máy tính]. Los Angeles, CA: Tác giả. URL: http://www.statmodel.com .
· Olsson, Hoa Kỳ (1979). Ước tính khả năng tối đa cho hệ số tương quan đa âm. Psychometrika, 44 , 443 bóng460.
·Đội ngũ cốt lõi. (2012). R: Một ngôn ngữ và môi trường cho tính toán thống kê. R Foundation cho máy tính thống kê, Vienna, Áo. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM, & Haviland, MG (2010). Các mô hình Bifactor và phép quay: Khám phá mức độ mà dữ liệu đa chiều mang lại các thang điểm không theo tiêu chuẩn. Tạp chí đánh giá tính cách, 92 (6), 544 Phép559. Lấy từ http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Khải huyền, W. (2013). tâm lý: Thủ tục nghiên cứu tính cách và tâm lý. Đại học Tây Bắc, Evanston, Illinois, Hoa Kỳ. Lấy từ http://CRAN.R-project.org/package=psych . Phiên bản = 1.3.2.
· Rosseel, Y. (2012). lavaan: Một gói R cho mô hình phương trình cấu trúc. Tạp chí phần mềm thống kê, 48 (2), 1 trận36. Lấy từ http://www.jstatsoft.org/v48/i02/ .
· Wang, WC, & Cickyham, EG (2005). So sánh các phương pháp ước tính thay thế trong phân tích nhân tố xác nhận của Câu hỏi sức khỏe tổng quát. Báo cáo tâm lý, 97 , 3 trận10.
· Wirth, RJ, & Edwards, MC (2007). Phân tích nhân tố vật phẩm: Cách tiếp cận hiện tại và định hướng trong tương lai. Phương pháp tâm lý, 12 , 58 Hàng79. Lấy từ http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .


(+11) Không biết làm thế nào tôi bỏ lỡ câu trả lời của bạn!
chl

Hà! Cảm ơn! Cái này đã được ngồi ngoài đó một lúc. Tôi cho rằng nó chỉ hơi dài hoặc tối nghĩa, hoặc có thể phụ thuộc vào các phương pháp mới gây tranh cãi nhiều hơn tôi nghĩ. Có vẻ như tôi cũng chưa biết cách sử dụng thẻ cho tên người dùng.
Nick Stauner

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.