Điểm yếu tố từ các phản ứng rời rạc, thứ tự

Có một cách nguyên tắc để ước tính điểm yếu tố khi bạn có các biến số thứ tự, rời rạc.

Tôi có thứ tự, rời rạc, biến. Nếu tôi đưa ra giả định rằng bên dưới mỗi phản hồi là một biến liên tục, được phân phối bình thường, thì tôi có thể tính được ma trận tương quan đa âm . Sau đó tôi có thể chạy phân tích nhân tố trên ma trận này và nhận tải nhân tố cho từng biến.$n$$n\times n$

Làm cách nào tôi có thể kết hợp các yếu tố tải và các biến để ước tính điểm yếu tố. Các cách điển hình để ước tính điểm sẽ xuất hiện để yêu cầu tôi coi dữ liệu thứ tự là khoảng thời gian.

Tôi cho rằng tôi có thể cần phải đào sâu hơn về can đảm của mối tương quan đa âm để tìm ra một hàm liên kết.

Cách tiếp cận 'nguyên tắc' (nghĩa là cách tiếp cận phòng thủ có thể không tạo ra nhiều khác biệt về mặt thực nghiệm) là sử dụng mô hình phản hồi được phân loại , một thành viên khá hữu ích của gia đình IRT thường được sử dụng cho các loại vật phẩm Likert. Gói R ltm làm cho điều này rất đơn giản.

Sau đó, bạn cho rằng có một mối quan hệ hồi quy logistic thứ tự giữa đặc điểm không quan sát được và từng chỉ số của bạn. Chọn lớp mô hình này cho phép bạn thực hiện nghiêm túc tính chất thứ tự của các chỉ số và cung cấp thông tin về phần nào của đặc điểm mà mỗi mục có nhiều thông tin nhất. Giống như phân tích nhân tố, nó cung cấp cho bạn một lỗi tiêu chuẩn cho điểm số, mặc dù những người FA dường như bỏ qua những điều này vì một số lý do.

Mặt khác, việc chọn lớp mô hình này giới hạn khả năng của bạn để thực hiện tất cả các công cụ phân tích nhân tố cổ điển như xoay vòng mọi thứ cho đến khi bạn thích giao diện của chúng. Tôi nghĩ rằng đây là một cộng, nhưng những người hợp lý không đồng ý. Nếu bạn đang làm điều đó để tìm hiểu xem bạn có bao nhiêu 'thang đo', bạn sẽ muốn xem xét các quy trình Mokken cố gắng xác định các tỷ lệ, vì FA 'phù hợp với một chiều khác và xoay theo cấu trúc đơn giản' đã thắng 't làm việc.

Nó là phổ biến để trích xuất điểm yếu tố từ các chỉ số biến số thứ tự. Các nhà nghiên cứu sử dụng các biện pháp Likeert làm điều đó mọi lúc. Vì điểm yếu tố dựa trên hiệp phương sai, nên thông thường các "khoảng" có thể không đồng nhất trong và giữa các mặt hàng, đặc biệt là nếu các mặt hàng có thể so sánh và sử dụng tỷ lệ nhỏ gọn hợp lý (ví dụ: 5 hoặc 7 pt "đồng ý / không đồng ý "các mặt hàng likeert): tất cả các đối tượng đang phản hồi với cùng một mặt hàng và nếu các mặt hàng đó thực sự là các biện pháp hợp lệ của một số biến tiềm ẩn, các phản hồi sẽ hiển thị một mẫu hiệp phương sai thống nhất. Xem Gorsuch, RL (1983). Phân tích nhân tố. Hillsdale, NJ: Lawrence Erlbaum. lần 2. chủ biên, trang 119-20. Nhưng nếu làm phiền bạn, giả sử các phản hồi cho các biến thứ tự là tuyến tính - hoặc thậm chí quan trọng hơn, nếu bạn muốn điểm yếu tố không tuyến tính nhưng phản ánh các liên kết phi tuyến định kỳ giữa các mục phân loại (như bạn sẽ làm nếu các biến của bạn là danh nghĩa hoặc định tính) - bạn nên sử dụng thay thế tỷ lệ phi tuyến cho phân tích nhân tố thông thường, chẳng hạn như lớp tiềm ẩn phân tích hoặc lý thuyết phản ứng mục. (Tất nhiên có sự giống nhau của gia đình giữa truy vấn này và truy vấn của bạn về việc sử dụng các yếu tố dự đoán thứ tự trong các mô hình hồi quy logit; có thể tôi lại một lần nữa truyền cảm hứng cho chi hoặc một người nào khác biết nhiều hơn tôi để xử lý chúng tôi với một tài khoản chi tiết hơn về lý do tại sao bạn không cần lo lắng-- hoặc có thể tại sao bạn nên.) t tuyến tính nhưng phản ánh các liên kết phi tuyến định kỳ giữa các mục phân loại (như bạn sẽ làm nếu các biến của bạn là danh nghĩa hoặc định tính) - bạn nên sử dụng phương pháp thay đổi tỷ lệ phi tuyến cho phân tích nhân tố thông thường, như phân tích lớp tiềm ẩn hoặc lý thuyết phản hồi của mục. (Tất nhiên có sự giống nhau của gia đình giữa truy vấn này và truy vấn của bạn về việc sử dụng các yếu tố dự đoán thứ tự trong các mô hình hồi quy logit; có thể tôi lại một lần nữa truyền cảm hứng cho chi hoặc một người nào khác biết nhiều hơn tôi để xử lý chúng tôi với một tài khoản chi tiết hơn về lý do tại sao bạn không cần lo lắng-- hoặc có thể tại sao bạn nên.) t tuyến tính nhưng phản ánh các liên kết phi tuyến định kỳ giữa các mục phân loại (như bạn sẽ làm nếu các biến của bạn là danh nghĩa hoặc định tính) - bạn nên sử dụng phương pháp thay đổi tỷ lệ phi tuyến cho phân tích nhân tố thông thường, như phân tích lớp tiềm ẩn hoặc lý thuyết phản hồi của mục. (Tất nhiên có sự giống nhau của gia đình giữa truy vấn này và truy vấn của bạn về việc sử dụng các yếu tố dự đoán thứ tự trong các mô hình hồi quy logit; có thể một lần nữa tôi có thể truyền cảm hứng cho chi hoặc ai đó biết nhiều hơn tôi để xử lý chúng tôi với một tài khoản chi tiết hơn về lý do tại sao bạn không cần lo lắng-- hoặc có thể tại sao bạn nên.)

Tôi có thể chỉ cần làm rõ điều gì đó ở đây không, bạn có các mục được ghi ở các thang đo khác nhau mà bạn cần xử lý trước và kết hợp (khoảng, thứ tự, danh nghĩa), hoặc bạn đang muốn phân tích nhân tố trên chỉ các biến quy mô thứ tự?

Nếu nó là cái sau - đây là một cách tiếp cận.

http://cran.r-project.org/web/packages/Zelig/vignettes/factor.ord.pdf

(lưu ý liên kết này hiện đã chết). Có những họa tiết khác lên, nhưng không phải cái này.