การวิเคราะห์ปัจจัยของแบบสอบถามประกอบด้วยรายการลิเคอร์ต

ฉันใช้วิเคราะห์รายการจากมุมมองของไซโครเมท แต่ตอนนี้ฉันพยายามวิเคราะห์คำถามประเภทอื่น ๆ เกี่ยวกับแรงจูงใจและหัวข้ออื่น ๆ คำถามเหล่านี้อยู่บนสเกลของ Likert ความคิดเริ่มต้นของฉันคือการใช้การวิเคราะห์ปัจจัยเพราะคำถามถูกตั้งสมมติฐานเพื่อสะท้อนมิติพื้นฐานบางอย่าง

• แต่การวิเคราะห์ปัจจัยเหมาะสมหรือไม่
• จำเป็นหรือไม่ที่จะต้องตรวจสอบคำถามแต่ละข้อเกี่ยวกับมิติข้อมูล
• มีปัญหากับการวิเคราะห์ปัจจัยที่มีผลต่อรายการ likert หรือไม่?
• มีบทความและวิธีการที่ดีเกี่ยวกับวิธีการวิเคราะห์ปัจจัยที่มีต่อ Likert และรายการหมวดหมู่อื่น ๆ หรือไม่?

จากสิ่งที่ฉันเห็นมา FA ใช้สำหรับรายการทัศนคติเนื่องจากเป็นมาตราส่วนการจัดอันดับแบบอื่น ปัญหาที่เกิดจากตัวชี้วัดที่ใช้ (นั่นคือ "Likert สเกลได้รับการปฏิบัติอย่างแท้จริงในรูปแบบตัวเลขหรือไม่") เป็นข้อโต้แย้งที่ยาวนาน แต่ให้คุณตรวจสอบการกระจายการตอบสนองรูประฆังซึ่งคุณอาจจัดการกับการวัดแบบต่อเนื่อง มิฉะนั้นการตรวจสอบรุ่น FA ที่ไม่ใช่แบบเชิงเส้นหรือการปรับขนาดที่เหมาะสม ) อาจได้รับการจัดการโดยโมเดล IRT แบบ polytmomous เช่น Graded Response, Scale Rating หรือแบบจำลองสินเชื่อบางส่วน สองหลังอาจใช้เป็นการตรวจสอบคร่าวๆว่าระยะทางขีด จำกัด ที่ใช้ในรายการประเภท Likert เป็นลักษณะของรูปแบบการตอบสนอง (RSM) หรือของรายการเฉพาะ (PCM)

เกี่ยวกับประเด็นที่สองของคุณเป็นที่รู้จักตัวอย่างเช่นการแจกแจงการตอบสนองในทัศนคติหรือการสำรวจด้านสุขภาพแตกต่างจากประเทศหนึ่งไปยังอีกประเทศหนึ่ง (เช่นคนจีนมักจะเน้นรูปแบบการตอบสนอง 'สุดขีด' เมื่อเปรียบเทียบกับประเทศตะวันตก , X.-Y. (2007) การวิเคราะห์แบบจำลองสมการโครงสร้างหลายตัวอย่างพร้อมกับการประยุกต์ใช้ข้อมูลคุณภาพชีวิตในคู่มือตัวแปรแฝงและแบบจำลองที่เกี่ยวข้อง , Lee, S.-Y. (Ed.), pp 279-302, ภาคเหนือ -Holland) วิธีการบางอย่างเพื่อจัดการสถานการณ์ดังกล่าวอยู่ด้านบนของหัวของฉัน:

• ใช้แบบจำลองการบันทึกเชิงเส้น (วิธีการร่อแร่) เพื่อเน้นความไม่สมดุลระหว่างกลุ่มที่แข็งแกร่งในระดับรายการ (ค่าสัมประสิทธิ์จะถูกตีความว่าเป็นความเสี่ยงสัมพัทธ์แทนที่จะเป็นราคา)
• วิธี SEM หลายตัวอย่างจากเพลงที่อ้างถึงข้างต้น (ไม่ทราบว่าพวกเขาทำงานต่อไปในแนวทางนั้นหรือไม่)

ตอนนี้ประเด็นก็คือวิธีการเหล่านี้ส่วนใหญ่มุ่งเน้นที่ระดับรายการ (เอฟเฟกต์เพดาน / พื้นลดความน่าเชื่อถือสถิติรายการที่ไม่เหมาะสม ฯลฯ ) แต่เมื่อมีใครสนใจว่าคนเบี่ยงเบนจากสิ่งที่คาดหวังจากอุดมคติอย่างไร ชุดของผู้สังเกตการณ์ / ผู้ตอบฉันคิดว่าเราต้องมุ่งเน้นไปที่ดัชนีของบุคคลแทน

$\chi^2$

ตามที่เสนอโดย Eid และ Zickar (2007) การรวมโมเดล class แฝง (เพื่อแยกกลุ่มผู้ตอบเช่นผู้ที่ตอบคำถามในหมวดหมู่ที่รุนแรงเทียบกับคนอื่น ๆ ) และโมเดล IRT (เพื่อประเมินพารามิเตอร์รายการและตำแหน่งบุคคลบน latent ลักษณะในทั้งสองกลุ่ม) เป็นคำตอบที่ดี กลยุทธ์การสร้างแบบจำลองอื่น ๆ มีการอธิบายไว้ในกระดาษ (เช่นรุ่น HYBRID ดูที่ Holden and Book, 2009)

ในทำนองเดียวกันรูปแบบแฉ่อาจถูกใช้เพื่อรับมือกับสไตล์การตอบสนองซึ่งถูกกำหนดให้เป็นรูปแบบการตอบสนองที่สอดคล้องกันและไม่ขึ้นอยู่กับเนื้อหา (เช่นแนวโน้มที่จะเห็นด้วยกับข้อความทั้งหมด) ในสังคมศาสตร์หรือวรรณคดีจิตวิทยาสิ่งนี้เรียกว่า Extreme Response Style (ERS) ข้อมูลอ้างอิง (1–3) อาจเป็นประโยชน์ในการหาแนวคิดเกี่ยวกับวิธีการแสดงและวิธีการวัด

นี่คือรายการสั้น ๆ ของเอกสารที่อาจช่วยให้ความคืบหน้าในเรื่องนี้:

1. แฮมิลตัน, DL (1968) บุคลิกภาพคุณลักษณะที่เกี่ยวข้องกับรูปแบบการตอบสนองที่รุนแรง แถลงการณ์ทางจิตวิทยา , 69 (3) : 192–203
2. Greanleaf, EA (1992) การวัดรูปแบบการตอบสนองที่รุนแรง ความคิดเห็นสาธารณะโดยทั่วไป56 (3) : 328-351
3. de Jong, MG, Steenkamp, ​​J. -BEM, Fox, J.-P. และ Baumgartner, H. (2008) การใช้ทฤษฎีการตอบสนองรายการเพื่อวัดรูปแบบการตอบสนองที่รุนแรงในการวิจัยการตลาด: การสืบสวนทั่วโลก วารสารการวิจัยการตลาด , 45 (1) : 104-115
4. Morren, M. , Gelissen, J. , และ Vermunt, JK (2009) การจัดการกับรูปแบบการตอบสนองที่รุนแรงในการวิจัยข้ามวัฒนธรรม: แนวทางการวิเคราะห์ตัวประกอบระดับแฝงที่ จำกัด
5. ทุ่ง, G. (2003) การวินิจฉัยพฤติกรรมรูปแบบการตอบสนองโดยวิธีการปัจจัยแฝงระดับ ความสัมพันธ์ทางสังคมและประชากรที่มีต่อทัศนคติบทบาทและการรับรู้ของการเลือกปฏิบัติทางชาติพันธุ์ คุณภาพและปริมาณ , 37 (3), 277-302
6. เดอ Jong, MG Steenkamp JB, Fox, J.-P. และ Baumgartner, H. (2008) ทฤษฎีการตอบสนองรายการเพื่อวัดรูปแบบการตอบสนองที่รุนแรงในการวิจัยการตลาด: การสืบสวนทั่วโลก วารสารวิจัยการตลาด , 45 (1), 104-115
7. Javaras, KN ​​และ Ripley, BD (2007) แบบจำลองตัวแปรแฝง“ แฉ” สำหรับข้อมูลทัศนคติของ Likert JASA , 102 (478): 454-463
8. สไลด์จาก Moustaki, Knott และ Mavridis วิธีการตรวจจับค่าผิดปกติในแบบจำลองตัวแปรแฝง
9. ทางหลวง, M. และ Zickar, MJ (2007) การตรวจจับสไตล์การตอบสนองและการแกล้งทำในการประเมินบุคลิกภาพและองค์กรด้วยโมเดล Rasch แบบผสม ใน von Davier, M. และ Carstensen, CH (Eds.), Multivariate และ Mixture Distribution Rasch Models , pp. 255–270, Springer
10. Holden, RR และ Book, AS (2009) ใช้การสร้างแบบจำลองคลาส Rasch-latent ไฮบริดเพื่อปรับปรุงการตรวจจับของผู้มีอิทธิพลต่อสินค้าคงคลังบุคลิกภาพ บุคลิกภาพและความแตกต่างส่วนบุคคล , 47 (3) : 185-190

การวิเคราะห์ปัจจัยเชิงสำรวจ (EFA) มีความเหมาะสม (psychometrically และอื่น ๆ ) สำหรับการตรวจสอบขอบเขตที่หนึ่งอาจอธิบายความสัมพันธ์ระหว่างรายการหลายรายการโดยการอนุมานอิทธิพลทั่วไปของ (หนึ่ง) ปัจจัยที่ไม่ได้วัด (เช่นที่แฝง) หากนี่ไม่ใช่ความตั้งใจที่เฉพาะเจาะจงของคุณให้พิจารณาการวิเคราะห์ทางเลือกเช่น:

• การสร้างแบบจำลองเชิงเส้นทั่วไป (เช่นการถดถอยหลายแบบสหสัมพันธ์แบบแคนนอนหรือ (M) AN (C) OVA)
• การวิเคราะห์ปัจจัยยืนยัน (CFA) หรือการวิเคราะห์คุณลักษณะ / คลาส / โปรไฟล์ที่แฝงอยู่
• สมการโครงสร้าง (SEM) / การสร้างแบบจำลองสี่เหลี่ยมจัตุรัสน้อยที่สุดบางส่วน

Dimensionality เป็นปัญหาแรกที่ EFA สามารถจัดการได้ คุณสามารถตรวจสอบค่าลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วม (เช่นโดยการสร้างโครงเรื่องหินกรวดผ่าน EFA) และดำเนินการวิเคราะห์แบบขนานเพื่อแก้ไขมิติของมาตรการของคุณ (ดูคำแนะนำที่ดีและคำแนะนำทางเลือกจาก William Revelle ) คุณควรทำอย่างระมัดระวังก่อนที่จะแยกปัจจัยจำนวน จำกัด และหมุนมันใน EFA หรือก่อนที่จะทำการปรับแบบจำลองด้วยปัจจัยแฝงเฉพาะโดยใช้ CFA, SEM หรือ ชอบ. หากการวิเคราะห์แบบขนานแสดงให้เห็นหลายมิติ แต่ปัจจัยทั่วไป (แรก) ของคุณนั้นมีมากกว่าค่าอื่น ๆ ทั้งหมด (กล่าวคือมีค่าลักษณะเฉพาะที่ใหญ่ที่สุด / อธิบายความแปรปรวนส่วนใหญ่ในการวัดของคุณ) พิจารณาการวิเคราะห์ bifactor ^{(Gibbons & Hedeker, 1992)ท่องเที่ยวมัวร์และ Haviland 2010} )

ปัญหาหลายอย่างเกิดขึ้นใน EFA และแบบจำลองปัจจัยแฝงของการจัดอันดับของ Likert เครื่องชั่ง Likert สร้างข้อมูลลำดับ (เช่นหมวดหมู่โพลีโทโมสเรียงลำดับ) ข้อมูลไม่ใช่ข้อมูลต่อเนื่อง การวิเคราะห์ปัจจัยโดยทั่วไปถือว่าการป้อนข้อมูลดิบนั้นต่อเนื่องและผู้คนมักทำการวิเคราะห์ปัจจัยของเมทริกซ์ของเพียร์สันซึ่งสัมพันธ์กับช่วงเวลาผลิตภัณฑ์ซึ่งเหมาะสำหรับข้อมูลต่อเนื่องเท่านั้น นี่คือข้อความจากReise และเพื่อนร่วมงาน⁽²⁰¹⁰⁾ :

สามัญปัจจัยยืนยันเทคนิคการวิเคราะห์ไม่สามารถใช้กับข้อมูล dichotomous หรือพหุวิภาค^{(เบิร์น} 2006) แต่ขั้นตอนการประมาณค่าพิเศษที่จำเป็น^{(เวิร์ ธ และเอ็ดเวิร์ดส์,} 2007) โดยทั่วไปมีสามตัวเลือกสำหรับการทำงานกับข้อมูลการตอบสนองรายการ polytomous ครั้งแรกคือการคำนวณเมทริกซ์ polychoric แล้วใช้ปัจจัยมาตรฐานวิธีการวิเคราะห์^{(ดู Knol และเบอร์เกอร์,} 1991) ตัวเลือกที่สองคือการใช้เต็มรูปแบบข้อมูลวิเคราะห์ปัจจัยรายการ^{(ชะนีและ Hedeker,} 1992) ที่สามคือการใช้วิธีการประมาณค่าข้อมูลที่ จำกัด การออกแบบเฉพาะสำหรับข้อมูลที่ได้รับคำสั่งเช่นถ่วงน้ำหนักน้อยสแควร์ที่มีค่าเฉลี่ยและการปรับความแปรปรวน^{(Mplus; & MuthénMuthén} 2009)

ฉันขอแนะนำให้รวมทั้งวิธีแรกและวิธีที่สาม (เช่นใช้การประมาณน้ำหนักน้อยที่สุดในแนวทแยงในการประมาณค่าความสัมพันธ์แบบโพลีคอนิกส์) โดยอิงตามการสนทนาของWang และ Cunningham ⁽²⁰⁰⁵⁾ของปัญหากับทางเลือกทั่วไป:

เมื่อการวิเคราะห์ปัจจัยเชิงยืนยันได้ดำเนินการกับข้อมูลลำดับที่ไม่ปกติโดยใช้โอกาสสูงสุดและขึ้นอยู่กับสหสัมพันธ์เพียร์สันช่วงเวลาผลิตภัณฑ์, การประเมินพารามิเตอร์ลงที่ผลิตในการศึกษานี้สอดคล้องกับผลการวิจัยของ Olsson ⁽¹⁹⁷⁹⁾ กล่าวอีกนัยหนึ่งขนาดของ nonnormality ในตัวแปรลำดับที่สังเกตได้เป็นปัจจัยสำคัญของความถูกต้องของการประมาณค่าพารามิเตอร์

ผลลัพธ์ยังสนับสนุนการค้นพบของ Babakus และคณะ (1987) เมื่อการประมาณค่าความน่าจะเป็นสูงสุดถูกนำมาใช้กับเมทริกซ์สหสัมพันธ์โพลีคานิคสหสัมพันธ์ในการวิเคราะห์ปัจจัยเชิงยืนยันการแก้ปัญหามีแนวโน้มที่จะส่งผลให้ไม่สามารถยอมรับได้และดังนั้นค่าไค - สแควร์ที่สำคัญ

คำถามยังคงอยู่ที่ว่านักวิจัยควรใช้น้ำหนักถ่วงกำลังสองน้อยที่สุดหรือถ่วงน้ำหนักเส้นทแยงมุมน้อยที่สุดประมาณในการประมาณรูปแบบสมการโครงสร้างกับข้อมูลเด็ดขาดแบบไม่ปกติ ไม่ว่าจะเป็นน้ำหนักน้อยที่สุดทั้งสองแบบและไม่มีการประมาณน้ำหนักแบบทแยงมุมน้อยที่สุดทำให้สมมติฐานเกี่ยวกับธรรมชาติของการกระจายตัวของตัวแปรและทั้งสองวิธีทำให้เกิดผลลัพธ์ที่ถูกต้อง อย่างไรก็ตามเนื่องจากการประมาณน้ำหนักอย่างน้อยกำลังสองเป็นไปตามช่วงเวลาลำดับที่สี่วิธีการนี้มักจะนำไปสู่ปัญหาในทางปฏิบัติและมีความต้องการในการคำนวณมาก ซึ่งหมายความว่าการประมาณกำลังสองน้อยที่สุดแบบถ่วงน้ำหนักอาจไม่มีความทนทานเมื่อใช้ในการประเมินแบบจำลองของสื่อเช่น 10 ตัวบ่งชี้ถึงขนาดใหญ่และขนาดตัวอย่างเล็กถึงปานกลาง

มันไม่ชัดเจนสำหรับฉันว่าความกังวลแบบเดียวกันกับการประมาณกำลังสองน้อยที่สุดนั้นใช้กับการประมาณ DWLS หรือไม่ ผู้เขียนแนะนำว่าตัวประมาณ ในกรณีที่คุณไม่มีวิธีการอยู่แล้ว:

• R ^{(R Core Team, 2012)}ฟรี คุณจะต้องใช้เวอร์ชันเก่า (เช่น2.15.2) สำหรับแพ็คเกจเหล่านี้:
  • psychแพคเกจ^{(Revelle, 2013)}ที่มีpolychoricฟังก์ชั่น
    • fa.parallelฟังก์ชั่นความช่วยเหลือสามารถระบุจำนวนของปัจจัยที่จะสกัด
  • lavaanแพคเกจ^{(Rosseel 2012)}ข้อเสนอ DWLS ประมาณค่าสำหรับการวิเคราะห์ตัวแปรแฝง
  • semToolsแพคเกจมีefaUnrotate, orthRotateและoblqRotateฟังก์ชั่น
  • mirtแพคเกจ^{(บิล 2012)}ข้อเสนอทางเลือกที่มีแนวโน้มใช้ทฤษฎีการตอบสนองข้อสอบ

ฉันจินตนาการว่าMplus ^{(Muthén & Muthén, 1998-2011)}ก็ใช้งานได้เช่นกัน แต่รุ่นสาธิตฟรีจะไม่รองรับการวัดมากกว่าหกรายการและรุ่นลิขสิทธิ์นั้นไม่ถูก มันอาจจะคุ้มค่าถ้าคุณสามารถซื้อได้ ผู้คนรัก Mplusและการบริการลูกค้าของMuthénsผ่านฟอรัมของพวกเขานั้นช่างเหลือเชื่อ!

ตามที่ระบุไว้ข้างต้นการประมาณค่า DWLS จะเอาชนะปัญหาของการละเมิดข้อสมมติเชิงบรรทัดฐาน (ทั้งแบบหลายตัวแปรและหลายตัวแปร) ซึ่งเป็นปัญหาที่พบบ่อยมากและเกือบจะแพร่หลายในข้อมูลการจัดระดับของ Likert อย่างไรก็ตามมันไม่จำเป็นต้องเป็นปัญหาที่เกิดขึ้นตามมาในทางปฏิบัติ วิธีการส่วนใหญ่ไม่ได้มีความละเอียดอ่อนเกินไปที่จะ (ลำเอียงอย่างมากจาก) การละเมิดขนาดเล็ก (cf คือการทดสอบภาวะปกติ 'ไร้ประโยชน์เป็นหลัก'? ) คำตอบ @ chl สำหรับคำถามนี้ทำให้มีความสำคัญยิ่งขึ้นมีคะแนนและคำแนะนำที่ดียิ่งขึ้นเกี่ยวกับปัญหาของสไตล์การตอบสนองที่รุนแรง แน่นอนปัญหาเกี่ยวกับการจัดอันดับ Likert ขนาดและข้อมูลส่วนตัวอื่น ๆ

^{ข้อมูลอ้างอิง
· Babakus, E. , Ferguson, JCE, & Jöreskog, KG (1987) ความไวของการวิเคราะห์ปัจจัยความน่าจะเป็นสูงสุดที่ยืนยันต่อการละเมิดระดับการวัดและการตั้งสมมติฐาน วารสารวิจัยการตลาด, 24 , 222–228
· Byrne, BM (2006) แบบจำลองสมการโครงสร้างด้วย EQS Mahwah, NJ: Lawrence Erlbaum
· Chalmers, RP (2012) mirt: แพคเกจทฤษฎีการตอบสนองรายการหลายมิติสำหรับสภาพแวดล้อม R วารสารซอฟต์แวร์เชิงสถิติ, 48 (6), 1–29 แปลจากhttp://www.jstatsoft.org/v48/i06/
·ชะนี, RD, และ Hedeker, DR (1992) การวิเคราะห์รายการข้อมูลปัจจัยสองอย่างเต็มรูปแบบ Psychometrika, 57 , 423–436
· Knol, DL, & Berger, MPF (1991) การเปรียบเทียบเชิงประจักษ์ระหว่างการวิเคราะห์ปัจจัยและแบบจำลองการตอบสนองรายการหลายมิติ การวิจัยพฤติกรรมหลายตัวแปร, 26 , 457–477
· Muthén, LK, & Muthén, BO (1998-2011) คู่มือผู้ใช้ Mplus ( ฉบับที่ 6) ลอสแอนเจลิสแคลิฟอร์เนีย: Muthén & Muthén
· Muthén, LK, & Muthén, BO (2009) Mplus (เวอร์ชั่น 4.00) [คอมพิวเตอร์ซอฟแวร์]. Los Angeles, CA: ผู้แต่ง URL: http://www.statmodel.com
· Olsson, U. (1979) การประมาณความน่าจะเป็นสูงสุดสำหรับค่าสัมประสิทธิ์สหสัมพันธ์โพลีเชอร์ Psychometrika, 44 , 443–460
·ทีม R Core (2012) R: ภาษาและสภาพแวดล้อมสำหรับการคำนวณทางสถิติ R มูลนิธิเพื่อการคำนวณทางสถิติ, เวียนนา, ออสเตรีย ISBN 3-900051-07-0, URL: http://www.R-project.org/
· Reise, SP, Moore, TM, & Haviland, MG (2010) แบบจำลองและการหมุนของ Bifactor: การสำรวจขอบเขตที่ข้อมูลหลายมิติให้คะแนนสเกลแบบไม่มีคลื่น วารสารการประเมินบุคลิกภาพ, 92 (6), 544–559 แปลจากhttp://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/
· Revelle, W. (2013) จิต: ขั้นตอนสำหรับการวิจัยบุคลิกภาพและจิตวิทยา มหาวิทยาลัย Northwestern, Evanston, Illinois, USA แปลจากhttp://CRAN.R-project.org/package=psych รุ่น = 1.3.2
· Rosseel, Y. (2012) lavaan: แพ็คเกจ R สำหรับการสร้างแบบจำลองสมการโครงสร้าง วารสารซอฟต์แวร์เชิงสถิติ, 48 (2), 1–36 แปลจากhttp://www.jstatsoft.org/v48/i02/
· Wang, WC และ Cunningham, EG (2005) การเปรียบเทียบวิธีการประเมินทางเลือกในการวิเคราะห์ปัจจัยเชิงยืนยันของแบบสอบถามสุขภาพทั่วไป รายงานทางจิตวิทยา, 97 , 3–10
· Wirth, RJ, & Edwards, MC (2007) การวิเคราะห์องค์ประกอบรายการ: แนวทางปัจจุบันและทิศทางในอนาคต วิธีการทางจิตวิทยา, 12 , 58–79 แปลจากhttp://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/}

ทราบเพียงสั้น ๆ ว่าคุณอาจต้องการดูความสัมพันธ์เชิงซ้อนกับการวิเคราะห์ปัจจัยมากกว่าเมทริกซ์สหสัมพันธ์แบบดั้งเดิม / ความแปรปรวนร่วม

http://www.john-uebersax.com/stat/sem.htm