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 (เช่น
2.15.2
) สำหรับแพ็คเกจเหล่านี้:
psych
แพคเกจ(Revelle, 2013)ที่มีpolychoric
ฟังก์ชั่น
fa.parallel
ฟังก์ชั่นความช่วยเหลือสามารถระบุจำนวนของปัจจัยที่จะสกัด
lavaan
แพคเกจ(Rosseel 2012)ข้อเสนอ DWLS ประมาณค่าสำหรับการวิเคราะห์ตัวแปรแฝง
semTools
แพคเกจมีefaUnrotate
, orthRotate
และoblqRotate
ฟังก์ชั่น
mirt
แพคเกจ(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/