แม้ว่าจะยังมีข้อมูลบางส่วนที่ขาด (บุคคลและรายการต่อ subscale) นี่คือคำแนะนำทั่วไปเกี่ยวกับการลดขนาด นอกจากนี้เนื่องจากคุณกำลังทำงานในระดับแบบสอบถามฉันไม่เห็นว่าทำไมความยาวของมันถึงสำคัญมาก (หลังจากนั้นคุณจะให้สถิติสรุปเช่นคะแนนรวมหรือคะแนนเฉลี่ย)
ฉันจะสมมติว่า (a) คุณมีชุดของรายการ K ที่วัดโครงสร้างบางอย่างที่เกี่ยวข้องกับขวัญกำลังใจ (b) สเกล "unidimensional" ของคุณเป็นปัจจัยอันดับสองที่อาจถูกแบ่งย่อยเป็นแง่มุมต่าง ๆ (c) คุณต้องการ ลดขนาดของคุณเป็น k <K รายการเพื่อสรุปผลคะแนนมาตราส่วนโดยรวมที่ถูกต้องของผู้ทดสอบที่ถูกต้องในขณะที่รักษาความถูกต้องของเนื้อหาของสเกล
เกี่ยวกับความถูกต้องของเนื้อหา / โครงสร้างของของขนาดที่ผ่านการตรวจสอบแล้ว: มีการเลือกจำนวนรายการอย่างแน่นอนเพื่อให้สะท้อนถึงโครงสร้างของดอกเบี้ยที่ดีที่สุด ด้วยการทำให้แบบสอบถามสั้นลงคุณกำลังลดความครอบคลุมของโครงสร้าง มันจะเป็นการดีที่จะตรวจสอบว่าโครงสร้างปัจจัยยังคงเหมือนเดิมเมื่อพิจารณาเพียงครึ่งหนึ่งของรายการ (ซึ่งอาจส่งผลกระทบต่อวิธีการเลือกพวกเขาหลังจากทั้งหมด) ซึ่งสามารถทำได้โดยใช้เทคนิค FA ดั้งเดิม คุณมีความรับผิดชอบในการตีความสเกลด้วยจิตวิญญาณที่คล้ายคลึงกับของผู้แต่ง
เกี่ยวกับความน่าเชื่อถือของคะแนน : แม้ว่าจะเป็นการวัดที่ขึ้นกับตัวอย่างความน่าเชื่อถือของคะแนนจะลดลงเมื่อลดจำนวนรายการ (เช่นสูตรสเปียร์แมน - บราวน์ ) อีกวิธีในการดูนั่นคือข้อผิดพลาดมาตรฐานของการวัด (SEM) จะเพิ่มขึ้น แต่ดูโมดูลการสอน NCME เกี่ยวกับข้อผิดพลาดมาตรฐานของการวัดโดย Leo M Harvill จำเป็นต้องพูดมันใช้กับตัวบ่งชี้ทุกตัวที่ขึ้นอยู่กับจำนวนของรายการ (เช่นอัลฟาของ Cronbach ซึ่งสามารถใช้ในการประเมินความน่าเชื่อถือรูปแบบเดียวคือความสอดคล้องภายใน) หวังว่านี่จะไม่ส่งผลกระทบใด ๆ ต่อการเปรียบเทียบระหว่างกลุ่มตามคะแนนดิบ
ดังนั้นคำแนะนำของฉัน (วิธีที่ง่ายที่สุด) คือ:
- เลือกรายการของคุณเพื่อเพิ่มความครอบคลุมการสร้าง ตรวจสอบมิติข้อมูลด้วย FA และความครอบคลุมด้วยการแจกแจงคำตอบที่ไม่แปรเปลี่ยน
- เปรียบเทียบความสัมพันธ์ระหว่างค่าเฉลี่ยกับค่าที่รายงานก่อนหน้านี้
- คำนวณความสอดคล้องภายในสำหรับสเกลเต็มและคอมโพสิตของคุณ ตรวจสอบว่าพวกเขาเห็นด้วยกับสถิติที่เผยแพร่ในระดับเดิม (ไม่จำเป็นต้องทดสอบอะไรเลยนี่คือมาตรการที่ขึ้นกับตัวอย่าง)
- ทดสอบความสัมพันธ์เชิงเส้น (หรือ polychoric หรืออันดับ) ระหว่างคะแนนดั้งเดิมและลด (ย่อย) เพื่อให้แน่ใจว่าพวกเขาจะเปรียบเทียบได้ (เช่นที่ตำแหน่งบุคคลที่อยู่ในลักษณะแฝงไม่แตกต่างกันมากในขณะที่คัดค้านผ่านคะแนนดิบ );
- หากคุณมีตัวแปรเฉพาะเรื่องภายนอก (เช่นเพศอายุหรือการวัดที่เกี่ยวข้องกับขวัญกำลังใจที่ดีที่สุด) ให้เปรียบเทียบความตรงของกลุ่มที่รู้จักระหว่างสองรูปแบบ
วิธีที่ยากคือการพึ่งพาทฤษฎีการตอบสนองของรายการเพื่อเลือกรายการเหล่านั้นที่มีข้อมูลสูงสุดเกี่ยวกับลักษณะการลดขนาดแฝง - จริง ๆ แล้วเป็นหนึ่งในแอปพลิเคชันที่ดีที่สุด รุ่นสำหรับรายการพหุวิภาคได้อธิบายไว้บางส่วนในหัวข้อนี้Validating แบบสอบถาม
อัปเดตหลังจากอัปเดตครั้งที่ 2 ของคุณ
- ลืมเกี่ยวกับ IRT ทุกรุ่นสำหรับรายการที่มีหลายองค์ประกอบที่มีวัตถุไม่กี่ตัว
- การวิเคราะห์ปัจจัยจะประสบกับขนาดตัวอย่างที่ต่ำเช่นนั้น คุณจะได้รับการประมาณการการโหลดปัจจัยที่ไม่น่าเชื่อถือ
- 30 รายการหารด้วย 2 = 15 รายการ (มันง่ายที่จะเข้าใจการเพิ่มขึ้นของ SEM ที่สอดคล้องกันสำหรับคะแนนรวม) แต่มันจะแย่ลงถ้าคุณพิจารณา subscales (นี่เป็นคำถามที่สองของฉัน - ไม่ใช่รายการ ต่อหนึ่งระดับย่อยหากมี)