Amarengo

Articles and news

Latent Trait Theory and Attitude Scaling: the Use of Information Functions For Item Selection

absztrakt – ez az ismertető cikk bemutatja a látens Trait Theory alapú eljárások hasznosságát az attitude scaling alkalmazásában. Különösen azt mutatják, hogy a különböző elemek különböző mennyiségű “információt” (vagy megkülönböztető képességet) nyújtanak a különböző attitűdszintekhez. Következésképpen az elemeket aszerint lehet kiválasztani, hogy képesek-e információt szolgáltatni bizonyos attitűdszinteken. A redundancia csökkenthető a hasonló információkat bemutató elemek kiküszöbölésével is.

idézet:

Wagner Kamakura and Rajendra R. Srivastava (1982) ,”látens vonáselmélet és Attitűdméretezés: az információs funkciók használata az elemek kiválasztásához”, NA – Advances in Consumer Research Volume 09, Szerk. Andrew Mitchell, Ann Abor, MI: fogyasztói kutatási Egyesület, oldalak: 251-256.

előlegek a fogyasztói kutatás Volume 9, 1982 Pages 251-256

látens tulajdonság elmélet és hozzáállás méretezés: az információs funkciók használata elem kiválasztása

Wagner Kamakura (diák), University of Texas at Austin

Rajendra R. Srivastava, University of Texas at Austin

ABSTRACT –

ez az ismertető cikk bemutatja a látens Tulajdonságelméleten alapuló eljárások hasznosságát a hozzáállás skálázása céljából. Különösen azt mutatják, hogy a különböző elemek különböző mennyiségű “információt” (vagy megkülönböztető képességet) nyújtanak a különböző attitűdszintekhez. Következésképpen az elemeket aszerint lehet kiválasztani, hogy képesek-e információt szolgáltatni bizonyos attitűdszinteken. A redundancia csökkenthető a hasonló információkat bemutató elemek kiküszöbölésével is.

bevezetés

a megbízhatósági méréseken alapuló hagyományos méretezési eljárások kapták a legtöbb figyelmet a hozzáállás méretezésére a marketingkutatási szakirodalomban, amint azt a Journal of Marketing Research on measurement (1979.február) különszámában szereplő cikkek is bizonyítják. Ezek az eljárások állandó standard mérési hibát feltételeznek az attitűd kontinuum mentén, vagyis a megbízhatóság csak a skála általános hatékonyságát jelzi az összes hozzáállási szinten. Bár egy elem korrelációja a skálával (például egy változó a tényezőpontszámmal) segíthet a skálához leginkább hozzájáruló elemek kiválasztásában, nehéz megfejteni, hogy ezek az elemek hozzájárulnak-e az attitűd skála magas vagy alacsony végén lévő megkülönböztető képességhez. Ezenkívül a hagyományos eljárások nem nyújtanak mérést az egyes válaszkategóriák konkrét hozzájárulására a mérési pontosság szempontjából. Például a Likert típusú elemek esetében a” határozottan egyetért “több információt nyújt, mint az” egyetért”, tekintettel az elemre, a hozzáállás skála mentén? Továbbá, az alfa megbízhatósági együttható Paradox szabályokhoz vezet annak eldöntéséhez, hogy mely elemeket vagy hány elemet kell felvenni a skálába: (a) az egymás között erősen interkorrelált elemeket kell kiválasztani a megbízhatóság növelése érdekében, és (b) az egymás között alacsony interkorrelációval rendelkező, de a mért fő tulajdonsággal magas korrelációval rendelkező elemeket az érvényesség növelése érdekében be kell vonni.

végül a “nem tudom” (DK) válaszkategóriákat hagyományosan úgy kezelik, hogy az átlagértéket (a válaszadók között) vagy a középkategóriát bipoláris skálán helyettesítik, hogy tükrözzék a nehéz döntést (Coombs and Coombs, 1977). Néhány kutatást végeztek annak meghatározására is, hogy a DK-válaszok a válaszadó jellemzőihez kapcsolódó válaszstílus miatt merülnek-e fel (Converse 1977, Francis and Busch 1975, Innes 1977). Általában azonban a DK-k kezelésével kapcsolatos kutatások nagyon korlátozottak: nem sokat tudunk arról, hogyan kell kezelni a “nem tudom” válaszokat.

ebben a tanulmányban olyan látens Tulajdonságelméleten alapuló megközelítéseket mutatunk be, amelyek lehetővé teszik a kutató számára, hogy az attitűd kontinuum mentén diszkrimináns képességük alapján válasszon elemeket (tehát ha egy kutatót különösen érdekel a pontosság növelése bizonyos attitűdszinteken, például a középső tartományban a “kapcsolható” kilátások azonosításához, akkor ezt megteheti azáltal, hogy növeli azon elemek számát, amelyek megkülönböztetési képességet biztosítanak ezeken a szinteken). E megközelítések további előnye, hogy a DK-t névleges válaszként kezelik, ezáltal lehetővé téve, hogy a kategóriát a likert-típusú intézkedések mentén változó pozíciók képviseljék, az elemtől függően. Amint azt a következő szakasz tárgyalja, ez további információkat nyújt, amelyek általában elvesznek, ha a DK-kat hiányzó értékként kezelik, és potenciálisan hamisan mutatják be őket, ha átlagos vagy középső kategóriaként kezelik őket.

látens TULAJDONSÁGELMÉLET

ebben a részben megvizsgáljuk a kettős elemek alapvető látens Tulajdonságmodelljeit, valamint a polikotóm eset későbbi kiterjesztéseit. Ezek a modellek elsősorban a mentális mérés sztochasztikus megközelítésén alapulnak, amelyet Lord (1952) és Rasch (1960) vezetett be a 60-as évek elején.

dichotóm válaszok modelljei

a Lord (1952) által kidolgozott elmélet Lazerfeld (1954) “látens Szerkezetelméletének” egy változata, amely egyetlen dimenzióra korlátozódik, ahol az egyének egy vonás/attitűd kontinuum mentén helyezkednek el, és annak valószínűsége, hogy pozitívan reagálnak az egyénre a dichotóm elem attól függ, hogy az elem milyen helyzetben van az egyén helyzetéhez viszonyítva ugyanazon dimenzióban.

Rasch (1960) hasonló megközelítést alkalmazott, de a pozitív válaszok valószínűségét az egyén tulajdonságának/hozzáállásának és a tárgy jellemzőinek logisztikai függvényeként modellezte, nem pedig az Úr által használt normál Ogive függvényként. Egyszerűsége és számítási előnyei miatt a logisztikai modell nagyobb figyelmet kapott a szakirodalomban, mint a normál Ogive modell. Rasch logisztikai modelljének fontos kiterjesztése a Birnbaum (1968) által levezetett 2-paraméteres logisztikai modell, amely magában foglalja annak lehetőségét, hogy az elemek ne csak a tulajdonság/ attitűd kontinuum helyzetében különböznek egymástól, hanem abban is, hogy képesek megkülönböztetni a kontinuum különböző szintjeit

2-paraméteres logisztikai bináris válasz (BR) modelljében Birnbaum meghatározza annak valószínűségét, hogy egy adott egyén J pozitívan válaszol egy I elemre, mint az egyén tulajdonságának vagy hozzáállásának logisztikai függvénye, valamint az elem jellemzői, olyan, hogy

Pij = 1 (1)

1+e-ai(bi-0j)

ahol,

Pij = az egyéni J valószínűsége az I. tétel pozitív válaszával

0j = attitűdszint az egyéni J számára

bi = pozícióparaméter az I. tételhez

ai = diszkriminációs paraméter az I. tételhez

Rasch eredeti konceptualizáció, ez a modell az I és az egyének J tételeit is ugyanabban a hozzáállási kontinuumban helyezte el. Az I. tétel Bi Pozícióparaméterét úgy definiáljuk, mint az elem helyzetét a hozzáállási kontinuumban, amely a pozitív válasz 50% – os esélyét eredményezné. Az egyén hozzáállásához 0j egyenlő a paraméter pozíciójával bi, az exponens az Eq-ban. Az 1 nullává válik, és annak a valószínűsége, hogy j az I tételre pozitívan válaszol, PIJ = 1/2 lesz.

az adott I tételre vonatkozó diszkriminációs paramétert az EQ-ban meghatározott logisztikai függvény (más néven Elemjellemző görbe (ICC)) maximális meredekségeként definiáljuk. 1. A logisztikai görbe maximális meredeksége a bi elempozícióval megegyező 0j hozzáállási szinten, azaz az 1. ábrán látható középpontban történik. És minél meredekebb a meredekség (minél magasabb az ai diszkriminációs paraméter értéke) egy elemnél, annál jobban megkülönbözteti azokat a válaszadókat, akiknek attitűdszintje 0j a bi pozícióparaméter közelében, mivel a hozzáállás kis változását a pozitív válasz valószínűségének nagy változása fogja észlelni. Az olvasó megjegyzi, hogy amikor az AI = ¦ meredekség, az elemjellemző görbét egy Pi-t képviselő egyenes képviseli: = 0,50, azaz 50-50 esély a pozitív válaszra, függetlenül a hozzáállástól 0j a válaszadó.

a tételparaméterek meghatározása jobban érthető az 1.ábrán, ahol az 1. és a 3. tétel az alsó, illetve a magasabb attitűdtartományban helyezkedik el, míg a 2. tétel a középső tartományban van. Tehát csak az IJ magas attitűdszinttel rendelkező egyének fognak egyetérteni a 3.ponttal, mivel a b3-nál magasabb hozzáállásra van szükség az 50% – nál nagyobb pozitív válasz valószínűségéhez. Másrészt csak az alacsony hozzáállású személyek nem értenek egyet az 1. ponttal. Szintén, az olvasó könnyen láthatja azt a tételt 3 a legnagyobb megkülönböztető erővel rendelkezik, mivel a 0j hozzáállás enyhe változása a B3 tételpozíció körül a valószínűség nagy változását eredményezi szinte nulláról közel egyre.

1.ábra

ELEMJELLEMZŐ görbék (I. C. C.): 2-paraméteres logisztikai modell (bináris)

Birnbaum fontos hozzájárulása a Rasch-modell kiterjesztése mellett az információs funkció (IF) fogalma, amely jelzi a mérési pontosságot az egyes attitűdszintekre HL a skála minden egyes eleméhez. Az elem által egy adott oo attitűdszinten továbbított információt Birnbaum úgy határozza meg, hogy fordítottan arányos az OO becsléséhez szükséges belső aszimptotikus konfidencia hosszának négyzetével, vagy egyenesen arányos az ICC lejtésének négyzetével az OO attitűd szintjén. A BR modell esetében Birnbaum bebizonyította, hogy egy adott HL képességszint I. eleme által továbbított információ kiszámítható

Ii (0j) = 2 / Pij(1-Pij) (2)

ahol P ‘ IJ a logisztikai görbe meredeksége a 0j képességszinten.

ezért az információ fogalma közvetlenül kapcsolódik az ai diszkriminációs paraméterhez, a 2 paraméteres modell esetében pedig egy megkülönböztetőbb elem több információt nyújt, maximális értéke a bi elempozícióban van. A 2. ábrán ugyanazon elemek információfüggvényeit ábrázoljuk az 1.ábrán, és könnyen látható, hogy a megkülönböztetőbb elemnél (3. tétel) az információfüggvény magasabb szinteket ér el, a csúcs pedig a B3 pozícióparaméternél következik be.

2. ÁBRA

INFORMÁCIÓS FUNKCIÓK: 2-paraméter logisztikai modell

a BA egyik fontos jellemzője, a Birnbaum meghatározása szerint additív tulajdonsága; a különböző elemek által egy adott hozzáállási szinten továbbított információ hozzáadható a skála által továbbított összes információ megszerzéséhez ezen a hozzáállási szinten. Ezért lehetséges az egyes tételek hozzájárulása és a skála által továbbított összes információ értékelése. Ezenkívül a BA jelzi az egyes elemek által a hozzáállás minden szintjén elérhető maximális pontosságot, szemben a teljes tartományra számított hagyományos megbízhatósági intézkedésekkel. Így az azonos jellemzőkkel rendelkező elemek hozzáadása (BI tételpozíció, AI tétel-megkülönböztetés) csak a tételek által már lefedett attitűdtartományban javítja a pontosságot, a hozzáállás más szintjein nem javul.

ezért az információs funkció fogalma megoldja a megbízhatósági dilemmát, amelyet korábban ebben a cikkben említettünk. Objektív eszközöket biztosít a skála elemeinek kiválasztásához, a kutató céljának megfelelően. Ha egy politikus érdekelt abban, hogy azonosítsa a bizonytalan politikai attitűdökkel rendelkező szavazókat, amelyek hajlamosak lehetnek a hozzáállás változásaira, akkor a skálának a középső tartományban elhelyezett elemekre kell koncentrálnia.

Polikotóm válaszok modelljei

a Samejima (1969) rendezett (Osztályozott) válasz (OR) modellje polikotóm kiterjesztést biztosít arra az esetre, ha két vagy több rendezett kategória létezik. Például egy 1-től 3-ig terjedő skálán pontozott elem esetében két elem-válaszgörbe használható annak a feltételes (A J attitűd szintjén) valószínűségnek a leírására, hogy egy adott kategóriára szakaszosan reagáljon. Az első szakaszban olyan funkciókat kapunk, amelyek az első kategória válaszát képviselik egy magasabb kategóriával szemben (1 vs.2 vagy 3), valamint az első és a második kategória válaszát a harmadikkal szemben (1 és 2 vs. 3). Ezeket a válaszfüggvényeket a 3. ábrán látható görbék képviselik. A második szakasz csupán az egymást követő válaszfüggvények kivonása egymástól, hogy megkapjuk az egyes kategóriák kívánt válaszlehetőségeit. Vegye figyelembe, hogy a szélsőséges kategóriák valószínűségeit úgy kapjuk meg, hogy kivonjuk a válaszfüggvényeket 1,0-ból és 0,0-ból. Ezután a 3. ábrán a 0j attitűdszinttel rendelkező egyén esetében az 1., 2. és három kategóriával való válaszadás valószínűsége 0,17, 0,63, illetve 0,20. A 3. ábrán látható válaszfüggvények könnyen modellezhetők:

Fijp = 1

1+e-ai (bip-0j)

ahol: Fijp-annak valószínűsége, hogy egy személy J hozzáállással 0j válaszol az I. tételre p vagy jobb kategóriával. A bináris modellhez hasonlóan az ai értelmezhető az I. tétel megkülönböztető erejeként, a bip pedig az I. tétel pth kategóriájának helyzeteként az attitűd kontinuumon.

az információs függvényt Samejima határozta meg Birnbaum megfogalmazásával egyenértékű módon. A vagy modell egy információs funkciót biztosít az elem minden válaszkategóriájához. Ezért egy elem minden válaszkategóriájának hozzájárulása a mérési pontossághoz, a hozzáállás minden szintjén, értékelhető. A BA-k egy elem kategóriái között összegezhetők, hogy megadják az elemek információértékének mértékét. Sőt, Samejima vagy modellje nem tesz metrikus feltételezéseket a válaszkategóriákról; a válaszkategóriák közötti intervallum nincs rögzítve “a priori”, sőt a különböző elemeknél is változhat. Még a válaszkategóriákra vonatkozó rangsor-feltételezés is enyhül a Bock (1972) által kifejlesztett névleges válasz (Nr) modellben. Bock a modelljét polikotóm logit modellként dolgozta ki, elmagyarázva egy válaszkategória választását egy adott elemhez az elemkategória paramétereinek és az egyén attitűdszintjének függvényében. A modell megfogalmazása, bár kissé összetettebb, nagyon hasonlít a bináris modellhez. Ez azért van, mert egy 3 kategóriás minősítési skálát 2 bináris minősítési skála képviselhet, vagy általában egy n kategóriás minősítési skálát (n-l) bináris skálák képviselhetnek. Bock modellje ICC-ket és IF-eket tartalmaz minden névleges válaszkategóriára, amelyek a bináris modellhez hasonló módon értelmezhetők. Például az egyes kategóriák (egy adott tétel) ICC-je azt a valószínűséget képviseli, hogy egy adott hozzáállású válaszadó válaszol az adott kategóriára.

3.ábra

példa Osztályozott VÁLASZMODELLRE három kategóriával

az NR modell fő előnye az OR modellel szemben, hogy mivel a válaszkategóriák sorrendjét nem feltételezzük, relatív sorrendjüket maga az adat határozza meg, és a különböző elemek esetében változhat. Következésképpen akkor hasznos, ha a válaszkategóriáknak nincs “logikus” vagy intuitív sorrendje, ahogy ez a “nem tudom”, a “Nincs vélemény” és a “Nincs válasz” válaszokkal történik.

módszertan és elemzés

a látens Tulajdonságelmélet attitűdmérésre való alkalmazásának szemléltetésére használt adatok az “anomia” skála (Srole, 1956), amelyet a nemzeti Véleménykutatási Tanács (NORC) 1973-as felméréséből vontak le. Az anomiát általánosított egyéneknek tekintik, a társadalmi malintegráció vagy az “Ön-mások elidegenedése” átható érzése.”A skála egydimenziós, és az 1. táblázatban felsorolt 9 elemből és három válaszkategóriából áll (egyetértek, nem értek egyet, nem tudom). 400 esetet véletlenszerűen választottak ki a körülbelül 1200 teljes mintából. Nagyobb mintára nem volt szükség a számítási pontossághoz, és csak a számítási időt/költségeket növelte volna. Az alkalmazott számítási algoritmus a LOGOG program volt (Kolakowski and Bock, 1973). Az elemzések és eredmények a következőket szemléltetik: (1) elemválasztás információs funkciók alapján, és (2) a nem tudom válaszok kezelése.

először az adatokat a bináris modell segítségével elemezzük, amely a DK-kat hiányzó értékként kezeli. A származtatott paramétereket ICC-k és IF-ek fejlesztésére használják. ezek a görbék annak illusztrálására szolgálnak, hogy (1) az elempozíciók a hozzáállás kontinuum mentén változnak, azaz az elemek különböző attitűdszinteken szolgáltatnak információt, (2) az elemek duplikatívak vagy redundánsak lehetnek, azaz ugyanazt az információt szolgáltatják, és (3) az alacsonyabb lejtésű elemek kevesebb információt szolgáltatnak.

1. TÁBLÁZAT

ANOMIA SKÁLA

1. Az egészség mellett a pénz a legfontosabb dolog az életben

2. Néha nem tud segíteni azon, hogy vajon érdemes-e valamit többé

3. A pénzszerzéshez már nincs Jó Rossz út, csak könnyű és nehéz út

4. Manapság az embernek nagyjából a mának kell élnie, és hagynia kell, hogy a holnap vigyázzon magára

5. Egyesek szerint az átlagember sorsa (helyzete és állapota) egyre rosszabb, nem pedig jobb

6. Aligha igazságos egy gyermeket úgy világra hozni, ahogy a dolgok a jövőt nézik

7. A legtöbb köztisztviselőt nem igazán érdeklik az átlagember problémái

8. Manapság az ember nem igazán tudja, kire számíthat

9. A legtöbb embert nem igazán érdekli, hogy mi történik a következő felloe-val

forrás: Srole, L. (1956), “Social Integration and Certain Corollaires,” American Sociological Review, 21, 709-16.

a bináris modell eredményeit összehasonlítják az Alfa-Faktoranalízissel is (Cronbach alfa alapján), hogy bemutassák a látens tulajdonság-megközelítések és a hagyományos skálázási technikák közötti hasonlóságokat és különbségeket.

másodszor, a polikotóm modelleket úgy becsülik, hogy a DR-ket középértékként, majd névleges válaszként kezelik. Ez utóbbi eset lehetővé teszi a DK-k számára, hogy “lebegjenek”, azaz magas, közepes vagy alacsony kategorikus helyzetben legyenek. A DR-k kezelésének az információkra gyakorolt hatását két szemléltető esetben mutatjuk be, ahol a DR-eket közép-vagy középértékként kellene kezelni.

eredmények

elemek kiválasztása Információs függvények használatával

a 2.táblázat első két oszlopa a jóság-of-it statisztikákat (Chi-négyzet és Z szignifikancia szint) mutatja be Birnbaum 2 paraméteres logisztikai modelljéhez, amelyet a 9 elemű Anomia skálára alkalmaznak, a nem tudja, hogy hiányzó értékként van-e beírva. A bi-k becsült tételpozíció-paramétereit és az ai-k megkülönböztetési paramétereit a 2. táblázat mutatja, a megfelelő ICC-ket és IF-eket pedig a 4.és 5. ábra mutatja be. A 4. ábrán szereplő ICC-kből és a bi pozícióparaméterekből a 3.és 4. oszlopban a 2. táblázatban látható, hogy a 9 elem a B8 = -1.1 és b3 = 1.6 közötti attitűdtartományra koncentrál. Ezért ez a skála biztosítja a legjobb mérési pontosságot ezen attitűdtartományon (mivel minden elem maximális információt nyújt a bi pozíció közelében). Az ICC-k összehasonlításával láthatjuk, hogy az 5.és a 7. tétel kissé redundáns (b5= -.588, b7 = -.562; a5 = 1,132, a7 = 1,032), információik nagy részét azonos attitűdszinteken szolgáltatják. Az 5. ábrán ábrázolt IF-ek megerősítik ezt a redundanciát, az 5.és 7. tétel azonos alakú, ugyanazon a hozzáállási szinten tetőzik. A 2. és 4. tételnek is hasonló ICC-je és IF-je van.

2. táblázat

ELEMPARAMÉTER: 2-paraméter logisztikai modell – (nem ismeri hiányzó értékként)

4. ábra

I. C. C. ANOMIA tételek esetén: Bináris modell

5.ábra

ANOMIA elemek információs funkciói: bináris modell

az 5. ábra egyértelmű különbséget mutat az alacsony információt nyújtó 1-4. tétel és az 5-9. tétel között, amelyek IF-je magasabb értékeken tetőzik (ant magasabb ai értékek). A két tételcsoport közötti különbség megerősíti az ugyanazon adatokon végzett Alfa-faktor elemzés eredményeit (a DK-t hiányzó értékként kezelve). Az alfa-faktor elemzés csak egy tényező (sajátérték = 3,14) levezetését eredményezte a könyökszabály alapján. A tételek tényezőterhelése 1 keresztül 9 voltak, illetőleg, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, könnyen megfigyelhető, hogy azok az 5-9 tételek, amelyek nagyobb Faktorterheléssel rendelkeznek, szintén magasabb csúcsokkal rendelkeznek a megfelelő információfüggvényeikhez (5.ábra). Úgy tűnik, hogy bármelyik eljárás (Alfa faktor vagy látens tulajdonság) ugyanazokat az elemeket választja ki a skálához. A látens tulajdonság eljárás által biztosított IF-ek azonban jelzik azokat a hozzáállási szinteket, ahol az elemek a leginkább informatívak. Amint az ábrán látható 5 a 8. tétel alacsony attitűdszinteken nyújtja a legmagasabb információkat, míg a 6.tétel magas szinten informatívabb. Emellett az IF lehetővé teszi a kutató számára, hogy azonosítsa a redundáns elemeket (5 és 7; 2 és 4), amelyeket megbízhatósági mérésekkel nem lehet kimutatni. Hasznosnak tűnik az 5. tétel megtartása (a 7.tétel alacsonyabb lejtéssel/IF csúcsmal rendelkezik), ha a cél az elemek redundanciájának csökkentése lenne. Ez azonban csökkentené a mérési pontosságot a 0j = -0,57 attitűdszint körül is.

nem ismert Válaszkategóriák kezelése

az OR modellt DR-vel az “egyet nem értés” és az “egyetértés” között alkalmazták az anomia skálán. E korlátozó feltételezés elkerülése érdekében az NR modellt ugyanazon adatokra alkalmazták. Vagy a skála 9 eleme, csak a 3-as és 9-es tételek eredményezték a DR-ek kategorizálását az alsó végletnél (azaz a DK sorrendjében, nem ért egyet, nem ért egyet). Annak bemutatására, hogy a DR-t középkategóriának tekintjük, bemutatjuk az NR modellből származó ICC-ket a 7.és 9. tételekre a 6. ábrán. Ahogy az anomia növeli a 7.és 9. ponttal való egyetértés valószínűségét. Az anomia növekedésével azonban a nem értés valószínűsége monoton módon csökken a 7. tételnél, miközben először növekszik, majd csökken a 9.tételnél. Végül, a válaszadás valószínűsége nem tudom növekszik, mivel az anomia csökken a 9. tételnél, míg a 7.tétel középszintjén maximuma van, jelezve, hogy a DR a 7. tétel középkategóriájaként, a 9. tétel alsó szélső kategóriájaként “rendezett”.

tekintettel az NR modellen alapuló “megrendelésekre”, azt várnánk, hogy az OR modell a 7.tételnél is, a 9. tételnél pedig nem egészen. Ez utóbbi esetben (9. pont) a DK középkategóriává való kényszerítése információvesztéshez vezetne. Ezt jól szemlélteti a 7.és 9. tétel br-nek megfelelő ba-ja, valamint a 7. ábrán látható OR és NR modellek. A 7. tétel esetében a DR mint Középkategória felvétele növeli az elem által továbbított információt a bináris modellhez képest, amely a DR-t hiányzó adatként kezeli. A rangsor-feltételezés enyhítése az NR modellben nem javítja az információkat az OR modellhez képest, ami azt jelezheti, hogy a DR valóban Középkategória. A 9. tétel esetében a DR középkategóriába való felvétele az elem által továbbított információk növekedését is eredményezi. Ha azonban az NR modellt használjuk (ami a Dr-K alacsony szélsőséges helyzetét eredményezi, amint azt korábban említettük), még több információ nyerhető, nemcsak a csúcson, hanem az ‘ow attitűdszinteken is, ahol a DK válaszok valószínűsége növekszik. Ez azt jelzi, hogy hasznos információ (vagy megkülönböztető képesség) elvész az attitűd skála alsó végén, ha egy extrém (alacsony) értékű DK-választ hiányzó adatként vagy középkategóriaként kezel. Természetesen nehéz lenne meghatározni DR-t az alacsony szélsőségben a priori. Meg kell jegyezni, hogy az NR modell egyszerűen kiválasztja a DK kategória helyzetét az “igazság” megszerzése érdekében.”Ha azonban a DK ICC-je kis tartományba illeszkedik, akkor valószínű, hogy átlaga következetes a mintában szereplő válaszadók között. Ha a görbe szét van terítve, a DK különböző dolgokat jelent különböző embereknek

6. ábra

I. C. C. A 7.és 9. tételhez: rendezett VÁLASZMODELL – (D. K. középen)

következtetések

ez az ismertető cikk a látens Tulajdonságelméleti alapú eljárások használatának szemléltetésére szolgál a hozzáállás méretezéséhez. Különösen az elemjellemző görbék és az Információs függvények lehetnek hasznosak az elem kiválasztásához a skála felépítésében. A látens Tulajdonságelméleti modellek hasznosabbak lehetnek, mint a hagyományos méretezési technikák, mert nemcsak az eleminformációs érték mérését nyújtják, hanem azt a hozzáállási szintet is, amelyen az elemek valószínűleg a legnagyobb megkülönböztető képességgel rendelkeznek. Ezek az intézkedések felhasználhatók redundáns vagy duplikált elemek törlésére és / vagy a skála pontosságának tudatos növelésére a kívánt attitűdszinteken.

7.ábra

Információs függvények összehasonlítása – 7. és 9. tétel

ezenkívül a több kategóriaértékelési skálára adott válaszokat a névleges Válaszmodell elemezheti, amely az egyes tételek minden egyes válaszkategóriája által az egyes attitűdszinteken tett hozzájárulások mértékét adja meg, nem pedig az egyes tételek és a skála közötti kapcsolat Általános mércéjét. A Névleges Válaszmodell nem igényel metrikus feltételezéseket az adatokkal kapcsolatban, és a” nem tudom”, a” nincs vélemény “és a” nincs válasz ” kategóriák skálázhatók és információforrásként használhatók a hozzáállás mérésére. Amint az látható (a 7.és a 9. tétel esetében), a “nem tudom” válaszok hozzájárulhatnak a mérési pontossághoz, és hozzájárulásuk az elemtől függően különböző attitűdtartományokban fordulhat elő.

végül meg kell említeni, hogy a látens Tulajdonságelméleten alapuló eljárásoknak más előnyei is vannak, amelyeket ebben a cikkben nem tárgyalunk. A kalibrációs eljárások függetlenek az alkalmazott konkrét elemektől (elemmentes hozzáállás méretezés), valamint a mintától (mintamentes skála kalibrálás), amint azt Wright (1968) tárgyalta. Továbbá, miután meghatározták a paramétereket az egyes tételkategóriák összetételére vonatkozóan, megvalósítható “testreszabott” eljárások kidolgozása az adatgyűjtéshez, amelyeket más mintákon kell használni. Például, ha egy válaszadó nem ért egyet egy olyan elemgel, amelynek alacsony pozícióparamétere (bi) van egy attitűd kontinuum mentén, akkor nem lesz nagyon hasznos olyan elemek adminisztrálása, amelyek magasabb pozícióparaméterekkel rendelkeznek. Ennek a funkciónak egyre fontosabbá kell válnia az interaktív megjelenésével, számítógépes adatgyűjtési eljárások. Remélhetőleg ez a cikk lendületet ad a látens Tulajdonságelméleti alapú attitűdmérési eljárások fokozott használatának, amelyek objektívebb skálaépítési kritériumokat szolgáltatnak.

Birnbaum, A. (1968), “néhány látens Tulajdonságmodell és használatuk a vizsgázó képességének következtetésében”, F. M. Lord és L R. Novick (Szerk.), A mentális teszt pontszámainak statisztikai elméletei, (olvasás, tömeg.: Addison-Wesley).

Bock, R. V. (1972), “Elemparaméterek és látens képesség becslése, ha a kategóriákat két vagy több névleges kategóriában értékelik” Psychometrika, 37, 29-51.

Converse, J. (Winter, 1977), “nincs vélemény előrejelzése a közvélemény-kutatásokról” közvélemény negyedévente, 40, 515-30.

Coombs, C. S. and Coombs, L. (1977.tél), “Nem tudom az elem kétértelműségét vagy a válaszadó bizonytalanságát” Public Opinion QuarterlY, 40, 457-514.

Francis, J. és Busch, L. (Summer, 1975), “What we Know About” I Don ‘t Knows”, ” Public Opinion Quarterly, 39, 207-18.

Innes, J. M. (1977),” Extremity and ” Don ‘t Know” szettek a kérdőívre adott válaszokban, ” British Journal of Social and Clinical Psychology, 16, 9-12.

Kolakowski, D. and Bock, R. D. (1973), maximális valószínűség elem elemzés és teszt pontozás: logisztikai modell több elem válaszok (Ann Arbor, Michigan: National Educational Resources Inc. 5.

Lazarfeld, P. F. (1954) “fogalmi Bevezetés a látens Szerkezetelemzéshez”, in Mathematical Linking in the Social Sciences, (Glencoe, Illinois: Free Press

Lord, F. M. (1952), “a teszteredmények elmélete” pszichometriai monográfia. 7, Pszichometrika Társaság.

Rasch, F. (1960), valószínűségi modellek néhány intelligencia és teljesítési teszthez (Koppenhága: Dán oktatáskutató intézet).

Samejima, F. (1969), “A látens képesség becslése az Osztályozott pontszámok Válaszmintájának felhasználásával” Pszichometrika monográfia kiegészítés, 17.szám.

Srole, L. (1956), “társadalmi integráció és bizonyos következmények” American Sociological Review, 21, 709-16.

Wright, B. D. (1968), “Sample-Free Test Calibration and Person Measurement,” Proceedings of the 1967 Invitational Conference on Testing Problems (Princeton, N. J. : Educational Testing Services), 85-101.

Vélemény, hozzászólás?

Az e-mail-címet nem tesszük közzé.