Amarengo

Articles and news

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

ABSTRACT – Questo documento espositivo dimostra l’utilità delle procedure basate sulla teoria dei tratti latenti ai fini del ridimensionamento dell’atteggiamento. In particolare, è dimostrato che diversi elementi forniscono diverse quantità di” informazioni ” (o capacità di discernimento) per vari livelli di atteggiamento. Di conseguenza, gli elementi possono essere scelti in base alla loro capacità di fornire informazioni a specifici livelli di atteggiamento. Inoltre, la ridondanza può essere ridotta eliminando gli elementi che presentano informazioni simili.

Citazione:

Wagner Kamakura e Rajendra R. Srivastava (1982) ,”Latent Trait Theory and Attitude Scaling: the Use of Information Functions For Item Selection”, in NA – Advances in Consumer Research Volume 09, eds. Andrew Mitchell, Ann Abor, MI: Associazione per la ricerca sui consumatori, Pagine: 251-256.

Advances in Consumer Research Volume 9, 1982 Pages 251-256

LATENT TRAIT THEORY AND ATTITUDE SCALING: THE USE OF INFORMATION FUNCTIONS FOR ITEM SELECTION

Wagner Kamakura (student), University of Texas at Austin

Rajendra R. Srivastava, University of Texas at Austin

ABSTRACT –

Questo documento espositivo dimostra l’utilità delle procedure basate sulla teoria dei tratti latenti ai fini del ridimensionamento dell’atteggiamento. In particolare, è dimostrato che diversi elementi forniscono diverse quantità di” informazioni ” (o capacità di discernimento) per vari livelli di atteggiamento. Di conseguenza, gli elementi possono essere scelti in base alla loro capacità di fornire informazioni a specifici livelli di atteggiamento. Inoltre, la ridondanza può essere ridotta eliminando gli elementi che presentano informazioni simili.

INTRODUZIONE

Le procedure di ridimensionamento tradizionali basate su misure di affidabilità hanno ricevuto la massima attenzione per il ridimensionamento dell’atteggiamento nella letteratura di ricerca di marketing come evidenziato dagli articoli nel numero speciale del Journal of Marketing Research on measurement (febbraio 1979). Queste procedure presuppongono un errore standard costante di misurazione lungo il continuum di assetto, cioè l’affidabilità indica solo l’efficienza complessiva della scala su tutti i livelli di assetto. Sebbene la correlazione di un elemento con la scala (ad esempio, di una variabile con il punteggio del fattore) possa aiutare nella scelta degli elementi che contribuiscono di più alla scala, è difficile decifrare se questi elementi contribuiscono alla capacità di discernimento all’estremità alta o bassa della scala di atteggiamento. Inoltre, le procedure tradizionali non forniscono una misura per il contributo specifico di ciascuna categoria di risposta per l’accuratezza della misurazione. Ad esempio, per gli elementi di tipo Likert,” fortemente d’accordo “fornisce più informazioni di” d’accordo”, dato l’elemento, lungo la scala di atteggiamento? Inoltre, l’alfa affidabilità coefficiente porta alla paradossale regole per decidere quali elementi, o come molti elementi, a includere nella scala: (a) elementi altamente intercorrelati tra loro dovrebbe essere scelto per aumentare l’affidabilità, e (b) gli elementi con basso intercorrelation tra di loro, ma con alta correlazione con il tratto più importante essere misurata dovrebbero essere inclusi per migliorare la validità.

Infine, le categorie di risposta “non so” (DK) sono state tradizionalmente gestite sostituendo il valore medio (tra gli intervistati) o la categoria media su una scala bipolare per riflettere una decisione difficile (Coombs e Coombs, 1977). Alcune ricerche sono state condotte anche per determinare se le risposte DK sorgono a causa dello stile di risposta correlato alle caratteristiche del rispondente (Converse 1977, Francis and Busch 1975, Innes 1977). In generale, tuttavia, la ricerca sul trattamento delle DK è molto limitata: non sappiamo molto su come gestire le risposte “non so”.

In questo articolo presentiamo approcci basati sul Tratto Latente Teoria che permettono al ricercatore di selezionare gli elementi in base alla loro capacità discriminante lungo l’atteggiamento continuum (quindi se un ricercatore è particolarmente interessato ad aumentare la precisione in particolare i livelli di atteggiamento, per esempio, nel range medio per identificare “commutabile” prospettive, s/egli può fare in modo da aumentare il numero di articoli che forniscono capacità discriminante a quei livelli). Un ulteriore vantaggio di questi approcci è il trattamento del DK come risposte nominali, consentendo così alla categoria di essere rappresentata da posizioni variabili lungo misure di tipo likert, a seconda dell’elemento. Come discusso nella sezione successiva, questo fornisce informazioni aggiuntive normalmente perse trattando i DK come valori mancanti e potenzialmente travisati trattandoli come categorie medie o medie.

TEORIA DEI TRATTI LATENTI

In questa sezione esaminiamo i modelli di tratti latenti di base per gli elementi dicotomici e le estensioni successive per il caso policotomo. Questi modelli sono basati principalmente sull’approccio stocastico per la misura introdotta dal Signore (1952) e di Rasch (1960) nei primi anni ‘ 60.

Modelli per Dicotomica Risposte

La teoria sviluppata da Signore (1952) è una variante Lazerfeld s (1954) “Latente Teoria della Struttura” limitato a una sola dimensione, in cui gli individui sono disposti lungo un tratto/atteggiamento continuum, e le probabilità di rispondere positivamente ad una dicotomica elemento dipende dalla posizione dell’elemento rispetto alla posizione del soggetto su questa stessa dimensione.

Rasch (1960) usò un approccio simile, ma modellò la probabilità di risposte positive come funzione logistica del tratto/atteggiamento dell’individuo e delle caratteristiche dell’oggetto, piuttosto che una normale funzione Ogiva usata da Lord. Grazie alla sua semplicità e ai suoi vantaggi computazionali, il modello logistico ha ricevuto maggiore attenzione in letteratura rispetto al normale modello Ogivo. Un importante ampliamento di Rasch del Modello di regressione Logistica è il 2-Parametro Modello di regressione Logistica derivato da Birnbaum (1968), che include la possibilità di piatti diversi, non solo la loro posizione sul tratto/ atteggiamento continuum, ma anche il loro potere di discriminare a diversi livelli di quel continuum

Nel suo 2-Parametro Logistica Binaria Risposta (BR) Modello Birnbaum definisce la probabilità di un dato individuo j rispondere a un articolo che mi positivamente come una funzione logistica del singolo tratto o atteggiamento, e la voce di caratteristiche, in modo tale che,

Pij = 1 (1)

1+e-ai(bi-0j)

dove

Pij = probabilità di un individuo j rispondere a voce io con una risposta positiva

0j = atteggiamento livello individuale j

bi = parametro position per la voce i

ai = discriminazione parametro per la voce i

a Seguito di Rasch originale di concettualizzazione, questo modello inoltre inseriti gli articoli i e gli individui j nello stesso atteggiamento di continuità. Il parametro di posizione bi per l’elemento i è definito come la posizione dell’elemento nel continuum di atteggiamento che si tradurrebbe in una probabilità del 50% di una risposta positiva. Per l’atteggiamento di un individuo 0j uguale al parametro posizione bi, l’esponente in Eq. 1 diventa nullo e la probabilità che il singolo j risponda all’elemento i risulti positivamente in Pij = 1/2.

Il parametro di discriminazione per un dato articolo i è definito come la pendenza massima della funzione logistica (chiamata anche Curva caratteristica elemento (Item)) definita in Eq. 1. La pendenza massima di una curva logistica si verifica a un livello di assetto 0j uguale alla posizione dell’articolo bi, cioè al punto medio come mostrato in Figura 1. E, più ripida è la pendenza (maggiore è il valore del parametro di discriminazione ai) di un elemento, meglio discrimina tra gli intervistati con livelli di atteggiamento 0j in prossimità del parametro di posizione bi come una piccola variazione di atteggiamento sarà rilevato da una grande variazione nella probabilità di risposta positiva. Il lettore noterà che quando la pendenza ai =/, la curva caratteristica dell’elemento è rappresentata da una linea retta che rappresenta Pi: = 0,50, cioè una probabilità 50-50 di una risposta positiva, indipendentemente dall’atteggiamento 0j del rispondente.

La definizione dei parametri dell’elemento può essere meglio compresa nella Figura 1, dove l’elemento 1 e 3 sono posizionati rispettivamente sulle gamme di atteggiamento inferiore e superiore, mentre l’elemento 2 è posizionato nella gamma media. Quindi, solo gli individui con alti livelli di atteggiamento ij saranno d’accordo con l’articolo 3, poiché è necessario avere un atteggiamento superiore a b3 per una probabilità di risposta positiva superiore al 50%. D’altra parte, solo le persone con atteggiamento basso non saranno d’accordo con il punto 1. Inoltre, il lettore può facilmente vedere che l’elemento 3 ha il più alto potere discriminatorio, poiché una leggera variazione di atteggiamento 0j attorno alla posizione dell’elemento b3 comporta un grande cambiamento della probabilità da quasi zero a quasi uno.

FIGURA 1

ELEMENTO CURVE CARATTERISTICHE (I. C. C.): 2-PARAMETRO MODELLO di regressione LOGISTICA (BINARIO)

Un importante contributo da Birnbaum, oltre che la sua estensione del modello di Rasch, è il concetto di Funzione Informazioni (SE), che fornisce un’indicazione della precisione di misura per ogni livello di atteggiamento Gu per ogni elemento in una scala. L’informazione trasmessa da un elemento a un dato livello di attitudine Oo è definita da Birnbaum come inversamente proporzionale al quadrato della lunghezza della confidenza asintotica interna per la stima di Oo, o direttamente proporzionale al quadrato della pendenza dell’IC a livello di attitudine Oo. Per il modello BR, Birnbaum ha dimostrato che le informazioni trasmesse da un elemento i di un determinato livello di capacità Gu possono essere calcolate da

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

dove P’ij è la pendenza della curva logistica al livello di abilità 0j.

Quindi, il concetto di informazione è direttamente correlato al parametro di discriminazione ai, e per il modello a 2 parametri, un elemento più discriminante fornirà maggiori informazioni, con il suo massimo nella posizione dell’articolo bi. Nella Figura 2, vengono tracciate le funzioni di informazione degli stessi elementi della Figura 1 e si può facilmente vedere che per l’elemento più discriminante (Elemento 3) la funzione di informazione raggiunge livelli più alti e il picco si verifica al parametro di posizione b3.

FIGURA 2

FUNZIONI DI INFORMAZIONE: 2-PARAMETER LOGISTIC MODEL

Una caratteristica importante dell’IF, come definito da Birnbaum è la sua proprietà additiva; le informazioni trasmesse da diversi elementi a un determinato livello di atteggiamento possono essere aggiunte per ottenere l’informazione totale trasmessa dalla scala a quel livello di atteggiamento. Quindi è possibile valutare il contributo di ciascun elemento e l’informazione totale trasmessa dalla scala. Inoltre, l’IF indica la massima precisione raggiungibile da ciascun elemento a ciascun livello dell’atteggiamento, in contrasto con le tradizionali misure di affidabilità calcolate sull’intero intervallo. Pertanto, l’aggiunta di articoli con le stesse caratteristiche (posizione articolo bi, discriminazione articolo ai) migliorerà la precisione solo nell’intervallo di attitudine già coperto dagli articoli, senza alcun miglioramento su altri livelli di attitudine.

Pertanto, il concetto di funzione di informazione risolve il dilemma di affidabilità menzionato in precedenza in questo documento. Fornisce mezzi oggettivi per selezionare gli elementi per una scala, in base all’obiettivo del ricercatore. Se un politico fosse interessato a identificare gli elettori con atteggiamenti politici incerti, che potrebbero essere suscettibili di cambiamenti attitudinali, la scala dovrebbe concentrarsi su elementi posizionati nella fascia media.

Modelli per risposte policotomiche

Il modello OR (Ordered (Graded) Response) di Samejima (1969) fornisce un’estensione policotomica per il caso in cui ci sono due o più categorie ordinate. Ad esempio, nel caso di un elemento segnato su una scala da 1 a 3, è possibile utilizzare due curve di risposta dell’elemento per descrivere la probabilità condizionale (al livello di attitudine j) di rispondere a una particolare categoria in modo graduale. Nella prima fase, le funzioni sono ottenute per rappresentare la risposta nella prima categoria rispetto a una categoria superiore (1 vs 2 o 3) e per una risposta nella prima e nella seconda categoria rispetto alla terza (1 e 2 vs 3). Queste funzioni di risposta sono rappresentate dalle curve in Figura 3. Il secondo stadio consiste semplicemente nel sottrarre le funzioni di risposta successive l’una dall’altra per ottenere le probabilità di risposta desiderate per ciascuna categoria. Si noti che le probabilità per le categorie estreme si ottengono sottraendo le funzioni di risposta da 1.0 e 0.0. Quindi in Figura 3, per un individuo con livello di attitudine 0j, la probabilità di rispondere con le categorie 1, 2 e tre sono rispettivamente 0,17, 0,63 e 0,20. Le funzioni di risposta in Figura 3 sono facilmente modellate come:

Fijp = 1

1+e-ai (bip-0j)

dove: Fijp-probabilità di una persona j con atteggiamento 0j che risponde alla voce i con la categoria p o superiore. Come nel modello binario ai può essere interpretato come il potere discriminante dell’elemento i e bip come la posizione della categoria pth dell’elemento i sul continuum di atteggiamento.

La funzione di informazione è stata definita da Samejima in modo equivalente alla formulazione di Birnbaum. Il modello OR fornisce una funzione di informazione per ogni categoria di risposta dell’elemento. Quindi il contributo di ogni categoria di risposta di un elemento alla precisione di misura, ad ogni livello di atteggiamento, può essere valutato. Gli IF possono essere sommati tra le categorie per un elemento per fornire una misura del valore delle informazioni sugli elementi. Inoltre, il modello OR di Samejima non fa ipotesi metriche sulle categorie di risposta; l’intervallo tra le categorie di risposta non è fisso “a priori” e può anche variare per elementi diversi. Anche l’ipotesi di ordine di rango sulle categorie di risposta è rilassata nel modello di risposta nominale (NR) sviluppato da Bock (1972). Bock ha sviluppato il suo modello come un modello di logit policotomo, spiegando la scelta di una categoria di risposta per un dato elemento in funzione dei parametri di categoria dell’elemento e del livello di atteggiamento dell’individuo. La formulazione del modello, anche se un po ‘ più complessa, è molto simile al modello binario. Questo perché una scala di valutazione di 3 categorie può essere rappresentata da 2 scale di valutazione binarie o, in generale, una scala di valutazione di categoria n può essere rappresentata da scale binarie (n-l). Il modello di Bock fornisce IF e IF per ogni categoria di risposta nominale che può essere interpretata in modo simile al modello binario. Ad esempio, l’IC per ogni categoria (per un determinato elemento) rappresenta la probabilità che un rispondente con un determinato atteggiamento risponda con quella categoria.

FIGURA 3

ESEMPIO DI MODELLO DI RISPOSTA CLASSIFICATO CON TRE CATEGORIE

Il vantaggio principale del modello NR rispetto al modello OR è che poiché non viene fatta alcuna ipotesi sull’ordine delle categorie di risposta, il loro ordinamento relativo è determinato dai dati stessi e può variare per diversi articoli. Di conseguenza, è utile quando non esiste un ordine” logico “o intuitivo delle categorie di risposta, come accade con le risposte” Non so”,” Nessuna opinione “e” Nessuna risposta”.

METODOLOGIA E ANALISI

I dati utilizzati per illustrare l’uso della teoria dei tratti latenti per il ridimensionamento dell’atteggiamento sono la scala “anomia” (Srole, 1956) tratta dal National Opinion Research Council (NORC) survey per il 1973. Anomia è visto come un individui generalizzato, senso pervasivo di malintegrazione sociale o ” auto-agli altri alienazione.”La scala è unidimensionale e consiste di 9 elementi elencati nella Tabella 1 e tre categorie di risposta (accetto, non sono d’accordo, non so). 400 casi sono stati selezionati a caso dal campione totale di circa 1200. Un campione più ampio non era necessario per l’accuratezza del calcolo e avrebbe semplicemente gonfiato i tempi/costi di calcolo. L’algoritmo computazionale utilizzato era il programma LOGOG (Kolakowski e Bock, 1973). Le analisi e i risultati sono presentati per illustrare: (1) selezione degli elementi in base alle funzioni di informazione e (2) trattamento delle risposte non conosciute.

Innanzitutto, i dati vengono analizzati mediante il modello binario che considera i DK come valori mancanti. Queste curve sono usate per illustrare che (1) le posizioni dell’oggetto variano lungo il continuum di atteggiamento, cioè, gli oggetti forniscono le informazioni ai livelli differenti di atteggiamento, (2) gli oggetti possono essere duplicativi o ridondanti, cioè, forniscono le stesse informazioni e (3) gli oggetti con le pendenze più basse forniscono le informazioni minori.

TABELLA 1

SCALA ANOMIA

1. Accanto alla salute, il denaro è la cosa più importante nella vita

2. A volte non puoi fare a meno di chiederti se qualcosa vale più

3. Per fare soldi non ci sono più modi giusti e sbagliati, solo modi facili e difficili

4. Al giorno d’oggi una persona deve vivere praticamente per oggi e lasciare che il domani si prenda cura di se stesso

5. In sputi di ciò che alcuni dicono, la sorte (situazione e condizione) dell’uomo medio sta peggiorando, non meglio

6. Non è giusto portare un bambino nel mondo con il modo in cui le cose guardano al futuro

7. La maggior parte dei funzionari pubblici non è realmente interessata ai problemi dell’uomo medio

8. In questi giorni una persona non sa davvero su chi può contare

9. La maggior parte delle persone non si preoccupa davvero di ciò che accade al prossimo felloe

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

I risultati del modello binario sono anche confrontati con l’analisi del fattore alfa (basata sull’alfa di Cronbach) per illustrare le somiglianze e le differenze tra gli approcci dei tratti latenti e le tecniche di ridimensionamento tradizionali.

In secondo luogo, i modelli policotomi sono stimati trattando i DR come valori medi e quindi come risposte nominali. Quest’ultimo caso consente a DK di “galleggiare”, cioè avere una posizione categoriale alta, media o bassa. L’effetto del trattamento dei DR sulle informazioni è mostrato in due casi illustrativi in cui sarebbe appropriato e inappropriato, rispettivamente, trattare i DR come valori medi o medi.

RISULTATI

Selezione di elementi utilizzando le funzioni di informazione

Le prime due colonne della Tabella 2 presentano statistiche di bontà dell’it (Chi-Quadrato e livello di significatività z) per il modello logistico a 2 parametri di Birnbaum, applicato alla scala Anomia a 9 elementi, con valori non codificati come mancanti. I parametri di posizione degli articoli stimati bi e discrimination parameters ai sono mostrati nella Tabella 2 e i corrispondenti IF e IF sono presentati nelle figure 4 e 5. Dall’IC in Figure 4 e dai parametri di posizione bi nelle colonne 3 e 4 nella Tabella 2 si può vedere che i 9 elementi si concentrano sulla gamma di atteggiamenti tra b8 = -1.1 e b3 = 1.6. Pertanto, questa scala fornirà la sua migliore precisione di misurazione su questa gamma di atteggiamenti (poiché ogni elemento fornisce le sue informazioni massime vicino alla sua posizione bi). Confrontando IC si può vedere che gli elementi 5 e 7 sono in qualche modo ridondanti, (b5 = -.588, b7 = -.562; a5 = 1.132, a7 = 1.032), fornendo la maggior parte delle loro informazioni agli stessi livelli di atteggiamento. L’IF tracciato in Figura 5 conferma questa ridondanza, mostrando gli elementi 5 e 7 con la stessa forma, con un picco allo stesso livello di atteggiamento. Inoltre, gli articoli 2 e 4 hanno IF e IF simili.

TABELLA 2

PARAMETRO ARTICOLO: 2-PARAMETER LOGISTIC MODEL – (NON SA COME VALORI MANCANTI)

FIGURA 4

I. C. C. PER GLI ARTICOLI ANOMIA: MODELLO BINARIO

FIGURA 5

FUNZIONI DI INFORMAZIONE PER GLI ELEMENTI ANOMIA: MODELLO BINARIO

Figura 5 mostra anche una chiara distinzione tra gli elementi da 1 a 4, che forniscono informazioni basse, e gli elementi da 5 a 9, che hanno un picco di IF a valori più alti (valori ai più alti). Questa differenza tra i due set di elementi conferma i risultati dell’analisi del fattore alfa eseguita sugli stessi dati (trattando DK come valori mancanti). L’analisi del fattore alfa ha portato alla derivazione di un solo fattore (autovalore = 3.14) basato sulla regola del gomito. I carichi dei fattori per le voci da 1 a 9 erano, rispettivamente, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, È facile osservare che gli elementi da 5 a 9 che hanno carichi di fattori più elevati hanno anche picchi più elevati per le loro corrispondenti funzioni di informazione (Figura 5). Sembrerebbe che una procedura (Fattore alfa o Tratto latente) selezionerebbe gli stessi elementi per la scala. Tuttavia, l’IF fornito dalla procedura del tratto latente indica i livelli di atteggiamento in cui gli elementi sono più informativi. Come mostrato nella Figura 5, il punto 8 fornisce le informazioni più elevate a livelli di atteggiamento bassi, mentre il punto 6 è più informativo a livelli elevati. Oltre a ciò, l’IF consente al ricercatore di identificare gli elementi ridondanti (5 e 7; 2 e 4), che non sarebbero rilevati da misure di affidabilità. Sembrerebbe utile mantenere l’elemento 5 (l’elemento 7 ha una pendenza inferiore/picco IF) se l’obiettivo fosse quello di ridurre la ridondanza degli elementi. Tuttavia, ciò ridurrebbe anche la precisione di misura intorno al livello di atteggiamento 0j = -0.57.

Trattamento delle categorie di risposta non note

Il modello OR con DR tra “Disacreate” e “Agree” è stato applicato alla scala anomia. Per evitare questa ipotesi restrittiva, il modello NR è stato applicato agli stessi dati. O i 9 elementi nella scala, solo gli elementi 3 e 9 hanno portato alla categorizzazione dei DR all’estremo inferiore (cioè, nell’ordine DK, In disaccordo, d’accordo). Per dimostrare l’effetto di considerare il DR come una categoria intermedia, presentiamo l’derived derivato dal modello NR per gli articoli 7 e 9 in Figura 6. All’aumentare dell’anomia aumenta la probabilità di concordare con gli articoli 7 e 9. Tuttavia, con un aumento di anomia la probabilità di disaccordo diminuisce monotonicamente per l’articolo 7 mentre prima aumenta e poi diminuisce per l’articolo 9. Infine, la probabilità di rispondere non lo so aumenta man mano che l’anomia diminuisce per l’articolo 9 mentre ha un massimo a livello intermedio per l’articolo 7 che indica che DR è “ordinato” come categoria media per l’articolo 7 e una categoria estrema inferiore per l’articolo 9.

Date le “ordinazioni” basate sul modello NR ci aspetteremmo che il modello OR valesse anche per l’articolo 7 e non altrettanto bene per l’articolo 9. In quest’ultimo caso (punto 9) la forzatura di DK come categoria intermedia comporterebbe una perdita di informazioni. Ciò è chiaramente illustrato dai FI per gli articoli 7 e 9 corrispondenti ai modelli BR, OR e NR nella figura 7. Per il punto 7, l’inclusione di DR come categoria intermedia aumenta le informazioni trasmesse dall’elemento rispetto al modello binario che tratta DR come dati mancanti. Il rilassamento dell’ipotesi di ordine di rango nel modello NR non migliora le informazioni rispetto al modello OR, che potrebbe essere preso come un’indicazione che DR è effettivamente una categoria media. Per la voce 9, l’inclusione di DR come categoria intermedia comporta anche un guadagno nelle informazioni trasmesse dalla voce. Tuttavia, quando viene utilizzato il modello NR (che si traduce in una posizione estrema bassa per i DR come menzionato prima), si ottengono ancora più informazioni, non solo al picco ma anche ai livelli di attitudine ow in cui aumenta la probabilità di risposte DK. Ciò indica che le informazioni utili (o la capacità di discernimento) vengono perse nella parte bassa della scala di attitudine trattando una risposta DK di valore estremo (basso) come dati mancanti o come categoria media. Naturalmente sarebbe difficile definire DR al minimo estremo a priori. Va notato che il modello NR sceglie semplicemente la posizione della categoria DK per ottenere la ” verità.”Tuttavia, se l’IC per DK si adatta a un intervallo limitato, è probabile che la sua media sia coerente tra gli intervistati campionati. Se la curva è distribuita DK significa cose diverse per persone diverse

FIGURA 6

I. C. C. PER GLI ARTICOLI 7 E 9: ORDERED RESPONSE MODEL – (D. K. AL CENTRO)

CONCLUSIONI

Questo documento espositivo serve a illustrare l’uso di procedure basate sulla teoria dei tratti latenti per il ridimensionamento dell’atteggiamento. In particolare, le curve caratteristiche dell’elemento e le funzioni di informazione possono essere utili per la selezione dell’elemento nella costruzione della scala. I modelli di teoria dei tratti latenti possono essere più utili delle tradizionali tecniche di ridimensionamento perché non solo forniscono misure del valore delle informazioni sugli oggetti, ma anche misure dei livelli di atteggiamento in cui è probabile che gli oggetti abbiano la maggiore capacità discriminante. Queste misure possono essere utilizzate per eliminare elementi ridondanti o duplicativi e / o per aumentare consapevolmente la precisione della scala ai livelli di attitudine desiderati.

FIGURA 7

CONFRONTO DELLE FUNZIONI DI INFORMAZIONE – VOCE 7 E 9

Inoltre, le risposte a più scale di classificazione di categoria possono essere analizzate dal modello di risposta nominale che fornisce misure dei contributi apportati da ciascuna categoria di risposta di ciascun elemento a ciascun livello di attitudine, piuttosto che una misura generale della relazione tra singoli elementi e la scala. Il modello di risposta nominale non richiede alcuna ipotesi metrica sui dati e le categorie” non so”,” nessuna opinione “e” nessuna risposta ” possono essere ridimensionate e utilizzate come fonti di informazione per la misurazione dell’atteggiamento. Come mostrato (per gli articoli 7 e 9), le risposte “non so” possono contribuire all’accuratezza della misurazione e il loro contributo può verificarsi a diversi intervalli di atteggiamento, a seconda dell’articolo.

Infine, va menzionato che le procedure basate sulla teoria dei tratti latenti hanno altri vantaggi non discussi in questo articolo. Le procedure di calibrazione sono indipendenti dagli elementi specifici utilizzati (item-free attitude scaling) e dal campione (sample-free scale calibration) come discusso da Wright (1968). Inoltre, una volta determinati i parametri per ogni composizione di categoria di articoli, è possibile sviluppare procedure “su misura” per la raccolta dei dati da utilizzare su altri campioni. Ad esempio, se un rispondente non è d’accordo con un elemento con un parametro di posizione bassa (bi) lungo un continuum di atteggiamento, non sarà molto utile amministrare elementi che hanno parametri di posizione più alti. Questa funzione dovrebbe diventare sempre più importante con l’avvento di procedure interattive e informatizzate di raccolta dei dati. Si spera che questo documento fornirà l’impulso verso un maggiore utilizzo della teoria dei tratti latenti basata sulle procedure di ridimensionamento dell’atteggiamento che forniscono criteri di costruzione di scala più oggettivi.

Birnbaum, A. (1968),” Alcuni modelli di tratti latenti e il loro uso nell’inferire l’abilità di un esaminatore”, in F. M. Lord e L R. Novick (eds.), Teorie statistiche dei punteggi dei test mentali, (Lettura, Massa. Il suo nome deriva da Add

Bock, R. V. (1972), “Stima dei parametri degli oggetti e capacità latente quando le categorie sono segnate in due o più categorie nominali”, Psychometrika, 37, 29-51.

Converse, J. (Winter, 1977),” Predicting No Opinion on the Polls, ” Public Opinion Quarterly, 40, 515-30.

Coombs, CS e Coombs, L. (Inverno 1977),” Non conosco l’ambiguità degli articoli o l’incertezza degli intervistati”, Public Opinion QuarterlY, 40, 457-514.

Francis, J. and 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’ Setts in Questionnaire Responses”, British Journal of Social and Clinical Psychology, 16, 9-12.

Kolakowski, D. e Bock, RD (1973), Analisi degli elementi di massima verosimiglianza e punteggio dei test: modello logistico per risposte multiple agli articoli (Ann Arbor, Michigan: National Educational Resources Inc. 5.

Lazarfeld, P. F. (1954)” A Conceptual Introduction to Latent Structure Analysis, “in Mathematical Linking in the Social Sciences, (Glencoe, Illinois: Free Press

Lord, F. M. (1952),” A Theory of Test Scores, ” Psychometric Monograph No. 7, Società Psychometrika.

Rasch, F. (1960), Probabilistic Models for Some Intelligence and Achievement Tests, (Copenhagen: Danish Institute for Educational Research).

Samejima, F. (1969),” Estimation of Latent Ability Using a Response Pattern of Graded Scores, ” Psychometrika Monograph Supplement, No. 17.

Srole, L. (1956),” Social Integration and Certain Corollaries”, 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, NJ : Educational Testing Services), 85-101.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.