Amarengo

Articles and news

Latent Trait Theory and Attitude Scaling: Bruken av Informasjonsfunksjoner for Elementvalg

ABSTRACT – DETTE utstillingspapiret demonstrerer nytten Av Latente Trait Theory – baserte prosedyrer for holdningsskalering. Spesielt er det vist at ulike elementer gir forskjellige mengder «informasjon» (eller kresne evne) for varierende holdningsnivåer. Følgelig kan elementer velges i henhold til deres evne til å gi informasjon på bestemte holdningsnivåer. Redundans kan også reduseres ved å eliminere elementer som presenterer lignende informasjon.

Sitat:

Wagner Kamakura og Rajendra R. Srivastava (1982) ,»Latent Trait Theory and Attitude Scaling: The Use Of Information Functions For Item Selection», i NA – Advances in Consumer Research Volume 09, eds. Andrew Mitchell, Ann Abor , MI: Forening For Forbrukerforskning, Sider: 251-256.

Fremskritt I Forbrukerforskning Volum 9, 1982 Sider 251-256

LATENT EGENSKAPSTEORI OG HOLDNINGSSKALERING: BRUK AV INFORMASJONSFUNKSJONER for VALG AV ELEMENT

Wagner Kamakura (student), University Of Texas I Austin

Rajendra R. Srivastava, University Of Texas I Austin

ABSTRACT –

dette utstillingspapiret demonstrerer nytten Av Latente Egenskapsteoribaserte prosedyrer for holdningsskalering. Spesielt er det vist at ulike elementer gir forskjellige mengder «informasjon» (eller kresne evne) for varierende holdningsnivåer. Følgelig kan elementer velges i henhold til deres evne til å gi informasjon på bestemte holdningsnivåer. Redundans kan også reduseres ved å eliminere elementer som presenterer lignende informasjon.

INNLEDNING

Tradisjonelle skaleringsprosedyrer basert på pålitelighetstiltak har fått mest oppmerksomhet for holdningsskalering i markedsforskningslitteraturen, slik det fremgår av artiklene i Spesialutgaven Av Journal Of Marketing Research on measurement (februar 1979). Disse prosedyrene antar en konstant standardfeil av måling langs holdningskontinuumet, dvs. pålitelighet indikerer bare den generelle effektiviteten til skalaen på tvers av alle holdningsnivåer. Selv om korrelasjonen mellom et element og skalaen (for eksempel av en variabel med faktorpoengsummen) kan hjelpe til med å velge elementer som bidrar mest til skalaen, er det vanskelig å dechiffrere om disse elementene bidrar til kresne evner i høye eller lave ender av holdningsskalaen. I tillegg gir tradisjonelle prosedyrer ikke et mål for det spesifikke bidraget fra hver svarkategori for målingsnøyaktighet. For Eksempel, For Likert-type elementer, gir «sterkt enig» mer informasjon enn» enig » gitt elementet, langs holdningsskalaen? Videre fører alfa-pålitelighetskoeffisienten til paradoksale regler for å bestemme hvilke elementer, eller hvor mange elementer, som skal inkluderes i skalaen: a) elementer som er svært interkorrelerte mellom seg, bør velges for å øke påliteligheten, og b) elementer med lav interkorrelasjon mellom seg selv, men med høy korrelasjon med hovedtrekk som måles, bør inkluderes for å øke gyldigheten.

til slutt har responskategoriene» vet ikke » (DK) tradisjonelt blitt håndtert ved å erstatte middelverdien (på tvers av respondenter) eller mellomkategorien på en bipolar skala for å gjenspeile en vanskelig beslutning (Coombs and Coombs, 1977). Noen undersøkelser har også blitt utført for å avgjøre OM DK-svar oppstår på grunn av responsstil relatert til respondentens egenskaper (Converse 1977, Francis And Busch 1975, Innes 1977). Generelt er imidlertid forskning på behandling AV DK svært begrenset: vi vet ikke veldig mye om hvordan man skal håndtere» vet ikke » svar.

i dette papiret presenterer vi tilnærminger basert På Latent Egenskapsteori som tillater forskeren å velge elementer på grunnlag av deres diskriminerende evne langs holdningskontinuumet (dermed hvis en forsker er spesielt interessert i å øke nøyaktigheten på bestemte nivåer av holdning, for eksempel i mellomområdet for å identifisere «byttbare» prospekter, kan han/hun gjøre det ved å øke antall elementer som gir diskriminerende evne på disse nivåene). En ekstra fordel med disse tilnærmingene er behandling AV DK som nominelle responser, slik at kategorien kan representeres ved varierende posisjoner langs likert-type tiltak, avhengig av elementet. Som det er omtalt i neste avsnitt, gir dette ytterligere informasjon som normalt går tapt ved å behandle DKS som manglende verdier og potensielt misrepresentert ved å behandle dem som middel-eller mellomkategorier.

LATENT TREKKTEORI

i denne delen undersøker vi de grunnleggende Latente Trekkmodellene for dikotomiske gjenstander og de senere utvidelsene for polychotom case. Disse modellene er hovedsakelig basert på Den stokastiske tilnærmingen for mental måling introdusert Av Lord (1952) og Rasch (1960) tidlig på 60-tallet.

Modeller For Dikotomiske Svar

teorien utviklet Av Lord (1952) er en variant av Lazerfelds (1954) «Latent Strukturteori» begrenset til en enkelt dimensjon, hvor individer plasseres langs et trekk/holdningskontinuum, og sannsynligheten for at De reagerer positivt til en dikotom element avhenger av plasseringen av elementet i forhold til den enkeltes posisjon på samme Dimensjon.

Rasch (1960) brukte en lignende tilnærming, men modellerte sannsynligheten for positive responser som en logistisk funksjon av individets trekk / holdning og elementets egenskaper, snarere enn En Normal Ogive funksjon som Brukes Av Lord. På grunn av sin enkelhet og beregningsmessige fordeler har Den Logistiske Modellen fått større oppmerksomhet i litteraturen enn Den Normale Ogive-Modellen. En viktig utvidelse Av Raschs Logistiske Modell er 2-Parameter Logistisk Modell avledet Av Birnbaum (1968) som inkluderer muligheten for elementer å avvike ikke bare på deres posisjon på egenskap/ holdning kontinuum, men også i deres makt til å diskriminere på forskjellige nivåer av det kontinuum

I sin 2-Parameter Logistic Binary Response (BR) Modell Birnbaum definerer sannsynligheten for et gitt individ j svare på et element i positivt som en logistisk funksjon av individets egenskap eller holdning, og elementets egenskaper, slik det,

Pij = 1 (1)

1+e-ai(bi-0j)

hvor,

Pij = sannsynlighet for individuell j som svarer på element i med positiv respons

0j = holdningsnivå for individuell j

bi = posisjonsparameter for element i

ai = diskrimineringsparameter for element i

Etter Raschs opprinnelige konseptualisering, denne modellen også plassert elementer i og enkeltpersoner j i samme holdning kontinuum. Posisjonsparameteren bi for element i er definert som posisjonen til elementet i holdningskontinuumet som vil resultere i en 50% sjanse for positiv respons. For en persons holdning 0j lik parameteren posisjon bi, eksponenten I Eq. 1 blir null, og sannsynligheten for at individ j svarer element i positivt resulterer I Pij = 1/2.

diskrimineringsparameteren som for et gitt element i er definert som maksimal helling av logistisk Funksjon (OGSÅ kalt Elementkarakteristisk Kurve (ICC)) definert i Eq. 1. Maksimal helling av en logistisk kurve skjer på et holdningsnivå 0j lik elementposisjonen bi, dvs. ved midtpunktet som vist i Figur 1. Og jo brattere skråningen (jo høyere verdien av diskrimineringsparameteren ai) av et element, desto bedre diskriminerer det blant respondenter med holdningsnivåer 0j i nærheten av posisjonsparameteren bi, da en liten variasjon i holdning vil bli oppdaget av en stor variasjon i sannsynligheten for positiv respons. Leseren vil merke seg at når skråningen ai = ¦, er elementkarakteristikkkurven representert av en rett linje som representerer Pi: = 0,50, dvs. en 50-50 sjanse for positiv respons, uavhengig av holdningen 0j av respondenten.

definisjonen av elementparametere kan bedre forstås I Figur 1, hvor punkt 1 og 3 er plassert på henholdsvis lavere og høyere holdningsområder, mens punkt 2 er plassert i mellomområdet. Så, bare personer med høy holdning nivåer ij vil være enig med punkt 3, siden det er nødvendig å ha en holdning høyere enn b3 for en sannsynlighet for positiv respons større enn 50%. På den andre siden, bare lav holdning personer vil være uenig med punkt 1. Leseren kan også lett se at punkt 3 har den høyeste diskriminerende kraften, siden en liten variasjon av holdning 0j rundt elementposisjonen b3 resulterer i en stor endring av sannsynligheten fra nesten null til nesten en.

FIGUR 1

ELEMENTKARAKTERISTISKE KURVER (Icc): 2-PARAMETER LOGISTISK MODELL (BINÆR)

Et viktig bidrag Fra Birnbaum, i tillegg til utvidelsen Av Rasch-modellen, er begrepet Informasjonsfunksjon (IF), som gir en indikasjon på målenøyaktighet for hvert nivå av holdning Oj for hvert element i en skala. Informasjonen som overføres av et element På et gitt holdningsnivå Oo er definert Av Birnbaum som omvendt proporsjonal med kvadratet av lengden av asymptotisk tillit internt for estimatet Av Oo, eller direkte proporsjonalt med kvadratet AV SKRÅNINGEN AV ICC på holdningsnivå Oo. For BR-Modellen viste Birnbaum at informasjonen som overføres av et element i av et gitt ferdighetsnivå Oj, kan beregnes ved

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

Hvor P ‘ ij er hellingen til den logistiske kurven på evnenivået 0j.

derfor er begrepet informasjon direkte relatert til diskrimineringsparameteren ai, og for 2-parametermodellen vil et mer diskriminerende element gi mer informasjon, med maksimum ved vareposisjonen bi. I Figur 2 er informasjonsfunksjonene til De samme elementene i Figur 1 plottet, og man kan lett se at for det mer diskriminerende elementet (Punkt 3) når informasjonsfunksjonen høyere nivåer, og toppen oppstår ved posisjonsparameteren b3.

FIGUR 2

INFORMASJONSFUNKSJONER: 2-PARAMETER LOGISTISK MODELL

en viktig egenskap VED IF, som definert Av Birnbaum, er dens additive egenskap; informasjonen som overføres av forskjellige elementer på et gitt holdningsnivå, kan legges til for å oppnå den totale informasjonen som overføres av skalaen på det holdningsnivået. Derfor er det mulig å evaluere bidraget til hvert element og den totale informasjonen som overføres av skalaen. VIDERE ANGIR IF den maksimale nøyaktigheten som kan oppnås ved hvert element på hvert nivå av holdningen, i motsetning til tradisjonelle pålitelighetstiltak beregnet over hele spekteret. Dermed vil legge til elementer med samme egenskaper (elementposisjon bi, elementdiskriminering ai) forbedre nøyaktigheten bare i holdningsområdet som allerede er dekket av elementene, uten forbedring på andre nivåer av holdning.

derfor løser begrepet informasjonsfunksjon pålitelighetsdilemmaet nevnt tidligere i dette papiret. Det gir objektive metoder for å velge elementer for en skala, i henhold til forskerens mål. Hvis en politiker var interessert i å identifisere velgere med usikre politiske holdninger, som kan være utsatt for holdningsendringer, skal skalaen konsentrere seg om elementer plassert i mellomområdet.

Modeller For Polykotom Respons

Samejimas (1969) Bestilte (Gradert) Respons (ELLER) Modell gir en polykotom forlengelse for saken der det er to eller flere bestilte kategorier. For eksempel, i tilfelle av et element scoret på en skala fra 1 til 3, to element svarkurver kan brukes til å beskrive betinget (på holdning nivå j) sannsynlighet for å svare på en bestemt kategori i en scene-messig måte. I første fase oppnås funksjoner for å representere svaret i den første kategorien versus en høyere kategori (1 vs. 2 eller 3), og for et svar i første og andre kategori versus den tredje (1 og 2 vs. 3). Disse responsfunksjonene er representert ved kurvene i Figur 3. Den andre fasen er bare å trekke de suksessive responsfunksjonene fra hverandre for å oppnå de ønskede responssannsynlighetene for hver kategori. Merk at sannsynlighetene for de ekstreme kategoriene oppnås ved å trekke responsfunksjonene fra 1,0 og 0,0. Så I Figur 3, for en person med holdningsnivå 0j, er sannsynligheten for å svare med kategorier 1, 2 og tre henholdsvis 0,17, 0,63 og 0,20. Responsfunksjonene I Figur 3 er enkelt modellert som:

Fijp = 1

1+e-ai (bip-0j)

hvor: Fijp-sannsynlighet for at en person j med holdning 0j svarer på element i med kategori p eller bedre. Som i den binære modellen kan ai tolkes som diskriminerende kraft av element i og bip som posisjonen til pth-kategorien av element i på holdningskontinuumet.

informasjonsfunksjonen ble definert Av Samejima på en måte som tilsvarer Birnbaums formulering. OR-modellen gir en informasjonsfunksjon for hver svarkategori av elementet. Derfor kan bidraget fra hver svarkategori av et element til målenøyaktigheten, på hvert nivå av holdning, vurderes. HVIS-er kan summeres på tvers av kategorier for et element for å gi et mål på vareinformasjonsverdien. Videre Gjør Samejimas Eller Modell ingen metriske forutsetninger om svarkategoriene; intervallet mellom svarkategorier er ikke fast «a priori» og kan til og med variere for forskjellige elementer. Selv rank order antagelsen om responskategorier er avslappet I Nominell Respons (NR) Modell utviklet Av Bock (1972). Bock utviklet sin modell som en polychotomous logit-modell, og forklarte valget av en svarkategori for et gitt element som en funksjon av elementkategoriparametere og individets holdningsnivå. Modellformuleringen, men noe mer kompleks, er veldig lik den binære modellen. Dette skyldes at en 3-kategori vurderingsskala kan representeres av 2 binære vurderingsskalaer, eller generelt kan en n-kategori vurderingsskala representeres av (n-l) binære skalaer. Bocks modell gir ICC og IF for hver nominell responskategori som kan tolkes på en måte som ligner den binære modellen. FOR EKSEMPEL REPRESENTERER ICC for hver kategori (for et gitt element) sannsynligheten for at en respondent med en gitt holdning vil svare med den kategorien.

FIGUR 3

EKSEMPEL PÅ GRADERT RESPONSMODELL MED TRE KATEGORIER

HOVEDFORDELEN MED NR-Modellen over OR-Modellen er at siden ingen antagelse er gjort om rekkefølgen på svarkategoriene, bestemmes deres relative rekkefølge av selve dataene og kan variere for forskjellige elementer. Følgelig er det nyttig når det ikke er noen «logisk» eller intuitiv rekkefølge av svarkategoriene, som det skjer med» Vet Ikke»,» Ingen Mening «og» Ingen Svar » svar.

METODIKK og ANALYSE

dataene som brukes til å illustrere Bruken Av Latent Trait Theory for attitude scaling er «anomia» scale (Srole, 1956) hentet Fra National Opinion Research Council (NORC) survey for 1973. Anomia er sett på som en individer generalisert, gjennomgripende følelse av sosial malintegrasjon eller » selv-til-andre fremmedgjøring.»Skalaen er unidimensjonal og består av 9 elementer oppført I Tabell 1, og tre svarkategorier(enig, uenig, vet ikke). 400 tilfeller ble valgt tilfeldig fra det totale utvalget på ca 1200. En større prøve var ikke nødvendig for beregningsnøyaktighet og ville bare ha oppblåst beregningstiden / kostnadene. Den beregningsalgoritmen som ble brukt var LOGOG-programmet (Kolakowski og Bock, 1973). Analysene og resultatene presenteres for å illustrere: (1) elementvalg basert på informasjonsfunksjoner, og (2) behandling av vet ikke svar.

først analyseres dataene ved hjelp av den binære modellen som behandler DKS som manglende verdier. De avledede parametrene brukes til å utvikle ICC og IF. disse kurvene brukes Til å illustrere at (1) elementposisjoner varierer langs holdningskontinuumet, dvs.elementer gir informasjon på forskjellige holdningsnivåer, (2) elementer kan være dupliserende eller overflødige, dvs. gi samme informasjon, og (3) elementer med lavere bakker gir mindre informasjon.

TABELL 1

ANOMIA SKALA

1. Ved siden av helse er penger det viktigste i livet

2. Noen ganger kan du ikke lure på om noe er verdt lenger

3. For å tjene penger er det ikke riktige gale måter lenger, bare enkle og harde måter

4. I dag må en person leve ganske mye for i dag og la i morgen ta vare på seg selv

5. I spytter av hva noen sier, blir mye (situasjon og tilstand) av den gjennomsnittlige mannen verre, ikke bedre

6. Det er neppe rettferdig å bringe et barn til verden med måten ting ser for fremtiden

7. De fleste offentlige tjenestemenn er egentlig ikke interessert i problemene til den gjennomsnittlige mannen

8. I disse dager vet en person egentlig ikke hvem han kan stole på

9. De fleste bryr seg ikke om hva som skjer med neste felloe

Kilde: Srole, L. (1956),» Sosial Integrasjon og Visse Corollaires», American Sociological Review, 21, 709-16.

resultatene av den binære modellen sammenlignes også Med Alfafaktoranalyse (basert På Cronbachs alfa) for å illustrere likheter og forskjeller Mellom Latente Trekkmetoder og Tradisjonelle skaleringsteknikker.

for Det Andre estimeres polykotomiske modeller som behandler DR som mellomverdier og deretter som nominelle responser. Sistnevnte tilfelle tillater DK å «flyte», dvs.ha en høy, middels eller lav kategorisk posisjon. Effekten av BEHANDLINGEN AV DRS på informasjon er vist i to illustrative tilfeller der det ville være hensiktsmessig og upassende å behandle DRS som mellom-eller middelverdier.

RESULTATER

Utvalg Av Elementer Ved Hjelp Av Informasjonsfunksjoner

De to første kolonnene på Tabell 2 presenterer godhet-of-it-statistikk (Chi-Kvadrat og signifikansnivå z) For Birnbaums 2-Parameter Logistiske Modell, brukt på 9-element Anomia-skalaen, Med Vet ikke tastet som manglende verdier. De estimerte punktposisjonsparametrene bis og diskrimineringsparametrene ais er vist I Tabell 2 og de tilsvarende ICC-og IF-er er presentert I Figur 4 og 5. FRA ICCS i Figur 4 og posisjonsparametrene bi i kolonne 3 og 4 I Tabell 2 kan man se at de 9 elementene konsentrerer seg om holdningsspekteret mellom b8 = -1,1 og b3 = 1,6. Derfor vil denne skalaen gi sin beste målenøyaktighet på dette holdningsområdet (siden hvert element gir sin maksimale informasjon nær sin posisjon bi). VED å sammenligne ICCS kan man se at elementene 5 og 7 er noe overflødige, (b5 = -.588, b7 = -.562; a5 = 1,132, a7 = 1,032), som gir det meste av sin informasjon på samme nivå av holdning. IF er plottet På Figur 5 bekrefter denne redundansen, viser elementer 5 og 7 med samme form, topp på samme holdningsnivå. Også elementene 2 og 4 har lignende ICC og IF.

TABELL 2

ELEMENTPARAMETER: 2-PARAMETER LOGISTISK MODELL – (VET IKKE SOM MANGLENDE VERDIER)

FIGUR 4

Icc FOR ANOMIA ELEMENTER: BINÆR MODELL

FIGUR 5

INFORMASJONSFUNKSJONER FOR ANOMIA-ELEMENTER: BINÆR MODELL

Figur 5 viser også et klart skille mellom punkt 1 til 4, som gir lav informasjon, og punkt 5 til 9, som har IF-topp ved høyere verdier (ant høyere ai-verdier). Denne forskjellen mellom de to settene bekrefter Resultatene Av Alfafaktoranalyse utført på de samme dataene (behandler DK som manglende verdier). Alfafaktoranalyse resulterte i avledning av bare en faktor (egenverdi = 3,14) basert på albueregelen. Faktorbelastningene for elementene 1 til 9 var henholdsvis, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, det er lett å observere at elementer 5 til 9 som har høyere Faktorbelastninger, også har høyere topper for deres tilsvarende informasjonsfunksjoner (Figur 5). Det ser ut til at enten prosedyre (Alfa Faktor eller Latent Trekk) ville velge de samme elementene for skalaen. IMIDLERTID ANGIR IF-ene av Latent Trekkprosedyren holdningsnivåene der elementene er mest informative. Som vist i Figur 5 gir punkt 8 sin høyeste informasjon ved lave holdningsnivåer mens punkt 6 er mer informativ på høye nivåer. I TILLEGG TILLATER IF forskeren å identifisere overflødige elementer (5 og 7; 2 og 4), som ikke ville bli oppdaget av pålitelighetstiltak. Det synes nyttig å beholde punkt 5 (punkt 7 har en lavere helling/HVIS topp) hvis målet var å redusere redundans av elementer. Dette vil imidlertid også redusere målingsnøyaktigheten rundt holdningsnivå 0j = -0.57.

Behandling Av Vet Ikke Responskategorier

OR-Modellen MED DR mellom «Uenig» og «Enig» ble brukt på anomia-skalaen. FOR å unngå denne restriktive antagelsen ble NR-modellen brukt på de samme dataene. Eller de 9 elementene i skalaen, bare elementene 3 og 9 resulterte i kategorisering AV DRS på nedre ekstreme (dvs. I bestilling DK, Uenig, Enig). For å demonstrere effekten av å vurdere DR som en mellomkategori presenterer VI ICCS avledet FRA NR-modellen for elementene 7 og 9 I Figur 6. Som anomia øker sannsynligheten for å bli enige med elementene 7 og 9 øker. Men med en økning i anomia reduseres sannsynligheten for å være uenig monotont for punkt 7 mens den først øker og deretter reduseres for punkt 9. Til slutt øker sannsynligheten for å svare ikke vet som anomia reduseres for element 9 mens den har en maksima på mellomnivå for element 7 som indikerer AT DR er «bestilt» som en mellomkategori for element 7 og en lavere ekstrem kategori for element 9.

Gitt «bestillinger» basert PÅ NR-modellen, forventer VI AT or-modellen også skal gå for element 7 og ikke helt så bra for element 9. I sistnevnte tilfelle (punkt 9) ville TVINGE DK som en mellomkategori føre til tap av informasjon. DETTE er tydelig illustrert AV IF-ene for elementer 7 og 9 tilsvarende br, OR og NR modeller I Figur 7. For punkt 7 øker inkluderingen AV DR som en mellomkategori informasjonen som overføres av elementet i forhold til den binære modellen som behandler DR som manglende data. Avslapning av rang orden antakelsen I NR modellen forbedrer ikke informasjonen i FORHOLD TIL eller modell, som kan tas som en indikasjon PÅ AT DR er faktisk en middelkategori. For punkt 9 resulterer inkluderingen AV DR som en mellomkategori også i en gevinst i informasjonen som overføres av elementet. MEN når NR-Modellen brukes (noe som resulterer i en lav ekstrem posisjon FOR DR som nevnt tidligere), oppnås enda mer informasjon, ikke bare på toppen, men også på ‘ ow-holdningsnivåer hvor sannsynligheten FOR DK-svar øker. Dette indikerer at nyttig informasjon (eller kresne evner) går tapt i den lave enden av holdningsskalaen ved å behandle EN EKSTREM (lav) VERDI DK-respons som manglende data eller som mellomkategori. SELVFØLGELIG ville DET være vanskelig å definere DR på lav ekstreme a priori. Det skal bemerkes AT NR-modellen bare velger POSISJONEN TIL DK-kategorien for å oppnå » sannheten.»MEN hvis ICC for DK passer til et lite utvalg, er det sannsynlig at gjennomsnittet er konsistent på tvers av respondenter som er samplet. HVIS kurven er spredt UT, BETYR DK forskjellige ting for forskjellige personer

FIGUR 6

Icc FOR ELEMENTER 7 OG 9: BESTILT RESPONSMODELL – (Dk I MIDTEN)

KONKLUSJONER

dette utstillingspapiret tjener til å illustrere bruken Av Latente Egenskapsteoribaserte prosedyrer for holdningsskalering. Spesielt kan elementkarakteristiske kurver og informasjonsfunksjoner være nyttige for elementvalg i skala konstruksjon. Latente Trekkteoriemodeller kan være mer nyttige enn tradisjonelle skaleringsteknikker fordi de ikke bare gir tiltak av elementinformasjonsverdi, men også tiltak av holdningsnivåene der elementene sannsynligvis vil ha størst diskriminerende evne. Disse tiltakene kan brukes til å slette overflødige eller dupliserende elementer og / eller bevisst øke nøyaktigheten av skalaen på ønsket holdningsnivå.

FIGUR 7

SAMMENLIGNING AV INFORMASJONSFUNKSJONER-PUNKT 7 og 9

i Tillegg kan svar på flere kategorivurderingsskalaer analyseres av Den Nominelle Responsmodellen som gir tiltak av bidrag fra hver svarkategori av hvert element på hvert holdningsnivå, i stedet for et generelt mål for forholdet mellom individuelle elementer og skalaen. Den Nominelle Responsmodellen krever ingen metriske forutsetninger om dataene, og kategoriene «vet ikke», «ingen mening» og «ikke svar» kan skaleres og brukes som kilder til informasjon for holdningsmåling. Som vist (for punkt 7 og 9) kan «vet ikke» – svar bidra til målingsnøyaktighet, og deres bidrag kan forekomme i forskjellige holdningsområder, avhengig av elementet.

Til Slutt bør det nevnes at De Latente Egenskapsteoribaserte prosedyrene har andre fordeler som ikke er omtalt i dette papiret. Kalibreringsprosedyrene er uavhengige av de spesifikke elementene som brukes (elementfri holdningsskalering), samt prøven (prøvefri skaleringskalibrering) som diskutert Av Wright (1968). Også, når parametrene er bestemt for hver elementkategorisammensetning, er det mulig å utvikle «skreddersydde» prosedyrer for datainnsamling som skal brukes på andre prøver. For eksempel, hvis en respondent er uenig med et element som har en lav posisjonsparameter (bi) langs et holdningskontinuum, vil det ikke være veldig nyttig å administrere elementer som har høyere posisjonsparametere. Denne funksjonen bør bli stadig viktigere med bruk av interaktive, datastyrt datainnsamling prosedyrer. Det er å håpe at dette papiret vil gi impulser mot økt bruk Av Latent Egenskap Teori basert holdning skalering prosedyrer som innrede mer objektive skala byggekriterier.

Birnbaum, A. (1968), «Noen Latente Egenskapsmodeller og Deres Bruk i Å Utlede En Eksaminators Evne», i Fm Lord Og L R. Novick (eds.), Statistiske Teorier Om Mentale Testresultater, (Lesing, Masse.(Addison-Wesley).

Bock, R. V. (1972), «Estimere Elementparametere Og Latent Evne Nar Kategorier Er Scoret I To Eller Flere Nominelle Kategorier,» Psychometrika, 37, 29-51.

Converse, J. (Winter, 1977), «Forutsi Ingen Mening På Meningsmålingene,» Public Opinion Quarterly, 40, 515-30.

Coombs, Cs og Coombs, L. (Vinter 1977), «Vet Ikke Element Tvetydighet eller Respondent Usikkerhet,» Public Opinion QuarterlY, 40, 457-514.

Francis, J. Og Busch, L. (Sommer, 1975), «Det Vi Vet om ‘Jeg Vet Ikke’, » Public Opinion Quarterly, 39, 207-18.

Innes, J. M. (1977),» Ekstremitet og «Vet Ikke» Setts i Spørreskjema Svar, » British Journal Of Social And Clinical Psychology, 16, 9-12.

Kolakowski, d. og Bock, Rd (1973), Maksimal Sannsynlighet Element Analyse Og Test Scoring: Logistisk Modell For Flere Element Svar (Ann Arbor, Michigan: National Educational Resources Inc. 5.

Lazarfeld, Pf (1954) «En Konseptuell Introduksjon Til Latent Strukturanalyse», I Matematisk Kobling I Samfunnsvitenskapene, (Glencoe, Illinois: Free Press

Lord, F. M. (1952), «En Teori Om Testresultater», Psykometrisk Monografi Nr. 7, Psykometrika Samfunnet.

Rasch, F. (1960), Probabilistiske Modeller for Noen Intelligens Og Oppnåelsestester, (København: dansk Institutt for Utdanningsforskning).

Samejima, F. (1969), «Estimering Av Latent Evne Ved hjelp Av Et Responsmønster Av Graderte Score,» Psychometrika Monograph Supplement, no. 17.

Srole, L. (1956), «Sosial Integrasjon og Visse Konsekvenser», American Sociological Review, 21, 709-16.

Wright, B. D. (1968), «Prøvefri Testkalibrering og Personmåling», Proceedings of The 1967 Invitational Conference on Testing Problems (Princeton, Nj : Educational Testing Services), 85-101.

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert.