Amarengo

Articles and news

Teoria utajonych cech i skalowanie postawy: wykorzystanie funkcji informacyjnych do wyboru elementów

streszczenie – niniejszy artykuł demonstruje przydatność procedur opartych na teorii utajonych cech do celów skalowania postawy. W szczególności wykazano, że różne przedmioty dostarczają różnych ilości „informacji” (lub zdolności rozróżniania) dla różnych poziomów postawy. W związku z tym elementy mogą być wybierane zgodnie z ich zdolnością do dostarczania informacji na określonych poziomach postawy. Ponadto redundancję można zmniejszyć poprzez wyeliminowanie elementów prezentujących podobne informacje.

cytowanie:

Wagner Kamakura and 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: Association for Consumer Research, Pages: 251-256.

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

teoria utajonych cech i skalowanie postawy:wykorzystanie funkcji informacyjnych do wyboru pozycji

Wagner Kamakura (student), University of Texas at Austin

Rajendra R. Srivastava, University of Texas at Austin

streszczenie –

Ten artykuł demonstruje przydatność procedur opartych na teorii cech utajonych do celów skalowania postawy. W szczególności wykazano, że różne przedmioty dostarczają różnych ilości „informacji” (lub zdolności rozróżniania) dla różnych poziomów postawy. W związku z tym elementy mogą być wybierane zgodnie z ich zdolnością do dostarczania informacji na określonych poziomach postawy. Ponadto redundancję można zmniejszyć poprzez wyeliminowanie elementów prezentujących podobne informacje.

wprowadzenie

tradycyjne procedury skalowania oparte na miarach niezawodności otrzymały największą uwagę na skalowanie postawy w literaturze badań marketingowych, o czym świadczą artykuły w specjalnym wydaniu Journal of Marketing Research on measurement (luty 1979). Procedury te zakładają stały standardowy błąd pomiaru wzdłuż kontinuum postawy, tzn. niezawodność wskazuje tylko ogólną wydajność skali na wszystkich poziomach postawy. Chociaż korelacja elementu ze skalą (na przykład zmiennej ze wskaźnikiem współczynnika) może pomóc w wyborze elementów, które w największym stopniu przyczyniają się do skali, trudno jest rozszyfrować, czy elementy te przyczyniają się do zdolności rozpoznawania na wysokich lub niskich końcach skali postawy. Ponadto tradycyjne procedury nie zapewniają miary konkretnego wkładu każdej kategorii odpowiedzi w Dokładność pomiaru. Na przykład, w przypadku elementów typu Likert, czy „zdecydowanie zgadzam się” dostarcza więcej informacji niż” zgadzam się”, biorąc pod uwagę element, wzdłuż skali postawy? Ponadto współczynnik niezawodności Alfa prowadzi do paradoksalnych zasad decydowania, które elementy lub ile elementów należy uwzględnić w skali: a) elementy silnie powiązane między sobą powinny zostać wybrane w celu zwiększenia niezawodności, oraz b) elementy o niskiej współzależności między sobą, ale o wysokiej korelacji z główną mierzoną cechą, powinny zostać włączone w celu zwiększenia trafności.

wreszcie, kategorie odpowiedzi” Nie wiem ” (DK) tradycyjnie były obsługiwane przez zastąpienie wartości średniej (wśród respondentów) lub kategorii Środkowej w skali dwubiegunowej, aby odzwierciedlić trudną decyzję (Coombs and Coombs, 1977). Niektóre badania przeprowadzono również w celu ustalenia, czy odpowiedzi DK powstają ze względu na styl reakcji związany z cechami respondenta (Converse 1977, Francis and Busch 1975, Innes 1977). Ogólnie jednak badania nad leczeniem DK są bardzo ograniczone: nie wiemy zbyt wiele o tym, jak radzić sobie z odpowiedziami „Nie wiem”.

w niniejszym artykule przedstawiamy podejścia oparte na teorii cech utajonych, które pozwalają badaczowi wybierać elementy na podstawie ich zdolności rozróżniającej wzdłuż kontinuum postawy (zatem jeśli badacz jest szczególnie zainteresowany zwiększeniem dokładności na poszczególnych poziomach postawy, na przykład w środkowym zakresie w celu identyfikacji „przełączalnych” perspektyw, może to zrobić poprzez zwiększenie liczby elementów, które zapewniają zdolność rozróżniającą na tych poziomach). Dodatkową zaletą tych podejść jest traktowanie DK jako reakcji nominalnych, co pozwala na reprezentowanie kategorii przez różne pozycje wzdłuż miar typu likert, w zależności od pozycji. Jak omówiono w następnej sekcji, dostarcza to dodatkowych informacji zwykle traconych przez traktowanie DK jako brakujących wartości i potencjalnie błędnie przedstawianych przez traktowanie ich jako średnich lub średnich kategorii.

teoria cech utajonych

w tej sekcji badamy podstawowe modele cech utajonych dla elementów dychotomicznych i późniejsze rozszerzenia dla przypadku polichotomicznego. Modele te opierają się przede wszystkim na stochastycznym podejściu do pomiaru mentalnego wprowadzonym przez Lorda (1952) i Rascha (1960) na początku lat 60-tych.

modele odpowiedzi Dychotomicznych

teoria opracowana przez Lorda (1952) jest wariantem teorii struktury utajonej Lazerfelda (1954) ograniczonej do jednego wymiaru, gdzie jednostki są umieszczone wzdłuż kontinuum cechy/postawy, a prawdopodobieństwo ich odpowiedzi dodatnio do elementu dychotomicznego zależy od położenia elementu względem pozycji jednostki na tym samym wymiarze.

Rasch (1960) zastosował podobne podejście, ale modelował prawdopodobieństwo pozytywnych odpowiedzi jako funkcję logistyczną cechy/postawy jednostki i cech przedmiotu, zamiast normalnej funkcji ostrej używanej przez Lorda. Ze względu na swoją prostotę i zalety obliczeniowe, Model logistyczny otrzymał większą uwagę w literaturze niż zwykły model Ogive. Ważnym rozszerzeniem logistycznego modelu Rush jest 2-параметрическая logistyczna model uzyskane Бирнбаумом (1968), która obejmuje możliwość elementów różnić się nie tylko ich pozycji w przestrzeni cech / związku, ale i w ich zdolności rozróżniania na różnych poziomach tego kontinuum

W swojej 2-parametrycznej modelu logistycznego binarnego odpowiedzi (BR) Birnbaum określa prawdopodobieństwo tego, że dana osoba j pozytywnie odpowie na element i jak logistyczna funkcja indywidualnej cechy lub postawy i cech przedmiotu, tak, że

Pij = 1 (1)

1+e-ai(bi-0j)

gdzie,

Pij = prawdopodobieństwo indywidualnej odpowiedzi j na pozycję i z pozytywną odpowiedzią

0j = poziom postawy dla indywidualnej j

BI = parametr pozycji dla pozycji i

ai = parametr dyskryminacji dla pozycji i

konceptualizacja, model ten umieścił również przedmioty i i jednostki j w tym samym kontinuum postawy. Parametr pozycji BI dla elementu i jest zdefiniowany jako pozycja elementu w kontinuum postawy, co skutkowałoby 50% szansą na pozytywną odpowiedź. Dla postawy jednostki 0j równej pozycji parametru BI, wykładnik w Eq. 1 staje się null, a prawdopodobieństwo otrzymania przez J pozycji i dodatniego wyniku wynosi Pij = 1/2.

parametr dyskryminacji jak dla danego punktu i jest zdefiniowany jako maksymalne nachylenie funkcji logistycznej (zwanej również krzywą charakterystyczną elementu (ICC)) zdefiniowane w Eq. 1. Maksymalne nachylenie krzywej logistycznej występuje na poziomie położenia 0j równym pozycji BI, tj. w punkcie środkowym, jak pokazano na rysunku 1. A im bardziej strome nachylenie (im wyższa wartość parametru dyskryminacji ai) elementu, tym lepiej dyskryminuje on respondentów o poziomach postawy 0j w pobliżu parametru położenia bi, ponieważ niewielka zmiana postawy zostanie wykryta przez dużą zmianę prawdopodobieństwa pozytywnej odpowiedzi. Czytelnik zauważy, że gdy nachylenie AI = ¦, krzywa charakterystyczna elementu jest reprezentowana przez linię prostą reprezentującą Pi: = 0,50, tj. 50-50 szans na pozytywną odpowiedź, niezależnie od postawy 0j respondenta.

definicję parametrów pozycji można lepiej zrozumieć na rysunku 1, gdzie pozycje 1 i 3 są umieszczone odpowiednio w dolnym i wyższym zakresie położenia, podczas gdy pozycja 2 jest umieszczona w środkowym zakresie. Tak więc tylko osoby o wysokim poziomie postawy ij zgodzą się z punktem 3, ponieważ konieczne jest posiadanie postawy wyższej niż b3, aby Prawdopodobieństwo pozytywnej odpowiedzi było większe niż 50%. Z drugiej strony, tylko osoby o niskim nastawieniu nie zgadzają się z punktem 1. Ponadto czytelnik może łatwo zauważyć, że pozycja 3 ma największą siłę dyskryminującą, ponieważ niewielka zmiana postawy 0j wokół pozycji B3 powoduje dużą zmianę prawdopodobieństwa z prawie zera na prawie jeden.

rysunek 1

krzywe charakterystyczne pozycji (I. C. C.): 2-PARAMETROWY model logistyczny (binarny)

ważnym wkładem Birnbauma, oprócz rozszerzenia modelu Rasch, jest koncepcja funkcji informacyjnej (IF), która zapewnia wskazanie dokładności pomiaru dla każdego poziomu postawy Oj dla każdego elementu w skali. Informacja przekazywana przez element na danym poziomie nastawienia oo jest definiowana przez Birnbauma jako odwrotnie proporcjonalna do kwadratu długości asymptotycznej ufności wewnętrznej dla oszacowania oo, lub wprost proporcjonalna do kwadratu nachylenia ICC na poziomie nastawienia Oo. Dla modelu BR Birnbaum wykazał, że informacje przekazywane przez pozycję i o danym poziomie zdolności Oj można obliczyć przez

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

gdzie P ’ IJ jest nachyleniem krzywej logistycznej na poziomie zdolności 0j.

stąd pojęcie informacji jest bezpośrednio związane z parametrem dyskryminacji ai, a dla modelu 2-parametrowego bardziej dyskryminujący element dostarczy więcej informacji, z maksimum na pozycji pozycji BI. Na fig. 2, Funkcje informacyjne tych samych elementów na fig.1 są wykreślone i łatwo widać, że dla bardziej rozróżniającego elementu (poz. 3) funkcja informacyjna osiąga wyższe poziomy, a szczyt występuje w parametrze położenia b3.

RYSUNEK 2

FUNKCJE INFORMACYJNE: 2-PARAMETROWY MODEL logistyczny

ważną cechą IF, zdefiniowaną przez Birnbauma, jest jego właściwość addytywna; informacje przesyłane przez różne elementy na danym poziomie postawy mogą być dodane w celu uzyskania całkowitej informacji przesyłanej przez skalę na tym poziomie postawy. Dzięki temu możliwe jest oszacowanie wkładu każdej pozycji i całkowitej informacji przekazywanej przez skalę. Ponadto IF wskazuje maksymalną dokładność osiągalną przez każdy element na każdym poziomie nastawy, w przeciwieństwie do tradycyjnych miar niezawodności obliczanych dla całego zakresu. W ten sposób dodanie przedmiotów o tych samych właściwościach (pozycja BI, dyskryminacja przedmiotów ai) poprawi celność tylko w zakresie postawy, który już obejmuje przedmioty, bez poprawy na innych poziomach postawy.

zatem pojęcie funkcji informacyjnej rozwiązuje dylemat niezawodności, o którym mowa wcześniej w niniejszym artykule. Zapewnia obiektywne sposoby doboru przedmiotów do skali, zgodnie z celem badacza. Jeśli polityk był zainteresowany identyfikowaniem wyborców z niepewnymi postawami politycznymi, które mogą być podatne na zmiany postaw, skala powinna koncentrować się na elementach umieszczonych w środkowym zakresie.

modele odpowiedzi Polichotomicznych

Samejima (1969) Ordered (Graded) Response (OR) model zapewnia rozszerzenie polichotomiczne w przypadku, gdy istnieją dwie lub więcej uporządkowanych kategorii. Na przykład, w przypadku pozycji punktowanej w skali od 1 do 3, dwie krzywe odpowiedzi pozycji mogą być użyte do opisania warunkowego (na poziomie postawy j) prawdopodobieństwa odpowiedzi na jakąkolwiek konkretną kategorię w sposób etapowy. W pierwszym etapie uzyskuje się funkcje reprezentujące odpowiedź w pierwszej kategorii w porównaniu z wyższą kategorią (1 vs. 2 lub 3), A Dla odpowiedzi w pierwszej i drugiej kategorii w porównaniu z trzecią kategorią (1 i 2 vs.3). Te funkcje odpowiedzi są reprezentowane przez krzywe na rysunku 3. Drugi etap polega jedynie na odjęciu kolejnych funkcji odpowiedzi od siebie, aby uzyskać pożądane prawdopodobieństwo odpowiedzi dla każdej kategorii. Należy zauważyć, że prawdopodobieństwo dla kategorii skrajnych uzyskuje się przez odjęcie funkcji odpowiedzi od 1.0 i 0.0. Następnie na rysunku 3, dla osoby z poziomem postawy 0j, prawdopodobieństwo odpowiedzi z kategoriami 1, 2 i 3 wynosi odpowiednio 0,17, 0,63 i 0,20. Funkcje odpowiedzi na rysunku 3 można łatwo modelować jako:

Fijp = 1

1+e-ai (bip-0j)

gdzie: Fijp – prawdopodobieństwo, że osoba j z postawą 0j odpowiada pozycji i z kategorią p lub lepszą. Podobnie jak w modelu binarnym ai można interpretować jako siłę rozróżniającą punktu i, a bip jako pozycję kategorii pth punktu i na kontinuum postawy.

funkcja informacyjna została zdefiniowana przez Samejima w sposób równoważny sformułowaniu Birnbauma. Model OR zapewnia jedną funkcję informacyjną dla każdej kategorii odpowiedzi elementu. W związku z tym można ocenić wkład każdej kategorii odpowiedzi danego elementu w Dokładność pomiaru, na każdym poziomie nastawienia. Fi mogą być sumowane w różnych kategoriach dla elementu, aby zapewnić miarę wartości informacji o elementach. Ponadto sam model OR nie zawiera założeń metrycznych dotyczących kategorii odpowiedzi; odstęp między kategoriami odpowiedzi nie jest ustalony „a priori” i może się nawet różnić dla różnych pozycji. Nawet założenie rzędu Rang dotyczące kategorii odpowiedzi jest złagodzone w modelu nominalnej odpowiedzi (NR) opracowanym przez Bocka (1972). Bock opracował swój model jako polichotomiczny model logitu, wyjaśniając wybór jednej kategorii odpowiedzi dla danego elementu jako funkcji parametrów elementu-kategorii i poziomu postawy jednostki. Sformułowanie modelu, choć nieco bardziej złożone, jest bardzo podobne do modelu binarnego. Wynika to z faktu, że skala ratingowa 3 kategorii może być reprezentowana przez 2 binarne skale ratingowe lub, ogólnie rzecz biorąc, skala ratingowa N kategorii może być reprezentowana przez skale binarne (n-l). Model Bocka dostarcza ICC i IF dla każdej nominalnej kategorii odpowiedzi, które można interpretować w sposób podobny do modelu binarnego. Na przykład ICC dla każdej kategorii (dla danej pozycji) reprezentuje prawdopodobieństwo, że respondent z daną postawą odpowie z tą kategorią.

Rysunek 3

przykład ocenianego modelu odpowiedzi z trzema kategoriami

główną zaletą modelu NR w stosunku do modelu OR jest to, że ponieważ nie zakłada się kolejności kategorii odpowiedzi, ich względna kolejność jest określana przez same dane i może się różnić dla różnych pozycji. W związku z tym jest to przydatne, gdy nie ma „logicznej” lub intuicyjnej kolejności kategorii odpowiedzi, Jak to ma miejsce w przypadku odpowiedzi „Nie wiem”, „Brak opinii” i „Brak odpowiedzi”.

metodologia i analiza

dane użyte do zilustrowania wykorzystania teorii cech utajonych do skalowania postawy to skala „anomia” (Srole, 1956) zaczerpnięta z badania National Opinion Research Council (NORC) za 1973 rok. Anomia jest postrzegana jako jednostkowe uogólnione, wszechobecne poczucie społecznej malintegracji lub ” alienacji siebie wobec innych.”Skala jest jednostronna i składa się z 9 pozycji wymienionych w tabeli 1 oraz trzech kategorii odpowiedzi (zgadzam się, nie zgadzam się, nie wiem). 400 przypadków wybrano losowo z ogólnej próby około 1200. Większa próbka nie była konieczna do dokładności obliczeń i tylko zawyżałaby czas/koszty obliczeniowe. Zastosowanym algorytmem obliczeniowym był program LOGOG (Kołakowski i Bock, 1973). Analizy i wyniki są przedstawione w celu zilustrowania: (1) Wybór pozycji na podstawie funkcji informacyjnych oraz (2) Leczenie Nie wiem odpowiedzi.

po pierwsze, dane są analizowane za pomocą modelu binarnego, który traktuje DK jako brakujące wartości. Pochodne parametry są używane do opracowania ICC i IF.krzywe te są używane do zilustrowania, że (1) pozycje pozycji różnią się wzdłuż kontinuum postawy, tj. elementy dostarczają informacji na różnych poziomach postawy, (2) elementy mogą być powielające lub nadmiarowe, tj. dostarczają tych samych informacji, i (3) elementy o niższych zboczach dostarczają mniej informacji.

TABELA 1

SKALA ANOMII

1. Obok zdrowia, pieniądze są ważniejszą rzeczą w życiu

2. Czasami nie możesz przestać się zastanawiać, czy coś jest już warte

3. Aby zarabiać pieniądze nie ma już dobrych złych sposobów, tylko łatwe i trudne sposoby

4. W dzisiejszych czasach człowiek musi żyć prawie na dzisiaj i niech jutro się o siebie zatroszczy

5. W pluciach z tego, co niektórzy mówią, los (sytuacja i stan) przeciętnego człowieka jest coraz gorszy, a nie lepszy

6. Nie jest sprawiedliwe sprowadzanie dziecka na świat z myślą o przyszłości

7. Większość urzędników publicznych nie interesuje się problemami przeciętnego człowieka

8. W dzisiejszych czasach człowiek tak naprawdę nie wie, na kogo może liczyć

9. Większość ludzi nie dba o to, co stanie się z następnym felloe

źródło: Srole, L. (1956), „Social Integration and Certain Corollaire,” American Sociological Review, 21, 709-16.

wyniki Modelu binarnego są również porównywane z analizą czynnika Alfa (opartą na alfa cronbacha) w celu zilustrowania podobieństw i różnic między podejściami do cech utajonych a tradycyjnymi technikami skalowania.

po drugie, modele polichotomiczne są szacowane traktując DR jako wartości środkowe, a następnie jako odpowiedzi nominalne. Ten ostatni przypadek pozwala DK 'S” unosić się”, tzn. mieć wysoką, średnią lub niską pozycję kategoryczną. Wpływ leczenia DR NA informacje jest pokazany w dwóch przykładowych przypadkach, w których byłoby właściwe i niewłaściwe, odpowiednio, traktowanie DR jako wartości średniej lub średniej.

wyniki

wybór elementów za pomocą funkcji informacyjnych

dwie pierwsze kolumny w tabeli 2 prezentują statystykę dobroci it (chi-kwadrat i poziom istotności z) dla 2-Parametrowego modelu logistycznego Birnbauma, zastosowanego do 9-elementowej skali anomii, z kluczowanymi wartościami Don ’ t Knows jako brakującymi. Szacowane parametry pozycji pozycji bi i parametry dyskryminacji ai przedstawiono w tabeli 2, a odpowiednie ICC i FI przedstawiono na rysunkach 4 i 5. Z ICC na rysunkach 4 i parametrów położenia bi w kolumnach 3 i 4 W Tabeli 2 widać, że 9 pozycji koncentruje się na zakresie postaw między b8 = -1.1 i b3 = 1.6. Dlatego skala ta zapewni najlepszą dokładność pomiaru w tym zakresie postaw (ponieważ każdy element zapewnia maksymalną informację w pobliżu swojej pozycji bi). Porównując ICC można zobaczyć, że pozycje 5 i 7 są nieco zbędne, (b5 = -.588, b7 = -.562; a5 = 1,132, a7 = 1,032), dostarczając większość swoich informacji na tym samym poziomie postawy. Fi wykreślone na rysunku 5 potwierdza tę nadmiarowość, pokazując Elementy 5 i 7 o tym samym kształcie, osiągając ten sam poziom nastawienia. Ponadto elementy 2 i 4 mają podobne ICC i IF.

tabela 2

parametr elementu: 2-parametr LOGISTIC MODEL – (nie zna brakujących wartości)

rysunek 4

I. C. C. Dla elementów anomii: Model binarny

rysunek 5

funkcje informacyjne dla elementów anomii: model binarny

Rysunek 5 pokazuje również wyraźne rozróżnienie między elementami od 1 do 4, które dostarczają niskich informacji, a elementami od 5 do 9, które mają najwyższe wartości IF (Ant wyższe wartości ai). Ta różnica między dwoma zestawami pozycji potwierdza wyniki analizy czynnika Alfa przeprowadzonej na tych samych danych (traktując DK jako brakujące wartości). Analiza czynnika Alfa doprowadziła do wyprowadzenia tylko jednego czynnika (wartość własna = 3,14) w oparciu o regułę łokcia. Współczynniki obciążenia dla pozycji od 1 do 9 były odpowiednio, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, łatwo zauważyć, że pozycje od 5 do 9, które mają wyższe obciążenia Współczynnikowe, mają również wyższe piki dla odpowiadających im funkcji informacyjnych (Rysunek 5). Wydaje się, że każda procedura (współczynnik alfa lub cecha utajona) wybierze te same elementy dla skali. Jednak jeśli są dostarczane przez procedurę utajonej cechy wskazują poziomy postawy, na których elementy są najbardziej pouczające. Jak pokazano na fig. 5, pozycja 8 dostarcza najwyższych informacji na niskim poziomie, podczas gdy pozycja 6 jest bardziej pouczająca na wysokim poziomie. Poza tym IF pozwala badaczowi zidentyfikować zbędne elementy (5 i 7; 2 i 4), które nie byłyby wykrywane przez miary niezawodności. Wydaje się przydatne zachowanie pozycji 5 (pozycja 7 ma niższe nachylenie / jeśli szczyt), jeśli celem było zmniejszenie redundancji pozycji. Jednak zmniejszyłoby to również dokładność pomiaru wokół poziomu nastawy 0j = -0,57.

leczenie Kategorii Nie wiem odpowiedzi

model OR z DR pomiędzy „Nie Zgadzam się” i „zgadzam się” został zastosowany do skali anomii. Aby uniknąć tego restrykcyjnego założenia, model NR został zastosowany do tych samych danych. Lub 9 pozycji w skali, tylko pozycje 3 i 9 skutkowały kategoryzacją DR na Dolnym krańcu (tj. w kolejności DK, Nie Zgadzam się, Zgadzam się). Aby zademonstrować efekt rozważenia DR jako średniej kategorii, przedstawiamy ICC pochodzące z modelu NR dla elementów 7 i 9 na rysunku 6. Wraz ze wzrostem anomii wzrasta prawdopodobieństwo zaakceptowania pozycji 7 i 9. Jednak wraz ze wzrostem anomii prawdopodobieństwo braku zgody maleje monotonicznie dla pozycji 7, podczas gdy najpierw wzrasta, a następnie maleje dla pozycji 9. Wreszcie, prawdopodobieństwo odpowiedzi Nie wiem wzrasta wraz ze spadkiem anomii dla pozycji 9, podczas gdy ma maksimum na poziomie pośrednim dla pozycji 7, wskazując, że DR jest „uporządkowany” jako kategoria środkowa dla pozycji 7 i dolna Kategoria ekstremalna dla pozycji 9.

biorąc pod uwagę „zamówienia” oparte na modelu NR, spodziewalibyśmy się, że model OR będzie pasował również do pozycji 7, a nie tak dobrze do pozycji 9. W tym drugim przypadku (poz. 9) wymuszenie uznania DK za kategorię środkową prowadziłoby do utraty informacji. Jest to wyraźnie zilustrowane przez Fi dla pozycji 7 i 9 odpowiadających modelom BR, OR I NR na rysunku 7. Dla pozycji 7, włączenie DR jako kategorii Środkowej zwiększa informacje przekazywane przez pozycję w porównaniu do modelu binarnego, który traktuje DR jako brakujące dane. Relaksacja założenia kolejności rang w modelu NR nie poprawia informacji w porównaniu do modelu OR, co może być uznane za wskazówkę, że DR jest rzeczywiście kategorią środkową. Dla pozycji 9 włączenie DR jako kategorii średniej powoduje również zysk w informacjach przekazywanych przez pozycję. Jednak, gdy Model NR jest używany (co skutkuje niską pozycją ekstremalną dla DR, jak wspomniano wcześniej), jeszcze więcej informacji uzyskuje się, nie tylko na szczycie, ale także na poziomach postawy 'ow, gdzie wzrasta prawdopodobieństwo odpowiedzi DK. Oznacza to, że Przydatne informacje (lub zdolność rozpoznawania) są tracone na niskim końcu skali postawy, traktując skrajną (niską) wartość odpowiedzi DK jako brakujące dane lub jako kategorię środkową. Oczywiście trudno byłoby zdefiniować DR na niskim ekstremum a priori. Należy zauważyć, że model NR wybiera po prostu pozycję kategorii DK w celu uzyskania ” prawdy.”Jednakże, jeśli ICC dla DK mieści się w niewielkim zakresie, jest prawdopodobne, że jego średnia jest spójna we wszystkich badanych respondentach. Jeśli krzywa jest rozłożona DK oznacza różne rzeczy dla różnych ludzi

rysunek 6

I. C. C. Dla elementów 7 i 9: ORDERED RESPONSE MODEL – (D. K. at MIDDLE)

wnioski

ten artykuł ekspozycyjny służy do zilustrowania zastosowania procedur opartych na teorii cech utajonych do skalowania postawy. W szczególności krzywe charakterystyki elementu i funkcje informacyjne mogą być przydatne do wyboru elementu w konstrukcji skali. Modele teorii cech utajonych mogą być bardziej użyteczne niż tradycyjne techniki skalowania, ponieważ nie tylko dostarczają miar wartości informacji o elemencie, ale także miar poziomów postawy, przy których elementy mogą mieć największą zdolność rozróżniania. Środki te mogą być stosowane w celu usunięcia zbędnych lub powielających się elementów i / lub w celu świadomego zwiększenia dokładności skali na pożądanych poziomach nastawienia.

rysunek 7

Porównanie funkcji informacyjnych – pozycja 7 i 9

dodatkowo, odpowiedzi na wiele skal oceny kategorii mogą być analizowane za pomocą nominalnego modelu odpowiedzi, który zapewnia miary wkładu każdej kategorii odpowiedzi każdego elementu na każdym poziomie postawy, a nie ogólną miarę relacji między poszczególnymi elementami a skalą. Nominalny Model odpowiedzi nie wymaga żadnych założeń metrycznych dotyczących danych, a Kategorie „Nie wiem”, „Brak opinii” i „brak odpowiedzi” mogą być skalowane i wykorzystywane jako źródła informacji do pomiaru postawy. Jak pokazano (dla pozycji 7 i 9), odpowiedzi „Nie wiem” mogą przyczynić się do dokładności pomiaru, a ich udział może wystąpić w różnych zakresach postawy, w zależności od pozycji.

na koniec należy wspomnieć, że procedury oparte na teorii cech ukrytych mają inne zalety, które nie zostały omówione w niniejszym artykule. Procedury kalibracji są niezależne od konkretnych zastosowanych elementów (skalowanie postawy bez elementów), jak również próbki (kalibracja skali bez próbek) omówionej przez Wrighta (1968). Ponadto, po określeniu parametrów dla każdego składu kategorii, możliwe jest opracowanie „dostosowanych” procedur gromadzenia danych, które będą stosowane na innych próbkach. Na przykład, jeśli respondent nie zgadza się z elementem o parametrze niskiej pozycji (BI) wzdłuż kontinuum postawy, nie będzie to zbyt użyteczne administrowanie elementami o wyższych parametrach pozycji. Funkcja ta powinna stać się coraz ważniejsza wraz z pojawieniem się interaktywnych, skomputeryzowanych procedur zbierania danych. Jest nadzieja, że ten dokument będzie impulsem w kierunku zwiększonego wykorzystania utajonych cech teorii opartej postawy skalowania procedur, które dostarczają bardziej obiektywnych kryteriów budowy skali.

Birnbaum, A. (1968),” Some Latent Trait Models and their Use in Inferring An Examinee 's Ability,” in F. M. Lord and L R. Novick (eds.), Statystyczne teorie wyników testów psychicznych, (Czytanie, Mass. Addison-Wesley).

Bock, R. V. (1972),” Estimating Item Parameters and Latent Ability When Categories Are Scored in Two or More Nominal Categories, ” Psychometrika, 37, 29-51.

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

Coombs, C. S. and Coombs, L. (Winter 1977), ” Don 't Know Item Ambiguity or Respondent Uncertainty,” 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.

Kołakowski, D. and Bock, R. D. (1973), Maximum Likelihood Item Analysis and Test Scoring: Logistic Model for Multiple Item Responses (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, Psychometrika Society.

Rasch, F. (1960), Probabilistic Models for Some Intelligence and attraction 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.

(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.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.