Amarengo

Articles and news

Teoria do traço latente e escala de atitude: o uso de funções de informação para seleção de itens

resumo – este artigo expositivo demonstra a utilidade dos procedimentos baseados na teoria do traço latente para fins de escala de atitude. Em particular, é mostrado que diferentes itens fornecem diferentes quantidades de” informações ” (ou capacidade de discernimento) para diferentes níveis de atitude. Consequentemente, os itens podem ser escolhidos de acordo com sua capacidade de fornecer informações em níveis de atitude específicos. Além disso, a redundância pode ser reduzida eliminando itens que apresentam informações semelhantes.

citação:

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: Association for Consumer Research, páginas: 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, Universidade do Texas em Austin

resumo –

este artigo expositivo demonstra a utilidade dos procedimentos baseados na teoria dos traços latentes para fins de escala de atitude. Em particular, é mostrado que diferentes itens fornecem diferentes quantidades de” informações ” (ou capacidade de discernimento) para diferentes níveis de atitude. Consequentemente, os itens podem ser escolhidos de acordo com sua capacidade de fornecer informações em níveis de atitude específicos. Além disso, a redundância pode ser reduzida eliminando itens que apresentam informações semelhantes.

INTRODUÇÃO

Tradicionais de dimensionamento de procedimentos baseados em medidas de confiabilidade têm recebido a maior atenção para a atitude de escala na pesquisa de marketing literatura como evidenciado pelos artigos da edição especial do Journal of Marketing Research na medição (fevereiro de 1979). Esses procedimentos assumem um erro padrão constante de medição ao longo do continuum de atitude, ou seja, a confiabilidade indica apenas a eficiência geral da escala em todos os níveis de atitude. Embora a correlação de um item com a escala (por exemplo, de uma variável com o escore fatorial) possa ajudar na escolha de itens que mais contribuem para a escala, é difícil decifrar se esses itens contribuem para discernir a capacidade nas extremidades alta ou baixa da escala de atitude. Além disso, os procedimentos tradicionais não fornecem uma medida para a contribuição específica de cada categoria de resposta para a precisão da medição. Por exemplo, para itens do tipo Likert, “concordo plenamente” fornece mais informações do que” concordo”, dado o item, ao longo da escala de atitude? Além disso, o coeficiente de confiabilidade Alfa leva a regras paradoxais para decidir quais itens, ou quantos itens, incluir na escala: (a) itens altamente intercorrelacionados entre si devem ser escolhidos para aumentar a confiabilidade, e (b) itens com baixa intercorrelação entre si, mas com alta correlação com o traço principal sendo medido devem ser incluídos para aumentar a validade.Finalmente, as categorias de resposta” não sei ” (DK) têm sido tradicionalmente tratadas substituindo o valor médio (entre os entrevistados) ou a categoria intermediária em uma escala bipolar para refletir uma decisão difícil (Coombs e Coombs, 1977). Algumas pesquisas também foram conduzidas para determinar se as respostas DK surgem devido ao estilo de resposta relacionado às características do entrevistado (Converse 1977, Francis e Busch 1975, Innes 1977). Em geral, no entanto, a pesquisa sobre o tratamento de DK’s é muito limitada: não sabemos muito sobre como lidar com as respostas “não sei”.

neste artigo, apresentamos abordagens baseadas na Teoria do Traço Latente, que permitem que o pesquisador para selecionar itens na base da sua capacidade discriminante junto a atitude de continuidade (portanto, se um pesquisador está particularmente interessado em aumentar o rigor em níveis específicos de atitude, por exemplo, na faixa intermediária para identificar “selecionável” perspectivas, s/ele pode fazer isso aumentando o número de itens que disponibilizamos capacidade de discriminar os níveis). Uma vantagem adicional dessas abordagens é o tratamento do DK como respostas nominais, permitindo assim que a categoria seja representada por posições variadas ao longo de medidas do tipo likert, dependendo do item. Como é discutido na próxima seção, isso fornece informações adicionais normalmente perdidas, tratando os DK’s como valores ausentes e potencialmente deturpados, tratando-os como categorias médias ou médias.

teoria do traço latente

nesta seção, examinamos os modelos básicos de traço latente para itens dicotômicos e as extensões posteriores para o caso policotômico. Estes modelos baseiam-se, principalmente, na abordagem estocástica mental de medição introduzida por Lord (1952) e de Rasch (1960), no início dos anos 60.

Modelos para Respostas Dicotômicas

A teoria desenvolvida por Lord (1952) é uma variante Lazerfeld do (1954) “Latente Estrutura de Teoria” restrita a uma única dimensão, onde os indivíduos são colocados ao longo de um traço/atitude continuum, e a possibilidade de lhes responder positivamente a uma dicotomia com o item depende da posição do item em relação à sua posição sobre esta mesma dimensão.Rasch (1960) usou uma abordagem semelhante, mas modelou a probabilidade de respostas positivas como uma função logística do traço/atitude do indivíduo e das características do item, em vez de uma função Ogiva Normal usada por Lord. Devido à sua simplicidade e vantagens computacionais, o modelo logístico tem recebido maior atenção na literatura do que o modelo Ogive Normal. Uma importante extensão de Rasch do Modelo Logístico é o 2-Parâmetro do Modelo Logístico de derivados por Birnbaum (1968), que inclui a possibilidade de itens para diferem não apenas em sua posição no traço/ atitude continuum, mas também em seu poder para discriminar diferentes níveis de um continuum

Em seu Logísticos de 2 parâmetros de Resposta Binária (BR) Modelo de Birnbaum define a probabilidade de um indivíduo j atendimento de um item i, positivamente, como uma função logística de cada característica ou atitude, e o item de características, de tal forma que,

Pij = 1 (1)

1+e-ai(bi-0j)

onde

Pij = probabilidade do indivíduo j, respondendo, item i, com uma resposta positiva

0j = atitude nível individual j

bi = parâmetros de posição para o item i

ai = parâmetro de discriminação para o item i

Seguinte Rasch original conceituação, este modelo também colocados os itens i e indivíduos j na mesma atitude continuum. O parâmetro de posição bi para o item i é definido como a posição do item no continuum de atitude, o que resultaria em uma chance de 50% de uma resposta positiva. Para a atitude de um indivíduo 0J igual ao parâmetro posição bi, o expoente em Eq. 1 torna-se nulo, e a probabilidade do item de resposta J individual I resulta positivamente em Pij = 1/2.

o parâmetro de discriminação quanto a um determinado item I é definido como a inclinação máxima da função logística (também chamada curva característica do Item (ICC)) definida em Eq. 1. A inclinação máxima de uma curva logística ocorre em um nível de atitude 0j igual à posição do item bi, ou seja, no ponto médio, conforme mostrado na Figura 1. E, o mais íngreme encosta (quanto maior o valor do parâmetro de discriminação ai) de um item, o melhor discrimina entre os inquiridos com atitude níveis 0j nas proximidades da posição do parâmetro bi como uma pequena variação na atitude será detectado por uma grande variação na probabilidade de resposta positiva. O leitor notará que quando a inclinação ai=/, a curva característica do item é representada por uma linha reta representando Pi: = 0,50, ou seja, uma chance de 50-50 de uma resposta positiva, independentemente da atitude 0j do respondente.

a definição dos parâmetros do item pode ser melhor compreendida na Figura 1, onde os itens 1 e 3 estão posicionados nas faixas de atitude inferior e superior, respectivamente, enquanto o item 2 está posicionado na faixa intermediária. Assim, apenas indivíduos com altos níveis de atitude ij concordarão com o item 3, Uma vez que é necessário ter uma atitude maior que b3 para uma probabilidade de resposta positiva maior que 50%. Por outro lado, apenas pessoas de baixa atitude discordarão do item 1. Além disso, o leitor pode ver facilmente que o item 3 tem o maior poder discriminatório, uma vez que uma ligeira variação de atitude 0j em torno da posição do item b3 resulta em uma grande mudança da probabilidade de quase zero para quase um.

FIGURA 1

ITEM CURVAS características (I. C. C.): 2-PARÂMETRO do MODELO LOGÍSTICO (BINÁRIO)

Uma contribuição importante ao Birnbaum, além de sua extensão do modelo de Rasch, é o conceito de que a Função de Informação (SE), a qual fornece uma indicação da precisão de medição para cada nível de atitude Jo para cada item em uma escala. A informação transmitida por um item em uma determinada atitude nível Oo é definido por Birnbaum como sendo inversamente proporcional ao quadrado do comprimento da anī confiança interna para a estimativa da Oo, ou diretamente proporcional ao quadrado da inclinação da CCI em atitude de nível Oo. Para a BR Modelo, Birnbaum demonstrado que as informações transmitidas por um item de um determinado nível de habilidade Jo pode ser calculado por

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

onde P’ij é a inclinação da curva logística no nível de habilidade, 0j.

portanto, o conceito de informação está diretamente relacionado ao parâmetro de discriminação ai, e para o modelo de 2 Parâmetros, um item mais discriminador fornecerá mais informações, com seu máximo na posição do item bi. Na Figura 2, as funções de informação dos mesmos itens na Figura 1 são plotadas, e pode-se ver facilmente que para o item mais discriminante (Item 3) a função de informação atinge níveis mais altos, e o pico ocorre no parâmetro de posição b3.

FIGURA 2

FUNÇÕES DE INFORMAÇÃO: 2-parâmetro modelo logístico

uma característica importante do IF, conforme definido por Birnbaum é sua propriedade aditiva; as informações transmitidas por diferentes itens em um determinado nível de atitude podem ser adicionadas para obter a informação total transmitida pela escala nesse nível de atitude. Assim, é possível avaliar a contribuição de cada item e a informação total transmitida pela escala. Além disso, o IF indica a precisão máxima atingível por cada item em cada nível da atitude, em contraste com as medidas de confiabilidade tradicionais calculadas em toda a faixa. Assim, adicionar itens com as mesmas características (item position bi, item discrimination ai) melhorará a precisão apenas na faixa de atitude já coberta pelos itens, sem melhora em outros níveis de atitude.

portanto, o conceito de função de informação resolve o dilema de confiabilidade mencionado anteriormente neste artigo. Fornece meios objetivos de seleção de itens para uma escala, de acordo com o objetivo do pesquisador. Se um político estava interessado em identificar eleitores com atitudes políticas incertas, que podem ser suscetíveis a mudanças de atitude, a escala deve se concentrar em itens posicionados na faixa intermediária.

modelos para respostas Policotômicas

Samejima’s (1969) Ordered (Graded) Response (OR) Model fornece uma extensão policotômica para o caso em que existem duas ou mais categorias ordenadas. Por exemplo, no caso de um item pontuado em uma escala de 1 a 3, duas curvas de resposta de item podem ser usadas para descrever a probabilidade condicional (no nível de atitude j) de responder a qualquer categoria específica de maneira stage-wise. No primeiro estágio, as funções são obtidas para representar a resposta na primeira categoria, frente a uma categoria superior (1 vs. 2 ou 3), e para uma resposta na primeira e segunda categoria em relação à terceira (1 e 2 vs. 3). Essas funções de resposta são representadas pelas curvas da Figura 3. O segundo estágio é apenas subtrair as funções de resposta sucessivas umas das outras para obter as probabilidades de resposta desejadas para cada categoria. Observe que as probabilidades para as Categorias extremas são obtidas subtraindo as funções de resposta de 1,0 e 0,0. Então, na Figura 3, para um indivíduo com nível de atitude 0j, a probabilidade de responder com as categorias 1, 2 e três são 0,17, 0,63 e 0,20, respectivamente. As funções de resposta na Figura 3 são facilmente modeladas como:

Fijp = 1

1+e-ai (bip-0j)

onde: Fijp-probabilidade de uma pessoa j com atitude 0J respondendo ao item i com categoria p ou melhor. Como no modelo binário ai pode ser interpretado como o poder discriminador do item i e bip como a posição da pth categoria do item i no continuum de atitude.

a função de informação foi definida por Samejima de forma equivalente à formulação de Birnbaum. O modelo or fornece uma função de informação para cada categoria de resposta do item. Daí a contribuição de cada categoria de resposta de um item para a precisão da medição, em cada nível de atitude, pode ser avaliada. Os IF’s podem ser somados entre categorias para um item para fornecer uma medida do valor da informação dos itens. Além disso, o modelo ou Samejima não faz suposições métricas sobre as categorias de resposta; o intervalo entre as categorias de resposta não é fixo “a priori” e pode até variar para itens diferentes. Mesmo a suposição de ordem de classificação sobre categorias de resposta é relaxada no modelo de resposta Nominal (nr) desenvolvido por Bock (1972). Bock desenvolveu seu modelo como um modelo logit policotômico, explicando a escolha de uma categoria de resposta para um determinado item em função dos parâmetros item-categoria e do nível de atitude do indivíduo. A formulação do modelo, embora um pouco mais complexa, é muito semelhante ao modelo binário. Isso ocorre porque uma escala de classificação de 3 categorias pode ser representada por 2 escalas de classificação binária ou, em geral, uma escala de classificação de categoria n pode ser representada por escalas Binárias (n-l). O modelo de Bock fornece ICC’s e IF’s para cada categoria de resposta nominal que pode ser interpretada de maneira semelhante ao modelo binário. Por exemplo, o ICC para cada categoria (para um determinado item) representa a probabilidade de que um respondente com uma determinada atitude responda com essa categoria.

FIGURA 3

EXEMPLO DE RESPOSTA GRADUAL do MODELO COM TRÊS CATEGORIAS

A principal vantagem da NR Modelo a OU Modelo é que uma vez que nenhuma suposição é feita sobre a ordem das categorias de resposta, a sua relativa de ordenação é determinada pelos dados em si e pode variar para diferentes itens. Consequentemente, é útil quando não há ordem” lógica “ou intuitiva das categorias de resposta, como acontece com as respostas” não sei”,” sem opinião “e” sem resposta”.

metodologia e análise

os dados usados para ilustrar o uso da teoria dos traços latentes para dimensionamento de atitudes são a escala “anomia” (Srole, 1956), extraída da pesquisa do Conselho Nacional de pesquisa de opinião (NORC) para 1973. A Anomia é vista como um sentido generalizado e generalizado de malintegração social ou “alienação de auto-para-outros”.”A escala é unidimensional e consiste em 9 itens listados na Tabela 1 e três categorias de resposta (Concordo, discordo, não sei). 400 casos foram selecionados aleatoriamente a partir da amostra total de aproximadamente 1200. Uma amostra maior não era necessária para a precisão da computação e teria simplesmente inflado o tempo/custos da computação. O algoritmo computacional utilizado foi o programa LOGOG (Kolakowski e Bock, 1973). As análises e os resultados são apresentados para ilustrar: (1) seleção de itens com base nas funções de informação e (2) Tratamento de respostas não conhecidas.

primeiro, os dados são analisados por meio do modelo binário que trata os DK’s como valores ausentes. Essas curvas são usadas para ilustrar que (1) as posições dos itens variam ao longo do continuum de atitude, ou seja, os itens fornecem informações em diferentes níveis de atitude, (2) Os itens podem ser duplicados ou redundantes, ou seja, fornecer as mesmas informações e (3) Os itens com inclinações inferiores fornecem informações menores.

TABELA 1

ESCALA DE ANOMIA

1. Ao lado da saúde, o dinheiro é a coisa mais importante na vida

2. Às vezes você não pode deixar de se perguntar se algo vale mais a pena

3. Para ganhar dinheiro, não há mais maneiras certas e erradas, apenas maneiras fáceis e difíceis

4. Hoje em dia uma pessoa tem que viver praticamente para hoje e deixar o amanhã cuidar de si mesma

5. Em cuspes do que algumas pessoas dizem, o lote (situação e condição) do homem médio está piorando, Não melhor

6. Não é justo trazer uma criança ao mundo com a maneira como as coisas procuram o futuro

7. A maioria dos funcionários públicos não está realmente interessada nos problemas do homem médio

8. Hoje em dia, uma pessoa realmente não sabe com quem pode contar

9. A maioria das pessoas realmente não se importa com o que acontece com o próximo felloe

fonte: Srole, L. (1956), “Integração Social e certos Corollaires”, American Sociological Review, 21, 709-16.

os resultados do modelo binário também são comparados com a análise do fator alfa (com base no alfa de Cronbach) para ilustrar as semelhanças e diferenças entre as abordagens de traços latentes e as técnicas tradicionais de escala.

segundo, estima-se que os modelos policotômicos tratem os dr’s como valores médios e, em seguida, como respostas nominais. O último caso permite que os DK’s “flutuem”, ou seja, tenham uma posição categórica alta, média ou baixa. O efeito do tratamento do dr’s na informação é mostrado em dois casos ilustrativos em que seria apropriado e inadequado, respectivamente, tratar o DR’s como valores médios ou médios.

resultados

seleção de itens usando funções de informação

as duas primeiras colunas na Tabela 2 apresentam estatísticas de bondade de TI (Qui-quadrado e nível de significância z) para o modelo logístico de 2 Parâmetros de Birnbaum, aplicado à escala de Anomia de 9 itens, com Don’T Knows keyed as missing values. Os parâmetros de posição do item estimado bi e os parâmetros de discriminação ai’s são mostrados na Tabela 2 e os ICC’s e IF’s correspondentes são apresentados nas Figuras 4 e 5. A partir dos icc’s nas Figuras 4 e dos parâmetros de posição bi nas colunas 3 e 4 na Tabela 2, pode-se ver que os 9 itens se concentram na faixa de atitudes entre b8 = -1,1 e b3 = 1,6. Portanto, essa escala fornecerá sua melhor precisão de medição nessa faixa de atitudes (uma vez que cada item fornece suas informações máximas perto de sua posição bi). Ao comparar o ICC, pode-se ver que os itens 5 e 7 são um tanto redundantes, (b5= -.588, b7 = -.562; A5 = 1,132, a7 = 1,032), fornecendo a maior parte de suas informações nos mesmos níveis de atitude. O IF plotado na Figura 5 confirma essa redundância, mostrando os itens 5 e 7 com a mesma forma, atingindo o mesmo nível de atitude. Além disso, os itens 2 e 4 têm ICC e IF semelhantes.

Tabela 2

parâmetro do ITEM: modelo logístico de 2 parâmetros-(não sabe como valores ausentes)

Figura 4

I. C. C. Para itens de ANOMIA: Modelo binário

Figura 5

funções de informação para itens de ANOMIA: modelo binário

a Figura 5 também mostra uma distinção clara entre os itens 1 a 4, que fornecem informações baixas, e os itens 5 a 9, que têm o pico de IF em valores mais altos (ant valores de IA mais altos). Essa diferença entre os dois conjuntos de itens confirma os resultados da análise do fator alfa realizada nos mesmos dados (tratando DK como valores ausentes). A análise do fator alfa resultou na derivação de apenas um fator (autovalor = 3,14) com base na Regra do cotovelo. O fator de cargas para os itens de 1 a 9 foram, respectivamente, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, Isso é facilmente observado que os itens 5 a 9, que tem maior Fator de Cargas também têm maiores picos de suas correspondentes funções de informações (Figura 5). Parece que qualquer procedimento (fator alfa ou traço latente) selecionaria os mesmos itens para a escala. No entanto, os IF’s fornecidos pelo procedimento de traço latente indicam os níveis de atitude em que os itens são mais informativos. Como mostrado na Figura 5, o item 8 fornece suas informações mais altas em baixos níveis de atitude, enquanto o item 6 é mais informativo em altos níveis. Além disso, o IF permite ao pesquisador identificar itens redundantes (5 e 7; 2 e 4), que não seriam detectados por medidas de confiabilidade. Parece útil reter o item 5 (o item 7 tem uma inclinação mais baixa / se Pico) se o objetivo fosse reduzir a redundância de itens. No entanto, isso também reduziria a precisão da medição em torno do nível de atitude 0j = -0,57.

tratamento de categorias de resposta não conhecidas

o modelo OR com DR entre “discordar” e “concordar” foi aplicado à escala de anomia. Para evitar essa suposição restritiva, o modelo NR foi aplicado aos mesmos dados. Ou os 9 itens na escala, apenas os itens 3 e 9 resultaram na categorização de dr’s no extremo inferior (ou seja, no pedido DK, discordo, concordo). Para demonstrar o efeito de considerar a DR como categoria intermediária, apresentamos os ICC derivados do modelo NR para os itens 7 e 9 Na Figura 6. À medida que a anomia aumenta a probabilidade de concordar com os itens 7 e 9 aumenta. No entanto, com um aumento na anomia, a probabilidade de discordar diminui monotonicamente para o item 7, enquanto ele primeiro aumenta e depois diminui para o item 9. Finalmente, a probabilidade de responder não sabe aumenta à medida que a anomia diminui para o item 9, enquanto tem um máximo em um nível intermediário para o item 7, indicando que o DR é “ordenado” como uma categoria intermediária para o item 7 e uma categoria extrema inferior para o item 9.

dadas as “ordens” baseadas no modelo NR, esperaríamos que o modelo OR se saísse também para o item 7 e não tão bem para o item 9. Neste último caso (item 9) forçar DK como uma categoria intermediária levaria a uma perda de informações. Isso é claramente ilustrado pelos IF’s para os itens 7 e 9 correspondentes aos modelos BR, OR e NR na Figura 7. Para o item 7, a inclusão do DR como categoria intermediária aumenta as informações transmitidas pelo item em comparação com o modelo binário que trata o DR como dados ausentes. O relaxamento da suposição de ordem de classificação no modelo NR não melhora as informações em comparação com ou modelo, o que pode ser tomado como uma indicação de que o DR é de fato uma categoria intermediária. Para o item 9, a inclusão do DR como categoria intermediária também resulta em um ganho nas informações transmitidas pelo item. No entanto, quando o modelo NR é usado (resultando em uma posição extrema baixa para dr’s como mencionado anteriormente), ainda mais informações são obtidas, não apenas no pico, mas também nos níveis de atitude ‘ow, onde a probabilidade de respostas DK aumenta. Isso indica que informações úteis (ou capacidade de discernimento) são perdidas na extremidade inferior da escala de atitude, tratando uma resposta dk de valor extremo (baixo) como dados ausentes ou como a categoria intermediária. Claro que seria difícil definir o DR no extremo baixo a priori. Deve-se notar que o modelo NR simplesmente escolhe a posição da categoria DK para obter a “verdade.”No entanto, se o ICC para DK se encaixa em uma pequena faixa, é provável que sua média seja consistente entre os entrevistados amostrados. Se a curva é espalhado DK significa coisas diferentes para pessoas diferentes

FIGURA 6

I. C. C. PARA os ITENS 7 E 9: MANDOU MODELO de RESPOSTA – (D. K. NO MEIO)

CONCLUSÕES

Este expositiva de papel serve para ilustrar o uso do Traço Latente Teoria baseada procedimentos para a atitude de escala. Em particular, as curvas características do item e as funções de informação podem ser úteis para a seleção do item na construção da escala. Os modelos de Teoria de traços latentes podem ser mais úteis do que as técnicas tradicionais de dimensionamento, porque não apenas fornecem medidas de valor de Informação do item, mas também medidas dos níveis de atitude nos quais os itens provavelmente terão a maior capacidade de discriminação. Essas medidas podem ser usadas para excluir itens redundantes ou duplicativos e/ou para aumentar conscientemente a precisão da escala nos níveis de atitude desejados.

FIGURA 7

COMPARAÇÃO DE FUNÇÕES de INFORMAÇÕES – ITEM 7 E 9

Além disso, respostas a múltiplas categorias de escalas de avaliação pode ser analisada pelo Modelo de Resposta Nominal, que fornece medidas de contribuições feitas por cada categoria de resposta de cada item em cada atitude nível, em vez de uma medida geral de relação entre os itens e a escala. O modelo de resposta Nominal não requer nenhuma suposição métrica sobre os dados e as categorias “não sei”, “sem opinião” e “sem resposta” podem ser dimensionadas e usadas como fontes de informação para medição de atitude. Conforme mostrado (para os itens 7 e 9), as respostas “não sei” podem contribuir para a precisão da medição e sua contribuição pode ocorrer em diferentes faixas de atitude, dependendo do item.

finalmente, deve-se mencionar que os procedimentos baseados na teoria dos traços latentes têm outras vantagens não discutidas neste artigo. Os procedimentos de calibração são independentes dos itens específicos usados (escala de atitude livre de itens), bem como da amostra (calibração de escala livre de amostras), conforme discutido por Wright (1968). Além disso, uma vez determinados os parâmetros para cada composição item-categoria, é possível desenvolver procedimentos “adaptados” para que a coleta de dados seja usada em outras amostras. Por exemplo, se um respondente discordar de um item com um parâmetro de posição baixa (bi) ao longo de um continuum de atitude, não será muito útil administrar itens que tenham parâmetros de posição mais altos. Esse recurso deve se tornar cada vez mais importante com o advento de procedimentos interativos de coleta de dados computadorizados. Espera-se que este artigo forneça o impulso para o uso aumentado de procedimentos baseados Latent Trait Theory attitude scaling que fornecem critérios de construção de escala mais objetivos.

Birnbaum, A. (1968),” alguns modelos de traços latentes e seu uso na inferência da habilidade de um examinado”, em F. M. Lord E L R. Novick (eds.), Teorias estatísticas das pontuações dos testes mentais, (leitura, massa.: 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),” prevendo nenhuma opinião sobre as pesquisas”, Public Opinion Quarterly, 40, 515-30.

Coombs, C. S. and Coombs, L. (Inverno de 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.Kolakowski, 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, Sociedade Psychometrika.

Rasch, F. (1960), modelos probabilísticos para alguns testes de inteligência e realização, (Copenhague: Instituto dinamarquês de Pesquisa Educacional).Samejima, F. (1969),” Estimation of Latent Ability Using a Response Pattern of Graded Scores, ” Psychometrika Monograph Supplement, No. 17.Srole, L. (1956),” Integração Social e certos corolários”, 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.

Deixe uma resposta

O seu endereço de email não será publicado.