Amarengo

Articles and news

Latent Dragteori och Attitydskalning: användningen av Informationsfunktioner för Artikelval

abstrakt – detta expository paper visar användbarheten av latenta Dragteoribaserade procedurer för attitydskalning. I synnerhet visas att olika objekt ger olika mängder ”information” (eller kräsna förmåga) för olika attitydnivåer. Följaktligen kan objekt väljas utifrån deras förmåga att tillhandahålla information på specifika attitydnivåer. Dessutom kan redundans minskas genom att eliminera objekt som presenterar liknande information.

citat:

Wagner Kamakura och Rajendra R. Srivastava (1982) ,”Latent Egenskapsteori och Attitydskalning: användningen av Informationsfunktioner för Artikelval”, i NA – framsteg inom konsumentforskning volym 09, Red. Andrew Mitchell, Ann Abor, MI: Föreningen för konsumentforskning, sidor: 251-256.

framsteg inom konsumentforskning Volym 9, 1982 sidor 251-256

LATENT egenskapsteori och ATTITYDSKALNING: användningen av Informationsfunktioner för ARTIKELVAL

Wagner Kamakura (student), University of Texas i Austin

Rajendra R. Srivastava, University of Texas i Austin

abstrakt –

detta expository paper visar användbarheten av latenta Dragteoribaserade förfaranden för attitydskalning. I synnerhet visas att olika objekt ger olika mängder ”information” (eller kräsna förmåga) för olika attitydnivåer. Följaktligen kan objekt väljas utifrån deras förmåga att tillhandahålla information på specifika attitydnivåer. Dessutom kan redundans minskas genom att eliminera objekt som presenterar liknande information.

introduktion

traditionella skalningsprocedurer baserade på tillförlitlighetsåtgärder har fått mest uppmärksamhet för attitydskalning i marknadsundersökningslitteraturen, vilket framgår av artiklarna i specialutgåvan av Journal of Marketing Research on measurement (februari 1979). Dessa procedurer antar ett konstant standardfel i mätningen längs attitydkontinuumet, dvs tillförlitlighet indikerar endast skalans totala effektivitet över alla attitydnivåer. Även om korrelationen mellan ett objekt och skalan (till exempel av en variabel med faktorpoängen) kan hjälpa till att välja objekt som bidrar mest till skalan, är det svårt att dechiffrera om dessa objekt bidrar till kräsna förmåga vid de höga eller låga ändarna av attitydskalan. Dessutom ger traditionella förfaranden inte någon åtgärd för det specifika bidraget från varje svarskategori för mätnoggrannhet. Till exempel, för objekt av Likert-typ, ger ”starkt överens” mer information än ”överens”, med tanke på objektet, längs attitydskalan? Vidare leder alfa-tillförlitlighetskoefficienten till paradoxala regler för att bestämma vilka artiklar, eller hur många artiklar, som ska ingå i skalan: (a) artiklar som är mycket interkorrelerade mellan sig bör väljas för att öka tillförlitligheten, och (b) artiklar med låg interkorrelation mellan sig, men med hög korrelation med det stora drag som mäts bör inkluderas för att förbättra giltigheten.

Slutligen har svarskategorierna” vet inte ” (DK) traditionellt hanterats genom att ersätta medelvärdet (över respondenter) eller mellankategorin i bipolär skala för att återspegla ett svårt beslut (Coombs och Coombs, 1977). Viss forskning har också genomförts för att avgöra om DK-svar uppstår på grund av svarsstil relaterad till respondentens egenskaper (Converse 1977, Francis and Busch 1975, Innes 1977). I allmänhet är forskning om behandling av DK dock mycket begränsad: vi vet inte så mycket om hur man hanterar ”vet inte” svar.

i detta dokument presenterar vi metoder baserade på Latent Egenskapsteori som gör det möjligt för forskaren att välja objekt på grundval av deras diskriminerande förmåga längs attitydkontinuumet (alltså om en forskare är särskilt intresserad av att öka noggrannheten vid vissa attitydnivåer, till exempel i mellanområdet för att identifiera ”omkopplingsbara” utsikter, kan han/hon göra det genom att öka antalet objekt som ger diskriminerande förmåga på dessa nivåer). En ytterligare fördel med dessa tillvägagångssätt är behandlingen av DK som nominella svar, vilket gör det möjligt för kategorin att representeras av olika positioner längs åtgärder av likert-typ, beroende på objektet. Som diskuteras i nästa avsnitt ger detta ytterligare information som normalt förloras genom att behandla DK: er som saknade värden och potentiellt felaktigt genom att behandla dem som medel-eller mellankategorier.

latent egenskapsteori

i det här avsnittet undersöker vi de grundläggande latenta Egenskapsmodellerna för dikotoma föremål och de senare förlängningarna för det polykotomiska fallet. Dessa modeller bygger främst på den stokastiska metoden för mental mätning introducerad av Lord (1952) och Rasch (1960) i början av 60-talet.

modeller för dikotoma svar

teorin utvecklad av Lord (1952) är en variant på Lazerfelds (1954) ”Latent Strukturteori” begränsad till en enda dimension, där individer placeras längs ett drag/attitydkontinuum, och sannolikheten för att de svarar positivt på ett dikotomt objekt beror på objektets position i förhållande till individens position på samma dimension.

Rasch (1960) använde ett liknande tillvägagångssätt, men modellerade sannolikheten för positiva svar som en logistisk funktion av individens drag/attityd och objektegenskaperna, snarare än en Normal Ogive-funktion som används av Lord. På grund av sin enkelhet och beräkningsfördelar har den logistiska modellen fått större uppmärksamhet i litteraturen än den normala Ogive-modellen. En viktig förlängning av Raschs logistiska modell är den 2-Parameterlogistiska modellen härledd av Birnbaum (1968) som inkluderar möjligheten att objekt skiljer sig inte bara på deras position på egenskap/ attitydkontinuum utan också i deras makt att diskriminera på olika nivåer av det kontinuumet

i Sin 2-Parameter Logistic Binary Response (BR) – Modell Birnbaum definierar sannolikheten för att en given individ J svarar på ett objekt i positivt som en logistisk funktion av individens drag eller attityd, och objektet Egenskaper, så att,

Pij = 1 (1)

1+e-ai(bi-0j)

var,

Pij = Sannolikhet för individuell j-svar punkt i med ett positivt svar

0j = attitydnivå för individuell j

bi = positionsparameter för punkt i

ai = diskrimineringsparameter för punkt i

efter Raschs ursprungliga konceptualisering, denna modell placerade också objekt i och individer j i samma attityd kontinuum. Positionsparametern bi för punkt i definieras som positionen för objektet i attitydkontinuum vilket skulle resultera i en 50% chans för ett positivt svar. För en individs attityd 0j lika med parameterpositionen bi, exponenten i Eq. 1 blir null, och sannolikheten för individuell j-Svarspost i resulterar positivt i Pij = 1/2.

diskrimineringsparametern för en given punkt i definieras som den maximala lutningen för logistikfunktionen (även kallad Item Characteristic Curve (ICC)) definierad i Eq. 1. Den maximala lutningen för en logistisk kurva uppträder vid en attitydnivå 0j lika med objektpositionen bi, dvs vid mittpunkten som visas i Figur 1. Och ju brantare lutningen (ju högre värdet av diskrimineringsparametern ai) för ett objekt, desto bättre diskriminerar det bland respondenter med attitydnivåer 0j i närheten av positionsparametern bi som en liten variation i attityd kommer att upptäckas av en stor variation i sannolikheten för positivt svar. Läsaren kommer att notera att när lutningen ai = ¦ representeras objektets karakteristiska kurva av en rak linje som representerar Pi: = 0,50, dvs en 50-50 chans för ett positivt svar, oavsett respondentens inställning 0j.

definitionen av artikelparametrar kan förstås bättre i Figur 1, där punkt 1 och 3 är placerade på de lägre respektive högre inställningsområdena, medan punkt 2 är placerad i mellanområdet. Så, bara individer med höga attitydnivåer ij kommer att hålla med punkt 3, eftersom det är nödvändigt att ha en attityd högre än b3 för en sannolikhet för positivt svar större än 50%. Å andra sidan kommer endast personer med låg attityd att vara oense med punkt 1. Läsaren kan också lätt se att punkt 3 har den högsta diskriminerande kraften, eftersom en liten variation av attityd 0j runt artikelpositionen b3 resulterar i en stor förändring av sannolikheten från nästan noll till nästan en.

figur 1

ARTIKELKARAKTERISTISKA kurvor (I. C. C.): 2-PARAMETER logistisk modell (binär)

ett viktigt bidrag från Birnbaum, förutom hans förlängning av Rasch-modellen, är begreppet informationsfunktion (IF), som ger en indikation på mätnoggrannhet för varje attitydnivå EGT för varje objekt i en skala. Informationen som överförs av ett objekt på en given attitydnivå oo definieras av Birnbaum som omvänt proportionell mot kvadraten av längden på det asymptotiska förtroendet internt för uppskattningen av oo, eller direkt proportionell mot kvadraten på ICC: s lutning vid attitydnivå Oo. För BR-modellen visade Birnbaum att den information som överförs av en punkt i på en given kapacitetsnivå EGT kan beräknas med

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

där P ’ IJ är lutningen på den logistiska kurvan vid förmåga nivå 0j.

därför är begreppet information direkt relaterat till diskrimineringsparametern ai, och för 2-parametermodellen kommer ett mer diskriminerande objekt att ge mer information, med sitt maximala vid artikelpositionen bi. I Figur 2 ritas informationsfunktionerna för samma objekt i Figur 1, och man kan lätt se att för det mer diskriminerande objektet (punkt 3) når informationsfunktionen högre nivåer och toppen uppträder vid positionsparametern b3.

FIGUR 2

INFORMATIONSFUNKTIONER: 2-PARAMETER logistisk modell

en viktig egenskap hos IF, som definieras av Birnbaum är dess tillsatsegenskap; informationen som överförs av olika objekt på en given attitydnivå kan läggas till för att erhålla den totala informationen som överförs av skalan på den attitydnivån. Därför är det möjligt att utvärdera bidraget för varje objekt och den totala informationen som överförs av skalan. Dessutom anger IF den maximala noggrannhet som kan uppnås av varje objekt på varje nivå av attityden, i motsats till traditionella tillförlitlighetsåtgärder beräknade över hela intervallet. Att lägga till objekt med samma egenskaper (artikelposition bi, artikeldiskriminering ai) kommer således att förbättra noggrannheten endast i det attitydområde som redan omfattas av objekten, utan förbättring på andra nivåer av attityd.

därför löser begreppet informationsfunktion det pålitlighetsdilemma som nämnts tidigare i detta dokument. Det ger objektiva sätt att välja objekt för en skala, enligt forskarens mål. Om en politiker var intresserad av att identifiera väljare med osäkra politiska attityder, som kan vara mottagliga för attitydförändringar, bör skalan koncentrera sig på föremål placerade i mellanområdet.

modeller för Polykotomiska svar

Samejimas (1969) beställda (graderade) svar (eller) modell ger en polykotomisk förlängning för fallet där det finns två eller flera beställda kategorier. Till exempel, i fallet med ett objekt som görs på en skala från 1 till 3, kan två svarskurvor för objekt användas för att beskriva den villkorliga (på attitydnivå j) sannolikheten för att svara på en viss kategori på ett stegvis sätt. I det första steget erhålls funktioner för att representera svaret i den första kategorin kontra en högre kategori (1 mot 2 eller 3) och för ett svar i den första och andra kategorin kontra den tredje (1 och 2 mot 3). Dessa svarsfunktioner representeras av kurvorna i Figur 3. Det andra steget är bara att subtrahera de successiva svarsfunktionerna från varandra för att erhålla de önskade svarssannolikheterna för varje kategori. Observera att sannolikheterna för de extrema kategorierna erhålls genom att subtrahera svarsfunktionerna från 1,0 och 0,0. Sedan i Figur 3, för en individ med attitydnivå 0j, är sannolikheten att svara med kategorierna 1, 2 och tre 0,17, 0,63 respektive 0,20. Svarsfunktionerna i Figur 3 modelleras enkelt som:

Fijp = 1

1+e-ai (bip-0j)

var: Fijp-sannolikheten för en person j med attityd 0j svara på punkt i med kategori p eller bättre. Som i den binära modellen kan ai tolkas som den diskriminerande kraften hos artikel i och bip som positionen för PTH-kategorin av artikel i på attitydkontinuum.

informationsfunktionen definierades av Samejima på ett sätt som motsvarar Birnbaums formulering. OR-modellen tillhandahåller en informationsfunktion för varje svarskategori i objektet. Därför kan bidraget från varje svarskategori för ett objekt till mätnoggrannheten, på varje attitydnivå, bedömas. IF: erna kan summeras över kategorier för ett objekt för att ge ett mått på artikelinformationsvärdet. Dessutom gör Samejimas eller modell inga metriska antaganden om svarskategorierna; intervallet mellan svarskategorier är inte fixat ”a priori” och kan till och med variera för olika objekt. Även rangordningsantagandet om svarskategorier är avslappnat i nominellt svar (NR) modell utvecklad av Bock (1972). Bock utvecklade sin modell som en polychotom logit-modell och förklarade valet av en svarskategori för ett visst objekt som en funktion av artikelkategoriparametrar och individens attitydnivå. Modellformuleringen, men något mer komplex, är mycket lik den binära modellen. Detta beror på att en 3-Kategori betygsskala kan representeras av 2 binära betygsskalor eller i allmänhet kan en n-kategori betygsskala representeras av (n-l) binära skalor. Bocks modell ger ICC och IF för varje nominell svarskategori som kan tolkas på ett sätt som liknar den binära modellen. Till exempel representerar ICC för varje kategori (för ett visst objekt) sannolikheten för att en respondent med en given attityd kommer att svara med den kategorin.

figur 3

exempel på graderad SVARSMODELL med tre kategorier

den största fördelen med NR-modellen över OR-modellen är att eftersom inget antagande görs om svarskategoriernas ordning bestäms deras relativa ordning av själva uppgifterna och kan variera för olika objekt. Följaktligen är det användbart när det inte finns någon ”logisk” eller intuitiv ordning för svarskategorierna, som det händer med ”vet inte”, ”ingen åsikt” och ”inget svar” svar.

metodik och analys

de data som används för att illustrera användningen av Latent Egenskapsteori för attitydskalning är ”anomia” – skalan (Srole, 1956) från National Opinion Research Council (NORC) undersökning för 1973. Anomia ses som en individer generaliserad, genomgripande känsla av social malintegration eller ”själv-till-andra alienation.”Skalan är endimensionell och består av 9 objekt som anges i Tabell 1 och tre svarskategorier (håller med, håller inte med, vet inte). 400 fall valdes slumpmässigt från det totala urvalet på cirka 1200. Ett större prov var inte nödvändigt för beräkningsnoggrannhet och skulle bara ha uppblåst beräkningstiden/kostnaderna. Den beräkningsalgoritm som användes var LOGOG-programmet (Kolakowski och Bock, 1973). Analyserna och resultaten presenteras för att illustrera: (1) artikelval baserat på Informationsfunktioner och (2) Behandling av vet inte svar.

först analyseras data med hjälp av den binära modellen som behandlar DK som saknade värden. De härledda parametrarna används för att utveckla ICC: s och IF: s. dessa kurvor används för att illustrera att (1) artikelpositioner varierar längs attitydkontinuum, dvs objekt ger information på olika attitydnivåer, (2) objekt kan vara duplicerande eller överflödiga, dvs ge samma information, och (3) objekt med lägre sluttningar ger mindre information.

TABELL 1

ANOMIA SKALA

1. Förutom hälsa är pengar det viktigaste i livet

2. Ibland kan du inte låta bli att undra om något är värt längre

3. För att tjäna pengar finns det inte rätt fel sätt längre, bara enkla och svåra sätt

4. Numera måste en person leva ganska mycket för idag och låta imorgon ta hand om sig själv

5. I spottar av vad vissa människor säger blir den genomsnittliga människans parti (situation och tillstånd) värre, inte bättre

6. Det är knappast rättvist att få ett barn till världen med hur saker ser ut för framtiden

7. De flesta offentliga tjänstemän är inte riktigt intresserade av problemen med den genomsnittliga mannen

8. Idag vet en person inte riktigt vem han kan räkna med

9. De flesta bryr sig inte riktigt om vad som händer med nästa felloe

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

resultaten av den binära modellen jämförs också med Alfafaktoranalys (baserad på Cronbachs alfa) för att illustrera likheterna och skillnaderna mellan latenta Dragmetoder och traditionella skalningstekniker.

för det andra uppskattas polykotomiska modeller som behandlar DR som medelvärden och sedan som nominella svar. Det senare fallet tillåter DK att” flyta”, dvs ha en hög, mitten eller låg kategorisk position. Effekten av behandlingen av DR på information visas i två illustrativa fall där det skulle vara lämpligt respektive olämpligt att behandla DR som medel-eller medelvärden.

resultat

val av objekt med hjälp av Informationsfunktioner

de två första kolumnerna i Tabell 2 presenterar godhet-of-it-statistik (Chi-kvadrat och signifikansnivå z) för Birnbaums 2-Parameterlogistikmodell, applicerad på 9-item Anomia-skalan, med vet inte tangent som saknade värden. De uppskattade postpositionsparametrarna bi och diskrimineringsparametrarna ai visas i Tabell 2 och motsvarande ICC och IF presenteras i figurerna 4 och 5. Från ICC: erna i figurerna 4 och positionsparametrarna bi i kolumnerna 3 och 4 i Tabell 2 kan man se att de 9 artiklarna koncentrerar sig på attityderna mellan b8 = -1.1 och b3 = 1.6. Därför kommer denna skala att ge sin bästa mätnoggrannhet på detta antal attityder (eftersom varje objekt ger sin maximala information nära sin position bi). Genom att jämföra ICC: s kan man se att punkterna 5 och 7 är något överflödiga, (b5 = -.588, b7 = -.562; a5 = 1.132, a7 = 1.032), vilket ger det mesta av deras information på samma nivåer av attityd. IF: erna som plottas på Figur 5 bekräftar denna redundans och visar artiklarna 5 och 7 med samma form och toppar på samma attitydnivå. Dessutom har artiklarna 2 och 4 liknande ICC och IF.

tabell 2

ARTIKELPARAMETER: 2-PARAMETER logistisk modell – (vet inte som saknade värden)

figur 4

ICC för ANOMIA-objekt: Binär modell

figur 5

Informationsfunktioner för ANOMIA-objekt: binär modell

Figur 5 visar också en tydlig åtskillnad mellan artiklarna 1 till 4, som ger låg information och artiklarna 5 till 9, som har IF-topp vid högre värden (ant högre ai-värden). Denna skillnad mellan de två uppsättningarna av objekt bekräftar resultaten av Alfafaktoranalys utförd på samma data (behandla DK som saknade värden). Alfafaktoranalys resulterade i härledningen av endast en faktor (egenvärde = 3,14) baserat på armbågsregeln. Faktorbelastningarna för artiklarna 1 till 9 var, respektive, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, det kan lätt observeras att punkterna 5 till 9 som har högre Faktorbelastningar också har högre toppar för sina motsvarande Informationsfunktioner (Figur 5). Det verkar som om antingen proceduren (Alfafaktor eller Latent egenskap) skulle välja samma objekt för skalan. IF: erna som tillhandahålls av Latent Egenskapsprocedur indikerar dock attitydnivåerna där objekten är mest informativa. Som visas i Figur 5 punkt 8 ger sin högsta information vid låga attitydnivåer medan punkt 6 är mer informativ på höga nivåer. Dessutom tillåter IF forskaren att identifiera överflödiga föremål (5 och 7; 2 och 4), vilket inte skulle upptäckas av tillförlitlighetsåtgärder. Det verkar lämpligt att behålla punkt 5 (punkt 7 har en lägre lutning/om topp) om målet var att minska redundans av poster. Detta skulle dock också sänka mätnoggrannheten kring attitydnivå 0j = -0.57.

behandling av Vet inte Svarskategorier

OR-modellen med DR mellan ”oense” och ”överens” applicerades på anomia-skalan. För att undvika detta restriktiva antagande tillämpades NR-modellen på samma data. Eller de 9 artiklarna i skalan resulterade endast i punkterna 3 och 9 i kategoriseringen av DR i den nedre ytterligheten (dvs. i beställningen DK, håller inte med, håller med). För att visa effekten av att betrakta DR som en mellankategori presenterar vi ICC: s härledda från NR-modellen för artiklarna 7 och 9 i Figur 6. Eftersom anomia ökar sannolikheten för att komma överens med punkterna 7 och 9 ökar. Men med en ökning av anomia minskar sannolikheten för oenighet monotont för punkt 7 medan den först ökar och sedan minskar för punkt 9. Slutligen ökar sannolikheten för att svara inte när anomia minskar för artikel 9 medan den har en maxima på mellannivå för artikel 7 som indikerar att DR är ”beställd” som en mellankategori för artikel 7 och en lägre extrem kategori för artikel 9.

med tanke på” beställningarna ” baserat på NR-modellen förväntar vi oss att OR-modellen går lika bra för artikel 7 och inte riktigt lika bra för artikel 9. I det senare fallet (punkt 9) skulle tvingande DK som en mellankategori leda till förlust av information. Detta illustreras tydligt av IF: erna för punkterna 7 och 9 som motsvarar BR, OR och NR-modellerna i Figur 7. För punkt 7 ökar införandet av DR som en mellankategori informationen som överförs av artikeln jämfört med den binära modellen som behandlar DR som saknade data. Avslappningen av rangordningsantagandet i NR-modellen förbättrar inte informationen jämfört med eller-modellen, vilket kan tas som en indikation på att DR verkligen är en mellankategori. För punkt 9 resulterar införandet av DR som en mellankategori också i en vinst i den information som överförs av artikeln. Men när NR-modellen används (vilket resulterar i en låg extrem position för DR: er som nämnts tidigare), erhålls ännu mer information, inte bara vid toppen utan också vid ow-inställningsnivåer där sannolikheten för DK-svar ökar. Detta indikerar att användbar information (eller kräsande förmåga) går förlorad i den nedre delen av attitydskalan genom att behandla ett extremt (lågt) värde DK-svar som saknade data eller som mellankategori. Naturligtvis skulle det vara svårt att definiera DR vid låg extrema a priori. Det bör noteras att NR-modellen helt enkelt väljer positionen för DK-kategorin för att få ”sanningen.”Men om ICC för DK passar ett litet intervall är det troligt att dess medelvärde är konsekvent mellan de svarande som samplatsas. Om kurvan sprids ut betyder DK olika saker för olika personer

figur 6

ICC för artiklarna 7 och 9: beställd SVARSMODELL – (DK i mitten)

slutsatser

detta expository paper tjänar till att illustrera användningen av latenta Dragteoribaserade procedurer för attitydskalning. I synnerhet kan artikelns karakteristiska kurvor och Informationsfunktioner vara användbara för objektval i skalkonstruktion. Latenta Dragteorimodeller kan vara mer användbara än traditionella skalningstekniker eftersom de inte bara ger mått på artikelinformationsvärde utan också mått på attitydnivåerna där objekt sannolikt kommer att ha störst diskriminerande förmåga. Dessa åtgärder kan användas för att ta bort överflödiga eller duplicerande objekt och/eller för att medvetet öka skalans noggrannhet vid önskade attitydnivåer.

figur 7

jämförelse av Informationsfunktioner – punkt 7 och 9

dessutom kan Svar på flera kategoriklassificeringsskalor analyseras med den nominella Svarsmodellen som ger mått på bidrag från varje svarskategori för varje objekt på varje attitydnivå, snarare än ett allmänt mått på förhållandet mellan enskilda objekt och skalan. Den nominella Svarsmodellen kräver inga metriska antaganden om data och” vet inte”,” ingen åsikt ”och” inget svar ” – kategorier kan skalas och användas som informationskällor för attitydmätning. Som visas (för punkterna 7 och 9) kan ”vet inte” – svar bidra till mätnoggrannheten och deras bidrag kan ske i olika inställningsområden, beroende på objektet.

slutligen bör det nämnas att de latenta Egenskapsteoribaserade procedurerna har andra fördelar som inte diskuteras i detta dokument. Kalibreringsprocedurerna är oberoende av de specifika objekt som används (artikelfri inställningsskalning) såväl som provet (provfri skalkalibrering) som diskuterats av Wright (1968). När parametrarna har bestämts för varje artikelkategorisammansättning är det också möjligt att utveckla ”skräddarsydda” procedurer för datainsamling som ska användas på andra prover. Till exempel, om en svarande inte håller med om ett objekt som har en låg positionsparameter (bi) längs ett attitydkontinuum, kommer det inte att vara särskilt användbart att administrera objekt som har högre positionsparametrar. Denna funktion bör bli allt viktigare med tillkomsten av interaktiva, datoriserade datainsamlingsförfaranden. Förhoppningen är att detta dokument kommer att ge impulser mot ökad användning av Latent egenskap teori baserade attityd skalning förfaranden som ger mer objektiv skala konstruktionskriterier.

Birnbaum, A. (1968),” vissa latenta Dragmodeller och deras användning för att avleda en undersökares förmåga”, i F. M. Lord och L R. Novick (Red.), Statistiska teorier om mentala Testresultat, (läsning, massa. Addison-Wesley).

Bock, R. V. (1972),” uppskatta Artikelparametrar och Latent förmåga när kategorier görs i två eller flera nominella kategorier, ” Psychometrika, 37, 29-51.

Converse, J. (vinter, 1977), ”förutspår ingen åsikt om omröstningarna”, den allmänna opinionen kvartalsvis, 40, 515-30.

Coombs, C. S. och Coombs, L. (vinter 1977),” vet inte Punkt tvetydighet eller svarande osäkerhet”, allmän Opinion kvartalsvis, 40, 457-514.

Francis, J. och Busch, L. (sommar, 1975), ”vad vi vet om” jag vet inte”, ” Public Opinion Quarterly, 39, 207-18.

Innes, J. M. (1977),” extremitet och ”vet inte” Setts i Frågeformulär, ” British Journal of Social and Clinical Psychology, 16, 9-12.

Kolakowski, D. och Bock, R. D. (1973), maximal Sannolikhetsartikelanalys och testpoäng: logistisk modell för svar på flera artiklar (Ann Arbor, Michigan: National Educational Resources Inc. 5.

Lazarfeld, PF (1954) ”en konceptuell introduktion till Latent strukturanalys”, i matematisk koppling inom samhällsvetenskapen, (Glencoe, Illinois: Free Press

Lord, FM (1952), ”en teori om Testresultat”, psykometrisk monografi nr. 7, Psykometrika Samhället.

Rasch, F. (1960), probabilistiska modeller för vissa intelligensprov och Uppnåelsetester, (Köpenhamn: Danska Institutet för pedagogisk forskning).

Samejima, F. (1969),” uppskattning av Latent förmåga med hjälp av ett svarsmönster av graderade poäng, ” Psychometrika Monograph Supplement, nr 17.

Srole, L. (1956),” Social Integration och vissa följder, ” American Sociological Review, 21, 709-16.

Wright, B. D. (1968),” provfri Testkalibrering och Personmätning”, förfaranden från 1967 Invitational Conference on Testing Problems (Princeton, NJ : Educational Testing Services), 85-101.

Lämna ett svar

Din e-postadress kommer inte publiceras.