Amarengo

Articles and news

Teoría de Rasgos Latentes y Escalado de Actitudes: el Uso de Funciones de Información Para la Selección de Ítems

RESUMEN – Este artículo expositivo demuestra la utilidad de los procedimientos basados en la Teoría de Rasgos Latentes para propósitos de escalado de actitudes. En particular, se muestra que diferentes elementos proporcionan diferentes cantidades de» información » (o capacidad de discernimiento) para diferentes niveles de actitud. En consecuencia, los elementos pueden elegirse de acuerdo con su capacidad para proporcionar información a niveles de actitud específicos. Además, la redundancia puede reducirse eliminando elementos que presenten información similar.

Cita:

Wagner Kamakura y Rajendra R. Srivastava (1982),» Latent Trait Theory and Attitude Scaling: the Use of Information Functions For Item Selection», en NA – Advances in Consumer Research Volume 09, eds. Andrew Mitchell, Ann Abor, MI: Asociación para la Investigación del Consumidor, Páginas: 251-256.

Avances en la Investigación del Consumidor Volumen 9, 1982 Páginas 251-256

TEORÍA DE RASGOS LATENTES Y ESCALA DE ACTITUDES: EL USO DE FUNCIONES DE INFORMACIÓN PARA LA SELECCIÓN DE ARTÍCULOS

Wagner Kamakura (estudiante), Universidad de Texas en Austin

Rajendra R. Srivastava, Universidad de Texas en Austin

RESUMEN –

Este artículo expositivo demuestra la utilidad de los procedimientos basados en la Teoría de Rasgos Latentes para el escalado de actitudes. En particular, se muestra que diferentes elementos proporcionan diferentes cantidades de» información » (o capacidad de discernimiento) para diferentes niveles de actitud. En consecuencia, los elementos pueden elegirse de acuerdo con su capacidad para proporcionar información a niveles de actitud específicos. Además, la redundancia puede reducirse eliminando elementos que presenten información similar.

INTRODUCCIÓN

Los procedimientos de escalado tradicionales basados en medidas de confiabilidad han recibido la mayor atención para el escalado de actitudes en la literatura de investigación de mercados, como lo demuestran los artículos en el número especial de la Revista de Investigación de Mercados sobre medición (febrero de 1979). Estos procedimientos asumen un error estándar constante de medición a lo largo del continuo de actitud, es decir, la confiabilidad solo indica la eficiencia general de la escala en todos los niveles de actitud. Aunque la correlación de un elemento con la escala (por ejemplo, de una variable con la puntuación de los factores) puede ayudar a elegir los elementos que más contribuyen a la escala, es difícil descifrar si estos elementos contribuyen a la capacidad de discernimiento en los extremos alto o bajo de la escala de actitud. Además, los procedimientos tradicionales no proporcionan una medida de la contribución específica de cada categoría de respuesta a la precisión de la medición. Por ejemplo, para elementos de tipo Likert, ¿»totalmente de acuerdo» proporciona más información que «de acuerdo», dado el elemento, a lo largo de la escala de actitud? Además, el coeficiente de confiabilidad alfa conduce a reglas paradójicas para decidir qué elementos, o cuántos, incluir en la escala: (a) se deben elegir elementos altamente correlacionados entre sí para aumentar la confiabilidad, y (b) se deben incluir elementos con baja intercorrelación entre sí, pero con alta correlación con el rasgo principal que se está midiendo para mejorar la validez.

Finalmente, las categorías de respuesta» no sé » (DK) se han manejado tradicionalmente sustituyendo el valor medio (entre los encuestados) o la categoría media en una escala bipolar para reflejar una decisión difícil (Coombs y Coombs, 1977). También se han realizado algunas investigaciones para determinar si las respuestas DK surgen debido al estilo de respuesta relacionado con las características del encuestado (Converse 1977, Francis y Busch 1975, Innes 1977). En general, sin embargo, la investigación sobre el tratamiento de los DK es muy limitada: no sabemos mucho sobre cómo manejar las respuestas de «no sé».

En este artículo presentamos enfoques basados en la Teoría de Rasgos Latentes que permiten al investigador seleccionar elementos sobre la base de su capacidad discriminante a lo largo del continuo de actitud (por lo tanto, si un investigador está particularmente interesado en aumentar la precisión en niveles particulares de actitud, por ejemplo, en el rango medio para identificar prospectos «conmutables», puede hacerlo aumentando el número de elementos que proporcionan capacidad discriminadora en esos niveles). Una ventaja adicional de estos enfoques es el tratamiento de DK como respuestas nominales, lo que permite que la categoría esté representada por posiciones variables a lo largo de medidas de tipo likert, dependiendo del ítem. Como se discutirá en la siguiente sección, esto proporciona información adicional que normalmente se pierde al tratar los valores de DK como valores faltantes y potencialmente tergiversados al tratarlos como categorías medias o intermedias.

TEORÍA DE RASGOS LATENTES

En esta sección examinamos los Modelos básicos de Rasgos Latentes para elementos dicotómicos y las extensiones posteriores para el caso policotómico. Estos modelos se basan principalmente en el enfoque estocástico para la medición mental introducido por Lord (1952) y Rasch (1960) a principios de los años 60.

Modelos para Respuestas dicotómicas

La teoría desarrollada por Lord (1952) es una variante de la «Teoría de la Estructura Latente» de Lazerfeld (1954) restringida a una sola dimensión, donde los individuos se colocan a lo largo de un continuo rasgo/actitud, y la probabilidad de que respondan positivamente a una el elemento dicotómico depende de la posición del elemento en relación con la posición del individuo en esta misma dimensión.

Rasch (1960) utilizó un enfoque similar, pero modeló la probabilidad de respuestas positivas como una función logística del rasgo/actitud del individuo y las características del objeto, en lugar de una función ojiva Normal utilizada por Lord. Debido a su simplicidad y ventajas computacionales, el Modelo Logístico ha recibido mayor atención en la literatura que el Modelo Ojival Normal. Una extensión importante del Modelo Logístico de Rasch es el Modelo Logístico de 2 Parámetros derivado por Birnbaum (1968) que incluye la posibilidad de que los elementos difieran no solo en su posición en el continuo rasgo/ actitud, sino también en su poder de discriminar en diferentes niveles de ese continuo

En su Modelo de Respuesta Binaria Logística (BR) de 2 Parámetros Birnbaum define la probabilidad de que un individuo dado j responda positivamente a un elemento i como una función logística del rasgo o actitud del individuo, y las características del elemento, tales que,

Pij = 1 (1)

1+e-ai(bi-0j)

donde,

Pij = probabilidad de que el individuo j responda al elemento i con una respuesta positiva

0j = nivel de actitud para el individuo j

bi = parámetro de posición para el elemento i

ai = parámetro de discriminación para el elemento i

Siguiendo el original de Rasch conceptualización, este modelo también colocó los ítems i y los individuos j en el mismo continuo de actitud. El parámetro de posición bi para el ítem i se define como la posición del ítem en el continuo de actitud que resultaría en un 50% de probabilidad de una respuesta positiva. Para la actitud de un individuo 0j igual al parámetro position bi, el exponente en la Ec. 1 se convierte en nulo, y la probabilidad de que un individuo j responda al elemento i resulta positivamente en Pij = 1/2.

El parámetro de discriminación para un elemento i dado se define como la pendiente máxima de la función logística (también llamada Curva Característica de elemento (ICC)) definida en la Ec. 1. La pendiente máxima de una curva logística se produce en un nivel de actitud 0j igual a la posición del elemento bi, es decir, en el punto medio, como se muestra en la Figura 1. Y, cuanto más pronunciada es la pendiente (mayor es el valor del parámetro de discriminación ai) de un elemento, mejor discrimina entre los encuestados con niveles de actitud 0j en la vecindad del parámetro de posición bi, ya que una pequeña variación en la actitud se detectará por una gran variación en la probabilidad de respuesta positiva. El lector notará que cuando la pendiente ai=/, la curva característica del ítem está representada por una línea recta que representa Pi: = 0,50, es decir, una probabilidad de 50-50 de una respuesta positiva, independientemente de la actitud 0j del encuestado.

La definición de los parámetros del ítem se puede entender mejor en la Figura 1, donde los ítems 1 y 3 se posicionan en los rangos de actitud inferior y superior respectivamente, mientras que el ítem 2 se posiciona en el rango medio. Por lo tanto, solo los individuos con niveles de actitud elevados ij estarán de acuerdo con el ítem 3, ya que es necesario tener una actitud superior a b3 para una probabilidad de respuesta positiva superior al 50%. Por otro lado, solo las personas de actitud baja estarán en desacuerdo con el ítem 1. Además, el lector puede ver fácilmente que el ítem 3 tiene el mayor poder discriminatorio, ya que una ligera variación de la actitud 0j alrededor de la posición del ítem b3 resulta en un gran cambio de la probabilidad de casi cero a casi uno.

FIGURA 1

CURVAS CARACTERÍSTICAS DE ELEMENTOS (C. I. C.): MODELO LOGÍSTICO DE 2 PARÁMETROS (BINARIO)

Una contribución importante de Birnbaum, además de su extensión del modelo Rasch, es el concepto de Función de Información (IF), que proporciona una indicación de precisión de medición para cada nivel de actitud Oj para cada elemento de una escala. La información transmitida por un ítem a un nivel de actitud dado Oo es definida por Birnbaum como inversamente proporcional al cuadrado de la longitud de la confianza interna asintótica para la estimación de Oo, o directamente proporcional al cuadrado de la pendiente del ICC en el nivel de actitud Oo. Para el modelo BR, Birnbaum demostró que la información transmitida por un elemento i de un nivel de habilidad dado Oj puede calcularse en

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

donde P’ij es la pendiente de la curva logística en el nivel de habilidad 0j.

Por lo tanto, el concepto de información está directamente relacionado con el parámetro de discriminación ai, y para el modelo de 2 parámetros, un elemento más discriminatorio proporcionará más información, con su máximo en la posición del elemento bi. En la Figura 2, se representan las funciones de información de los mismos elementos de la Figura 1, y se puede ver fácilmente que para el elemento más discriminatorio (Elemento 3), la función de información alcanza niveles más altos, y el pico se produce en el parámetro de posición b3.

FIGURA 2

FUNCIONES DE INFORMACIÓN: MODELO LOGÍSTICO DE 2 PARÁMETROS

Una característica importante del FI, tal como lo define Birnbaum, es su propiedad aditiva; la información transmitida por diferentes ítems a un nivel de actitud dado se puede agregar para obtener la información total transmitida por la escala a ese nivel de actitud. Por lo tanto, es posible evaluar la contribución de cada ítem y la información total transmitida por la escala. Además, el FI indica la máxima precisión alcanzable por cada elemento en cada nivel de la actitud, en contraste con las medidas de confiabilidad tradicionales calculadas en todo el rango. Por lo tanto, agregar elementos con las mismas características (posición de elemento bi, discriminación de elemento ai) mejorará la precisión solo en el rango de actitud ya cubierto por los elementos, sin mejoras en otros niveles de actitud.

Por lo tanto, el concepto de función de información resuelve el dilema de confiabilidad mencionado anteriormente en este artículo. Proporciona medios objetivos de selección de ítems para una escala, de acuerdo con el objetivo del investigador. Si un político estaba interesado en identificar votantes con actitudes políticas inciertas, que podrían ser susceptibles a cambios de actitud, la escala debería concentrarse en elementos ubicados en el rango medio.

Modelos para Respuestas Policotómicas

El Modelo de Respuesta (OR) Ordenada (Graduada) de Samejima (1969) proporciona una extensión policotómica para el caso en que hay dos o más categorías ordenadas. Por ejemplo, en el caso de un ítem puntuado en una escala de 1 a 3, se pueden usar dos curvas de respuesta de ítem para describir la probabilidad condicional (en el nivel de actitud j) de responder a cualquier categoría en particular de manera escalonada. En la primera etapa, se obtienen funciones para representar la respuesta en la primera categoría versus una categoría superior (1 vs. 2 o 3), y para una respuesta en la primera y segunda categoría versus la tercera (1 y 2 vs.3). Estas funciones de respuesta están representadas por las curvas de la Figura 3. La segunda etapa es simplemente restar las funciones de respuesta sucesivas entre sí para obtener las probabilidades de respuesta deseadas para cada categoría. Tenga en cuenta que las probabilidades para las categorías extremas se obtienen restando las funciones de respuesta de 1.0 y 0.0. Luego, en la Figura 3, para un individuo con nivel de actitud 0j, la probabilidad de responder con las categorías 1, 2 y tres es de 0,17, 0,63 y 0,20, respectivamente. Las funciones de respuesta de la Figura 3 se modelan fácilmente como:

Fijp = 1

1+e-ai (bip-0j)

donde: Fijp-probabilidad de que una persona j con actitud 0j responda al ítem i con categoría p o superior. Al igual que en el modelo binario, la ia puede interpretarse como el poder discriminador del elemento i y el bip como la posición de la categoría pth del elemento i en el continuo de actitud.

La función de información fue definida por Samejima de una manera equivalente a la formulación de Birnbaum. El modelo OR proporciona una función de información para cada categoría de respuesta del elemento. Por lo tanto, se puede evaluar la contribución de cada categoría de respuesta de un elemento a la precisión de la medición, en cada nivel de actitud. Los FI se pueden sumar en las categorías de un elemento para proporcionar una medida del valor de la información de los elementos. Además, el Modelo OR de Samejima no hace suposiciones métricas sobre las categorías de respuesta; el intervalo entre las categorías de respuesta no es fijo «a priori» e incluso puede variar para diferentes elementos. Incluso el supuesto de orden de rango sobre las categorías de respuesta está relajado en el Modelo de Respuesta Nominal (NR) desarrollado por Bock (1972). Bock desarrolló su modelo como un modelo logit policotómico, explicando la elección de una categoría de respuesta para un artículo dado en función de los parámetros de la categoría de artículo y el nivel de actitud del individuo. La formulación del modelo, aunque algo más compleja, es muy similar al modelo binario. Esto se debe a que una escala de calificación de 3 categorías puede estar representada por 2 escalas de calificación binarias o, en general, una escala de calificación de n categorías puede estar representada por escalas binarias (n-l). El modelo de Bock proporciona ICC y FI para cada categoría de respuesta nominal que puede interpretarse de manera similar al modelo binario. Por ejemplo, el ICC para cada categoría (para un elemento dado) representa la probabilidad de que un encuestado con una actitud determinada responda con esa categoría.

FIGURA 3

EJEMPLO DE MODELO DE RESPUESTA GRADUADA CON TRES CATEGORÍAS

La principal ventaja del Modelo NR sobre el Modelo OR es que, dado que no se asume el orden de las categorías de respuesta, su orden relativo está determinado por los datos en sí y puede variar para diferentes elementos. En consecuencia, es útil cuando no hay un orden» lógico «o intuitivo de las categorías de respuesta, como sucede con las respuestas» No Sé»,» Sin Opinión «y» Sin Respuesta».

METODOLOGÍA Y ANÁLISIS

Los datos utilizados para ilustrar el uso de la Teoría de Rasgos Latentes para el escalado de actitudes es la escala de «anomia» (Srole, 1956) extraída de la encuesta del Consejo Nacional de Investigación de Opinión (NORC) de 1973. La anomia es vista como un sentido generalizado y penetrante de malintegración social de los individuos o alienación de «uno mismo con los demás».»La escala es unidimensional y consta de 9 ítems listados en la Tabla 1, y tres categorías de respuesta (de acuerdo, en desacuerdo, no lo sé). se seleccionaron al azar 400 casos de una muestra total de aproximadamente 1.200. Una muestra más grande no era necesaria para la precisión del cálculo y simplemente habría inflado el tiempo y los costos de cálculo. El algoritmo computacional utilizado fue el programa LOGOG (Kolakowski y Bock, 1973). Los análisis y resultados se presentan para ilustrar: (1) selección de ítems basada en funciones de información, y (2) tratamiento de respuestas no conocidas.

En primer lugar, los datos se analizan mediante el modelo binario que trata a los DK como valores faltantes. Estas curvas se utilizan para ilustrar que (1) las posiciones de los elementos varían a lo largo del continuo de actitud, es decir, los elementos proporcionan información en diferentes niveles de actitud, (2) los elementos pueden ser duplicados o redundantes, es decir, proporcionar la misma información, y (3) los elementos con pendientes más bajas proporcionan menos información.

TABLA 1

ESCALA DE ANOMIA

1. Junto a la salud, el dinero es lo más importante en la vida

2. A veces no puedes dejar de preguntarte si algo vale la pena más

3. Para ganar dinero ya no hay formas correctas e incorrectas, solo formas fáciles y difíciles

4. Hoy en día, una persona tiene que vivir más o menos para hoy y dejar que el mañana se cuide

5. En los escupitajos de lo que algunas personas dicen, el lote (situación y condición) del hombre promedio está empeorando, no mejor

6. No es justo traer a un niño al mundo con la forma en que las cosas se ven para el futuro

7. La mayoría de los funcionarios públicos no están realmente interesados en los problemas del hombre medio

8. En estos días, una persona no sabe realmente con quién puede contar

9. A la mayoría de la gente no le importa lo que le pase al siguiente felloe

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

Los resultados del modelo binario también se comparan con el Análisis del Factor Alfa (basado en el alfa de Cronbach) para ilustrar las similitudes y diferencias entre los Enfoques de Rasgos Latentes y las técnicas de escalado Tradicionales.

En segundo lugar, los modelos policotómicos se estiman tratando los DR como valores medios y luego como respuestas nominales. Este último caso permite a los DK «flotar», es decir, tener una posición categórica alta, media o baja. El efecto del tratamiento de los DR en la información se muestra en dos casos ilustrativos en los que sería apropiado e inapropiado, respectivamente, tratar los DR como valores medios o medios.

RESULTADOS

Selección de Ítems Utilizando Funciones de Información

Las dos primeras columnas de la Tabla 2 presentan estadísticas de bondad de la ti (Chi-Cuadrado y nivel de significancia z) para el Modelo Logístico de 2 Parámetros de Birnbaum, aplicado a la escala de Anomia de 9 ítems, con la clave No Sabe como valores faltantes. Los parámetros de posición de ítem estimados bi y los parámetros de discriminación ai se muestran en la Tabla 2 y los ICC y FI correspondientes se presentan en las Figuras 4 y 5. De los CPI en las Figuras 4 y de los parámetros de posición bi en las columnas 3 y 4 en la Tabla 2 se puede ver que los 9 ítems se concentran en el rango de actitudes entre b8 = -1.1 y b3 = 1.6. Por lo tanto, esta escala proporcionará su mejor precisión de medición en este rango de actitudes (ya que cada elemento proporciona su máxima información cerca de su posición bi). Al comparar las ICC se puede ver que los ítems 5 y 7 son algo redundantes, (b5= -.588, b7 = -.562; a5 = 1.132, a7 = 1.032), proporcionando la mayor parte de su información en los mismos niveles de actitud. Los IF trazados en la Figura 5 confirman esta redundancia, mostrando los ítems 5 y 7 con la misma forma, alcanzando el mismo nivel de actitud. Además, los elementos 2 y 4 tienen ICC y FI similares.

TABLA 2

PARÁMETRO DEL ELEMENTO: MODELO LOGÍSTICO DE 2 PARÁMETROS – (NO SE CONOCE COMO VALORES FALTANTES)

FIGURA 4

ICC PARA ELEMENTOS DE ANOMIA: MODELO BINARIO

FIGURA 5

FUNCIONES DE INFORMACIÓN PARA ELEMENTOS DE ANOMIA: EL MODELO BINARIO

Figura 5 también muestra una clara distinción entre los elementos del 1 al 4, que proporcionan información baja, y los elementos del 5 al 9, que tienen valores máximos de FI a valores más altos (valores de ia ant más altos). Esta diferencia entre los dos conjuntos de elementos confirma los resultados del análisis del factor Alfa realizado en los mismos datos (tratando DK como valores faltantes). El análisis del factor Alfa resultó en la derivación de un solo factor (valor propio = 3,14) basado en la regla del codo. Las cargas de factores para los ítems 1 a 9 fueron, respectivamente, -0.004, 0.028, 0.074, 0.073, 0.330, 0.560, 0.418, 0.422, 0.495, Se observa fácilmente que los ítems 5 a 9 que tienen Cargas Factoriales más altas también tienen picos más altos para sus funciones de información correspondientes (Figura 5). Parecería que cualquiera de los procedimientos (Factor Alfa o Rasgo Latente) seleccionaría los mismos elementos para la escala. Sin embargo, los FI proporcionados por el procedimiento de Rasgos Latentes indican los niveles de actitud donde los elementos son más informativos. Como se muestra en la Figura 5, el ítem 8 proporciona su información más alta en niveles de actitud bajos, mientras que el ítem 6 es más informativo en niveles altos. Además, el FI permite al investigador identificar ítems redundantes (5 y 7; 2 y 4), que no serían detectados por medidas de confiabilidad. Parecería útil mantener el tema 5 (el tema 7 tiene una pendiente más baja/SI es pico) si el objetivo fuera reducir la redundancia de artículos. Sin embargo, esto también reduciría la precisión de la medición alrededor del nivel de actitud 0j = -0.57.

Tratamiento de las Categorías de Respuesta No Conocida

El Modelo de Quirófano con RD entre «No Está de acuerdo» y «De Acuerdo» se aplicó a la escala de anomia. Para evitar este supuesto restrictivo, se aplicó el modelo NR a los mismos datos. O los 9 ítems de la escala, solo los ítems 3 y 9 resultaron en la categorización de DR en el extremo inferior (es decir, en el orden de DK, En desacuerdo, De acuerdo). Para demostrar el efecto de considerar la RD como una categoría intermedia, presentamos los CIC derivados del modelo NR para los ítems 7 y 9 en la Figura 6. A medida que aumenta la anomia, aumenta la probabilidad de estar de acuerdo con los ítems 7 y 9. Sin embargo, con un aumento de la anomia, la probabilidad de desacuerdo disminuye monótonamente para el ítem 7, mientras que primero aumenta y luego disminuye para el ítem 9. Finalmente, la probabilidad de responder no se sabe aumenta a medida que disminuye la anomia para el ítem 9, mientras que tiene un máximo en un nivel intermedio para el ítem 7, lo que indica que la RD está «ordenada» como una categoría intermedia para el ítem 7 y una categoría extrema inferior para el ítem 9.

Dados los «pedidos» basados en el modelo NR, esperaríamos que el modelo de quirófano tuviera un precio también para el artículo 7 y no tan bueno para el artículo 9. En este último caso (punto 9) forzar a DK como una categoría intermedia llevaría a una pérdida de información. Esto se ilustra claramente con los FI para los ítems 7 y 9 correspondientes a los modelos BR, OR y NR de la Figura 7. Para el ítem 7, la inclusión de DR como una categoría intermedia aumenta la información transmitida por el ítem en comparación con el modelo binario que trata DR como datos faltantes. La relajación de la suposición de orden de rango en el modelo NR no mejora la información en comparación con el modelo OR, lo que podría tomarse como una indicación de que DR es de hecho una categoría intermedia. Para el ítem 9, la inclusión de DR como categoría intermedia también da como resultado una ganancia en la información transmitida por el ítem. Sin embargo, cuando se utiliza el modelo NR (lo que resulta en una posición extrema baja para DR, como se mencionó anteriormente), se obtiene aún más información, no solo en el pico, sino también en los niveles de actitud ow, donde aumenta la probabilidad de respuestas DK. Esto indica que se pierde información útil (o capacidad de discernimiento) en el extremo inferior de la escala de actitud al tratar una respuesta DK de valor extremo (bajo) como datos faltantes o como categoría intermedia. Por supuesto, sería difícil definir DR en el extremo inferior a priori. Cabe señalar que el modelo NR simplemente elige la posición de la categoría DK para obtener la «verdad».»Sin embargo, si el ICC para DK se ajusta a un rango pequeño, es probable que su media sea consistente entre los encuestados muestreados. Si la curva está extendida, DK significa diferentes cosas para diferentes personas

FIGURA 6

C. I. C. PARA los ÍTEMS 7 Y 9: MODELO DE RESPUESTA ORDENADA – (D. K. EN EL CENTRO)

CONCLUSIONES

Este artículo expositivo sirve para ilustrar el uso de procedimientos basados en la Teoría de Rasgos Latentes para el escalado de actitudes. En particular, las curvas características de los elementos y las funciones de información pueden ser útiles para la selección de elementos en la construcción de escalas. Los modelos de Teoría de Rasgos latentes pueden ser más útiles que las técnicas de escalado tradicionales porque no solo proporcionan medidas del valor de la información de los elementos, sino también medidas de los niveles de actitud en los que es probable que los elementos tengan la mayor capacidad de discriminación. Estas medidas pueden utilizarse para eliminar elementos redundantes o duplicados y/o para aumentar conscientemente la precisión de la escala en los niveles de actitud deseados.

FIGURA 7

COMPARACIÓN DE FUNCIONES DE INFORMACIÓN – ÍTEM 7 Y 9

Además, las respuestas a escalas de calificación de múltiples categorías pueden analizarse mediante el Modelo de Respuesta Nominal que proporciona medidas de las contribuciones realizadas por cada categoría de respuesta de cada ítem en cada nivel de actitud, en lugar de una medida general de la relación entre los ítems individuales y la escala. El Modelo de Respuesta Nominal no requiere ninguna suposición métrica sobre los datos y las categorías «no sé», «sin opinión» y «sin respuesta» se pueden escalar y usar como fuentes de información para la medición de actitudes. Como se muestra (para los ítems 7 y 9), las respuestas de «no sé» pueden contribuir a la precisión de la medición y su contribución puede ocurrir en diferentes rangos de actitud, dependiendo del ítem.

Finalmente, se debe mencionar que los procedimientos basados en la Teoría de Rasgos Latentes tienen otras ventajas no discutidas en este artículo. Los procedimientos de calibración son independientes de los elementos específicos utilizados (escala de actitud libre de elementos), así como de la muestra (calibración de escala libre de muestras), según lo discutido por Wright (1968). Además, una vez que se determinan los parámetros para cada composición de categoría de artículo, es factible desarrollar procedimientos «a medida» para la recopilación de datos que se utilizarán en otras muestras. Por ejemplo, si un encuestado no está de acuerdo con que un elemento tenga un parámetro de posición baja (bi) a lo largo de un continuo de actitud, no será muy útil administrar elementos que tengan parámetros de posición más altos. Esta característica debería ser cada vez más importante con el advenimiento de los procedimientos interactivos y computadorizados de reunión de datos. Se espera que este artículo proporcione el impulso hacia un mayor uso de procedimientos de escala de actitud basados en la Teoría de Rasgos latentes que proporcionen criterios de construcción de escala más objetivos.

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.), Teorías Estadísticas de Resultados de Pruebas Mentales, (Lectura, Masa.: 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. y Coombs, L. (Invierno de 1977),» No se sabe la ambigüedad del artículo o la incertidumbre del encuestado», 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. y Bock, R. D. (1973), Análisis de Elementos de Máxima Verosimilitud y Puntuación de Pruebas: Modelo Logístico para Respuestas de Elementos Múltiples (Ann Arbor, Michigan: National Educational Resources Inc. 5.

Lazarfeld, P. F. (1954) «A Conceptual Introduction to Latent Structure Analysis,» en 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 Attainment Tests, (Copenhague: Instituto Danés de Investigación Educativa).

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

Srole, L. (1956),» Social Integration and Certain Corollaries, » American Sociological Review, 21, 709-16.

Wright, B. D. (1968),» Sample-Free Test Calibration and Person Measurement, » Proceedings of the 1967 Invitational Conference on Testing Problems (Princeton, N. J. : Educational Testing Services), 85-101.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.