Oceny czynnikowe z dyskretnych, porządkowych odpowiedzi

Czy istnieje zasadniczy sposób szacowania wyników czynników, gdy masz porządkowe, dyskretne zmienne.

Muszę porządkowej dyskretne, zmienne. Jeśli przyjmuję założenie, że u podstaw każdej odpowiedzi leży ciągła zmienna o rozkładzie normalnym, to mogę obliczyć macierzy korelacji polichorycznej. Następnie mogę uruchomić analizę czynnikową na tej macierzy i uzyskać ładunki czynnikowe dla każdej zmiennej.$n$$n\times n$

Jak połączyć ładunki czynnikowe i zmienne, aby oszacować wyniki czynnikowe. Wydaje się, że typowe sposoby szacowania wyników wymagają traktowania danych porządkowych jako przedziału.

Przypuszczam, że być może będę musiał zagłębić się głębiej w polichoryczną korelację, aby znaleźć funkcję łącza.

Podejście „zasadnicze” (to znaczy podejście obronne a priori, które może nie zrobić empirycznie dużej różnicy) polega na zastosowaniu modelu stopniowanej odpowiedzi , raczej przydatnego członka rodziny IRT często używanego do elementów typu Likerta. Pakiet R LTM sprawia, że to bardzo proste.

Zakładasz wtedy, że istnieje związek regresji logistycznej porządkowej między nieobserwowaną cechą a każdym z twoich wskaźników. Wybór tej klasy modelu pozwala poważnie potraktować porządkowy charakter wskaźników i zapewnia informacje o tym, o której części cechy każdy element jest najbardziej informacyjny. Podobnie jak analiza czynnikowa, daje standardowy błąd wyniku, chociaż ludzie z FA wydają się go z jakiegoś powodu ignorować.

Z drugiej strony wybranie tej klasy modelu ogranicza twoją zdolność do wykonywania wszystkich klasycznych analiz czynnikowych, takich jak obracanie rzeczy, dopóki ci się nie spodoba. Myślę, że to plus, ale rozsądni ludzie się nie zgadzają. Jeśli robisz coś takiego, aby dowiedzieć się, ile masz „skal”, powinieneś przyjrzeć się procedurom Mokkena, które próbują zidentyfikować skale, ponieważ FA „pasuje do innego wymiaru i obraca się do prostej struktury” wygrał nie działa.

Wydobywanie współczynników czynników ze wskaźników zmiennych porządkowych jest powszechne. Badacze stosujący miary podobne robią to cały czas. Ponieważ oceny czynnikowe opierają się na kowariancji, zazwyczaj nie jest tak duże, że „interwały” mogą nie być jednolite w obrębie elementów i między nimi, szczególnie jeśli elementy są porównywalne i stosują odpowiednio zwarte skale (np. 5 lub 7 punktów) / disagree "likert items): wszyscy badani reagują na te same elementy, a jeśli elementy są rzeczywiście poprawnymi miarami jakiejś ukrytej zmiennej, odpowiedzi powinny wykazywać jednolity wzór kowariancji. Patrz Gorsuch, RL (1983). Analiza czynników. Hillsdale, NJ: Lawrence Erlbaum. 2. miejsce wyd., s. 119–20. Ale jeśli przeszkadza ci założyć, że odpowiedzi dla ciebie zmienne porządkowe są liniowe - lub nawet ważniejsze, jeśli chcesz uzyskać wyniki czynnikowe, które nie są liniowe, ale odzwierciedlają powtarzające się nieliniowe powiązania wśród elementów kategorialnych (tak jak byś zrobił, gdyby twoje zmienne były nominalne lub jakościowe) - powinieneś użyć nieliniowej skali alternatywnej dla konwencjonalnej analizy czynnikowej, takiej jak klasa utajona analiza lub teoria odpowiedzi na przedmiot. (Oczywiście istnieje takie podobieństwo rodzinne między tym zapytaniem a zapytaniem dotyczącym użycia porządkowych predyktorów w modelach regresji logit; może uda mi się ponownie zainspirować chi lub kogoś innego, kto wie więcej niż ja, abyśmy powiedzieli nam jeszcze bardziej szczegółowe konto dlaczego nie musisz się martwić - a może dlaczego powinieneś.) t liniowe, ale odzwierciedlają powtarzające się nieliniowe powiązania wśród elementów kategorialnych (tak jak w przypadku, gdyby zmienne były nominalne lub jakościowe) - należy zastosować alternatywną skalę skalowania nieliniowego w stosunku do konwencjonalnej analizy czynnikowej, taką jak analiza klasy utajonej lub teoria odpowiedzi na element. (Oczywiście istnieje takie podobieństwo rodzinne między tym zapytaniem a zapytaniem dotyczącym użycia porządkowych predyktorów w modelach regresji logit; może uda mi się ponownie zainspirować chi lub kogoś innego, kto wie więcej niż ja, abyśmy powiedzieli nam jeszcze bardziej szczegółowe konto dlaczego nie musisz się martwić - a może dlaczego powinieneś.) t liniowe, ale odzwierciedlają powtarzające się nieliniowe powiązania wśród elementów kategorialnych (tak jak w przypadku, gdyby zmienne były nominalne lub jakościowe) - należy zastosować alternatywną skalę skalowania nieliniowego w stosunku do konwencjonalnej analizy czynnikowej, taką jak analiza klasy utajonej lub teoria odpowiedzi na element. (Oczywiście istnieje takie podobieństwo rodzinne między tym zapytaniem a zapytaniem dotyczącym użycia porządkowych predyktorów w modelach regresji logit; może uda mi się ponownie zainspirować chi lub kogoś innego, kto wie więcej niż ja, abyśmy powiedzieli nam jeszcze bardziej szczegółowe konto dlaczego nie musisz się martwić - a może dlaczego powinieneś.)

Czy mogę tutaj coś wyjaśnić, czy masz punkty ocenione w różnych skalach, które musisz wstępnie przetworzyć i połączyć (interwał, porządek, nominał), czy też chcesz przeprowadzić analizę czynnikową tylko zmiennych w skali porządkowej?

Jeśli to jest to drugie - oto jedno podejście.

http://cran.r-project.org/web/packages/Zelig/vignettes/factor.ord.pdf

(zwróć uwagę, że ten link jest już nieaktualny). Istnieją inne winiety , ale nie ta.