Według The SAGE Encyclopedia of Social Science Research Methods …
[a] efekt pułapu występuje, gdy miara ma wyraźną górną granicę potencjalnych odpowiedzi, a duża koncentracja uczestników osiąga ten lub zbliżony poziom. Tłumienie skali jest problemem metodologicznym, który pojawia się, gdy wariancja jest ograniczona w ten sposób. … Na przykład może wystąpić efekt pułapu przy pewnej mierze postaw, w których wysoki wynik wskazuje na przychylne nastawienie, a najwyższa odpowiedź nie pozwala uchwycić najbardziej pozytywnej oceny. … Najlepszym rozwiązaniem problemu efektów sufitowych są testy pilotażowe, które pozwalają wcześnie zidentyfikować problem . W przypadku znalezienia efektu pułapu [i] miarą wynikową jest wykonanie zadania, zadanie może być trudniejsze w celu zwiększenia zakresu potencjalnych reakcji. 1 [podkreślenie dodane]
Wydaje się, że wiele z rad i pytań ( i tutaj ) zajmujące się analizowaniem danych, które pokazują efekty sufitowe podobne do opisanego w powyższym cytatem.
Moje pytanie może być proste lub naiwne, ale w jaki sposób można wykryć, że w danych występuje efekt pułapu? Mówiąc dokładniej, powiedzmy, że utworzono test psychometryczny i podejrzewa się, że prowadzi on do efektu pułapu (tylko badanie wizualne), a następnie test jest weryfikowany w celu uzyskania większego zakresu wartości. Jak można wykazać, że poprawiony test usunął efekt pułapu z generowanych danych? Czy istnieje test, który pokazuje, że występuje efekt pułapu w zestawie danych a brak efektu pułapu w zestawie danych b ?
Moim naiwnym podejściem byłoby po prostu zbadanie przekrzywienia rozkładu, a jeśli nie jest ono przekrzywione, do wniosku, że nie ma efektu pułapu. Czy to zbyt uproszczone?
Edytować
Aby dodać bardziej konkretny przykład, powiedzmy, że opracowuję instrument, który mierzy pewną ukrytą cechę x, która rośnie wraz z wiekiem, ale ostatecznie wyrównuje się i zaczyna maleć w starszym wieku. Robię pierwszą wersję, która ma zakres od 1 do 14, przeprowadzam pilotowanie i stwierdzam, że wydaje się, że może istnieć efekt pułapu (duża liczba odpowiedzi w okolicach 14, maksimum, maksimum .. Podsumowuję to tylko patrząc na dane. Ale dlaczego? Czy istnieje jakaś rygorystyczna metoda poparcia tego twierdzenia?
Następnie poprawiam miarę, aby mieć zakres 1–20 i zbieram więcej danych. Widzę, że trend bardziej odpowiada moim oczekiwaniom, ale skąd mam wiedzieć, że zakres pomiaru jest wystarczająco duży. Czy muszę to ponownie zmienić? Wizualnie wydaje się być w porządku, ale czy istnieje sposób przetestowania go, aby potwierdzić moje podejrzenia?
Chcę wiedzieć, jak mogę wykryć ten efekt pułapu w danych, a nie tylko na nie patrzeć. Wykresy przedstawiają rzeczywiste dane, a nie teoretyczne. Poszerzenie zakresu instrumentu zapewniło lepszy rozkład danych, ale czy to wystarczy? Jak mogę to przetestować?
1 Hessling, R., Traxel, N., i Schmidt, T. (2004). Efekt sufitowy. W Michael S. Lewis-Beck, A. Bryman i Tim Futing Liao (red.), The SAGE Encyclopedia of Social Science Research Methods . (str. 107). Thousand Oaks, Kalifornia: Sage Publications, Inc. doi: 10.4135 / 9781412950589.n102