To, co sugeruje @rolando, wygląda na dobry początek, jeśli nie całą odpowiedź (IMO). Pozwolę sobie kontynuować podejście korelacyjne, zgodne z ramami teorii testów klasycznych (CTT). Tutaj, jak zauważył @Jeromy, miarę podsumowującą dla twojej grupy cech można uznać za sumę (lub sumę) wyniku wszystkich elementów (cecha, twoimi słowami) należących do tego, co teraz będę określał jako skalę. Zgodnie z CTT pozwala nam to sformalizować indywidualną skłonność lub cechę „cechy” jako lokalizacji osoby w ciągłej skali odzwierciedlającej konstrukcję leżącą u jej podstaw (cecha ukryta), chociaż tutaj jest to jedynie skala porządkowa (ale to kolejna debata w literaturze psychometrii) .
To, co opisałeś, ma związek z tym, co jest znane jako zbieżność (w jakim stopniu przedmioty należące do tej samej skali korelują ze sobą) i dyskryminacja (przedmioty należące do różnych skal nie powinny w dużym stopniu korelować) trafność w psychometrii. Techniki klasyczne obejmują analizę wielu cech i wielu metod (MTMM) (Campbell i Fiske, 1959). Ilustrację tego, jak to działa, pokazano poniżej (trzy metody lub instrumenty, trzy konstrukty lub cechy):
> 0,7< .3
Nawet jeśli ta metoda została początkowo opracowana w celu oceny zbieżności i dyskryminacyjnej ważności pewnej liczby cech badanych przez różne przyrządy pomiarowe, można ją zastosować do pojedynczego przyrządu wieloskalowego. Cechy stają się następnie przedmiotami, a metody to tylko różne skale. Uogólnienie tej metody na pojedynczy instrument jest również znane jako skalowanie wielu cech . Pozycje korelujące zgodnie z oczekiwaniami (tj. Z własną skalą zamiast innej skali) są liczone jako sukces skalowania. Generalnie zakładamy jednak, że różne skale nie są ze sobą skorelowane, to znaczy, że są ukierunkowane na różne hipotetyczne konstrukty. Ale uśrednianie korelacji wewnątrz i między skalami zapewnia szybki sposób podsumowania wewnętrznej struktury twojego instrumentu. Innym wygodnym sposobem na to jest zastosowanie analizy skupień na macierzy korelacji par i zobaczenie, jak zmienne się zawieszają.
Należy zauważyć, że w obu przypadkach obowiązują zwykłe zastrzeżenia dotyczące pracy z miarami korelacji, tzn. Nie można uwzględnić błędu pomiaru, potrzebna jest duża próbka, zakłada się, że instrumenty lub testy są „równoległe” (równoważność tau, błędy nieskorelowane, równe wariancje błędów).
Interesująca jest także druga część, do której odnosi się @rolando: jeśli nie ma teoretycznych ani merytorycznych przesłanek, że ustalona już grupa przedmiotów ma sens, musisz znaleźć sposób na podkreślenie struktury swoich danych, np. Poprzez analizę czynników eksploracyjnych . Ale nawet jeśli ufasz tym „cechom w grupie”, możesz sprawdzić, czy jest to prawidłowe założenie. Teraz możesz używać potwierdzającego modelu analizy czynnikowej, aby sprawdzić, czy wzór ładowań elementów (korelacja elementu z własną skalą) zachowuje się zgodnie z oczekiwaniami.
Zamiast tradycyjnych metod analizy czynnikowej można również przyjrzeć się grupowaniu przedmiotów (Revelle, 1979), która polega na opartej na alfa regule podziału Cronbacha, aby pogrupować przedmioty w jednorodne skale.
Ostatnie słowo: jeśli używasz R, istnieją dwa bardzo ładne pakiety, które ułatwią powyższe kroki:
- psych , oferuje wszystko, co potrzebne do rozpoczęcia korzystania z metod psychometrycznych, w tym analizy czynnikowej (
fa
, fa.parallel
, principal
), grupowania przedmiotów ( ICLUST
i związane z nimi metody), alfa Cronbacha ( alpha
); jest ładny opis dostępny na stronie internetowej Williama Revelle, zwłaszcza Wprowadzenie do teorii psychometrycznych z aplikacjami w R .
- psy , obejmuje również wykres
scree.plot
piaskowy ( za pomocą PCA + symulowanych zestawów danych) wizualizacja ( ) i MTMM ( mtmm
).
Bibliografia
- Campbell, DT and Fiske, DW (1959). Walidacja zbieżna i dyskryminacyjna na podstawie macierzy wielozadaniowej. Psychological Bulletin , 56: 81–105.
- Hays, RD and Fayers, P. (2005). Ocena skal wielopunktowych. W ocenie jakości życia w badaniach klinicznych (Fayers, P. and Hays, R., Eds.), S. 41–53. Oxford
- Revelle, W. (1979). Hierarchiczna analiza skupień i wewnętrzna struktura testów. Multivariate Behavioural Research , 14: 57-74.
vegan
z funkcjamianosim
lub najlepiejadonis
(permutacyjna MANOVA).