खोजपूर्ण कारक विश्लेषण (EFA) उचित (साइकोमेट्रिक और अन्यथा) इस बात की जांच करने के लिए है कि कोई व्यक्ति (क) अव्यक्त (यानी, अव्यक्त) कारक (एस) के सामान्य प्रभाव का उल्लेख करके कई वस्तुओं के बीच सहसंबंधों को समझा सकता है। यदि यह आपका विशिष्ट इरादा नहीं है, तो वैकल्पिक विश्लेषणों पर विचार करें, जैसे:
- सामान्य रैखिक मॉडलिंग (उदाहरण के लिए, एकाधिक प्रतिगमन, विहित सहसंबंध, या (M) AN (C) OVA)
- पुष्टिकर कारक विश्लेषण (सीएफए) या अव्यक्त विशेषता / वर्ग / प्रोफ़ाइल विश्लेषण
- संरचनात्मक समीकरण (SEM) / आंशिक रूप से कम से कम वर्ग मॉडलिंग
आयामीता पहला ऐसा मुद्दा है जिसे EFA संबोधित कर सकता है। आप सहसंयोजक मैट्रिक्स के eigenvalues की जांच कर सकते हैं (जैसा कि EFA के माध्यम से एक डरावना साजिश का निर्माण करके) और अपने उपायों की गतिशीलता को हल करने के लिए एक समानांतर विश्लेषण का संचालन करें। ( विलियम रेवेल कुछ बेहतरीन सलाह और वैकल्पिक सुझाव भी देखें ।) आपको सीमित संख्या में कारकों को निकालने और उन्हें ईएफए में घुमाने से पहले, या सीएफए, एसईएम का उपयोग करके एक विशिष्ट संख्या में अव्यक्त कारकों के साथ एक मॉडल फिट करने से पहले यह सावधानी से करना चाहिए, या पसन्द। यदि एक समानांतर विश्लेषण बहुआयामीता को इंगित करता है, लेकिन आपका सामान्य (पहला) कारक सभी अन्य लोगों को बहुत अधिक प्रभावित करता है (यानी, अब तक का सबसे बड़ा eigenvalue / आपके उपायों में बहुमत के विवेचन को स्पष्ट करता है), तो व्यवहारकर्ता विश्लेषण पर विचार करें (गिबन्स एंड हेडेकर, 1992;रीज़, मूर, और हैविलैंड, 2010 ) ।
ईएएफए और लिकट पैमाने की रेटिंग के अव्यक्त कारक मॉडलिंग में कई समस्याएं पैदा होती हैं। लिकट स्केल ऑर्डिनल (यानी, श्रेणीबद्ध, बहुपत्नी, आदेशित) डेटा का उत्पादन करते हैं, निरंतर डेटा नहीं। फैक्टर विश्लेषण आम तौर पर किसी भी कच्चे डेटा इनपुट को निरंतर मानता है, और लोग अक्सर पियरसन उत्पाद-पल के सहसंबंधों के मैट्रिक्स का कारक विश्लेषण करते हैं, जो केवल निरंतर डेटा के लिए उपयुक्त हैं। यहाँ रीज़ और सहकर्मियों के एक उद्धरण (2010) :
साधारण पुष्टिकरण कारक विश्लेषणात्मक तकनीक द्विध्रुवीय या बहुपद डेटा (बायर्न, 2006) पर लागू नहीं होती हैं । इसके बजाय, विशेष अनुमान प्रक्रियाओं की आवश्यकता होती है (Wirth & Edwards, 2007) । मूल रूप से पॉलीटोमस आइटम प्रतिक्रिया डेटा के साथ काम करने के लिए तीन विकल्प हैं। पहला एक पॉलीकोरिक मैट्रिक्स की गणना करना है और फिर मानक कारक विश्लेषणात्मक तरीकों को लागू करना है (देखें नोल एंड बर्जर, 1991) । एक दूसरा विकल्प पूर्ण-सूचना आइटम कारक विश्लेषण (गिबन्स एंड हेडेकर, 1992) का उपयोग करना है । तीसरा सीमित सूचना आकलन प्रक्रियाओं का उपयोग करने के लिए है जो विशेष रूप से ऑर्डर किए गए डेटा जैसे कि माध्य और विचरण समायोजन (MPLUS; मुथेन और मुथेन, 2009) के साथ भारित वर्गों के लिए डिज़ाइन किया गया है ।
मैं दोनों पहले और तीसरे दृष्टिकोण के संयोजन की सिफारिश करेंगे (यानी, उपयोग तिरछे एक polychoric सहसंबंध मैट्रिक्स पर कम से कम वर्गों आकलन भारित), वैंग और कनिंघम की के आधार पर (2005) ठेठ विकल्प के साथ समस्याओं की चर्चा:
जब पुष्टिकरण कारक विश्लेषण अधिकतम संभावना का उपयोग करते हुए गैर-असामान्य क्रमिक डेटा के साथ किया गया था और पियर्सन उत्पाद-क्षण सहसंबंधों पर आधारित था, तो इस अध्ययन में उत्पादित डाउनवर्ड पैरामीटर अनुमान ओल्सन (1979) के निष्कर्षों के अनुरूप थे । दूसरे शब्दों में, अवलोकन किए गए क्रमिक चर में गैर-असमानता का परिमाण पैरामीटर अनुमानों की सटीकता का एक प्रमुख निर्धारक है।
परिणाम बाबाकस, एट अल के निष्कर्षों का भी समर्थन करते हैं। (1987) । जब पुष्टिकरण कारक विश्लेषण में एक पॉलीकोरिक सहसंबंध इनपुट मैट्रिक्स के साथ अधिकतम संभावना आकलन का उपयोग किया जाता है, तो समाधान अस्वीकार्य और इसलिए महत्वपूर्ण ची-वर्ग मूल्यों के साथ खराब फिट आँकड़ों के साथ परिणाम देते हैं।
यह सवाल बना हुआ है कि क्या शोधकर्ताओं को गैर-सामान्य श्रेणीबद्ध डेटा वाले संरचनात्मक समीकरण मॉडल का अनुमान लगाने में भारित वर्ग या तिरछे भार वाले कम से कम वर्ग के अनुमानकों का उपयोग करना चाहिए। न तो भारित कम से कम वर्ग और न ही तिरछे वजन वाले कम से कम वर्गों का अनुमान चर के वितरण की प्रकृति के बारे में धारणाएं बनाता है और दोनों ही तरीके अस्वाभाविक रूप से मान्य परिणाम उत्पन्न करते हैं। फिर भी, क्योंकि भारित कम से कम वर्गों का अनुमान चौथे क्रम के क्षणों पर आधारित है, यह दृष्टिकोण अक्सर व्यावहारिक समस्याओं की ओर जाता है और बहुत कम्प्यूटेशनल मांग है। इसका मतलब है कि भारित कम से कम वर्गों के अनुमान में मजबूती का अभाव हो सकता है, जब मध्यम के मॉडल का मूल्यांकन किया जाता है, अर्थात, 10 संकेतकों के साथ, बड़े आकार और छोटे से मध्यम नमूना आकार के लिए।
यह मेरे लिए स्पष्ट नहीं है कि क्या भारित वर्ग के अनुमान के साथ वही चिंता DWLS के आकलन पर लागू होती है; इसकी परवाह किए बिना, लेखक उस अनुमानक को सलाह देते हैं। मामले में आपके पास पहले से ही साधन नहीं हैं:
- आर (आर कोर टीम, 2012) स्वतंत्र है। आपको
2.15.2इन पैकेजों के लिए एक पुराने संस्करण (जैसे ) की आवश्यकता होगी :
psychपैकेज (रेवेल, 2013) शामिल हैं polychoricकार्य करते हैं।
fa.parallelसमारोह कारकों को निकालने के लिए की संख्या की पहचान कर सकते हैं।
lavaanपैकेज (Rosseel, 2012) प्रदान करता है अव्यक्त चर विश्लेषण के लिए आकलन DWLS।semToolsपैकेज में शामिल है efaUnrotate, orthRotateऔर oblqRotateकाम करता है।mirtपैकेज (Chalmers, 2012) प्रस्तावों वस्तु प्रतिक्रया के उपयोग से विकल्प का वादा।
मुझे लगता है कि Mplus (मुथेन और मुथेन, 1998-2011) भी काम करेगा, लेकिन मुफ्त डेमो संस्करण छह से अधिक मापों को समायोजित नहीं करेगा, और लाइसेंस प्राप्त संस्करण सस्ता नहीं है। यदि आप इसे बर्दाश्त कर सकते हैं तो यह इसके लायक हो सकता है; लोगों को Mplus से प्यार है , और उनके मंचों के माध्यम से मुथन्स की ग्राहक सेवा अविश्वसनीय है!
जैसा कि ऊपर कहा गया है, DWLS अनुमान सामान्यता धारणा के उल्लंघन (दोनों को अलग-अलग और बहुभिन्नरूपी) की समस्या पर काबू पा लेता है, जो एक बहुत ही आम समस्या है, और लिकर्ट स्केल रेटिंग डेटा में लगभग सर्वव्यापी है। हालाँकि, यह जरूरी नहीं कि व्यावहारिक रूप से परिणामी समस्या हो; अधिकांश विधियाँ छोटे उल्लंघनों के द्वारा (बहुत अधिक पक्षपाती) के प्रति संवेदनशील नहीं हैं (cf. क्या सामान्यता परीक्षण 'अनिवार्य रूप से बेकार है'? )। @ इस सवाल का chl का जवाब अधिक महत्वपूर्ण, उत्कृष्ट अंक और चरम प्रतिक्रिया शैली के साथ समस्याओं के बारे में सुझाव भी देता है; लिकर्ट स्केल रेटिंग और अन्य व्यक्तिपरक डेटा के साथ निश्चित रूप से एक मुद्दा।
सन्दर्भ
· बेबाकस, ई।, फर्ग्यूसन, जेसीई, और जोर्स्कोग, केजी (1987)। माप पैमाने और वितरण संबंधी मान्यताओं के उल्लंघन के लिए पुष्टिकारक अधिकतम संभावना कारक विश्लेषण की संवेदनशीलता। जर्नल ऑफ़ मार्केटिंग रिसर्च, 24 , 222–228।
· बर्न, बीएम (2006)। EQS के साथ संरचनात्मक समीकरण मॉडलिंग। महवा, एनजे: लॉरेंस एर्लबम।
· चाल्मर्स, आरपी (2012)। mirt: आर पर्यावरण के लिए एक बहुआयामी आइटम प्रतिक्रिया सिद्धांत पैकेज। सांख्यिकीय सॉफ्टवेयर जर्नल, 48 (6), 1-29। Http://www.jstatsoft.org/v48/i06/ से लिया गया ।
· गिबन्स, आरडी, और हेडेकर, डीआर (1992)। पूर्ण-सूचना आइटम द्वि-कारक विश्लेषण।
साइकोमेट्रिका, 57 , 423–436।
· नोल, डीएल, और बर्गर, एमपीएफ (1991)। कारक विश्लेषण और बहुआयामी आइटम प्रतिक्रिया मॉडल के बीच अनुभवजन्य तुलना। बहुभिन्नरूपी व्यवहार अनुसंधान, 26 , 457-477।
· Muthén लालकृष्ण, और Muthén, बो (1998-2011)। Mplus उपयोगकर्ता गाइड (6 वां संस्करण)। लॉस एंजिल्स, CA: मुथेन और मुथेन।
· Muthén लालकृष्ण, और Muthén, बो (2009)। अधिशेष (संस्करण 4.00)। [कंप्यूटर सॉफ्टवेयर]। लॉस एंजिल्स, सीए: लेखक। यूआरएल: http://www.statmodel.com ।
· ओल्सन, यू। (1979)। पॉलीकोरिक सहसंबंध गुणांक के लिए अधिकतम संभावना अनुमान। साइकोमेट्रिका, 44 , 443–460।
·आर कोर टीम। (2012)। आर: सांख्यिकीय कंप्यूटिंग के लिए एक भाषा और वातावरण। सांख्यिकीय कम्प्यूटिंग, वियना, ऑस्ट्रिया के लिए आर फाउंडेशन। आईएसबीएन 3-900051-07-0, URL: http://www.R-project.org/ ।
· रीस, एसपी, मूर, टीएम, और हैविलैंड, एमजी (2010)। बैक्टिरर मॉडल और घूर्णन: किस हद तक बहुआयामी डेटा एकतरफा पैमाने स्कोर प्राप्त करते हैं। जर्नल ऑफ़ पर्सनैलिटी असेसमेंट, 92 (6), 544–559। Http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ से लिया गया ।
· रेवेल, डब्ल्यू। (2013)। मनोविज्ञान: व्यक्तित्व और मनोवैज्ञानिक अनुसंधान के लिए प्रक्रियाएं। नॉर्थवेस्टर्न यूनिवर्सिटी, इवानस्टन, इलिनोइस, संयुक्त राज्य अमेरिका। Http://CRAN.R-project.org/package=psych से लिया गया । संस्करण = 1.3.2।
· रोजसेल, वाई। (2012)। लावाण: संरचनात्मक समीकरण मॉडलिंग के लिए एक आर पैकेज। सांख्यिकीय सॉफ्टवेयर जर्नल, 48 (2), 1-36। Http://www.jstatsoft.org/v48/i02/ से लिया गया ।
· वांग, डब्ल्यूसी, और कनिंघम, ईजी (2005)। सामान्य स्वास्थ्य प्रश्नावली के पुष्टि कारक कारक में वैकल्पिक अनुमान विधियों की तुलना। मनोवैज्ञानिक रिपोर्ट, 97 , 3–10।
· विर्थ, आरजे, और एडवर्ड्स, एमसी (2007)। आइटम कारक विश्लेषण: वर्तमान दृष्टिकोण और भविष्य की दिशाएं। मनोवैज्ञानिक तरीके, 12 , 58-79। Http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ से लिया गया ।