प्रश्नावली से क्रमिक डेटा को उचित अंतराल डेटा में कैसे बदलना है?

Question

क्या ऑर्डिनल लेवल डेटा को इंटरवल लेवल में बदलने का कोई सीधा- साधा तरीका है (जैसे कि इसे दूसरे तरीके से करने के लिए हैं)? और एक्सेल या एसपीएसएस में प्रदर्शन कर सकते हैं?

डेटा होने के बाद, कहिए: 10 सवाल पैरामीट्रिक परीक्षण उद्देश्यों (सामान्य वितरण, प्रश्न से बाहर गैर पैरामीट्रिक परीक्षण) के लिए अंतराल स्तर का डेटा।

उत्तर के लिए अत्यंत आभारी होंगे!

Comments

0-5 पैमाने पर किसी का मान 6, 7, 8, 9, 10 कैसे हो सकता है या मुझे कुछ याद है?

— ttnphns

सीधा-सीधा मतलब क्या है आपका? श्रेणीगत पैमानों को मीट्रिक पैमानों में बदलना कोई सरल काम नहीं है। कुछ अव्यक्त चर मॉडल (जैसे आईआरटी मॉडल) हैं, जो कुछ मान्यताओं को देखते हुए ऐसा करने की अनुमति देते हैं। दूसरा तरीका इष्टतम स्केलिंग है। लेकिन इसके लिए मुझे लगता है कि आपको आर के साथ चीजों को करने के लिए तैयार होना चाहिए और अव्यक्त चर मॉडल या नॉनलाइन पीसीए जैसे कुछ उन्नत आंकड़ों में तल्लीन करना चाहिए। क्या यह ठीक है?

— मोमो

Answer 1

यह प्रतिक्रिया माप के दृष्टिकोण से संभावित मॉडल पर चर्चा करेगी , जहां हमें अंतरित चर (अवलोकन) का एक सेट दिया गया है, या उपाय, जिनके साझा रूप को एक अच्छी तरह से पहचाने जाने योग्य नहीं बल्कि प्रत्यक्ष रूप से अवलोकन योग्य निर्माण (आमतौर पर, एक परावर्तन में) माना जाता है ढंग), जिसे एक अव्यक्त चर माना जाएगा । यदि आप अव्यक्त विशेषता माप मॉडल से अपरिचित हैं, तो मैं निम्नलिखित दो लेखों की सिफारिश करूंगा: डेनी बोर्सबूम द्वारा साइकोमेट्रिकियन्स का हमला , और लेटेंट वैरिएबल मॉडलिंग: ए सर्वे , एंडर्स स्के्रनडाल और सोफिया राबे-हेसेथ द्वारा। कई प्रतिक्रिया श्रेणियों के साथ वस्तुओं से निपटने से पहले मैं पहले द्विआधारी संकेतकों के साथ थोड़ा सा विषयांतर करूंगा।

ऑर्डिनल लेवल डेटा को इंटरवल स्केल में बदलने का एक तरीका है कि किसी तरह के आइटम रिस्पॉन्स मॉडल का इस्तेमाल किया जाए। एक प्रसिद्ध उदाहरण रैस्च मॉडल है , जो बाइनरी-रन आइटम के साथ सामना करने के लिए शास्त्रीय परीक्षण सिद्धांत से समानांतर परीक्षण मॉडल के विचार का विस्तार करता हैएक सामान्यीकृत (लॉगिट लिंक के साथ) मिश्रित-प्रभाव रैखिक मॉडल (कुछ 'आधुनिक' सॉफ़्टवेयर कार्यान्वयन में) के माध्यम से, जहां किसी दिए गए आइटम के समर्थन की संभावना 'आइटम कठिनाई' और 'व्यक्ति की क्षमता' का एक फ़ंक्शन है (यह मानते हुए कि कोई नहीं है अव्यक्त विशेषता पर किसी के स्थान के बीच बातचीत और समान लॉगिट पैमाने पर आइटम स्थान - जिसे अतिरिक्त आइटम भेदभाव पैरामीटर के माध्यम से कैप्चर किया जा सकता है, या व्यक्तिगत-विशिष्ट विशेषताओं के साथ बातचीत - जिसे अंतर आइटम कार्य कहा जाता है )। अंतर्निहित निर्माण को एकतरफा माना जाता है, और रास मॉडल का तर्क सिर्फ इतना है कि प्रतिवादी के पास एक निश्चित 'निर्माण की राशि' है - चलो विषय की देयता के बारे में बात करते हैं (उसकी / उसकी 'क्षमता'),$\theta$$\theta$

$N=766$$\alpha=0.971$$[0.967;0.975]$)। प्रारंभ में, प्रत्येक आइटम के लिए पांच प्रतिक्रिया श्रेणियां प्रस्तावित की गईं (1 = 'कभी नहीं', 2 = 'दुर्लभ', 3 = 'कभी-कभी', 4 = 'अक्सर' और 5 = 'हमेशा')। हम यहां केवल बाइनरी-रन प्रतिक्रियाओं पर विचार करेंगे।

_{(यहां, लिकर-प्रकार की वस्तुओं की प्रतिक्रियाओं को द्विआधारी प्रतिक्रियाओं (1/2 = 0, 3-5 = 1) के रूप में पुन: प्रसारित किया गया है, और हम मानते हैं कि प्रत्येक आइटम व्यक्तियों में समान रूप से भेदभावपूर्ण है, इसलिए आइटम वक्र ढलानों (रास्च के बीच समानता) नमूना)।)}

$x$

ऑर्डर की गई श्रेणियों के साथ पॉलीटोमस आइटम के लिए , कई विकल्प हैं: आंशिक क्रेडिट मॉडल , रेटिंग स्केल मॉडल , या ग्रेडेड प्रतिक्रिया मॉडल , नाम के लिए, लेकिन कुछ जो ज्यादातर लागू अनुसंधान में उपयोग किए जाते हैं। पहले दो संबंधित तथाकथित आईआरटी मॉडल की "रैश परिवार" के लिए और निम्नलिखित गुण का हिस्सा: (क) दिष्टता प्रतिक्रिया संभावना समारोह (आइटम / श्रेणी प्रतिक्रिया वक्र) की, (ख) प्रचुरता की कुल व्यक्तिगत स्कोर का (अव्यक्त साथ पैरामीटर तय माना जाता है), (सी) स्थानीय स्वतंत्रता का अर्थ है कि आइटम की प्रतिक्रियाएं स्वतंत्र हैं, अव्यक्त विशेषता पर सशर्त, और (डी) अंतर आइटम कार्य की अनुपस्थिति इसका मतलब है कि, अव्यक्त विशेषता पर सशर्त, प्रतिक्रियाएं बाहरी व्यक्तिगत-विशिष्ट चर (जैसे, लिंग, आयु, जातीयता, एसईएस) से स्वतंत्र हैं।

पिछले उदाहरण को उस मामले में विस्तारित करना जहां पांच प्रतिक्रिया श्रेणियों को प्रभावी ढंग से हिसाब किया जाता है, एक मरीज को चिंता से संबंधित विकारों के बिना किसी भी प्रतिसाद के बिना, सामान्य आबादी से नमूना किए गए व्यक्ति की प्रतिक्रिया श्रेणी 3 से 5 चुनने की उच्च संभावना होगी। ऊपर वर्णित डायकोटोमस आइटम के मॉडलिंग की तुलना में, ये मॉडल या तो संचयी (उदाहरण के लिए, 3 बनाम 2 या उससे कम उत्तर देने की संभावना) या आसन्न श्रेणी की सीमा (3 बनाम 2 का जवाब देने की संभावना) पर विचार करते हैं, जो कि एग्रेस्टी के श्रेणीबद्ध में भी चर्चा की गई है डेटा विश्लेषण(अध्याय 12)। उपर्युक्त मॉडल के बीच मुख्य अंतर एक प्रतिक्रिया श्रेणी से दूसरे में संक्रमण के तरीके में निहित है: आंशिक क्रेडिट मॉडल किसी भी दिए गए थ्रेशोल्ड स्थान और अव्यक्त विशेषता पर थ्रेशोल्ड स्थानों के बीच का अंतर समान या मान नहीं है वस्तुओं के पार एक समान, रेटिंग पैमाने के मॉडल के विपरीत। उन मॉडलों के बीच एक और सूक्ष्म अंतर यह है कि उनमें से कुछ (जैसे अप्रतिबंधित ग्रेडेड प्रतिक्रिया या आंशिक क्रेडिट मॉडल) आइटम के बीच असमान भेदभाव मापदंडों के लिए अनुमति देता है। Reeve और Fayers, या फ्रैंक बी बेकर द्वारा आइटम प्रतिक्रिया सिद्धांत , या आइटम प्रतिक्रिया सिद्धांत के आधार पर , अधिक जानकारी के लिए मूल्यांकन आइटम प्रतिक्रिया सिद्धांत मॉडलिंग लागू करें देखें ।

क्योंकि पूर्ववर्ती मामले में हमने प्रतिक्रियाओं की व्याख्या के बारे में चर्चा की, जो कि स्कोर किए गए आइटमों के लिए संभावना घटता है, आइए एक ही लक्षित वस्तुओं पर प्रकाश डालते हुए ग्रेडेड प्रतिक्रिया मॉडल से प्राप्त आइटम प्रतिक्रिया वक्रों को देखें:

_{(असंबंधित श्रेणीबद्ध प्रतिक्रिया मॉडल, वस्तुओं के बीच असमान भेदभाव के लिए अनुमति देता है।)}

यहाँ, निम्नलिखित टिप्पणियों में कुछ विचार दिए गए हैं:

• $[2;2.5]$
• नींद की गुणवत्ता का आकलन करने वाली वस्तुओं और अधिक गंभीर स्थितियों का आकलन करने वालों के बीच, बाईं से दाईं ओर एक समग्र बदलाव है, हालांकि नींद संबंधी विकार असामान्य नहीं हैं। यह उम्मीद की जाती है: आखिरकार, यहां तक ​​कि सामान्य आबादी के लोगों को भी गिरने की कुछ कठिनाई का अनुभव हो सकता है, उनके स्वास्थ्य की स्थिति से स्वतंत्र, और लोग गंभीर रूप से उदास या चिंतित हैं, ऐसी समस्याओं का प्रदर्शन करने की संभावना है। हालांकि, 'सामान्य व्यक्ति' (यदि इसका कभी कोई अर्थ होता है), पैनिक डिसऑर्डर के कुछ लक्षण दिखाने की संभावना नहीं है (संभावना है कि वे उच्चतम प्रतिक्रिया श्रेणी चुनते हैं जो मध्यवर्ती सीमा या अव्यक्त विशेषता के अधिक लोगों के लिए शून्य है, [] 0; 1])।

$\theta$

वास्तव में माप के मॉडल के रूप में सोचा जाने के अलावा , रस्च के मॉडल को जो आकर्षक बनाता है वह यह है कि पर्याप्त अंकों के रूप में योग अंक, अव्यक्त अंकों के लिए सरोगेट के रूप में उपयोग किया जा सकता है। इसके अलावा, पर्याप्तता की संपत्ति आसानी से मॉडल (व्यक्तियों और वस्तुओं) के मापदंडों (पॉलीटोमस आइटम के मामले में) की विभाज्यता का मतलब है, किसी को यह नहीं भूलना चाहिए कि सब कुछ आइटम प्रतिक्रिया श्रेणी के स्तर पर लागू होता है), इसलिए योगात्मक संवेदनशीलता।

आर कार्यान्वयन के साथ आईआरटी मॉडल पदानुक्रम की एक अच्छी समीक्षा, Mair और Hatzinger के सांख्यिकीय सॉफ्टवेयर जर्नल में प्रकाशित लेख में उपलब्ध है : विस्तारित राश मॉडलिंग: आर में आईआरटी मॉडल के आवेदन के लिए eRm पैकेज । अन्य मॉडलों में लॉग-लीनियर मॉडल , गैर पैरामीट्रिक मॉडल, जैसे मोकेन मॉडल , या ग्राफिकल मॉडल शामिल हैं ।

आर के अलावा, मुझे एक्सेल कार्यान्वयन के बारे में पता नहीं है, लेकिन इस थ्रेड पर कई सांख्यिकीय पैकेज प्रस्तावित किए गए थे: आइटम प्रतिक्रिया सिद्धांत को लागू करने के लिए कैसे शुरुआत करें और किस सॉफ़्टवेयर का उपयोग करें?

अंत में, यदि आप माप के मॉडल का सहारा लिए बिना वस्तुओं के एक सेट और प्रतिक्रिया चर के बीच संबंधों का अध्ययन करना चाहते हैं, तो इष्टतम स्केलिंग के माध्यम से चर परिमाणीकरण के कुछ रूप दिलचस्प भी हो सकते हैं। उन थ्रेड्स में चर्चा किए गए R कार्यान्वयन के अलावा, संबंधित थ्रेड्स पर SPSS समाधान भी प्रस्तावित किए गए थे ।

संदर्भ

1. पिलकोनिस, पी।, चोई, एस।, राइज़, एस।, स्टोवर, ए। और रिले, डब्ल्यू एट अल। (2011)। मद-बैंक के लिए आइटम बैंक रोगी-रिपोर्ट किए गए माप सूचना प्रणाली (PROMIS) से भावनात्मक संकट का इलाज करते हैं: अवसाद, चिंता और क्रोध । मूल्यांकन , १ 3 (३), २६३-२ 3३।
2. चोई, एस।, गिबन्स, एल। और क्रेन, पी। (2011)। लॉर्डिफ़: पुनरावृति हाइब्रिड ऑर्डिनल लॉजिस्टिक रिग्रेशन / आइटम रिस्पॉन्स थ्योरी और मोंटे कार्लो सिमुलेशन का उपयोग करके अंतर आइटम कार्य का पता लगाने के लिए एक आर पैकेज । सांख्यिकीय सॉफ्टवेयर जर्नल , 39 (8)।

Comments

@ मोमो थैंक्स। वह उत्सुक है। उत्तर देते समय (और आज इस उत्तर को फिर से पढ़ते हुए), मैंने आपकी टिप्पणी पर ध्यान नहीं दिया है जो एक बड़ी +1 के लायक है। कृपया, मेरी प्रतिक्रिया को संपादित करने के लिए स्वतंत्र महसूस करें जहाँ आप फिट हैं।

— CHL

Answer 2

अपनी पुस्तक विश्लेषण ऑर्डिनल श्रेणीबद्ध डेटा के विश्लेषण में , एलन एगेस्टी कई शामिल हैं। उनमें से एक है छुटकारा, जो मैं अपने ब्लॉग पर चर्चा करता हूं

Comments

क्या आप इसे थोड़ा और समझा सकते हैं? पहले सोचा था, यह किसी भी विधि की तरह प्रतीत होता है जो डेटा को अंतराल डेटा में अनुवाद करने का दावा करता है कि यह जादुई होगा, क्योंकि ऐसा लगता है कि आप हमेशा ऐसा नहीं कर सकते हैं-पैथोलॉजिकल काउंटरटेम्पल्स जो किसी भी विधि को "तोड़" देंगे, लेकिन मैं गायब हो सकता था कुछ महत्वपूर्ण। यह भी ऐसा लगता है कि इसे कुछ श्रेणियों के बीच की पूर्व धारणा की आवश्यकता होगी - यह कहां से आता है?

— मैक्रों

सूत्र ब्लॉग पोस्ट में हैं, और एक पूरी चर्चा अग्रेंजी की पुस्तक में है, लेकिन अनिवार्य रूप से, यह "औसत संचयी अनुपात" बनाने के लिए डेटा का उपयोग करता है और फिर स्कोर के रूप में इनका उपयोग करता है। दूरी प्रत्येक प्रतिक्रिया में आनुपातिक से आती है, न कि स्वयं श्रेणियों में कुछ से।

— पीटर Flom - को पुनः स्थापित मोनिका

+1। रिडिट को आसानी से अंश कम + (1/2) अंश के बराबर बताया जाता है। इस प्रकार यदि 1, 2, 3, 4, 5 में भिन्नता या संभाव्यता देखी गई है 0.2, 0.4, 0.2, 0.1, 0.1, तो 1 का छुटकारा 0.1 है; 2 में से 0.4 है, आदि रिडिट्स सममित रूप से श्रेणियों का इलाज करते हैं और परिणाम के रूप में 0 या 1 को शामिल करने के लिए अंश कम या अंश से कम होने की संभावना है, जो अक्सर अजीब होता है।

— निक कॉक्स

ब्रीड द्वारा नाम का नाम ही स्पष्ट रूप से लक्षित किया गया था (नोट: संदर्भ आवश्यक) और माना गया विवरण अस्पष्ट है। बेहतर नाम मध्य वितरण समारोह (परजेन 1993) और ग्रेड फंक्शन हैबरमैन (1996) हैं। हैबरमैन, एसजे 1996। उन्नत सांख्यिकी वॉल्यूम I: आबादी का विवरण । न्यूयॉर्क: स्प्रिंगर। परजेन, ई। 1993. पीपी प्लॉट और निरंतर नमूना क्वांटाइल फ़ंक्शन बदलें। सांख्यिकी में संचार - सिद्धांत और तरीके 22: 3287-3304।

— निक कॉक्स

रिडिट्स को सामान्य या गॉसियन मात्रात्मक कार्यों जैसे उदाहरण के माध्यम से धकेला जा सकता है।

— निक कॉक्स