कारक विश्लेषण, आंतरिक स्थिरता और संयोजन में आइटम प्रतिक्रिया सिद्धांत का उपयोग करके वस्तुओं की संख्या कैसे कम करें?


12

मैं अनुभवजन्य रूप से एक प्रश्नावली विकसित करने की प्रक्रिया में हूं और मैं इस उदाहरण में मनमाने ढंग से संख्याओं का उपयोग करूंगा। संदर्भ के लिए, मैं एक मनोवैज्ञानिक प्रश्नावली विकसित कर रहा हूं जिसका उद्देश्य आमतौर पर उन व्यक्तियों में चिन्हित पैटर्न का मूल्यांकन करना है, जिन्हें चिंता विकार है। एक आइटम की तरह लग सकता है "मुझे ओवन को बार-बार जांचने की आवश्यकता है क्योंकि मुझे यकीन नहीं है कि यह बंद हो सकता है "।

मेरे 20 प्रश्न हैं (5-पॉइंट लीकेर्ट) जिसमें एक या दो कारक शामिल हो सकते हैं (ध्यान दें कि वास्तव में मेरे पास 200 प्रश्न हैं, जिसमें 10 पैमाने शामिल हैं और प्रत्येक पैमाने में दो कारक शामिल हो सकते हैं)। मैं दो कारकों में से 10 प्रश्नों को छोड़कर, लगभग आधी वस्तुओं को मिटाने के लिए तैयार हूं।

मैं खोज कारक विश्लेषण (ईएफए), आंतरिक स्थिरता (क्रोनबाक अल्फा), और आइटम प्रतिक्रिया सिद्धांत (आईआरटी) में आइटम विशेषता घटता से परिचित हूं। मैं देख सकता हूं कि मैं इनमें से किसी एक तरीके का उपयोग करके यह निर्धारित करूंगा कि कौन से आइटम किसी भी एक पैमाने पर "बदतर" हैं। मैं सराहना करता हूं कि प्रत्येक विधि भी अलग-अलग प्रश्नों का उत्तर देती है, हालांकि वे समान परिणाम दे सकते हैं और मुझे यकीन नहीं है कि "प्रश्न" सबसे महत्वपूर्ण है।

शुरू करने से पहले, मुझे यकीन है कि मुझे पता है कि मैं इनमें से प्रत्येक विधि के साथ व्यक्तिगत रूप से क्या कर रहा हूं।

  • ईएफए का उपयोग करते हुए, मैं कारकों की संख्या की पहचान करूंगा, और उन वस्तुओं को हटा दूंगा जो उनके संबंधित कारक पर कम से कम (<.30 कहते हैं) या कारकों के पार काफी हद तक लोड करते हैं।

  • आंतरिक स्थिरता का उपयोग करते हुए, मैं उन वस्तुओं को हटा दूंगा जिनमें खराब "अल्फा अगर आइटम हटा दिया गया है"। मैं अपने पैमाने में एक कारक मान सकता हूं, या कारकों की संख्या की पहचान करने के लिए प्रारंभिक ईएफए के बाद कर सकता हूं और बाद में प्रत्येक कारक के लिए अपना अल्फा चला सकता हूं।

  • आईआरटी का उपयोग करके, मैं उन वस्तुओं को हटा दूंगा जो ब्याज के कारक का उनके (5 लाइकर्ट) प्रतिक्रिया विकल्पों के साथ आकलन नहीं करते हैं। मैं आइटम विशेषता घटता eyeballing होगा। मैं मूल रूप से एक 45 डिग्री के कोण पर एक लाइन की तलाश कर रहा हूं, जो कि 1 से लिकेर्ट स्केल पर लेट स्कोर के साथ 5 तक के सभी पैमाने पर होगा। मैं ऐसा एक कारक मान सकता था, या
    कारकों की संख्या की पहचान करने के लिए प्रारंभिक ईएफए के बाद कर सकता था , और बाद में प्रत्येक कारक के लिए घटता चला सकता था।

मैं अनिश्चित हूं कि इनमें से कौन सी विधि का उपयोग सबसे अच्छा पहचान करने के लिए किया जाता है कि कौन सी वस्तुएं "सबसे खराब" हैं। मैं एक व्यापक अर्थ में सबसे खराब उपयोग करता हूं जैसे कि आइटम माप के लिए हानिकारक होगा, या तो विश्वसनीयता या वैधता के संदर्भ में, जो दोनों मेरे लिए समान रूप से महत्वपूर्ण हैं। संभवत: मैं उन्हें संयोजन के रूप में उपयोग कर सकता हूं, लेकिन मुझे यकीन नहीं है कि कैसे।

अगर मुझे अभी जो पता है उससे आगे जाना है और इसे अपना सर्वश्रेष्ठ शॉट देना है तो मैं निम्नलिखित काम करूंगा:

  1. कारकों की संख्या की पहचान करने के लिए एक ईएफए करें। अपने संबंधित कारकों पर खराब लोडिंग वाली वस्तुओं को भी हटा दें, क्योंकि मैं उन वस्तुओं को नहीं चाहता जो इस बात की परवाह किए बिना कि वे अन्य विश्लेषणों में क्या करेंगे।
  2. आईआरटी करें और ईएएफए से बने रहने पर उस विश्लेषण के अनुसार खराब वस्तुओं को हटा दें।
  3. बस Cronbach के अल्फा की रिपोर्ट करें और उस मीट्रिक को आइटम हटाने के साधन के रूप में उपयोग न करें।

किसी भी सामान्य दिशा निर्देशों की बहुत सराहना की जाएगी!

यहां उन विशिष्ट प्रश्नों की सूची भी दी गई है जिनका उत्तर आप शायद दे सकते हैं:

  1. फैक्टर लोडिंग के आधार पर वस्तुओं को हटाने और क्रोनबैच के अल्फा पर आधारित वस्तुओं को हटाने के बीच व्यावहारिक अंतर क्या है (आप दोनों विश्लेषणों के लिए एक ही कारक लेआउट का उपयोग करते हैं)?

  2. जो मुझे पहले करना चाहिए? मान लें कि मैं एक कारक के साथ ईएफए और आईआरटी करता हूं, और दोनों अलग-अलग वस्तुओं की पहचान करते हैं जिन्हें हटाया जाना चाहिए, किस विश्लेषण में प्राथमिकता होनी चाहिए?

मैं इन सभी विश्लेषणों को करने के लिए कठोर नहीं हूं, हालांकि मैं क्रोनबैच के अल्फा की परवाह किए बिना रिपोर्ट करूंगा। मुझे लगता है कि सिर्फ आईआरटी करने से कुछ छूट जाएगा, और इसी तरह सिर्फ ईएफए के लिए।


यदि आप एफए के माध्यम से निर्माण वैधता प्राप्त करना चुनते हैं, तो आपको निश्चित रूप से एफए के साथ शुरू करना चाहिए ("खराब", जैसे बहुत तिरछा वितरण के साथ वस्तुओं की स्क्रीनिंग के बाद)। एफए के साथ आपकी सगाई जटिल और पुनरावृत्त होगी। सबसे "कमजोर" आइटम बाहर फेंकने के बाद, आरएआरयू एफए, केएमओ इंडेक्स की जांच करें, सहसंबंधों की बहाली की डिग्री, कारक व्याख्या, चेक करें कि क्या अधिक आइटम हटाने के लिए, फिर से फिर से चलाएँ
ttnphns


1
आप उच्चतम "अल्फ़ा के साथ आइटम निकालते हैं यदि आइटम हटा दिया जाता है" नहीं ...

यह बहुत अजीब है! इस मूल प्रश्न के रूप में, हमारे पास 3 वर्षों के भीतर कोई मान्यता प्राप्त उत्तर नहीं है।
व्हाइटगर्ल

जवाबों:


3

मेरे पास कोई उद्धरण नहीं है, लेकिन यहां मैं सुझाव दूंगा:

शून्य: यदि संभव हो तो, डेटा को एक प्रशिक्षण और परीक्षण सेट में विभाजित करें।

पहले ईएफए करें। प्रश्नों के अपने ज्ञान के आधार पर, कौन से अर्थों को देखने के लिए विभिन्न समाधान देखें। Cronbach के अल्फा से पहले आपको यह करना होगा, या आपको पता नहीं होगा कि कौन से आइटम किस कारक में जाते हैं। (सभी वस्तुओं पर अल्फा चलाना शायद एक अच्छा विचार नहीं है)।

इसके बाद, अल्फा चलाएं और उन वस्तुओं को हटाएं जिनमें प्रत्येक कारक में दूसरों की तुलना में बहुत अधिक खराब सहसंबंध हैं। मैं एक मनमाना कटऑफ सेट नहीं करूंगा, मैं उन लोगों की तलाश करूंगा जो दूसरों की तुलना में बहुत कम थे। देखें कि क्या हटाने से कोई मतलब नहीं है।

अंत में, आईआरटी से विभिन्न "कठिनाई" स्तरों वाले आइटम चुनें।

फिर, यदि संभव हो, तो परीक्षण सेट पर इसे फिर से करें, लेकिन कोई भी खोज किए बिना। यही है, देखें कि प्रशिक्षण सेट पर पाया गया परिणाम परीक्षण सेट पर कितना अच्छा काम करता है।


जवाब के लिए धन्यवाद। यह उस दिशा के साथ है जो मैं सोच रहा था, हालांकि मुझे यकीन नहीं है कि मेरे पास डेटा को विभाजित करने के मामले होंगे। इसके अलावा, चूंकि आइटम 5-पॉइंट लिकर्ट स्केल पर हैं, इसलिए मुझे उम्मीद है कि उनमें से अधिकांश, या कम से कम "अच्छे लोग" समान कठिनाई का प्रदर्शन करेंगे।
बेहकाद

1
निश्चित रूप से, आप अच्छे संदर्भ जानते हैं :-) मैं आपको निम्नलिखित बिंदुओं पर चिढ़ाऊंगा (क्योंकि यह धागा भविष्य के प्रश्नों के संदर्भ के रूप में काम करेगा)। (ए) आमतौर पर, क्रोनबेक के अल्फा पर आधारित आइटम विलोपन एक क्रॉस-वैलिडेशन स्कीम पर विचार किए बिना किया जाता है। जाहिर है, यह एक पक्षपाती दृष्टिकोण है क्योंकि दोनों उपायों का अनुमान लगाने के लिए समान व्यक्तियों का उपयोग किया जाता है। (ख) एक अन्य विकल्प बाकी स्कोर (यानी, विचार के तहत आइटम को शामिल किए बिना राशि स्कोर) के आधार पर आइटम / स्केल सहसंबंध का है: क्या आपको लगता है कि इस मामले में यह मायने रखता है? (...)
CHL

1
(...) (सी) अंत में, आईआरटी मॉडल अक्सर आइटम फिट करने के लिए उपयोग किया जाता है ( स्केल शुद्धि की भावना में ) आइटम फिट आंकड़ों और पसंद के आधार पर। उस दृष्टिकोण पर आपकी क्या राय है?
ch

FYI करें मैं संभवतः इन विधियों में से प्रत्येक के लिए व्यक्तिगत रूप से संदर्भ पा सकता हूं, लेकिन मैं संयोजन में इनमें से किसी भी तरीके का उपयोग करने के लिए किसी भी संभावित संदर्भ की सराहना करूंगा। कोई भी संदर्भ महान होगा, वास्तव में! आप जानते हैं (और शायद हैं!) समीक्षक ...
बेहकाद

@chl मैं संदर्भ खोद सकता था, लेकिन मैं उन्हें अपने सिर के ऊपर से नहीं जानता। A) और b), यह संभवतः उन लोगों की तुलना में अधिक मायने रखता है जो यह सोचते हैं कि यह करता है; किसी को अनुकरण करना चाहिए। ग) जब मैंने IRT सामान किया था तब से कुछ समय पहले (मेरी डिग्री साइकोमेट्रिक्स में है, लेकिन यह बहुत पहले था)।
पीटर Flom - को पुनः स्थापित मोनिका

2

आपके सभी सुझाए गए मानदंड वास्तव में आईआरटी में प्रदर्शन किए जा सकते हैं, विशेष रूप से बहुआयामी आईआरटी। यदि आपका नमूना आकार काफी बड़ा है, तो संभवतः प्रत्येक सब्सक्राइब के लिए इसके बारे में जाने का एक सुसंगत तरीका होगा। इस तरह से आप स्वतंत्र रूप से मॉडलिंग आइटम के लिए IRT का लाभ प्राप्त कर सकते हैं (कुछ वस्तुओं के लिए नाममात्र मॉडल का उपयोग करके, सामान्य क्रेडिट आंशिक रूप से या दूसरों के लिए वर्गीकृत किया गया है, या यदि संभव हो तो रेटिंग पैमानों को और अधिक शानदार तरीके से व्याख्या करने में मदद करने के लिए रेटिंग स्केल सेट करें)।

θ

θ

आप उन आइटम्स को हटाने का प्रयास कर सकते हैं जो अधिकांश IRT सॉफ़्टवेयर की यूनिडायरेक्शनल आवश्यकताओं के अनुरूप नहीं हैं, लेकिन मैं जरूरी नहीं कि यह अनुशंसा करता है यदि यह निर्माण के सैद्धांतिक प्रतिनिधित्व को प्रभावित करता है। अनुभवजन्य अनुप्रयोगों में यह आमतौर पर हमारे मॉडल को हमारे सिद्धांत को फिट करने की कोशिश करना बेहतर होता है, न कि अन्य तरीके से। इसके अलावा, यह वह जगह है जहाँ से द्विआधारी / दो-स्तरीय मॉडल उपयुक्त होते हैं क्योंकि आप व्यवस्थित और सैद्धांतिक रूप से वांछनीय तरीके से बहुआयामीता के लिए लेखांकन करते समय सभी संभव वस्तुओं को शामिल करना चाहते हैं।


धन्यवाद! आप IRT में अनुभवजन्य विश्वसनीयता कैसे मापते हैं? क्या यह सूचना के समान है?
20

θ^आरएक्सएक्स=टी/(टी+)θmirtfscores()sirtTAM

@ दार्शनिकों, यदि आप इसका उत्तर दे सकते हैं , तो pls एक प्रश्न पूछें।
व्हाइटगर्ल
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.