हालांकि अभी भी कुछ जानकारी की कमी है (प्रति व्यक्ति और आइटम प्रति सब्सक्राइब), यहां पैमाने में कमी के बारे में कुछ सामान्य संकेत दिए गए हैं। इसके अलावा, चूंकि आप प्रश्नावली के स्तर पर काम कर रहे हैं, इसलिए मैं यह नहीं देखता कि इसकी लंबाई इतनी मायने क्यों रखती है (आखिरकार, आप केवल सारांश आंकड़े देंगे, जैसे कुल या मतलब स्कोर)।
मुझे लगता है कि (ए) आपके पास कश्मीर वस्तुओं का एक सेट है, जो मनोबल से संबंधित कुछ निर्माणों को मापता है, (बी) आपका "अविवेकी" पैमाना एक दूसरे क्रम का कारक है जिसे अलग-अलग पहलुओं में विभाजित किया जा सकता है, (सी) आप चाहेंगे पैमाने पर सामग्री की वैधता को संरक्षित करते हुए पर्याप्त सटीकता के विषयों के कुल अंकों के साथ संक्षेप करने के लिए k <K आइटम के लिए अपने पैमाने को कम करें।
इस मान्य पैमाने की सामग्री / निर्माण वैधता के बारे में : वस्तुओं की संख्या निश्चित रूप से चुना गया है ताकि ब्याज के निर्माण को प्रतिबिंबित किया जा सके। प्रश्नावली को छोटा करके, आप वास्तव में निर्माण कवरेज को कम कर रहे हैं। यह जांचना अच्छा होगा कि कारक संरचना केवल सामान के आधे हिस्से पर विचार करने के बाद भी बनी हुई है (जो आपके द्वारा चुने जाने के तरीके को भी प्रभावित कर सकती है)। यह पारंपरिक एफए तकनीकों का उपयोग करके किया जा सकता है। आप लेखकों के समान भावना में पैमाने की व्याख्या करने की जिम्मेदारी रखते हैं।
स्कोर विश्वसनीयता के बारे में : हालांकि यह एक नमूना-निर्भर उपाय है, आइटम की संख्या कम होने पर स्कोर विश्वसनीयता घट जाती है (cf. स्पीयरमैन-ब्राउन सूत्र ); यह देखने का एक और तरीका यह है कि माप (SEM) की मानक त्रुटि बढ़ जाएगी, लेकिन लियो एम हार्विल द्वारा माप की मानक त्रुटि पर एक एनसीएमई अनुदेशात्मक मॉड्यूल देखें । कहने की जरूरत नहीं है, यह उन प्रत्येक संकेतक पर लागू होता है जो मदों की संख्या पर निर्भर करता है (उदाहरण के लिए, क्रोनबाक का अल्फा जो एक प्रकार की विश्वसनीयता, आंतरिक स्थिरता का अनुमान लगाने के लिए इस्तेमाल किया जा सकता है)। उम्मीद है, यह कच्चे स्कोर के आधार पर किसी भी समूह-तुलना की तुलना को प्रभावित नहीं करेगा।
तो, मेरी सिफारिशें (सबसे आसान तरीका) होगी:
- अपनी वस्तुओं का चयन करें ताकि अधिकतम कवरेज का निर्माण किया जा सके; एफए के साथ आयामीता की जांच करें और गैर-प्रतिक्रिया प्रतिक्रियाओं के वितरण के साथ कवरेज;
- पहले से रिपोर्ट किए गए लोगों के औसत अंतर-संबंध से तुलना करें;
- पूर्ण पैमाने और आपके कंपोजिट के लिए आंतरिक स्थिरता की गणना करें; जांच लें कि वे मूल पैमाने पर प्रकाशित आंकड़ों के साथ समझौते में हैं (कुछ भी परीक्षण करने की आवश्यकता नहीं है, ये नमूना-निर्भर उपाय हैं);
- मूल और कम (उप) स्कोर के बीच रैखिक (या पॉलीकोरिक, या रैंक) सहसंबंधों का परीक्षण करें, यह सुनिश्चित करने के लिए कि वे तुलनीय हैं (यानी, अव्यक्त विशेषता पर व्यक्ति स्थान काफी हद तक भिन्न नहीं होते हैं, जैसा कि कच्चे स्कोर के माध्यम से आपत्तिजनक है। );
- यदि आपके पास एक बाहरी विषय-विशिष्ट चर है (उदाहरण के लिए, लिंग, आयु, या मनोबल से संबंधित सर्वोत्तम उपाय), तो दो रूपों के बीच ज्ञात-समूह की वैधता की तुलना करें ।
अव्यवस्थित विशेषता पर अधिकतम जानकारी को ले जाने के लिए उन वस्तुओं का चयन करने के लिए आइटम रिस्पांस थ्योरी पर भरोसा करना कठिन तरीका होगा - स्केल रिडक्शन वास्तव में इसके सबसे अच्छे एप्लिकेशन में से एक है। बहुलीकृत वस्तुओं के मॉडल को आंशिक रूप से इस धागे में वर्णित किया गया था, प्रश्नावली का सत्यापन ।
अपने 2 अपडेट के बाद अपडेट करें
- इतने कम विषयों वाले बहुपत्नी वस्तुओं के लिए किसी भी आईआरटी मॉडल के बारे में भूल जाओ।
- फैक्टर एनालिसिस भी इतने कम सैंपल साइज से पीड़ित होगा; आप अविश्वसनीय कारक लोडिंग अनुमान प्राप्त करेंगे।
- 30 आइटम 2 = 15 आइटम से विभाजित (यह कुल स्कोर के लिए संबंधित एसईएम में वृद्धि का एक विचार प्राप्त करना आसान है), लेकिन यह निश्चित रूप से खराब हो जाएगा यदि आप सबस्केल्स मानते हैं (यह वास्तव में मेरा 2 सवाल था - नहीं। आइटम नहीं) प्रति सब्सक्राइब, यदि कोई हो)