Basándonos en las cargas factoriales (en el análisis factorial), ¿podemos dar pesos desiguales a los ítems de la escala Likert?

Question

Una vez recogidos los datos, calculamos la puntuación de cualquier escala Likert (sumativa) (previamente identificada como factor en el análisis factorial) sumando las puntuaciones de cada uno de los ítems (y quizás dividiendo la suma por el número de ítems para obtener la puntuación media). En ese cálculo, suponemos que cada ítem de la escala tiene el mismo peso. Sin embargo, sabemos por el análisis factorial que algunos de los ítems tienen mayores cargas factoriales que los demás que componen esa escala. Por tanto, explican una mayor parte de la varianza. Utilizando esas cargas factoriales, ¿es posible dar pesos desiguales a los elementos? Por ejemplo, en una escala de 6 ítems, puede que el ítem 4 sea más efectivo en la puntuación de esa escala que otros ítems.

O, para reformular mi pregunta: Aunque los ítems de una escala Likert (constructo) no tengan cargas factoriales iguales (que expliquen la varianza de ese factor) ¿por qué los investigadores suelen utilizar escalas Likert con ítems de igual peso?

Answer 1

Sí, es posible suministrar cada artículo con su propio peso. Sin embargo, este peso no puede ser el Cargando porque, como se recordará, la carga es un coeficiente de regresión de un factor en la predicción de un elemento, no y viceversa. El peso que implica debe ser un coeficiente de regresión de un elemento en la predicción de un factor. Obtenemos esas ponderaciones cuando calculamos las puntuaciones de los factores; las ponderaciones $\mathbf{B}$ se estiman a partir de la matriz de correlación (o covarianza) entre elementos $\mathbf{R}$ y la matriz de cargas $\mathbf{A}$ típicamente de esta manera: $\mathbf{B}= \mathbf{R}^{-1} \mathbf{A}$ . (Si los factores estuvieran rotados oblicuamente entonces en esta fórmula estructura de los factores debe sustituir a la matriz $\mathbf{A}$ .) Ver también donde se consideran los métodos grueso y refinado; el método grueso permite utilizar las cargas como pesos.

Si es así, ¿por qué los investigadores suelen utilizar escalas Likert con ítems igualmente ponderados? En otras palabras, ¿por qué suelen preferir sólo ponderaciones binarias 1 o 0 en lugar de las ponderaciones fraccionarias calculadas anteriormente? Puede haber varias razones. Por mencionar sólo tres... En primer lugar, las ponderaciones anteriores $\mathbf{B}$ son no es preciso (a menos que utilicemos el modelo PCA en lugar del modelo de análisis factorial por sí mismo ) debido a que el uniqness de un ítem no se conoce a nivel de cada caso (encuestado), por lo que las puntuaciones factoriales calculadas son sólo una aproximación a los verdaderos valores factoriales. En segundo lugar, las ponderaciones calculadas $\mathbf{B}$ normalmente lo hará varían de una muestra a otra y finalmente no muestran mucho mejor que simplemente 1 vs 0 pesos. En tercer lugar, el modelo de suma ponderada detrás de un constructo sumativo (Likert) es una simplificación en principio. Implica que el rasgo que mide la escala depende de todos sus ítems simultáneamente sea cual sea su pronunciamiento. Pero sabemos que muchos rasgos se comportan de forma diferente. Por ejemplo, cuando un rasgo es débil, puede mostrar sólo un subconjunto de síntomas (es decir, ítems), pero expresados en su totalidad; a medida que el rasgo se fortalece, se incorporan más síntomas, algunos expresados parcialmente, otros expresados en su totalidad e incluso sustituyendo aquellos síntomas "más antiguos". Este crecimiento interno dinámico e imprevisible de un rasgo no puede modelarse mediante una combinación lineal ponderada de sus fenómenos. En esta situación, el uso de ponderaciones fraccionarias finas no es en absoluto mejor que el uso de ponderaciones binarias 0-1.