Actualmente estoy analizando los datos de una escala de Likert del artículo 34. Ya había recodificada las negativamente declaradas variables en SPSS como variables diferentes. Voy a hacer un análisis factorial.
¿Debo usar las variables originales o las variables recodificadas en el análisis factorial?
No importa que utilices. Los signos de las cargas del factor simplemente moverá de un tirón. Por ejemplo, supongamos que ese artículo 1 artículo 2 debe cargar en el mismo factor, y artículo 2 es inversa anotada. El factor de carga para el artículo 1 sería.53, y podría ser el factor de carga del elemento 2-. 41, pero si hubiera utilizado la variable recodificada en su lugar, hubiera sido.41. A no poner tanto!
Como gung dijo, recodificación inversa anotó variables de sólo invertir el signo de su factor de cargas, por lo que la decisión es sólo importante porque se tienen que seguir la pista de (y especificar en todo lo que se escribe sobre él), cuáles son las variables inversa anotó, o si se recodifica.
Una relación de preocupación surge con el análisis de los factores de la escala de Likert de calificaciones. Escalas Likert de producir ordinal (es decir, politómica, ordenado, categórica) de datos, no de datos continuo. El análisis de los factores generalmente asume que los datos sin procesar de entrada son continuas. He aquí una cita de Reise, Moore, y la corporación haviland (2010):
Ordinario factorial confirmatorio de las técnicas analíticas no se aplican a los dicotómica o politómica de datos (Byrne, 2006). En su lugar, especiales de estimación se requiere de procedimientos (Wirth & Edwards, 2007). Hay básicamente tres opciones para trabajar con politómica de respuesta al ítem de datos. La primera es calcular un polychoric de la matriz y, a continuación, aplicar el estándar de factor de métodos analíticos (ver Knol & Berger, 1991). Una segunda opción es el uso completo de la información de elemento de análisis factorial (Gibbons & Hedeker, 1992). El tercero es el uso limitado de la información procedimientos de estimación diseñado específicamente para que los datos estén ordenados como mínimos cuadrados ponderados con la media y la varianza de ajuste (MPLUS; Muthén Y Muthén, 2009).
Me gustaría recomendar la combinación de la primera y la tercera enfoques (es decir, el uso en diagonal de estimación de mínimos cuadrados ponderados en un polychoric matriz de correlación), basado en el trabajo de Wang y Cunningham (2005) discusión de los problemas con los típicos alternativas:
Cuando el análisis factorial confirmatorio se llevó a cabo con anormal ordinal de los datos utilizando máxima verosimilitud y basado en el producto-momento de Pearson correlaciones, la tendencia a la baja las estimaciones de los parámetros que se producen en este estudio fueron consistentes con Olsson (1979) conclusiones. En otras palabras, la magnitud de nonnormality en la observó variables ordinales, es un determinante importante de la exactitud de las estimaciones de los parámetros.
Los resultados también apoyan los hallazgos de Babakus et al. (1987). Cuando la estimación de máxima verosimilitud se utiliza con un polychoric de correlación matriz de entrada en el análisis factorial confirmatorio, las soluciones tienden a resultar en la inaceptable y por lo tanto significativa chi-cuadrado de valores junto con la mala adaptación de las estadísticas.
SPSS tiene algunas soluciones para el análisis factorial exploratorio de la escala de Likert de calificaciones. La segunda solución para la producción de polychoric correlaciones deben trabajar con análisis factorial confirmatorio. Se parece usted puede utilizar generalizada (ponderado) de estimación de mínimos cuadrados en SPSS, pero no en diagonal mínimos cuadrados ponderados ($DWLS$). Otra medida de precaución de Wang y Cunningham (2005):
Porque mínimos cuadrados ponderados estimación se basa en cuarto orden momentos, este enfoque con frecuencia conduce a problemas prácticos y es muy computacionalmente exigente. Esto significa que los mínimos cuadrados ponderados estimación de la posible falta de robustez cuando se utiliza para evaluar los modelos de media, es decir, con 10 indicadores, en tamaño grande y pequeño a moderado tamaño de la muestra.
No me queda claro si la misma preocupación se aplica a $DWLS$ estimación; en cualquier caso, los autores recomiendan que el estimador. En caso de que usted está dispuesto a cambiar los programas para el uso de $DWLS$:
2.15.2) para estos paquetes:
psych paquete (Revelle, 2013) contiene la polychoricfunción.
fa.parallel función puede ayudar a identificar el número de factores a extraer.lavaan paquete (Rosseel, 2012) ofrece a $DWLS$ estimación para la variable latente de análisis.semTools paquete contiene la efaUnrotate, orthRotatey oblqRotate funciones.Me imagino que Mplus (Muthén Y Muthén, 1998-2011) iba a funcionar, pero la versión de demostración gratuita no dar cabida a más de seis mediciones, y la versión con licencia no es barato. Puede ser vale la pena si te lo puedes permitir, aunque; el amor de la gente Mplus, y el Muthéns servicio de atención al cliente a través de sus foros es increíble!
P. S. Si un dolor de cabeza para el bien de la psicométricas de validez no es demasiado, puede que desee considerar la posibilidad de analizar los problemas con extrema estilo de respuesta , debido a la naturaleza subjetiva de la escala de Likert de calificaciones.
Referencias
Babakus, E., Peña, J. C. E., & Jöreskog, K. G. (1987). La sensibilidad de confirmación de máxima verosimilitud análisis factorial a las violaciones de medición de la escala y la distribución de la hipótesis. Journal de Investigación de Marketing, 24, 222-228.
Byrne, B. M. (2006). Modelado de Ecuaciones estructurales con NCA. Mahwah, NJ: Lawrence Erlbaum.
Gibbons, R. D., & Hedeker, R. D. (1992). Completo el elemento de información bi-factor de análisis. Psychometrika, 57, 423-436.
Knol, D. L., & Berger, M. P. F. (1991). Empírica de la comparación entre el factor de análisis multidimensional y modelos de respuesta al ítem. Multivariante En La Investigación Del Comportamiento, 26, 457-477.
Muthén, L. K., & Muthén, B. O. (1998-2011). Mplus guía del usuario (6ª ed.). Los Angeles, CA: Muthén Y Muthén.
Muthén, L. K., & Muthén, B. O. (2009). Mplus (Versión 4.00). [Equipo software]. Los Angeles, CA: Autor. URL: http://www.statmodel.com.
Olsson, U. (1979). Máximo de estimaciones de probabilidad para el polychoric coeficiente de correlación. Psychometrika, 44, 443-460.
R Core Team. (2012). R: Un lenguaje y un entorno para computación estadística. R Foundation for Statistical Computing, Viena, Austria. ISBN 3-900051-07-0, dirección URL: http://www.R-project.org/.
Reise, S. P., Moore, T. M., & De La Corporación Haviland, M. G. (2010). Bifactor modelos y rotaciones: Explorar hasta qué punto los datos multidimensionales rendimiento unívoca puntuaciones de la escala. Diario de la Evaluación de la Personalidad, 92(6), 544-559. Recuperado El 21 De Noviembre De 2013. Libremente disponible en línea, dirección URL: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/.
Revelle, W. (2013). psych: Procedimientos para la Personalidad y la Investigación Psicológica. De la Universidad de Northwestern, en Evanston, Illinois, Estados Unidos. URL: http://CRAN.R-project.org/package=psych. Versión = 1.3.2.
Rosseel, Y. (2012). lavaan: Un Paquete de R para el Modelado de Ecuaciones Estructurales. Journal of Statistical Software, 48(2), 1-36. URL: http://www.jstatsoft.org/v48/i02/.
Wirth, R. J., & Edwards, M. C. (2007). Elemento de análisis factorial: enfoques Actuales de la y las direcciones futuras. Métodos Psicológicos, 12, No. 5879. Recuperado El 21 De Noviembre De 2013. Libremente disponible en línea, dirección URL: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/.
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
