Saya telah diberikan satu set 20 item Likert (mulai dari 1-5, ukuran sampel n = 299) dalam bidang penelitian organisasi. Item-item ini dimaksudkan untuk mengukur konsep laten yang multidimensi, beragam segi, dan heterogen. Tujuannya adalah untuk membuat skala yang dapat digunakan dengan baik untuk menganalisis berbagai organisasi dan digunakan dalam regresi logistik. Setelah asosiasi psikologi Amerika, skala harus (1) unidimensional, (2) dapat diandalkan dan (3) valid.
Oleh karena itu kami memutuskan untuk memilih empat dimensi atau subskala dengan masing-masing 4/6/6/4 item; yang dihipotesiskan untuk mewakili konsep.
Item yang dibangun menggunakan pendekatan reflektif (menghasilkan banyak item yang mungkin, dan menghapus item berulang menggunakan cronbach's alpha dan representasi konsep (validitas) dalam tiga kelompok berikutnya).
Menggunakan data yang tersedia, analisis faktor penjelas paralel paralel awal berdasarkan korelasi polikorik dan menggunakan rotasi varimax mengungkapkan bahwa item memuat pada faktor-faktor lain dari yang diharapkan. Setidaknya ada 7 faktor laten yang bertentangan dengan empat yang dihipotesiskan. Korelasi antar-item rata-rata cukup rendah (r = 0,15) meskipun positif. Koefisien cronbach-alpha juga sangat rendah (0,4-0,5) untuk setiap skala. Saya ragu bahwa analisis faktor Konfirmatori akan menghasilkan kecocokan model yang baik.
Jika dua dimensi dijatuhkan, alpha cronbachs akan diterima (0,76,0,7 dengan 10 item per skala, yang masih bisa dibuat lebih besar dengan menggunakan versi ordinal cronbachs alpha) tetapi skala itu sendiri akan tetap multidimensi!
Karena saya baru dalam bidang statistik dan tidak memiliki pengetahuan yang memadai, saya bingung bagaimana harus melangkah lebih jauh. Karena saya enggan untuk membuang skala sepenuhnya dan mengundurkan diri ke pendekatan deskriptif saja, saya punya pertanyaan yang berbeda:
I) Apakah salah menggunakan skala yang andal, valid tetapi tidak unidimensional?
II) Apakah akan pantas untuk menafsirkan konsep setelah itu sebagai formatif dan menggunakan uji tetrad vanishing untuk menilai spesifikasi-model dan menggunakan partial least square (PLS) untuk sampai pada solusi yang memungkinkan? Bagaimanapun, konsep itu tampaknya lebih formatif daripada konsep reflektif.
III) Apakah menggunakan model respons barang (Rasch, GRM, dll.) Ada gunanya? Seperti yang sudah saya baca, model serak dll juga perlu asumsi unidimensionality
IV) Apakah pantas menggunakan 7 faktor sebagai "subskala" baru? Buang saja definisi lama dan gunakan yang baru berdasarkan load factor?
Saya akan menghargai setiap pemikiran yang satu ini :)
EDIT: Menambahkan loadings faktor & korelasi
> fa.res$fa
Factor Analysis using method = ml
Call: fa.poly(x = fl.omit, nfactors = 7, rotate = "oblimin", fm = "ml")
Pemuatan faktor dihitung dari matriks pola faktor dan matriks interkorelasi faktor, hanya nilai di atas 0,2 yang ditampilkan
