Analisis faktor kuesioner yang terdiri dari item-item Likert

Saya biasa menganalisis item dari sudut pandang psikometrik. Tetapi sekarang saya mencoba menganalisis jenis pertanyaan lain tentang motivasi dan topik lainnya. Semua pertanyaan ini ada di skala Likert. Pikiran awal saya adalah menggunakan analisis faktor, karena pertanyaan dihipotesiskan untuk mencerminkan beberapa dimensi yang mendasarinya.

• Tetapi apakah analisis faktor tepat?
• Apakah perlu untuk memvalidasi setiap pertanyaan mengenai dimensinya?
• Apakah ada masalah dengan melakukan analisis faktor pada item likert?
• Apakah ada makalah dan metode yang baik tentang bagaimana melakukan analisis faktor pada Likert dan item kategori lainnya?

Dari apa yang saya lihat sejauh ini, FA digunakan untuk item sikap seperti untuk jenis skala penilaian lainnya. Masalah yang timbul dari metrik yang digunakan (yaitu, "Apakah skala Likert benar-benar diperlakukan sebagai skala numerik?" Adalah perdebatan lama, tetapi memberikan Anda memeriksa distribusi respons berbentuk lonceng yang dapat Anda tangani sebagai pengukuran berkelanjutan, selain itu periksa model FA non-linier atau penskalaan optimal ) dapat ditangani oleh model IRT polytmomous, seperti Graded Response, Skala Rating, atau Model Kredit Parsial. Dua yang terakhir dapat digunakan sebagai pemeriksaan kasar apakah jarak ambang, seperti yang digunakan dalam item tipe-Likert, adalah karakteristik format respons (RSM) atau item tertentu (PCM).

Mengenai poin kedua Anda, diketahui, misalnya, bahwa distribusi respons dalam sikap atau survei kesehatan berbeda dari satu negara ke negara lain (misalnya orang Cina cenderung menyoroti pola respons 'ekstrem' dibandingkan dengan yang berasal dari negara-negara barat, lihat misalnya Song , X.-Y. (2007) Analisis model persamaan struktural multisample dengan aplikasi untuk data Kualitas Hidup, dalam Handbook of Latent Variable dan Model Terkait , Lee, S.-Y. (Ed.), Pp 279-302, North -Belanda). Beberapa metode untuk mengatasi situasi seperti itu di atas kepala saya:

• penggunaan model log-linear (pendekatan marginal) untuk menyoroti ketidakseimbangan antar-kelompok yang kuat pada tingkat item (koefisien kemudian ditafsirkan sebagai risiko relatif dan bukannya peluang);
• metode SEM multi-sampel dari Lagu yang dikutip di atas (meskipun, tidak tahu apakah mereka melakukan pekerjaan lebih lanjut pada pendekatan itu).

Sekarang, intinya adalah bahwa sebagian besar pendekatan ini fokus pada level item (efek plafon / lantai, penurunan keandalan, statistik fit item buruk, dll.), Tetapi ketika seseorang tertarik pada bagaimana orang menyimpang dari apa yang diharapkan dari ideal set pengamat / responden, saya pikir kita harus fokus pada indeks kecocokan orang sebagai gantinya.

$\chi^2$

Seperti yang diusulkan oleh Eid dan Zickar (2007), menggabungkan model kelas laten (untuk mengisolasi kelompok responden, misalnya yang selalu menjawab pada kategori ekstrim vs yang lain) dan model IRT (untuk memperkirakan parameter item dan lokasi orang pada laten sifat dalam kedua kelompok) muncul solusi yang bagus. Strategi pemodelan lainnya dijelaskan dalam makalah mereka (misalnya model HYBRID, lihat juga Holden dan Book, 2009).

Demikian juga, model unfolding dapat digunakan untuk mengatasi gaya respons , yang didefinisikan sebagai pola kategori respons yang konsisten dan konten-independen (misalnya kecenderungan untuk setuju dengan semua pernyataan). Dalam ilmu sosial atau literatur psikologis, ini dikenal sebagai Extreme Response Style (ERS). Referensi (1-3) mungkin berguna untuk mendapatkan ide tentang bagaimana manifestasinya dan bagaimana mengukurnya.

Berikut ini adalah daftar makalah singkat yang dapat membantu untuk kemajuan dalam hal ini:

1. Hamilton, DL (1968). Atribut kepribadian yang terkait dengan gaya respons ekstrem . Buletin Psikologis , 69 (3) : 192–203.
2. Greanleaf, EA (1992). Mengukur gaya respons ekstrem. Opini Publik Quaterly , 56 (3) : 328-351.
3. de Jong, MG, Steenkamp, ​​J.-BEM, Fox, J.-P., dan Baumgartner, H. (2008). Menggunakan Teori Item Response untuk Mengukur Gaya Respon Ekstrim dalam Riset Pemasaran: Investigasi Global. Jurnal riset pemasaran , 45 (1) : 104-115.
4. Morren, M., Gelissen, J., dan Vermunt, JK (2009). Berurusan dengan gaya respons ekstrem dalam penelitian lintas budaya: Pendekatan analisis faktor kelas laten terbatas
5. Moors, G. (2003). Mendiagnosis Perilaku Gaya Respons dengan Cara Pendekatan Faktor Laten-Kelas. Korelasi Sosio-Demografis Sikap Peran Gender dan Persepsi Diskriminasi Etnis Diperiksa Kembali. Kualitas & Kuantitas , 37 (3), 277-302.
6. de Jong, MG Steenkamp JB, Fox, J.-P., dan Baumgartner, H. (2008). Teori Respon Item untuk Mengukur Gaya Respon Ekstrim dalam Riset Pemasaran: Investigasi Global. Jurnal Riset Pemasaran , 45 (1), 104-115.
7. Javaras, KN ​​dan Ripley, BD (2007). Model Variabel Laten “Tidak Berlipat” untuk Data Sikap Likert. JASA , 102 (478): 454-463.
8. slide dari Moustaki, Knott dan Mavridis, Metode untuk mendeteksi pencilan dalam model variabel laten
9. Eid, M. dan Zickar, MJ (2007). Mendeteksi gaya respons dan memalsukan penilaian kepribadian dan organisasi oleh Mixed Rasch Models. Dalam von Davier, M. dan Carstensen, CH (Eds.), Model Rasch Distribusi Multivariat dan Campuran , hlm. 255–270, Springer.
10. Holden, RR and Book, AS (2009). Menggunakan pemodelan kelas Rasch-laten hybrid untuk meningkatkan deteksi faker pada inventaris kepribadian. Perbedaan Kepribadian dan Individu , 47 (3) : 185-190.

Analisis faktor eksplorasi (EFA) adalah tepat (secara psikometrik dan cara lainnya) untuk menguji sejauh mana seseorang dapat menjelaskan korelasi di antara banyak item dengan menyimpulkan pengaruh umum dari (a) faktor (yaitu, laten) yang tidak terukur. Jika ini bukan maksud spesifik Anda, pertimbangkan analisis alternatif, misalnya:

• Pemodelan linear umum (misalnya, regresi berganda, korelasi kanonik, atau (M) AN (C) OVA)
• Analisis faktor konfirmatori (CFA) atau analisis sifat / kelas / profil laten
• Persamaan struktural (SEM) / pemodelan kuadrat terkecil parsial

Dimensi adalah masalah pertama yang dapat ditangani EFA. Anda dapat memeriksa nilai eigen dari matriks kovarians (seperti dengan membuat plot scree melalui EFA) dan melakukan analisis paralel untuk menyelesaikan dimensi tindakan Anda. (Lihat juga beberapa saran dan saran alternatif dari William Revelle .) Anda harus melakukan ini dengan hati-hati sebelum mengekstraksi sejumlah faktor dan memutarnya dalam EFA, atau sebelum memasang model dengan sejumlah faktor laten tertentu menggunakan CFA, SEM, atau sejenisnya. Jika analisis paralel menunjukkan multidimensionalitas, tetapi faktor umum Anda (pertama) jauh lebih besar daripada yang lainnya (yaitu, sejauh ini memiliki nilai eigen terbesar / menjelaskan mayoritas varian dalam ukuran Anda), pertimbangkan analisis bifactor ^{(Gibbons & Hedeker, 1992;Reise, Moore, & Haviland, 2010 )} .

Banyak masalah muncul dalam EFA dan pemodelan faktor laten peringkat skala Likert. Skala likert menghasilkan data ordinal (yaitu, kategoris, politis, teratur), bukan data kontinu. Analisis faktor umumnya mengasumsikan input data mentah bersifat kontinu, dan orang sering melakukan analisis faktor matriks korelasi produk-momen Pearson, yang hanya sesuai untuk data kontinu. Berikut kutipan dari Reise dan rekan ⁽²⁰¹⁰⁾ :

Teknik analisis faktor konfirmatori biasa tidak berlaku untuk data dikotomis atau politekom ^{(Byrne, 2006)} . Sebagai gantinya, prosedur estimasi khusus diperlukan ^{(Wirth & Edwards, 2007)} . Pada dasarnya ada tiga opsi untuk bekerja dengan data respons item politit. Yang pertama adalah menghitung matriks polikorik dan kemudian menerapkan metode analitik faktor standar ^{(lihat Knol & Berger, 1991)} . Opsi kedua adalah menggunakan analisis faktor item informasi lengkap ^{(Gibbons & Hedeker, 1992)} . Yang ketiga adalah menggunakan prosedur estimasi informasi terbatas yang dirancang khusus untuk data yang dipesan seperti kuadrat terkecil tertimbang dengan penyesuaian rata-rata dan varians ^{(MPLUS; Muthén & Muthén, 2009)} .

Saya akan merekomendasikan menggabungkan kedua pendekatan pertama dan ketiga (yaitu, menggunakan estimasi kuadrat terkecil tertimbang diagonal pada matriks korelasi polikorik), berdasarkan diskusi Wang dan Cunningham ⁽²⁰⁰⁵⁾ tentang masalah dengan alternatif khas:

Ketika analisis faktor konfirmatori dilakukan dengan data ordinal nonnormal menggunakan kemungkinan maksimum dan berdasarkan korelasi product-moment Pearson, estimasi parameter ke bawah yang dihasilkan dalam penelitian ini konsisten dengan temuan Olsson ⁽¹⁹⁷⁹⁾ . Dengan kata lain, besarnya ketidaknormalan dalam variabel ordinal yang diamati adalah penentu utama dari akurasi estimasi parameter.

Hasilnya juga mendukung temuan Babakus, et al. ⁽¹⁹⁸⁷⁾ . Ketika estimasi kemungkinan maksimum digunakan dengan matriks input korelasi polikorik dalam analisis faktor konfirmatori, solusi cenderung menghasilkan nilai chi-square yang tidak dapat diterima dan karenanya signifikan bersama dengan statistik kecocokan yang buruk.

Pertanyaannya tetap adalah apakah peneliti harus menggunakan kuadrat terkecil tertimbang atau penduga kuadrat terkecil diagonal dalam memperkirakan model persamaan struktural dengan data kategorikal tidak normal. Estimasi kuadrat terkecil berbobot maupun kuadrat terkecil berbobot tidak membuat asumsi tentang sifat distribusi variabel dan kedua metode menghasilkan hasil yang valid secara asimptotik. Namun demikian, karena estimasi kuadrat terkecil didasarkan pada momen orde empat, pendekatan ini sering mengarah pada masalah praktis dan sangat menuntut komputasi. Ini berarti bahwa estimasi kuadrat terkecil tertimbang mungkin kurang kuat ketika digunakan untuk mengevaluasi model medium, yaitu, dengan 10 indikator, untuk ukuran besar dan kecil hingga ukuran sampel.

Tidak jelas bagi saya apakah kekhawatiran yang sama dengan estimasi kuadrat terkecil berbobot berlaku untuk estimasi DWLS; bagaimanapun, penulis merekomendasikan estimator itu. Jika Anda belum memiliki sarana:

• R ^{(R Core Team, 2012)} gratis. Anda memerlukan versi lama (mis., 2.15.2) Untuk paket-paket ini:
  • The psychpaket ^{(Revelle, 2013)} berisi polychoricfungsi.
    • The fa.parallelFungsi dapat membantu mengidentifikasi sejumlah faktor untuk mengekstrak.
  • The lavaanpaket ^{(Rosseel, 2012)} menawarkan DWLS estimasi untuk analisis variabel laten.
  • The semToolspaket berisi efaUnrotate, orthRotatedan oblqRotatefungsi.
  • The mirtpaket ^{(Chalmers, 2012)} menawarkan menjanjikan alternatif menggunakan teori respon butir.

Saya membayangkan Mplus ^{(Muthén & Muthén, 1998-2011)} akan berfungsi juga, tetapi versi demo gratis tidak akan mengakomodasi lebih dari enam pengukuran, dan versi berlisensi tidak murah. Mungkin layak jika Anda mampu membelinya; orang menyukai Mplus , dan layanan pelanggan Muthen melalui forum mereka luar biasa!

Seperti yang dinyatakan di atas, estimasi DWLS mengatasi masalah pelanggaran asumsi normalitas (baik univariat dan multivariat), yang merupakan masalah yang sangat umum, dan hampir di mana-mana dalam data peringkat skala Likert. Namun, itu tidak selalu merupakan masalah pragmatis konsekuensial; kebanyakan metode tidak terlalu sensitif terhadap (bias berat oleh) pelanggaran kecil (lih. Apakah pengujian normal 'pada dasarnya tidak berguna'? ). @ chl jawaban untuk pertanyaan ini memunculkan poin dan saran yang lebih penting, sangat baik mengenai masalah dengan gaya respons ekstrem juga; pasti masalah dengan peringkat skala Likert dan data subjektif lainnya.

^{Referensi
· Babakus, E., Ferguson, JCE, & Jöreskog, KG (1987). Sensitivitas analisis faktor kemungkinan maksimum konfirmatori terhadap pelanggaran skala pengukuran dan asumsi distribusi. Jurnal Riset Pemasaran, 24 , 222–228.
· Byrne, BM (2006). Pemodelan Persamaan Struktural dengan EQS. Mahwah, NJ: Lawrence Erlbaum.
· Chalmers, RP (2012). mirt: Paket teori respons item multidimensi untuk lingkungan R. Jurnal Perangkat Lunak Statistik, 48 (6), 1–29. Diperoleh dari http://www.jstatsoft.org/v48/i06/ .
· Gibbons, RD, & Hedeker, DR (1992). Analisis bi-faktor item informasi lengkap. Psychometrika, 57 , 423-436.
· Knol, DL, & Berger, MPF (1991). Perbandingan empiris antara analisis faktor dan model respons item multidimensi. Penelitian Perilaku Multivariat, 26 , 457-477.
· Muthén, LK, & Muthén, BO (1998-2011). Panduan pengguna Mplus (edisi ke-6). Los Angeles, CA: Muthén & Muthén.
· Muthén, LK, & Muthén, BO (2009). Mplus (Versi 4.00). [Perangkat lunak komputer]. Los Angeles, CA: Penulis. URL: http://www.statmodel.com .
· Olsson, U. (1979). Estimasi kemungkinan maksimum untuk koefisien korelasi polikorik. Psychometrika, 44 , 443-460.
·Tim Inti R. (2012). R: Bahasa dan lingkungan untuk komputasi statistik. R Foundation untuk Komputasi Statistik, Wina, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org/ .
· Reise, SP, Moore, TM, & Haviland, MG (2010). Model dan rotasi bifactor: Menggali sejauh mana data multidimensi menghasilkan skor skala univokal. Jurnal Penilaian Kepribadian, 92 (6), 544–559. Diperoleh dari http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2981404/ .
· Revelle, W. (2013). psych: Prosedur untuk Penelitian Kepribadian dan Psikologis. Universitas Northwestern, Evanston, Illinois, AS. Diperoleh dari http://CRAN.R-project.org/package=psych . Versi = 1.3.2.
· Rosseel, Y. (2012). lavaan: Paket R untuk Pemodelan Persamaan Struktural. Jurnal Perangkat Lunak Statistik, 48 (2), 1–36. Diperoleh dari http://www.jstatsoft.org/v48/i02/ .
· Wang, WC, & Cunningham, EG (2005). Perbandingan metode estimasi alternatif dalam analisis faktor konfirmatori dari Kuesioner Kesehatan Umum. Laporan Psikologis, 97 , 3–10.
· Wirth, RJ, & Edwards, MC (2007). Analisis faktor barang: Pendekatan saat ini dan arah masa depan. Metode Psikologis, 12 , 58-79. Diperoleh dari http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3162326/ .}

Hanya catatan singkat bahwa Anda mungkin ingin melihat korelasi polikorik dengan analisis faktor daripada matriks korelasi / kovarian tradisional.

http://www.john-uebersax.com/stat/sem.htm