Apa yang disarankan @rolando terlihat seperti awal yang baik, jika tidak seluruh respons (IMO). Biarkan saya melanjutkan dengan pendekatan korelasional, mengikuti kerangka Teori Uji Klasik (CTT). Di sini, seperti dicatat oleh @Jeromy, ukuran ringkasan untuk kelompok karakteristik Anda dapat dianggap sebagai skor total (atau jumlah) dari semua item (karakteristik, dalam kata-kata Anda) milik apa yang sekarang akan saya sebut sebagai skala. Di bawah CTT, ini memungkinkan kita untuk memformalisasi kecenderungan atau kewajiban "sifat" individu sebagai lokasi seseorang pada skala berkelanjutan yang mencerminkan konstruk yang mendasarinya (sifat laten), meskipun di sini ini hanyalah skala ordinal (tapi ini debat lain dalam literatur psikometrik) .
Apa yang Anda gambarkan berkaitan dengan apa yang dikenal sebagai konvergen (sejauh mana item-item yang tergolong dalam skala yang sama berkorelasi satu sama lain) dan diskriminan (item-item yang berasal dari skala yang berbeda tidak boleh berkorelasi dengan tingkat yang luas) validitas dalam psikometrik. Teknik klasik meliputi analisis multi-sifat multi-metode (MTMM) (Campbell & Fiske, 1959). Ilustrasi cara kerjanya ditunjukkan di bawah ini (tiga metode atau instrumen, tiga konstruksi atau sifat):
Dalam matriks MTMM ini, elemen-elemen diagonal mungkin adalah alfa Cronbach atau korelasi intraclass test-retest; ini adalah indikator keandalan setiap skala pengukuran. The validitas dari hipotesis konstruksi (shared) dinilai oleh korelasi skor skala ketika instrumen yang berbeda digunakan untuk menilai sifat yang sama; jika instrumen ini dikembangkan secara independen, korelasi tinggi ( ) akan mendukung gagasan bahwa sifat-sifat tersebut didefinisikan secara konsisten dan obyektif. Sel-sel yang tersisa dalam matriks MTMM ini merangkum hubungan antara sifat-sifat dalam metode , dan antara sifat-sifat melintasi metode>0.7, dan menunjukkan cara konstruk unik diukur dengan skala yang berbeda dan apa hubungan antara masing-masing sifat dalam skala tertentu. Dengan asumsi sifat independen, kita biasanya tidak mengharapkan mereka menjadi tinggi (ambang yang disarankan adalah ), tetapi uji hipotesis yang lebih formal (pada estimasi titik korelasi) dapat dilakukan. Kehalusannya adalah kita menggunakan apa yang disebut "korelasi sisa", yaitu kita menghitung korelasi antara item (atau sifat) dan skalanya (atau metode) setelah menghapus kontribusi item ini ke jumlah skor dari skala ini (koreksi untuk tumpang tindih).<.3
Bahkan jika metode ini awalnya dikembangkan untuk menilai validitas konvergen dan diskriminan dari sejumlah sifat yang dipelajari oleh instrumen pengukuran yang berbeda, ia dapat diterapkan untuk instrumen multi-skala tunggal. Ciri-ciri kemudian menjadi item, dan metode hanyalah skala yang berbeda. Generalisasi metode ini untuk instrumen tunggal juga dikenal sebagai penskalaan multitrait . Item yang berkorelasi seperti yang diharapkan (yaitu, dengan skala mereka sendiri daripada skala yang berbeda) dihitung sebagai penskalaan keberhasilan. Kami umumnya mengasumsikan, bahwa skala yang berbeda tidak berkorelasi, yaitu mereka menargetkan konstruksi hipotesis yang berbeda. Tetapi rata-rata korelasi dalam dan di antara skala menyediakan cara cepat untuk meringkas struktur internal instrumen Anda. Cara lain yang mudah untuk melakukannya adalah dengan menerapkan analisis kluster pada matriks korelasi berpasangan dan melihat bagaimana variabel Anda saling terkait.
Yang perlu diperhatikan, dalam kedua kasus, peringatan biasa yang bekerja dengan tindakan korelasi berlaku, yaitu Anda tidak dapat menjelaskan kesalahan pengukuran, Anda memerlukan sampel besar, instrumen atau tes yang dianggap "paralel" (tau-ekuivalensi, kesalahan tidak berkorelasi, varians kesalahan yang sama).
Bagian kedua yang dibahas oleh @rolando juga menarik: Jika tidak ada indikasi teoretis atau substantif bahwa pengelompokan item yang sudah ada masuk akal, maka Anda harus menemukan cara untuk menyoroti struktur data Anda dengan misalnya, analisis faktor eksplorasi . Tetapi bahkan jika Anda memercayai "karakteristik dalam suatu kelompok", Anda dapat memeriksa bahwa ini adalah asumsi yang valid. Sekarang, Anda mungkin menggunakan model analisis faktor konfirmatori untuk memeriksa bahwa pola pemuatan item (korelasi suatu item dengan skalanya sendiri) berperilaku seperti yang diharapkan.
Alih-alih metode analitik faktor tradisional, Anda juga dapat melihat pengelompokan item (Revelle, 1979) yang bergantung pada aturan pembagian Cronbach berbasis alpha untuk mengelompokkan item bersama-sama ke dalam skala homogen.
Kata terakhir: Jika Anda menggunakan R, ada dua paket yang sangat bagus yang akan memudahkan langkah-langkah yang disebutkan di atas:
- psikologi , menyediakan Anda dengan semua yang Anda butuhkan untuk memulai dengan metode psikometri, termasuk analisis faktor (
fa
, fa.parallel
, principal
), item pengelompokan ( ICLUST
dan metode terkait), alpha Cronbach ( alpha
); ada yang bagus gambaran tersedia di situs web William Revelle, terutama Pengantar teori psikometri dengan aplikasi di R .
- psy , juga termasuk plot scree (melalui set data + simulasi PCA) visualisasi (
scree.plot
) dan MTMM ( mtmm
).
Referensi
- Campbell, DT dan Fiske, DW (1959). Validasi konvergen dan diskriminan oleh matriks multitrait-multimethod. Buletin Psikologis , 56: 81–105.
- Hays, RD dan Fayers, P. (2005). Mengevaluasi skala multi-item. Dalam Menilai kualitas hidup dalam uji klinis , (Fayers, P. dan Hays, R., Eds.), Hlm. 41-53. Oxford.
- Revelle, W. (1979). Analisis Hierarchical Cluster dan Struktur Internal Tes. Penelitian Perilaku Multivariat , 14: 57-74.
vegan
dengan fungsianosim
atau lebih disukai,adonis
(permutasi MANOVA).