科学的に健全なスケール構築に関するアドバイス

組織研究の分野で、20のリッカートアイテム（1〜5、サンプルサイズn = 299）のセットが与えられました。これらのアイテムは、多面的で多面的であり、本質的に異質である潜在的な概念を測定することを目的としています。目標は、さまざまな組織の分析に使用でき、ロジスティック回帰で使用できるスケールを作成することです。アメリカの心理学協会に従って、スケールは（1）一次元、（2）信頼でき、（3）有効でなければなりません。

したがって、それぞれ4/6/6/4アイテムの4つの次元またはサブスケールを選択することにしました。コンセプトを表すと仮定されています。

アイテムは、リフレクトアプローチを使用して構築されました（可能なアイテムの多くを生成し、その後の3つのグループでcronbachのアルファおよび概念表現（有効性）を使用してアイテムを繰り返し削除します）。

利用可能なデータを使用して、ポリコリック相関に基づく予備的な並列説明因子分析とバリマックスローテーションを使用すると、アイテムが予想とは異なる他の因子にロードされていることが明らかになりました。4つの仮説とは異なり、少なくとも7つの潜在要素があります。項目間相関の平均は、正ではありますがかなり低い（r = 0.15）。cronbach-alpha係数も、各スケールで非常に低い（0.4〜0.5）。確認的因子分析が適切なモデルフィットをもたらすとは思えません。

2つの次元が削除された場合、cronbachsアルファは受け入れられます（スケールあたり10アイテムで0.76,0.7、これはcronbachsアルファの通常バージョンを使用することでさらに大きくすることができます）が、スケール自体は依然として多次元です！

私は統計に不慣れで適切な知識が不足しているため、さらに先に進む方法に困っています。スケールを完全に破棄し、説明のみのアプローチに辞任することに消極的であるため、さまざまな質問があります。

I）信頼でき、有効であるが一次元ではないスケールを使用することは間違っていますか？

II）その後、概念を形成的であると解釈し、消失四面体テストを使用してモデル仕様を評価し、部分最小二乗（PLS）を使用して可能な解決策に到達するのは適切でしょうか？結局のところ、この概念は反射的なものよりも形成的なもののようです。

III）項目応答モデル（Rasch、GRMなど）を使用することは役に立ちますか？私が読んだように、ラッシュモデルなども一次元性の仮定が必要です

IV）7つの要素を新しい「サブスケール」として使用するのが適切でしょうか？古い定義を破棄し、因子負荷に基づいて新しい定義を使用するだけですか？

私はこれについての考えをいただければ幸いです:)

編集：追加された因子負荷と相関

> fa.res$fa
Factor Analysis using method =  ml
Call: fa.poly(x = fl.omit, nfactors = 7, rotate = "oblimin", fm = "ml") 

因子パターン行列と因子相互相関行列から計算された因子負荷、0.2を超える値のみが表示されます

私はあなたの分析の目的があなたのスケール/楽器の有効性の証拠を得ることであると想定しています。したがって、最初に、楽器は4つの仮説に基づいて設計されたため、確認因子分析（CFA）を使用してこれにアプローチする必要があります。探索的因子分析（EFA）は、観察された変数（つまり、アイテム）と構成要素との関係を説明するアプリオリな理論がなく、ここに示すように解釈不能な因子をもたらす可能性がある場合に適しています。

次に、CFAモデルの結果を調べます。さまざまな適合統計（たとえば、X ^ 2、RMSEA、修正インデックス、ウォルドテスト統計）は、モデルの改良をガイドします。

より探索的なアプローチを好む場合は、「後方検索」も検討してください 。ChouCP、Bentler、PM（2002）。制約を課すことによる構造方程式モデリングのモデル変更、計算統計とデータ分析、41、（2）、271-287。

厳しい状況。因子6、4、7はかなりしっかりと測定されているように見えますが、他のものはそうではありません。また、因子1、3、および5の内部整合性は低くなると思います。インタレタレルとして？または、因子分析によって妥当性を構築する以外の方法で妥当性を評価するには？異なるスケール（または個々のアイテム）が異なる方法で検証される場合でも、可能な限り何でも行う必要がある場合があります。

とにかく、v6とv17を個別に使用することがわかりました。ローディングと相関がこのように見えるとき、なぜそれらをいくつかのマルチアイテムスケールに強制するのですか？

そして、有効性を暗示するカバレッジについて上記で述べたことを踏まえても、多次元変数では水が非常に濁るように、特に多数の予測子があるので、最終的な回帰予測子をほぼ一次元にしたいことに同意します。 。純粋に予測モードよりも説明の方を採用しているように見えるので、これは特に関連があります（因果関係に関心があります）。