タグ付けされた質問 「scales」

社会科学の多くの研究では、リッカート尺度を使用しています。リッカートデータを序数として使用するのが適切な場合と、間隔データとして使用するのが適切な場合

52 ordinal-data  likert  scales  measurement 

データ「正規化」とデータ「スケーリング」の違いは何ですか？今まで、両方の用語が同じプロセスを指していると思っていましたが、今では、私が知らない/理解していないものがあることに気付きました。また、正規化とスケーリングに違いがある場合、スケーリングではなく正規化をいつ使用する必要がありますか？ 例を挙げて詳しく説明してください。

45 data-transformation  scales  normality-assumption  normalization 

リッカート応答のセットを視覚化する良い方法は何ですか？ たとえば、A、B、C、D、E、F、Gについての決定に対するXの重要性を問い合わせる項目のセットは？積み上げ棒グラフよりも優れたものはありますか？ N / Aの回答で何をすべきですか？それらはどのように表されますか？ 棒グラフは割合または回答数を報告する必要がありますか？（つまり、バーは同じ長さになる必要がありますか？） パーセンテージの場合、分母に無効な応答やN / A応答を含める必要がありますか？ 私は自分の意見を持っていますが、他の人のアイデアを探しています。

25 data-visualization  scales  likert 

この質問に続いて：5ポイントのリッカート項目（例：人生に対する満足度：不満に満足）で、2つのグループ（例：男性と女性）の中心傾向の違いをテストしたいと想像してください。t検定はほとんどの目的に対して十分に正確であると思いますが、グループ平均間の差のブートストラップ検定は多くの場合、信頼区間のより正確な推定値を提供します。どの統計検定を使用しますか？

22 t-test  ordinal-data  likert  scales 

主成分分析（PCA）を実行した後、新しいベクトルをPCA空間に投影します（つまり、PCA座標系で座標を見つけます）。 を使用してR言語でPCAを計算しましたprcomp。これで、ベクトルにPCA回転行列を掛けることができるはずです。このマトリックスの主成分を行または列に配置する必要がありますか？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

PCA手法を使用して、ソーシャルキャピタルインデックスを作成しました。このインデックスは、正と負の両方の値で構成されます。このインデックスを0〜100のスケールに変換/変換して、解釈しやすくしたいと思います。最も簡単な方法を教えてください。

20 data-transformation  scales 

統計コンサルティングの設定でこの問題が頻繁に発生していることに気付きました。あなたの考えを聞きたいと思いました。 コンテキスト 私は、次のような研究を行った研究生とよく話します。 観察研究 サンプルサイズは100、200、300などです。 複数の心理的尺度が測定されている（たとえば、不安、抑うつ、性格、態度、他の臨床的尺度、おそらく知性など） 研究者は関連する文献を読み、考えられる原因プロセスについていくつかの考えを持っています。多くの場合、前件、プロセス変数、および結果変数への変数の一般的な概念化があります。彼らはまた、構造方程式モデリングが、研究している一連の変数間の関係の全体的なモデルをテストするのにより適しているとよく耳にしました。 質問 どのような条件下で、構造方程式モデリングがそのような研究を分析するための適切な手法だと思いますか？ 構造方程式モデリングを推奨しない場合、どのような代替手法を推奨しますか？ そのような場合に構造方程式モデリングを使用することを検討している研究者にどのようなアドバイスをしますか？

20 scales  causality  sem  observational-study 

以前は、心理測定の観点からアイテムを分析していました。しかし今、私は動機や他のトピックに関する他のタイプの質問を分析しようとしています。これらの質問はすべてリッカート尺度に基づいています。私の最初の考えは、要因分析を使用することでした。なぜなら、いくつかの根本的な次元を反映するように質問が仮定されているからです。 しかし、因子分析は適切ですか？ 次元に関する各質問を検証する必要がありますか？ リッカート項目の因子分析の実行に問題はありますか？ リッカートやその他のカテゴリー項目について因子分析を実施する方法に関する優れた論文や方法はありますか？

17 factor-analysis  scales  psychometrics  likert  psychology 

実験に参加している参加者のスコアを分析しています。製品に対する参加者の態度を推定することを目的とした6つの項目で構成されるアンケートの信頼性を推定したいと思います。 Cronbachのアルファを計算し、すべてのアイテムを単一のスケールとして扱い（アルファは約0.6）、一度に1つのアイテムを削除しました（最大アルファは約0.72）。アイテムの数と基礎となる構造の次元によっては、アルファが過小評価および過大評価される可能性があることを知っています。それで、PCAも行いました。この分析により、分散の約80％を説明する3つの主成分があることが明らかになりました。だから、私の質問は、今どのように進めることができるかについてのすべてですか？ これらの各次元でアルファ計算を実行する必要がありますか？ 信頼性に影響するアイテムを削除しましたか？ さらに、Webで検索すると、信頼性の別の尺度があることがわかりました。guttmanのlambda6です。 このメジャーとアルファの主な違いは何ですか？ ラムダの良い値は何ですか？

16 pca  reliability  scales  psychometrics  cronbachs-alpha 

社会科学研究方法のSAGE百科事典によると… [a]メジャーに潜在的な応答の明確な上限があり、この制限で、またはその近くで参加者の集中度が高い場合、天井効果が発生します。スケール減衰は、この方法で分散が制限されるたびに発生する方法論的な問題です。…たとえば、天井効果は、高いスコアが好ましい態度を示し、最高の反応が可能な限り最も肯定的な評価を得ることができない態度の尺度で発生する場合があります。…天井効果の問題に対する最適なソリューションはパイロットテストであり、これにより問題を早期に特定することができます。天井効果が見つかった場合[および]結果の尺度がタスクのパフォーマンスである場合、潜在的な応答の範囲を拡大するためにタスクをより困難にすることができます。1 [強調を追加] あるように思わたくさんのアドバイスや質問（ここおよび上記の引用で説明したものと同様の天井効果を示すデータを分析することを扱います）。 私の質問は単純なものでも素朴なものでもかまいませんが、データに天井効果が存在することを実際にどのように検出しますか？具体的には、心理測定テストが作成され、天井効果（視覚検査のみ）につながる疑いがある場合、テストを修正してより広い範囲の値を生成するとします。改訂されたテストにより、生成されたデータから天井効果が除去されたことをどのように示すことができますか？データセット内の天井効果があることを示しているテストがありますが、データセットの中にいない天井効果bが？ 私の素朴なアプローチは、分布のゆがみを調べることです。もしそれがゆがんでいなければ、天井効果はないと結論付けます。それは過度に単純化されていますか？ 編集 より具体的な例を追加するために、年齢とともに増加するが最終的には横ばいになり、高齢になると減少し始める潜在的な特性xを測定する機器を開発するとします。範囲が1〜14の最初のバージョンを作成し、パイロット操作を行って、天井効果（最大値である14付近で多数の応答が発生する可能性があることを発見しました。しかし、なぜですか？その主張をサポートする厳密な方法はありますか？ 次に、1〜20の範囲になるようにメジャーを修正し、より多くのデータを収集します。この傾向は私の予想とより密接に一致していることがわかりますが、測定範囲が十分に大きいことをどのようにして知ることができますか。再度修正する必要がありますか？視覚的には問題ないようですが、疑念を確認するためにテストする方法はありますか？ 単に見ているだけでなく、データ内でこの天井効果を検出する方法を知りたいです。グラフは理論的なものではなく、実際のデータを表しています。機器の範囲を拡大すると、データの広がりが改善されましたが、それで十分ですか？どうすればテストできますか？ 1 Hessling、R.、Traxel、N.、＆Schmidt、T.（2004）。天井効果。Michael S. Lewis-Beck、A。Bryman、およびTim Futing Liao（編）、The SAGE Encyclopedia of Social Science Research Methodsで。（p。107）。カリフォルニア州サウザンドオークス：Sage Publications、Inc. doi：10.4135 / 9781412950589.n102

13 distributions  variance  scales  psychometrics  measurement 

データ行列をスケーリングして線形回帰モデルで使用する概念を理解しています。たとえば、Rでは次を使用できます。 scaled.data <- scale(data, scale=TRUE) 私の唯一の質問は、出力値を予測する新しい観測値について、それらをどのように正しくスケーリングするかです。そうでしょうscaled.new <- (new - mean(data)) / std(data)か？

13 r  regression  prediction  scales 

順序レベルのデータを間隔レベルに変換する簡単な方法はありますか（逆の方法で行うのと同じように）？また、ExcelまたはSPSSで実行可能ですか？ データがある、たとえば：序数レベルで10の質問（0-5スケール、0 = "not at all"、5 = "all the time"など）、それらを適切に処理できるように変換したいパラメトリックテスト用の間隔レベルデータ（正規分布、問題外のノンパラメトリックテスト）。 答えに非常に感謝します！

13 categorical-data  ordinal-data  scales  psychometrics 

1000個の観測値と50個の変数のマトリックスがあり、それぞれが5ポイントスケールで測定されています。これらの変数はグループに編成されていますが、各グループには同数の変数はありません。 2種類の相関を計算したい： （特性間の）変数グループ内の相関：変数グループ内の変数が同じものを測定しているかどうかの尺度。 変数のグループ間の相関：各グループが1つの全体的な特性を反映していると仮定して、各特性（グループ）が他のすべての特性とどのように関連しているかを示す何らかの尺度。 これらの特性は、以前グループに分類されていました。グループ間の相関関係を見つけることに興味があります。つまり、グループ内の特性が同じ基本特性（上記の＃1を完了した-クロンバッハのアルファ）を​​測定していると仮定すると、特性自体は関連していますか？ 誰がどこから始めればいいのか提案はありますか？

13 correlation  psychometrics  scales 

してみましょうQn=Cn.{|Xi−Xj|;i&lt;j}(k)Qn=Cn.{|Xi−Xj|;i&lt;j}(k)Q_n = C_n.\{|X_i-X_j|;i < j\}_{(k)}ので、同様に非常に短いサンプルについて{1,3,6,2,7,5}{1,3,6,2,7,5}\{1,3,6,2,7,5\}、それが発見から計算することができるkkkペアワイズ差の第順序静的。 7 6 5 3 2 1 1 6 5 4 2 1 2 5 4 3 1 3 4 3 2 5 2 1 6 1 7 h = [n / 2] + 1 = 4 k = h（h-1）/ 2 = 8 したがって、Qn=Cn.2Qn=Cn.2Q_n=C_n. 2 明らかに、80,000レコードで構成されていると言っている大きなサンプルの場合、非常に大きなメモリが必要です。 …

13 data-transformation  scales  robust  optimal-scaling 

スケールを構築する際に、スコアの単純な合計に対して「ファクタスコア」を使用するタイミングについての提案を受け取りたいと思います。すなわち、因子をスコアリングする「洗練されていない」方法よりも「洗練された」。DiStefanoらから。（2009; pdf）、強調が追加されました： 因子スコアの計算方法には、改良型と非改良型の2つの主要なクラスがあります。洗練されていない方法は、因子分布に関する個人の配置に関する情報を提供する比較的単純な累積手順です。シンプルさは、いくつかの魅力的な機能に役立ちます。つまり、洗練されていないメソッドは、計算も解釈も簡単です。洗練された計算方法は、より高度で技術的なアプローチを使用して因子スコアを作成します。 これらは、洗練されていない方法よりも正確で複雑であり、標準化されたスコアである推定値を提供します。 私の考えでは、目標が研究や設定全体で使用できるスケールを作成することである場合、すべてのスケール項目の単純な合計または平均スコアが理にかなっています。しかし、目標はプログラムの治療効果を評価することであり、重要な対照はサンプル内の治療対対照群にあるとしましょう。合計または平均をスケールするために因子スコアを好む理由はありますか？ 代替案を具体的にするには、次の簡単な例をご覧ください。 library(lavaan) library(devtools) # read in data from gist ====================================================== # gist is at https://gist.github.com/ericpgreen/7091485 # this creates data frame mydata gist &lt;- "https://gist.github.com/ericpgreen/7091485/raw/f4daec526bd69557874035b3c175b39cf6395408/simord.R" source_url(gist, sha1="da165a61f147592e6a25cf2f0dcaa85027605290") head(mydata) # v1 v2 v3 v4 v5 v6 v7 v8 v9 # 1 3 4 3 4 3 3 …

12 factor-analysis  sem  scales