이산 형, 서수형 반응의 요인 점수

12

순서가 다른 이산 변수가있을 때 요인 점수를 추정하는 원칙적인 방법이 있습니까?

내가 가진 , 변수를 순서, 이산. 각 반응의 기본이 연속적이고 정규 분포 된 변수라고 가정하면 polychoric correlation matrix를 계산할 수 있습니다 . 그런 다음이 행렬에 대한 요인 분석을 실행하고 각 변수에 대한 요인 로딩을 얻을 수 있습니다. $n$ $n\times n$

요인 로딩과 변수를 결합하여 요인 점수를 추정하는 방법 점수를 추정하는 일반적인 방법은 순서 데이터를 간격으로 처리해야하는 것으로 보입니다.

링크 함수를 파악하기 위해 다항식 상관 관계에 대해 더 깊이 파고들 필요가 있다고 생각합니다.

factor-analysis ordinal-data

— fgregg
소스

8

'원칙적'접근법 (즉, 경험적으로 많은 차이를 만들 수없는 선험적 방어 적 접근법)은 종종 리 커트 유형 항목에 사용되는 IRT 제품군의 다소 유용한 등급별 응답 모델 을 사용 하는 것입니다. R 패키지 ltm 은 이것을 매우 간단하게 만듭니다.

그런 다음 관찰되지 않은 특성과 각 지표 사이에 순서 형 로지스틱 회귀 관계가 있다고 가정합니다. 이 모델 클래스를 선택하면 지표의 순서 특성을 심각하게 고려할 수 있으며 각 항목이 가장 유익한 특성의 부분에 대한 정보를 제공합니다. FA 분석은 어떤 이유로 FA를 무시하는 것처럼 보이지만 요인 분석과 마찬가지로 점수에 대한 표준 오차를 제공합니다.

반면에이 모델 클래스를 선택하면 원하는 것처럼 보일 때까지 회전하는 것과 같은 모든 고전적 요인 분석 작업을 수행하는 기능이 제한됩니다. 나는 이것이 플러스라고 생각하지만 합리적인 사람들은 동의하지 않습니다. FA가 '다른 차원에 적합하고 간단한 구조로 회전'하기 때문에 스케일을 식별하는 Mokken 절차를 살펴보고 싶을 것입니다. 작동하지 않습니다.

— 공역 체
소스

+1 그러나 GRM이 실제로 일차원 척도를 가정 할 때 회전을 고려하는 근거는 무엇입니까?

— chl

@chl 생각은 어떤 사람들은 회전 된 하중에 기초하여 '지표 1-4는 한 가지를 측정하고 지표 5-11은 다른 것을 측정한다'와 같은 것을 말할 수 있도록 간단한 구조로 회전한다는 생각입니다. IRT 접근 방식과 관련이 있지만 완전히 동일하지 않은 생각은 다음과 같습니다. 부분적으로 따로 '. 더 나은 이해를 바랍니다.

— conjugateprior

네 확실합니다. 마지막 문장에서 추정 한 내용을 명확히 해 주셔서 감사합니다. (MIRT를 보지 않는 한) 각각의 잠재 된 특성이 실제로 연관되어있는 경우, 우리는 여전히 각 잠재 된 특성을 연결하는 방법이 없습니다.

— chl

8

서수 변수 지표에서 요인 점수를 추출하는 것이 일반적입니다. 리 커트 측정을 사용하는 연구원들은 항상 그렇게합니다. 요인 점수는 공분산을 기반으로하기 때문에 일반적으로 품목이 비교 가능하고 합리적으로 작은 척도 (예 : 5 또는 7pt "동의 함)를 사용하는 경우"간격 "이 품목 내에서 또는 품목간에 균일하지 않을 수 있습니다. / disagree "likert items) : 모든 주제가 동일한 항목에 응답하고 항목이 실제로 일부 잠재 변수의 유효한 측정 값 인 경우 응답은 균일 한 공분산 패턴을 표시해야합니다. Gorsuch, RL (1983)을 참조하십시오. 요인 분석. 뉴저지 힐즈 데일 : 로렌스 엘 바움. 2 일. ed., 119-20 쪽. 그러나 서수 변수에 대한 반응이 선형이거나 더 중요하다고 가정하면 선형 적이 지 않지만 범주 형 항목간에 반복적 인 비선형 연관을 반영하는 요인 점수를 원할 경우 (변수가 명 목적이거나 정성적일 때와 마찬가지로) 잠재 클래스와 같은 기존 요인 분석에 비선형 스케일링 대안을 사용해야합니다 분석 또는 항목 응답 이론. (물론이 회귀 모형과 로짓 회귀 모형에서 순서 예측자를 사용하는 것에 대한 질의는 가족과 유사합니다. 어쩌면 우리를 더 세분화 된 계정으로 취급 할 것보다 chi 또는 다른 사람에게 더 많은 영감을 줄 수 있습니다. 걱정할 필요가없는 이유에 대해 t 선형 적이지만 범주 형 항목 간의 반복적 인 비선형 연관성을 반영합니다 (변수가 명 목적이거나 정성적일 경우와 마찬가지로)-잠재 클래스 분석 또는 항목 응답 이론과 같은 기존 요인 분석에 비선형 스케일링 대안을 사용해야합니다. (물론이 회귀 모형과 로짓 회귀 모형에서 순서 예측자를 사용하는 것에 대한 질의는 가족과 유사합니다. 어쩌면 우리를 더 세분화 된 계정으로 취급 할 것보다 chi 또는 다른 사람에게 더 많은 영감을 줄 수 있습니다. 걱정할 필요가없는 이유에 대해 t 선형 적이지만 범주 형 항목 간의 반복적 인 비선형 연관성을 반영합니다 (변수가 명 목적이거나 정성적일 경우와 마찬가지로)-잠재 클래스 분석 또는 항목 응답 이론과 같은 기존 요인 분석에 비선형 스케일링 대안을 사용해야합니다. (물론이 회귀 모형과 로짓 회귀 모형에서 순서 예측자를 사용하는 것에 대한 질의는 가족과 비슷합니다. 걱정할 필요가없는 이유에 대해

— dmk38
소스

4

여기에 무언가를 분명히 해 줄 수 있습니까, 사전 처리하고 결합 해야하는 다른 척도 (간격, 서수, 명목)에 점수를 매기거나 서수 척도 변수에 대한 요인 분석을 원하십니까?

후자의 경우-여기에 한 가지 접근법이 있습니다.

http://cran.r-project.org/web/packages/Zelig/vignettes/factor.ord.pdf

(이 링크는 이제 죽었습니다). 다른 비 네트 는 있지만이 비네팅 은 없습니다.

— 사용자 2238
소스

1

다음은 도움이 될 경우를 대비하여 원본 비네팅의 미러링 된 버전입니다. bit.ly/x6eI4x .

— chl

이 코드는 구현되지 않은 것 같습니다

— fgregg