Обзор процесса разработки измерительного инструмента

Факторный анализ в R

Jennifer Brussow

Psychometrician

Процесс разработки

Разработайте пункты для вашего инструмента
Соберите пилотные данные на репрезентативной выборке
Изучите, как выглядит этот набор данных
Решите, использовать ли EFA, CFA или оба метода
Если оба — разделите выборку на две случайные половины
Сравните две половины, чтобы убедиться в их схожести

Процесс разработки

Разработайте пункты для вашего инструмента
Соберите пилотные данные на репрезентативной выборке
Изучите, как выглядит этот набор данных

Изучение набора данных

library(psych)
describe(gcbs)

    vars    n mean   sd median trimmed  mad min max range  skew ...
Q1     1 2495 3.47 1.46      4    3.59 1.48   0   5     5 -0.55 ...
Q2     2 2495 2.96 1.49      3    2.96 1.48   0   5     5 -0.01 ...
Q3     3 2495 2.05 1.39      1    1.82 0.00   0   5     5  0.98 ...
Q4     4 2495 2.64 1.45      2    2.55 1.48   0   5     5  0.26 ...
Q5     5 2495 3.25 1.47      4    3.32 1.48   0   5     5 -0.35 ...
...
Q11   11 2495 3.27 1.40      4    3.34 1.48   0   5     5 -0.35 ...
Q12   12 2495 2.64 1.50      2    2.56 1.48   0   5     5  0.29 ...
Q13   13 2495 2.10 1.38      1    1.89 0.00   0   5     5  0.89 ...
Q14   14 2495 2.96 1.49      3    2.95 1.48   0   5     5 -0.02 ...
Q15   15 2495 4.23 1.10      5    4.47 0.00   0   5     5 -1.56 ...

Процесс разработки

Разработайте пункты для вашего инструмента
Соберите пилотные данные на репрезентативной выборке
Изучите, как выглядит этот набор данных
Решите, использовать ли разведочный анализ (EFA), подтверждающий анализ (CFA) или оба метода
Если оба — разделите выборку на две случайные половины

Разделение набора данных

N <- nrow(gcbs)
indices <- seq(1, N)
indices_EFA <- sample(indices, floor((0.5 * N)))
indices_CFA <- indices[!(indices %in% indices_EFA)]

gcbs_EFA <- gcbs[indices_EFA, ]
gcbs_CFA <- gcbs[indices_CFA, ]

Процесс разработки

Разработайте пункты для вашего инструмента
Соберите пилотные данные на репрезентативной выборке
Изучите, как выглядит этот набор данных
Решите, использовать ли EFA, CFA или оба метода
Если оба — разделите выборку на две случайные половины
Сравните две половины, чтобы убедиться в их схожести

Изучение половин выборки

group_var <- vector("numeric", nrow(gcbs))
group_var[indices_EFA] <- 1
group_var[indices_CFA] <- 2
group_var

   [1] 2 1 2 2 1 2 1 1 2 2 2 1 2 2 1 1 2 1 1 1 1 2 1 1 2 1 1 1 2 2
  [31] 2 2 2 1 2 2 2 1 2 2 2 1 1 1 2 2 2 2 1 2 2 1 1 2 2 2 2 2 2 2
  [61] 2 1 2 1 2 2 1 2 1 2 2 2 1 2 1 2 1 1 2 2 1 2 1 2 1 1 1 2 2 2
  [91] 2 2 2 1 2 2 2 2 2 2 2 2 1 2 2 2 1 2 2 2 2 1 1 1 2 2 1 1 2 2
 [121] 2 1 2 2 1 2 2 1 2 2 2 2 1 2 1 1 1 2 2 1 1 1 2 1 1 1 1 2 2 2
 [151] 1 1 1 1 2 2 2 2 2 1 2 1 1 2 1 1 2 1 2 1 2 1 1 1 2 1 1 1 1 2
 [181] 2 1 1 2 2 2 1 1 1 1 2 2 2 2 2 1 1 1 1 2 2 1 1 1 2 1 2 1 2 2

Изучение половин выборки

gcbs_grouped <- cbind(gcbs, group_var)

describeBy(gcbs_grouped, group = group_var)
statsBy(gcbs_grouped, group = "group_var")

Давайте потренируемся!

Факторный анализ в R