স্কেলগুলি আঁকানোর সময় আমি স্কোরগুলির সমষ্টিগুলির চেয়ে বেশি পরিমাণে " ফ্যাক্টর স্কোর " কীভাবে ব্যবহার করব সে সম্পর্কে পরামর্শ পেতে আগ্রহী । অর্থাৎ একটি উপাদানকে স্কোর করার "অ-পরিশোধিত" পদ্ধতির ওপরে "পরিমার্জিত"। ডিস্টেফানো এট আল থেকে। (২০০৯; পিডিএফ ), জোর যুক্ত করা হয়েছে:
ফ্যাক্টর স্কোর গণনা পদ্ধতিগুলির দুটি প্রধান শ্রেণি রয়েছে: পরিশোধিত এবং অ-পরিশোধিত। অ-পরিশোধিত পদ্ধতিগুলি ফ্যাক্টর বিতরণে ব্যক্তিদের বসানো সম্পর্কিত তথ্য সরবরাহ করার জন্য তুলনামূলকভাবে সহজ এবং ক্রমবর্ধমান পদ্ধতি। সরলতা নিজেকে কিছু আকর্ষণীয় বৈশিষ্ট্যগুলির কাছে ndsণ দেয়, অর্থাত, পরিশোধনহীন পদ্ধতিগুলি সহজেই গণনা করা সহজ এবং ব্যাখ্যা করা সহজ। পরিশোধিত গণনা পদ্ধতি আরও পরিশীলিত এবং প্রযুক্তিগত পদ্ধতির সাহায্যে ফ্যাক্টর স্কোর তৈরি করে। এগুলি পরিশোধিত-পরিশোধিত পদ্ধতির চেয়ে আরও সঠিক এবং জটিল এবং মানক স্কোর এমন অনুমান সরবরাহ করে।
আমার মনে, যদি লক্ষ্যটি এমন একটি স্কেল তৈরি করা হয় যা অধ্যয়ন এবং সেটিংস জুড়ে ব্যবহার করা যায়, তবে সাধারণ স্কেল বা সমস্ত স্কেল আইটেমের গড় স্কোরটি বোঝায়। তবে আসুন আমরা বলি যে একটি প্রোগ্রামের চিকিত্সার প্রভাবগুলি মূল্যায়ন করা এবং এটির গুরুত্বপূর্ণ বৈপরীত্যটি নমুনা-চিকিত্সা বনাম নিয়ন্ত্রণ গোষ্ঠীর মধ্যে। আমরা স্কেল অঙ্ক বা গড়ের তুলনায় ফ্যাক্টর স্কোরগুলিকে পছন্দ করতে পারি তার কোনও কারণ আছে কি?
বিকল্পগুলি সম্পর্কে কংক্রিট হতে, এই সাধারণ উদাহরণটি গ্রহণ করুন:
library(lavaan)
library(devtools)
# read in data from gist ======================================================
# gist is at https://gist.github.com/ericpgreen/7091485
# this creates data frame mydata
gist <- "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 4 4 3
# 2 2 1 2 2 4 3 2 1 3
# 3 1 3 4 4 4 2 1 2 2
# 4 1 2 1 2 1 2 1 3 2
# 5 3 3 4 4 1 1 2 4 1
# 6 2 2 2 2 2 2 1 1 1
# refined and non-refined factor scores =======================================
# http://pareonline.net/pdf/v14n20.pdf
# non-refined -----------------------------------------------------------------
mydata$sumScore <- rowSums(mydata[, 1:9])
mydata$avgScore <- rowSums(mydata[, 1:9])/9
hist(mydata$avgScore)
# refined ---------------------------------------------------------------------
model <- '
tot =~ v1 + v2 + v3 + v4 + v5 + v6 + v7 + v8 + v9
'
fit <- sem(model, data = mydata, meanstructure = TRUE,
missing = "pairwise", estimator = "WLSMV")
factorScore <- predict(fit)
hist(factorScore[,1])
They are more exact
এই যুক্ত হওয়া জোর আমাদের এ সত্য থেকে বিভ্রান্ত করা উচিত নয় যে এমনকি ফ্যাক্টর স্কোরগুলি অনিবার্যভাবে অক্ষয় ("আন্ডারডাইটারিনাইমেড")।
"more exact"
। রৈখিকভাবে গণনা করা ফ্যাক্টর স্কোরগুলির মধ্যে রিগ্রেশন পদ্ধতিটি "অজানা সত্য ফ্যাক্টর মানগুলির সাথে সর্বাধিক সম্পর্কযুক্ত" অর্থে সবচেয়ে "সঠিক" " হ্যাঁ, আরও সঠিক (লিনিয়ার বীজগণিত পদ্ধতির মধ্যে) তবে সম্পূর্ণ সঠিক নয়।