আনুমানিক ফ্যাক্টর স্কোরগুলির তুলনায় রেটিং স্কোরগুলির যোগফল?


12

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])

প্রশ্নটিকে আরও সাধারণ করে তুলতে আমি শিরোনাম থেকে "হস্তক্ষেপগুলি" সরিয়েছি এবং কারণ হস্তক্ষেপগুলি সম্ভবত দুটি ধরণের গণনা গণনার মধ্যে পার্থক্য সম্পর্কে অনন্য, সুনির্দিষ্ট ধারণা রাখে না। দয়া করে, আপনি যদি সম্মত না হন তবে আমার সম্পাদনাটি আবার রোল করতে স্বাগত জানাই।
ttnphns

1
They are more exactএই যুক্ত হওয়া জোর আমাদের এ সত্য থেকে বিভ্রান্ত করা উচিত নয় যে এমনকি ফ্যাক্টর স্কোরগুলি অনিবার্যভাবে অক্ষয় ("আন্ডারডাইটারিনাইমেড")।
ttnphns

এই একই প্রশ্নটি দেখুন: stats.stackexchange.com/q/31967/3277
ttnphns

আমি মনে করি একটি বিশেষ ব্যবহারের ক্ষেত্রে "হস্তক্ষেপ" প্রাসঙ্গিক তবে এটি শিরোনামে থাকার দরকার নেই। আমি প্রশ্নের মূল বিষয়টি হাইলাইট করেছি। "আরও নির্ভুল" উপর জোর দেওয়ার বিষয়ে, আমি ফ্যাক্টর স্কোরগুলি অনির্দিষ্ট বলে আপনার সম্পর্কে যে পর্যবেক্ষণটি করেছেন তা বিবেচনা করে আমি এই বিষয়টি সম্পর্কে চিন্তাভাবনা করতে আগ্রহী ছিলাম। অন্যান্য প্রশ্নের লিঙ্কের জন্য ধন্যবাদ।
এরিক গ্রিন

"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।
ttnphns

উত্তর:


6

আমি বর্তমান কয়েকটি প্রকল্পে এই ধারণাটি নিয়ে নিজেই কুস্তি করছি। আমার মনে হয় এখানে নিজেকে কী অনুমান করা হচ্ছে তা নিজেকে জিজ্ঞাসা করতে হবে। যদি কোনও একটি-ফ্যাক্টর মডেল ফিট করে তবে ফ্যাক্টর স্কোরগুলি সুপ্ত ফ্যাক্টরটি অনুমান করে। আপনার প্রকাশ্য ভেরিয়েবলগুলির সরল যোগফল বা গড় অন্য কিছুকে অনুমান করে, যদি না প্রতিটি পর্যবেক্ষণ ফ্যাক্টরের উপর সমানভাবে লোড হয় এবং স্বতন্ত্রতাগুলিও একই থাকে the এবং এটি অন্য কিছু সম্ভবত দুর্দান্ত তাত্ত্বিক আগ্রহের পরিমাণ নয়।

সুতরাং যদি কোনও একটি-ফ্যাক্টর মডেল ফিট করে তবে আপনাকে সম্ভবত ফ্যাক্টর স্কোরগুলি ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। আমি অধ্যয়ন জুড়ে তুলনামূলকতা সম্পর্কে আপনার বক্তব্য গ্রহণ করি, তবে একটি বিশেষ গবেষণার মধ্যে আমি মনে করি যে ফ্যাক্টর স্কোরগুলি তাদের জন্য অনেক বেশি চলেছে।

এটি আকর্ষণীয় হয়ে ওঠে যখন কোনও এক-ফ্যাক্টর মডেলটি ফিট হয় না, কারণ দ্বি-ফ্যাক্টর মডেলটি প্রয়োগ হয় (বা উচ্চতর), বা কারণ ফ্যাক্টর মডেল পূর্বাভাসের চেয়ে কোভারিয়েন্স কাঠামো আরও জটিল। আমার কাছে, প্রশ্নটি তখন ভেরিয়েবলের মোট মোটটি বাস্তবের কোনও কিছুকে বোঝায় কিনা। এটি বিশেষত সত্য যদি ডেটার একাধিক মাত্রা থাকে। অনুশীলনে, প্রায়শই যা ঘটে তা হ'ল আপনার সাথে সম্পর্কিত ভেরিয়েবলগুলির একটি গুচ্ছ রয়েছে (সমীক্ষায় থাকা আইটেমগুলি, সম্ভবত), যার মধ্যে একটি বা দুটি অন্যের থেকে আলাদা different আপনি "এটি দিয়ে জাহান্নামে" বলতে পারেন এবং এর অর্থ নির্বিশেষে সমস্ত কিছুর গড় নিতে পারেন। অথবা আপনি ফ্যাক্টর স্কোর নিয়ে যেতে পারেন। আপনি যদি কোনও একটি-ফ্যাক্টর মডেল ফিট করেন তবে সাধারণত যা ঘটবে তা হ'ল ফ্যাক্টর বিশ্লেষণটি কম দরকারী ভেরিয়েবলকে কমিয়ে দেবে (বা কমপক্ষে সেই ভেরিয়েবলগুলি যা সত্যই দ্বিতীয় ফ্যাক্টরের স্কোরের অন্তর্ভুক্ত)। বাস্তবে, এটি তাদেরকে একটি ভিন্ন মাত্রার সাথে সম্পর্কিত বলে দাগ দেয় এবং এগুলি উপেক্ষা করে।

সুতরাং আমি বিশ্বাস করি যে ফ্যাক্টর স্কোর ডেটা বাছাই করতে পারে যা আপনি শুরু করেছিলেন তার চেয়ে আরও কিছু অবিভক্ত মাত্রা দিতে। তবে এর জন্য আমার কাছে কোনও রেফারেন্স নেই এবং আমি যদি এই পদ্ধতিটি পছন্দ করি তবে আমি নিজের কাজটি বের করার চেষ্টা করছি। আমার কাছে, যখন আপনি একই ডেটা দিয়ে অন্য মডেলগুলিতে স্কোরগুলি লাঙালেন তখন বড় বিপদটি উপচে পড়ছে। স্কোরগুলি ইতিমধ্যে একটি অপ্টিমাইজেশন প্রশ্নের উত্তর, সুতরাং বিশ্লেষণের বাকিটি কোথায় ছেড়ে যায়? আমি ভাবতে ঘৃণা করি।

তবে দিনের শেষে, কোনও এক-ফ্যাক্টর মডেলের মতো কিছু প্রয়োগ না হলে একটি যোগফল বা মোট চলকগুলি আসলে কী বোঝায় ?

লোকেরা শুরু করার জন্য আরও ভাল স্কেলগুলি ডিজাইন করলে এই প্রশ্নগুলির অনেকগুলিই উত্থাপিত হবে না।


আমি আপনার মন্তব্যগুলি প্রশংসা করি, @ প্লাসিডিয়া। বড় মেসের কথা মনে করিয়ে দেওয়ার সময় আপনি কিছু স্পষ্টতা এনেছেন! আমি মনে করি এটি একটি আকর্ষণীয় বিন্দু: "যদি ফ্যাক্টর মডেলটি ফিট করে তবে ফ্যাক্টর স্কোরগুলি সুপ্ত ফ্যাক্টরটি অনুমান করে your আপনার প্রকাশ্য ভেরিয়েবলগুলির সরল যোগফল বা গড়টি অন্য কিছুকে অনুমান করে, যদি না প্রতিটি পর্যবেক্ষণ ফ্যাক্টরের উপর সমানভাবে লোড হয় এবং স্বতন্ত্রতাও একই। এবং অন্য কিছু সম্ভবত দুর্দান্ত তাত্ত্বিক আগ্রহের পরিমাণ নয় "
এরিক সবুজ

খুব চিন্তাশীল উত্তরের জন্য +1। যোগ করার জন্য দু'দিক বিবেচনা: 1) অধ্যয়ন জুড়ে তুলনামূলকতা সম্পর্কে, এটি স্বীকৃতি দেওয়া জরুরী যে উপাদান লোডিংয়ের বিপরীতে - যা মডেল থেকে অন্তর্ভুক্ত / বাদ দেওয়া ভেরিয়েবলের প্রতিক্রিয়াতে বেশ খানিকটা পরিবর্তন করতে পারে - সাধারণ ফ্যাক্টর লোডিংগুলি প্যারামিটারের অনুমান tes পরবর্তী সময়ে, তাদের অধ্যয়ন থেকে অধ্যয়ন করার জন্য (নমুনা ত্রুটির মধ্যে) প্রতিলিপি করা উচিত এবং সুতরাং, একইভাবে ফ্যাক্টর স্কোরগুলিও হওয়া উচিত। 2) আপনি যদি ফ্যাক্টর স্কোরগুলি ব্যবহার সম্পর্কে উদ্বিগ্ন হন তবে আপনি নির্ধারণের
সূচিগুলি দেখতে

1
... আমি যেমন মনে করি এটি ডিস্টেফান্নো এটে আলোচিত একটি কৌশল is অল। ফ্যাক্টর স্কোরগুলি "বিশ্বস্ত" হতে পারে কিনা তা মূল্যায়নের জন্য কাগজ। এবং পরিশেষে 3) আপনার লক্ষ্য, যেমন প্লাসিডিয়া বর্ণনা করেছেন, এমন কিছু বিশ্লেষণ করা যা মূলত একক মাত্রাযুক্ত, আপনি দ্বিখণ্ডক বিশ্লেষণ পদ্ধতির বিষয়টি বিবেচনা করতে পারেন, যা আমি এটি বুঝতে পেরে প্রথমে একটি সাধারণ ফ্যাক্টর বের করি যার উপরে প্রতিটি পরিবর্তনশীল লোড হয়, এবং তারপরে পরবর্তী অরথোগোনাল ভেরিয়েবলের সাবসেটের জন্য উপাদানগুলি বের করা হয়, যা সমস্ত ভেরিয়েবলকে এক সাথে বেঁধে রাখার সাধারণ মাত্রা ছাড়িয়ে সর্বাধিক গুরুত্বপূর্ণ পার্থক্যের কারণগুলি প্রতিফলিত করে।
jsakaluk

প্লাসিডিয়া, আপনার উত্তরের শেষ সম্পাদনায় আপনি বারবার নিজেকে প্রকাশের দ্বারা সীমাবদ্ধ রাখেন one-factor model। আমি শুধু ভাবছি কেন। আপনি কি বলছেন যে একটি 2-ফ্যাক্টর মডেলের ফ্যাক্টর স্কোরগুলি estimate the latent factorআর হয় না? কেন এমন? এবং এছাড়াও, আপনি কীভাবে একটি বিকাশমান প্রশ্নাবলীর প্রসঙ্গে "এক-ফ্যাক্টর মডেল" সংজ্ঞায়িত করেন (কিউ এর সম্ভাব্য প্রসঙ্গ): প্রশ্নোত্তরটি একক-ফ্যাক্টর / স্কেল বা প্রতিটি অন্তর্ভুক্ত আইটেমকে একটি ফ্যাক্টরের সাথে কঠোরভাবে গণনা করা হয় /স্কেল? দয়া করে, আপনি আরও পরিষ্কার করে মনে করবেন?
ttnphns

আমি সম্ভাব্য ভুল বোঝাবুঝি এড়াতে চেয়েছিলাম। আপনি যদি একটি দ্বি-ফ্যাক্টর মডেলটিতে বিশ্বাস করেন, সম্ভবত সংক্ষিপ্তসারগুলি মোট ব্যবহার টেবিলে বন্ধ থাকবে। ডেটাতে দুটি মাত্রার জন্য আপনার দুটি সংক্ষিপ্তসার প্রয়োজন। আমি স্পষ্ট করে বলতে চেয়েছিলাম যে আমার উত্তরটি সংক্ষিপ্ত পরিসংখ্যান এবং ওয়ান-ফ্যাক্টর মডেলের ফ্যাক্টর স্কোরের মধ্যে পছন্দ সম্পর্কে ছিল। আমি দাবি করি যে মডেলটি মিথ্যা হলেও ওয়ান-ফ্যাক্টর স্কোর কার্যকর হতে পারে। @ জাসাকালুকের একটি মাল্টি-ফ্যাক্টর মডেল লাগানোর এবং প্রথম ফ্যাক্টরটি বেছে নেওয়ার পরামর্শটিও সম্ভব এবং কিছু ক্ষেত্রে এটি আরও ভাল হতে পারে।
প্লাসিডিয়া

4

সাধারণ ফ্যাক্টর দ্বারা লোড হওয়া আইটেমগুলির সমষ্টি বা গড় গড় হ'ল কনস্ট্রাস্ট স্কোর গণনা করার একটি traditionalতিহ্যগত উপায় (থা ফ্যাক্টরটি উপস্থাপনকারী গঠন)। এটি কম্পিউটিং ফ্যাক্টর স্কোরগুলির "মোটা পদ্ধতি" এর একটি সহজ সংস্করণ ; পদ্ধতির মূল পয়েন্টটি স্কোর ওজন হিসাবে ফ্যাক্টর লোডিংগুলি ব্যবহার করে । স্কোর গণনা করার জন্য পরিশোধিত পদ্ধতিগুলি ওজন হিসাবে বিশেষভাবে আনুমানিক স্কোর সহগ ( লোডিংগুলি থেকে গণনা করা ) ব্যবহার করে।

এই উত্তরটি সর্বজনীনভাবে "আইটেম স্কোরগুলির সমতল যোগফলের তুলনায় [পরিশ্রুত] ফ্যাক্টর স্কোরগুলি কখন ব্যবহার করবেন সে সম্পর্কে পরামর্শ দেয় না", যা একটি বিস্তৃত ডোমেন, তবে অন্যটির উপর ভিত্তি করে নির্মাণের গণনা করার একটি উপায়কে অগ্রাধিকার দিয়ে কিছু কংক্রিট সুস্পষ্ট প্রভাবগুলি দেখানোর দিকে দৃষ্টি নিবদ্ধ করে uses উপায়।

Fb1b2F

s1=b1r11+b2r12

s2=b1r12+b2r22

s1s2r12bbb

rr11r22

b1=s2r12s1r1221

b2=s1r12s2r1221

b1b2=(r12+1)(s1s2)r1221.

bsr12b1b2

এখানে চিত্র বর্ণনা লিখুন

এখানে চিত্র বর্ণনা লিখুন

s1s2=0bs1s2b1b2r12

b

s1=.70s2=.45.25

গ। যদি তারা দৃ strongly়তার সাথে সম্পর্ক স্থাপন করে তবে দুর্বল লোড হওয়া আইটেমটি অন্যটির একটি জুনিয়র সদৃশ। এর শক্তিশালী বিকল্পের উপস্থায় যে দুর্বল সূচক / লক্ষণটি গণনা করার কারণ কী? খুব বেশি কারণ নেই। এবং ফ্যাক্টর স্কোরগুলি এর জন্য সামঞ্জস্য করে (যখন সরল সংমিশ্রণটি হয় না)। মনে রাখবেন যে কোনও মাল্টিম্যাক্টর প্রশ্নোত্তরে "দুর্বল লোডযুক্ত আইটেম" প্রায়শই অন্য ফ্যাক্টরের আইটেম হয়, সেখানে উচ্চতর লোড হয়; যখন বর্তমান ফ্যাক্টরটিতে এই আইটেমটি সংযত হয়, যেমনটি আমরা এখন দেখছি, ফ্যাক্টর স্কোরগুলির গণনায় - এবং এটি সঠিকভাবে কাজ করে।

খ। তবে আইটেমগুলি যখন আগের মতো অসমভাবে লোড করা হয় তবে দৃ strongly়তার সাথে এটি সম্পর্কিত নয়, তবে সেগুলি আমাদের কাছে বিভিন্ন সূচক / লক্ষণ symptoms এবং "দুবার" গণনা করা যেতে পারে, যেমন কেবল সংক্ষেপে। এই ক্ষেত্রে, ফ্যাক্টর স্কোরগুলি দুর্বল আইটেমটিকে তার লোডিং এখনও যে পরিমাণে অনুমতি দেয় তা সম্মান করার চেষ্টা করে, কারণ এটি ফ্যাক্টরের একটি পৃথক রূপ।

ক। দুটি আইটেম দু'বারও গণনা করা যেতে পারে, অর্থাত্ সংক্ষিপ্ত পরিমাণে যখনই তাদের অনুরূপ থাকে, পর্যাপ্ত পরিমাণে, লোডিংগুলি ফ্যাক্টরের দ্বারা, এই আইটেমগুলির মধ্যে যা কিছু সম্পর্ক রয়েছে তা। (ফ্যাক্টর স্কোরগুলি উভয় আইটেমের সাথে খুব বেশি ওজন যুক্ত করে যখন তারা খুব বেশি টাইট না হয় তবে ওজন সমান হয়)) এটি অযৌক্তিক বলে মনে হয় না যে আমরা সাধারণত ডুপ্লিকেট আইটেমগুলিতে দৃ strongly়ভাবে বোঝা হয়ে থাকি বা সহ্য করি বা স্বীকার করি। আপনি যদি এটি পছন্দ না করেন (কখনও কখনও আপনি এটি করতে পারেন) আপনি নিজে থেকেই ফ্যাক্টর থেকে সদৃশগুলি মুছে ফেলার জন্য সর্বদা মুক্ত।

এখানে চিত্র বর্ণনা লিখুন

সুতরাং, (সংশোধিত) ফ্যাক্টর স্কোরগুলির গণনাতে (কমপক্ষে রিগ্রেশন পদ্ধতি দ্বারা) সেখানে স্কোরের প্রভাবের ক্ষেত্রে, গঠনটি গঠনের চলকগুলির মধ্যে "get get / push out" ষড়যন্ত্রগুলি আপাতভাবে উপস্থিত রয়েছে । সমানভাবে শক্তিশালী সূচকগুলি একে অপরকে সহ্য করে, যেমন অসম শক্তিশালী নয় তবে দৃ corre়ভাবে সম্পর্কযুক্ত লোকেরাও তা করে। "শাটআপ আপ" দুর্বল সূচকটির সাথে শক্তিশালী সূচকগুলির সাথে দৃ corre়ভাবে সম্পর্কযুক্ত ঘটে। সরল সংযোজন / গড়ের মধ্যে "দুর্বল নকলকে ধাক্কা দেওয়ার" ষড়যন্ত্র থাকে না।

দয়া করে এই উত্তরটিও দেখুন যা তাত্ত্বিকভাবে সেই ফ্যাক্টরটিকে সতর্ক করে যে স্থূল সংগ্রহ বা "এর" নির্দেশক ঘটনাটির স্তূপের চেয়ে বরং "অভ্যন্তরের মূল"। অতএব অন্ধভাবে আইটেম সংশ্লেষ করা - না বোঝা বা তাদের পারস্পরিক সম্পর্কের কথা মাথায় রাখাই - সম্ভবত সমস্যাযুক্ত। অন্যদিকে, গোল হিসাবে, গুণনীয়ক, এটির আইটেমগুলির যোগফলের কিছু ধরণের হতে পারে, এবং তাই সমস্ত কিছুই যোগফলের ওজন সম্পর্কে আরও ভাল ধারণা সম্পর্কে।


আসুন আমরা আরও সাধারণ এবং বিমূর্তভাবে মোটা বা সামিট পদ্ধতির ঘাটতির দিকে ঝলক দেখি ।

ba

F^iiFiX1X2a1a2FUb

F^i=b1X1i+b2X2i=b1(Fi+U1i)+b2(Fi+U2i)=(b1+b2)Fi+b1U1i+b2U2i

b1U1i+b2U2iF^iFiUF^Fbvar[b1U1i+b2U2i]F^FbaXF^F

abFF^

F^i=a1X1i+a2X2i= ... =(a1+a2)Fi+a1U1i+a2U2i

baaa


ধন্যবাদ, @ টিএনএফএনএস, সহায়ক প্রতিক্রিয়ার জন্য। এটি আমার কাছে বোধগম্য যে আনুমানিক সমান লোডিং সহ আইটেমগুলি কেবল সংক্ষেপে বলা যেতে পারে (ক)। দুর্ভাগ্যক্রমে, আমি মনে করি না যে আমি কখনই আমার কাজকর্মের এমন পরিস্থিতির মুখোমুখি হয়েছি যেখানে একটি বিদ্যমান স্কেল ব্যবহার করা হয় যা অনুমিতরূপে একক মাত্রাযুক্ত ছিলাম, আমি দেখতে পেলাম যে আইটেমগুলির সমান লোড রয়েছে।
এরিক গ্রিন

সুতরাং আমি আপনার বিশেষত এমন একটি পরিস্থিতির ব্যাখ্যাতে আগ্রহী ছিলাম যেখানে লোডগুলি পৃথক হয় এবং আন্তঃ-আইটেম পারস্পরিক সম্পর্ক পরীক্ষা করার পরামর্শ দেয়। আপনার কাছে "শক্তিশালী" (সি) / "শক্তিশালী নয়" পারস্পরিক সম্পর্ক (খ) বা "ক" পর্যাপ্ত উচ্চ "লোডিংয়ের (ক) এর জন্য থাম্বের কোনও নিয়ম আছে কিনা তা জানতে আগ্রহী।
এরিক গ্রিন

1
পরিশেষে, আমি লক্ষ করব যে এই প্রশ্নের পটভূমি হ'ল নতুন মানহীন জনগোষ্ঠীতে স্কেল পরিচালনা করার পরেও "বৈধতাযুক্ত" স্কেলগুলি ব্যবহার করার জন্য "বৈধতাযুক্ত" স্কেলগুলি ব্যবহার করার জন্য একটি অপ্রতিরোধ্য শৃঙ্খলাবদ্ধ আদর্শ (কমপক্ষে মনোবিজ্ঞানের ক্ষেত্রে) is প্রায়শই লক্ষ্যটি হ'ল ক্রস-নমুনা তুলনা (এমনকি অযাচিত থাকলেও), যা সাধারণ অঙ্কগুলিকে একটি সাধারণ দৃষ্টিভঙ্গি করে তোলে।
এরিক গ্রিন

হস্তক্ষেপ অধ্যয়ন আমার মনে একটি আকর্ষণীয় ব্যবহারের কেস কারণ আগ্রহের তুলনা নমুনার মধ্যে। আমার কাছে মনে হবে আমরা চিকিত্সার প্রভাবের আকারের উপর ভিত্তি করে উভয় গ্রুপের "কাঁচা" স্কোরের চেয়ে বেশি যত্ন নিই — বিশেষত যখন জনগণের বাইরের স্কেল ব্যবহার করে / স্কেল বিকাশ করতে ব্যবহৃত হয়। যদি কিছু পরিস্থিতিতে ফ্যাক্টর স্কোরগুলি "আরও ভাল" হয়, তবে এটি এমন একের পক্ষে সহজ পদ্ধতিটি টস করা ভাল বলে মনে হয় যা চূড়ান্তভাবে আমরা কেবল চিকিত্সার প্রভাবের আকারগুলি দেখতে চাই তা জেনে আরও ধারণাগত ধারণা তৈরি করে।
এরিক গ্রিন

1
(নিয়মিত) Use "validated" scalesনিজেই প্রয়োজনীয় সরকারী অঙ্কের প্রয়োজন হয় না: বৈধতা যদি ভাল হয় (প্রতিনিধি বৃহত নমুনা, ভাল সম্পর্ক, সঠিক কারণ, গুণমানের উপযুক্ত, ইত্যাদি) গণিত ফ্যাক্টর স্কোরগুলি (তাদের সহগ) আদর্শ হিসাবে গ্রহণ করা যেতে পারে নতুন জনগোষ্ঠীতে ব্যবহৃত ওজন। ইন এই সম্মান, আমি কোনো সুবিধা সহজ যোগফল দেখতে পাবে না।
ttnphns
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.