যদিও এখনও কিছু তথ্যের অভাব রয়েছে (সাবস্কেল অনুসারে ব্যক্তি এবং আইটেম নেই), স্কেল হ্রাস সম্পর্কে কিছু সাধারণ ইঙ্গিত এখানে রইল। এছাড়াও, যেহেতু আপনি প্রশ্নাবলীর স্তরে কাজ করছেন, আমি দেখতে পাচ্ছি না কেন এর দৈর্ঘ্য এত বেশি গুরুত্ব দেয় (সর্বোপরি, আপনি কেবল মোট বা গড় স্কোরগুলির মতো সারাংশ পরিসংখ্যান দেবেন)।
আমি ধরে নেব যে (ক) আপনার মনোবিজ্ঞানের সাথে সম্পর্কিত কিছু কাঠামো পরিমাপের কে আইটেমের একটি সেট রয়েছে, (খ) আপনার "ইউনিফিমেনশনাল" স্কেল একটি দ্বিতীয়-ক্রমের উপাদান যা বিভিন্ন দিকগুলিতে বিভক্ত হতে পারে, (গ) আপনি চান আপনার স্কেল কে <কে আই আইটেমগুলিতে কমিয়ে আনুন যাতে স্কেলটির সামগ্রীর বৈধতা সংরক্ষণের সময় পর্যাপ্ত নির্ভুলতার বিষয়ের মোট স্কেল স্কোরগুলির সংক্ষিপ্তসার করতে পারে।
এই বৈধতাযুক্ত স্কেলের সামগ্রী / নির্মাণের বৈধতা সম্পর্কে : আইটেমের সংখ্যা অবশ্যই বেছে নেওয়া হয়েছে যাতে আগ্রহের নির্মাণকে সর্বোত্তমভাবে প্রতিফলিত করা যায়। প্রশ্নাবলীর সংক্ষিপ্তকরণের মাধ্যমে আপনি প্রকৃতপক্ষে নির্মাণের কভারেজ হ্রাস করছেন। এটি পরীক্ষা করা ভাল হবে যে কেবলমাত্র অর্ধেক আইটেম বিবেচনা করার পরেও ফ্যাক্টর কাঠামোটি একই থাকে (যা সর্বোপরি আপনি তাদের নির্বাচনের পদ্ধতিতেও প্রভাব ফেলতে পারে)। এটি traditionalতিহ্যবাহী এফএ কৌশল ব্যবহার করে করা যেতে পারে। লেখকের মতো একই আত্মায় স্কেলটি ব্যাখ্যা করার দায়িত্ব আপনি রাখেন।
স্কোরগুলির নির্ভরযোগ্যতা সম্পর্কে : যদিও এটি একটি নমুনা-নির্ভর পরিমাপ, আইটেমের সংখ্যা হ্রাস করার সময় স্কোরের নির্ভরযোগ্যতা হ্রাস পায় (সিএফ। স্পিয়ারম্যান-ব্রাউন সূত্র ); এটি দেখার আরেকটি উপায় হ'ল পরিমাপের স্ট্যান্ডার্ড ত্রুটি (এসইএম) বৃদ্ধি পাবে, তবে লিও এম হারভিলের রচনা স্ট্যান্ডার্ড ত্রুটির একটি এনসিএমই শিক্ষামূলক মডিউল দেখুন । বলা বাহুল্য, এটি প্রতিটি সূচকের ক্ষেত্রে প্রযোজ্য যা আইটেমের সংখ্যার উপর নির্ভর করে (উদাহরণস্বরূপ, ক্রোনব্যাকের আলফা যা নির্ভরযোগ্যতার এক ধরণের, যেমন অভ্যন্তরীণ ধারাবাহিকতা অনুমান করতে ব্যবহার করা যেতে পারে)। আশা করি, এটি কাঁচা স্কোরের উপর ভিত্তি করে গ্রুপের তুলনায় কোনও প্রভাব ফেলবে না।
সুতরাং, আমার প্রস্তাবনাগুলি (সবচেয়ে সহজ উপায়) হ'ল:
- আপনার আইটেমগুলি নির্বাচন করুন যাতে কভারেজটি সর্বাধিকতর করা যায়; এফএ এবং অবিচ্ছিন্ন প্রতিক্রিয়া বিতরণের সাথে কভারেজের সাথে মাত্রিকতা পরীক্ষা করুন;
- পূর্ববর্তী প্রতিবেদিতগুলির সাথে গড় মধ্যবর্তী পারস্পরিক সম্পর্কের তুলনা করুন;
- পূর্ণ স্কেল এবং আপনার সংমিশ্রণের জন্য অভ্যন্তরীণ ধারাবাহিকতা গণনা করুন; মূল স্কেলে প্রকাশিত পরিসংখ্যানগুলির সাথে তারা একমত হয়েছেন কিনা পরীক্ষা করুন (কোনও কিছুর পরীক্ষা করার দরকার নেই, এগুলি নমুনা-নির্ভর ব্যবস্থা);
- মূল এবং হ্রাস (উপ) স্কোরগুলির মধ্যে রৈখিক (বা পলিকরিক, বা র্যাঙ্ক) পারস্পরিক সম্পর্কের পরীক্ষা করুন, যাতে তারা তুলনামূলক হয় তা নিশ্চিত করতে (যেমন, সুপ্ত বৈশিষ্ট্যের উপরের ব্যক্তিদের অবস্থানগুলি কোনও পরিমাণে আলাদা হয় না, যেমন কাঁচা স্কোরগুলির মাধ্যমে আপত্তিযুক্ত );
- আপনার যদি বাহ্যিক সাবজেক্ট-নির্দিষ্ট ভেরিয়েবল থাকে (যেমন, লিঙ্গ, বয়স বা মনোবল সম্পর্কিত সেরা কোনও পরিমাপ), তবে দুটি ফর্মের মধ্যে জ্ঞাত-গ্রুপ বৈধতা তুলনা করুন ।
সুপ্ত বৈশিষ্ট্যের উপর সর্বাধিক তথ্য বহন করে এমন আইটেমগুলি নির্বাচন করতে আইটেম রেসপন্স থিওরির উপর নির্ভর করা সবচেয়ে শক্ত উপায় হবে - স্কেল হ্রাস হ্রাস আসলে এটির সেরা প্রয়োগগুলির মধ্যে একটি। বহুতল আইটেমগুলির মডেলগুলি এই থ্রেডে আংশিকভাবে বর্ণিত ছিল, প্রশ্নোত্তর বৈধকরণ ।
আপনার দ্বিতীয় আপডেটের পরে আপডেট করুন
- এত কয়েকটি বিষয় সহ বহু আইটেমগুলির জন্য কোনও আইআরটি মডেল সম্পর্কে ভুলে যান।
- ফ্যাক্টর বিশ্লেষণও এত কম নমুনা আকারে ভুগবে; আপনি অবিশ্বস্ত ফ্যাক্টর লোডিংয়ের প্রাক্কলন পাবেন।
- ৩০ টি আইটেমটি ২ = ১৫ টি আইটেম দ্বারা বিভক্ত (মোট স্কোরের জন্য সংশ্লিষ্ট এসইএম-এর বৃদ্ধি সম্পর্কে ধারণা পাওয়া সহজ) তবে আপনি সাবস্কেলগুলি বিবেচনা করলে এটি অবশ্যই খারাপ হবে (এটি আসলে আমার দ্বিতীয় প্রশ্ন - না। আইটেমগুলি) প্রতি সাবস্কেল, যদি থাকে)