Unitat 4- validesa (2017)

Resumen Catalán
Universidad Universidad de Barcelona (UB)
Grado Psicología - 2º curso
Asignatura Psicometria
Profesor M.B.
Año del apunte 2017
Páginas 30
Fecha de subida 11/11/2017
Descargas 0
Subido por

Vista previa del texto

UNITAT 4- VALIDESA Un test és vàlid si serveix per mesurar allò que ha de mesurar.
• Fa referència al conjunt de proves i dades que s’han de recollir per garantir l’adequació de les interferències fetes a partir del test.
• NO parlem de test vàlid sinó que les interferències que fem de les puntuacions obtingudes al test són vàlides.
Quan volem demostrar que un test és vàlid valorem: 1. Validesa de contingut 2. Validesa de criteri 3. Validesa de constructe Això ha sigut així des de l’any 1999. A partir d’aquest any trobem un nou concepte que són els ESTANDARDS.
• Es refereix al grau en que l’evidencia empírica i la teoria recolzen la interpretació de les puntuacions del test • Aquest té 5 facetes: 1. De contingut (=, no ha canviat) 2. Procés de resposta 3. Estructura interna (constructe) 4. Relacions amb altres variables (criteri + constructe) 5. Conseqüencial • El procés de resposta i la conseqüencial: - Procés de resposta estudia que el procés que segueix el subjecte al respondre el test es exactament el que a de respondre. El que intenta valorar és que realment s’estan utilitzant les estratègies que s’han d’utilitzar per respondre els ítems EX. De rapidesa verbal que s’activin les àrees especialitzades en la rapidesa verbal i el temps de resposta sigui el menor possible.
- Conseqüencial conseqüència que te la interpretació del test en el subjecte 1. VALIDESA DE CONTINGUT Significa el domini conductual del constructe, ens hem d’assegurar que conceptualment el test fa referència al que volem avaluar. Els ítems que formen el test han de ser: • Rellevants contingut del ítem inclou informació directament relacionada amb el constructe • Representativitat quan aporta informació complementària per la resta d’ítems Hem d’evitar: • Falta de representativitat el quadrat blau també forma part del constructe i no hi ha cap ítem que l’estigui mesurant. Per tant, ens estem deixant una part el domini per mesurar.
• Falta de rellevància hi ha ítems fora del quadrat o del domini, això vol dir que estan valorant coses que NO són rellevants pel constructe que volem mesurar.
Els passos que hem de seguir per valorar la validesa de contingut són: 1. Definir i especificar el constructe que volem mesurar EX. Esquizofrènia i el deteriorament cognitiu, com afecta a la memòria, a la atenció, etc.
EX2. Ira ansietat, rabia, agressivitat, impotència, inseguretat...
EX3. Prova per avaluar els coneixements de psicometria TCT/ Anàlisi d’ítems/ Fiabilitat/ Validesa/ Baremació / Manual del test 2. Selecció de jutges experts EX. Psicòlegs, gent esquizofrènica, amics de gent esquizofrènia...
EX2. Seleccionaríem psicòlegs, criminals per culpa de la ira, grups de persones que hagin patit les conseqüències de la ira...
EX3. Professors de psicometria de la UB 3. Procés d’aparellament d’ítems amb els temes d’interès de mesura del test.
EX. Faríem un test i preguntaríem als experts que es el que estan mesurant aquest test.
EX3. Fer correspondre cada ítem amb cada un dels continguts (p.ex.: ítem 1  Baremació, ítem 2  Validesa,…).
4. Valoració de la rellevància i representativitat EX3. Els experts valoren la rellevància i representativitat dels ítems (p.ex.: puntuant-los de l’1 al 5) 5. Selecció dels ítems adequats EX3. Seleccionar els ítems adequats (més ben valorats pels jutges experts) tenint en compte la importància relativa de cada contingut (p.ex.: 1 ítem de TCT, 5 d’Anàlisi d’ítems,…).
2. VALIDESA DE CRITERI Grau d’eficacia amb que el nostre test serà capaç de predir o diagnosticar la variable criteri (o externa) a partir de les puntuacions del test.
Tipus: 1. Coeficient de validesa (rxy) les puntuacions del test i la variable criteri són quantitatives (correlació entre el test(x) i el criteri (y)).
EX.
Sistema de selecció de personal volen predir el rendiment comercial de la persona que vingui per tant, com a indicador podem utilitzar el nº de ventes setmanals d’aquesta persona. Error tipic  interval de confiança Si es alta puntuacions vàlides Ens hem de fixar en la intensitat de la relació NO en la direcció.
CORRELACIÓ NEGATIVA ENS INDICA LA DIRECCIÓ DE LA RELACIÓ NO PASSA RES.
2. Validesa de decisió Les puntuacions del test i del criteri són dicotòmiques o dicotomitzades (qualitatives) comparen la capacitat de la classificació del test respecte a un diagnòstic. Pretenc demostrar que el meu test es capaç de classificar igual que ho fa un criteri, amb la qual cosa si demosotro que es capaç de predir tal com ho fa el meu criteri podria prescendir del criteri i centrarme en el meu test. INDICADORS SENSIBILITAT ESPECIFICITAT COEFICIENT DE KAPPA Els indicadors han de ser: • Rellevants Un indicador és rellevant en la mesura en què es correspon amb el criteri. Cal utilitzar el judici dels jutges experts, ells són els que decideixen si es rellevant o no.
• Lliures de biaixLes mesures del criteri han de representar la vertadera competència dels subjectes i no estar determinades per factors que actuïn diferencialment entre grups. NO determinades per altres circumstancies EX. Una persona que va a per una vacant de secretaria, els jefes han de valorar la persona, la experiència, etc. La valoració que faci el jutge m’ha de valorar el meu rendiment i no el meu físic, en el cas que em valores el físic hi hauria biaix per la feina.
• Fiables Les mesures del criteri han de ser estables en el temps.
• Accessibles A igualtat de condicions d’adequació, escollirem aquell criteri que és més fàcil d’escollir, més ràpid i pràctic aconseguir. Tindrem en compte aspectes econòmics, temporals, etc.
Els passos que hem de seguir per valorar la validesa de criteri són: 1. Definir el criteri que es pretén mesurar 2. Identificar l’indicador o indicadors que s’utilitzaran per mesura el criteri 3. Selecció d’una mostra representativa de subjectes 4. Administració del test i obtenció d’una puntuació per a cada persona.
5. 0Mesura de cada persona en el criteri - RETROSPECTIVARecollim abans el criteri i després apliquem el test - CONCURRENTquan el criteri s’aplica en el mateix temps que estem aplicant el temps. Si fos alta diríem que aquest test te validesa de criteri EX. si estem fent un test de depressió i en el mateix moment un especialista esta fent una entrevista per valorar si aquell pacient pateix o no depressió - PREDICTIVAEl criteri s’administra després del test.
EX una universitat que selecciona els estudiants per assegurar-se que tots finalitzaran els estudis amb èxit fem un test i el correlacionem amb l’èxit final, al finalitzar els estudis veuríem el resultat de si han acabat amb èxit o no. Podríem correlacional els resultats al principi i veure si hi ha correlació amb el test i les puntuacions finals. Si hi ha alta correlació estarem demostrant que podem aportar evidencies de validesa de criteri predictiva cap al nostre temps. Es predictiva ja q estic predit una conducta futura.
6. Càlcul coeficient de validesadeterminar el grau de relació entre les puntuacions en el test i en la mesura del criteri. Correlació entre el test i el criteri.
1. VALIDESA CONCURRENT (Prieto y Muñiz) Quan el test i el criteri s’administren al mateix temps: 2. VALIDESA PREDICTIVA Recollim el criteri temps després d’haver administrat el nostre temps PREDICCIÓ DEL CRITERI A PARTIR DEL TEST Calcular la validesa de criteri o el coeficient de validesa em serveix per conèixer el verdader valor en el criteri a partir de un interval de confiança. Utilitzem l’error típic d’estimació perquè no fem error típic(fiabilitat Se) de mesura al intentar mesurar la puntuació verdadera sinó que l’error l’estem fent al estimar el criteri(Sxy).
INTERVAL DE CONFIANÇA DEL CRITERI 1. Error típic d’estimació 2. Puntuació verdadera del criteri EXEMPLE. Suposem que tenim un test amb una fiabilitat de 0,75, una mitjana de 80 i una desviació típica de 16. Es correlaciona amb un criteri de mitjana 20 i una desviació típica de 8, obtenint un coeficient de correlació de 0,46. Un subjecte obté una puntuació de 86 en el test. Quin és l’error típic d’estimació? ¿En quin interval se situa la puntuació del subjecte en el criteri a un nivell de confiança del 95%? Utilitzem l’error per calcular l’interval. El fet que sigui un interval tan ampli vol dir que el test no esta ven fet ja que es poc informatiu (poc precís) pel constructe que volem mesurar. El que hauríem de fer per reduir aquest interval seria augmentar la longitud del test. També hauríem de reduir el error haurem d’augmentar el coeficient de validesa.
EXERCICI A CASA. Imaginem que tenim un test amb una fiabilitat de 0,80, una mitjana de 40 i una variància de 64. Es correlaciona amb un criteri de mitjana 60 i una desviació típica de 12, obtenint un coeficient de correlació de 0,52. Un subjecte presenta una puntuació de 35 en el test. Quin és l’error típic d’estimació? ¿En quin interval se situa la puntuació del subjecte en el criteri a un nivell de confiança del 95%? Si un mestre sospita que un nen esta fent menys del que sap, és a dir, que és més intel·ligent. Per saber-ho podríem aplicar un test d’intel·ligència que sabem que presenta una bona correlació amb la competència o el rendiment escolar a l’aula. Si el mestre veu que no hi ha congruència en el resultat del test pel que hauria de rendir aquest nen segons el test de intel·ligència es quan el mestre pot tenir evidencia que el nen esta rendint per sota les seves capacitats intel·lectuals. El interval de confiança el que ens estarà dient es entre quins valors s’hauria de situar el valor del criteri (rendiment de l’alumne) si aquest no es situa dins d’aquest marge es que alguna cosa esta passant.
ASPECTES QUE PODEN AFECTAR A LA VALIDESA • Validesa dels ítems ítems vàlids que l’índex de validesa es alt ens estem assegurant que el nostre test també seran vàlids.
• Variabilitat estem utilitzant un coeficient de correlació, aquest queda afectat sempre que tenim poca heterogeneïtat a les dades, cobrir tot el ventall possible de puntuacions tant del test com criteri.
• FiabilitatSi poguéssim valorar el criteri i el nostre test sense error, si correlacionessin les puntuacions del test i el criteri la correlació seria perfecte. Si això es així, el coeficient de validesa seria igual a la arrel quadrada el coeficient de variabilitat.
• Sempre trobarem que el coeficient de validesa sigui menor o igual que a l’arrel quadrada el coeficient de fiabilitat.
• Si tenim que un dels factors que afecta la validesa es la fiabilitat el nombre de ítems d’un test també afectarà ja que si allarguem els ítems a un test augmenta la fiabilitat i també la validesa.
• La correlació vxvy significa correlació entre la puntuació verdadera del test i la verdadera del criteri. Com es 1 trobem una correlació perfecte.
2. CRITERI I TEST VARIABLES DICOTOMIQUES VALIDESA DE DECISIÓ • El criteri es positiu una caracteristica es manifesta EX. El pacient esta malalt • Criteri negatiu absencia de transtorn, esta sa, no es apte, no es candidat al tractament..
• Criteri positiu està malalt • El nostre test haura de ser una variable dicotomica i haurem de decidir si el resultat es positiu o negatiu • F1 Total positiu (verdaders positius + fals positiu • F2 total negatius (fals negatiu + verdader negatiu) • Total de malalts (f.1)  verdader positiu + fals negatiu • Persones sanes (f.2) fals psositiu + verdader negatiu.
• Diagonal principal Trobem els verdaders positiu (tant el test com el nostre criteri indiquen que hi ha pressencia de malaltia) i verdader negatiu (el test i el criteri diuen que no hi ha malaltia) • ERROR DE CLASSIFICACIÓ (diagonal secundaria) quan el test i el crieri no coincideixen sempre farem cas al que digui el criteri. Trobem dos errors: o Fals postitiuel meu test diu que esta malalt pero el meu criteri diu que no. Per tant, es un fals positiu ja que no està malalt.
o Fals negatiu el meu test diu que no està malalt però el meu criteri diu que si. Per tant, el subjecte estarà malalt EXEMPLE. El pacient es el nostre criteri, el test es el doctor esta fent un fals positiu i la nena un fals negatiu li esta dient que no esta embarassada.
CORBA NORMAL Interpretació de les puntuacions d’un grup de subjectes que presenta una malaltia: El nostre constructe exposat en una distribucio normal.
• La X es un punt de tall.
El criteri (jo) es qui decideix quin es el punt de tall del test en el que considerem que el subejcte esta sa o que el subejcte esta malalt.
A partir de la puntuacio tinc: • Els verdaders positius  ja que jo he dit que tots aquells segons el meu test son subjectes que presenten la malaltia i en realitat nosaltres sabem que la presenten (verd).
Com he traçat un punt en el qual jo divideixo en una variable dicotòmica, tots els que van d’aquella puntuació cap a valors més baixos són els: • Falsos negatius el test m’estara dient que el subejcte no té la malaltia (negatiu) i el meu criteri diu que el pacient està malalt.
• Falsos positius el que el test em diu que tenen la malaltia però en realitat no es així ja que el meu criteri diu que estan sans.
INDEX DE VALIDESA • Proporció de classificacions correctes (Pc)Sumem la diagonal principal i ho dividim entre el total • Sensibilitatverdaders positius / persones amb transtorn. Aquesta serà màxima quan no hi hagi falsos negatius. Estem veient el significat en un context dins de la psicometria.
• Especificitat és la capacitat que té el test per diagnositicar els casos negatius per saber quina és la proproció de persones sanes. La especificitat és màxima quan no hi ha cap fals positiu.
Si Pc, sensibilitat i especifitat donen un resultat major o igual que 0.8 direm que són acceptables. (Domènech i Granero) COEFICIENT KAPPA • Situacions que coincideixen per atzar.
• Aquesta formula té en compte aquestes coincidencies ja que el coeficient es igual a la freqüència d’acords(suma verdader positius i negatius) • Freqüència d’acords per atzar producte de la marginal filera i la marginal columna, multiplicar f.1x f1 i f.2x f2.
• Ens dona una mesura d’acord corregida per l’efecte de l’atzar • Com qualsevol indicador tindriem estimacio puntual i podriem calcular el interval amb el qual nosaltres trobariem el verdader valor.
• Error tipic de kappa que ve donat per la arrel quadrada l’utilitzem per calcular l’interval de kappa • Se error • Fa freqüència d’acords per aitxar • Fc freqüència d’acords VALORACIÓ DEL COEFICIENT KAPPA EJERCICIO DE LA HOJA EXERCICI EXEMPLE- VALIDESA DE DECISIO PUNT DE TALL Tenim la decisio que ha pres un psicoleg a aprtir de la valoracio d’una serie de persones de si aquestes persones necessitaven terapia o no. Trobem el diagnostic del clinic subjecte A no necesita terabia el B i e c si etc. ESpresenta una escala de 1 a 10 on esta la puntuacio del test. Criteri dicotomic i escala quantitativa, l’hem de transformar a un varaiable dicotomica q maximitxi els acors amb el criteri i minimitzar els errors. Hem de detemrinar el millor punt de la taula per maximitzar el nº d puntuacions correctes.
PUNT DE TALL 1—A maximize los acuerdos i minimize los errores Hem de valorar per cada posible punt de tall quins eria el resultat is eleccionem aquell punt de tall en el que el nombre d’error sigui menot. Imaginem q el punt de tall sigui major o igual que 1. Amb la qual cosa estem dient que tots els usbjectes q puntuin per sobre de 1 s’enviaran a terapia. El que tenim es que comparem el resultat de la classificacio del nostre test .
A. El clinic diu q el subjecte A no ha de anar a teriapi pero si el nostre punt de tall es 1 diu q si q ha danar a terapia aixo es un fals positiu error de classificacio. Perque elt est esta dient que esta malalt pero el criteri diu que esta sa.
B. En el 2 el test diu que ha danar a terapia i el clinic tb el punt de tall tb verdader positiu coincideix el test i el criteri. Es una cord d clasificacio ja que aplicant aquest punt de tall les puntuacions del test coincideix amb elcriteri Amb aquest punt de tall els estem enviant a tots a terapia cometent 6 errors de classificació. NO SEMBLA BON PUNT DE TALL PUNT DE TALL 2 Si puntua més de dos l’envio a terapia i menys de 2 considero que està sa. No ha canviat gairabé res i segueixo tenint 6 errors de classificació.
PUNT DE TALL 3 No hi ha cap canvi, és a dir, segueixo tenint 6 errors de classificació PUNT DE TALL 4 El subjecte I ha canviat ja que ha tret un 3 i per tant, considero que està sa i no necesita anar a terapia. Això em converteix en un verdader negatiu (tant el test com el meu criteri diem que està sa).
PUNT DE TALL 5 Tinc 4 errors de classificació, un altre verdader negatiu (G) ja que ha tret un 4 i com el meu punt de tall es un 5 determino que aquest subjecte està sa.
PUNT DE TALL 6 Milloro una mica més, tinc 3 errors de classificació 3 verdaders negatius (s’ha afegit el subjecte E) PUNT DE TALL 7 Tinc 3 errors de classificació però un fals positiu se’m converteix en un fals negatiu (subjecte B) el criteri diu que esta malalt i segons el meu punt de tall diu que no. Una persona malalta el meu test diu que esta sana i no li estic donan el tractament que necessito. Torno a tenir 3 errors de classificació.
PUNT DE TALL 8 Empitjorem ja que augmento un error de classificació i tinc 3 falsos negatius i un fals positiu.
PUNT DE TALL 9 Han augmentat les persones que necesiten terapia i els hi estic negant el tractament.
CONCLUSIÓ La primera regla es que el nº d’errors de classificació ha de ser el menor possible. Ho compleixen el 6 i el 7 però l’adequat es el 6 ja que si agafo el 7 li estic negant el tractament a una persona que esta malalta. Condicions: 1. Punt de tall amb menys errors de classificacio 2. Si hi ha empat seleccionem en funció de la situacio que es millor deixar sense tractament a una persona que ho necessita o donarli tractament a una persona que esta sana ? En el cas que el tractament sigui una operacio cerebral o alguna cosa més greu seria millor escollir el punt de tall nº 7 ja que no seria adequat operar a una persona que no s’ha d’operar.
Proves de screening tests breus que poden provocar falsos positius i els acceptem com a bons instruments ja que son breus i ràpids que aporten informació i podriem estudiar amb més conformitat falsos positius.
EXERCICI : En una residència d’avis es posa a prova la validesa d’una escala d’observació dissenyada per a detectar la dependència funcional dels residents i assignar-los a un grup de rehabilitació (R) o no (NR). Es disposa de les puntuacions obtingudes per 11 residents en l’escala d’observació, així com del diagnòstic emès per un especialista (R o NR). Determinar el punt de tall òptim en l’escala d’observació, tenint en compte que la rehabilitació no es considera nociva per l’individu. Construir la corresponent taula de classificacions.
3. VALIDESA DE CONSTRUCTE Tracta d’inferir el grau en què el test mesura el concepte psicològic (constructe) que pretén mesurar. Aquesta validesa es basa en diferents estratègies però fonamentalment veurem dues que versen sobre l’estructura del test i aquesta pot ser valorar la estructura: • Interna  anàlisi factorial, un nombre de variables determinades ho redueix en un nº menor que es composa de variables que estan relacionades. El anàlisi crea noves variables a partir de la identificació de variables que estan molt correlacionades - Anàlisi factorial exploratori (pretén descriure quina es la estructura del test) - Anàlisi factorial confirmatori (confirmar que una estructura que en principi ens ve per la teoria i queda rectificada segons les nostres dades) • Externa valorarà com el test es relaciona amb altres variables. Ho fem amb la matriu multitret-multimètode.
Per valorar la validesa de constructe fem: 1. Definir i formular hipòtesis sobre el constructe ens centraríem en una teoria ben formulada 2. Recollir dades per comprovar les hipòtesis administrar el test a una mostra i obtenir dades que ens servirà per comprovar les hipòtesis 3. Consistència de les dades amb les hipòtesis formulades o altres alternatives ANALISI FACTORIAL Es una tècnica de reducció de dades i pretén que les n variables que té un test, en funció del nombre de ítems, pretén reduir el nombre de ítems en el que diem R factors agrupant els ítems que estan altament correlacionats. Pretén verificar que aquesta assignació de ítems que hem fet empíricament ho podem demostrar.
• Unidimensionalitat vol dir que un test mesura un únic constructe, en la qual cosa si ens situem en aquest test tots els ítems han d’estar molt relacionats i mesurar exactament el mateix constructe. Parlem també d’una única dimensió o unifactorial.
ANÀLISI FACTORIAL L’idea es passar de una matriu de dades en la que tindríem els diferents subjectes i per columnes tindríem els ítems i la puntuació de cada subjecte, aquesta la transformo en una matriu de correlacions, en aquest cas tindria els ítems a columna i fila i dins trobaríem la correlació de cada ítem, amb aquesta matriu de correlacions puc veure quins correlacionen més amb els altres, quins ítems podria agrupar i quins sembla que no tenen molta correlació.
L’anàlisi factorial fa convertir aquesta matriu de correlacions en una matriu factorial per files tenim els diferents factors, sent el factor aquesta agrupació d’ítems que estan altament correlacionats i per columnes els items. I en la matriu factorial el que haurem d’obtenir serà que hi hagin menys factors que variables.
ANALISI FACTORIAL EXPLORATORI Si el test de personalitat té 20 variables passem a 3 (extraversió, neuroticisme i psicoticisme) • a  és una saturació factorial o carrega factorial, però no és res més que una correlació entre l’item i el factor (sent el factor la agrupació de variables).
EX. Test amb 7 items, el factor 1 compren l’item 1 i 2 El factor 2 es compren del 3,4 i 5 El factor 3 esta compost per l’item 6 i 7 En la matriu factorial ens trobarem la correlació de tots els items amb tots i cadascun dels factor.
Escala de saturació • 0.4< X  carrega factorial baixa • 0.4 > X carrega factorial alta L’item 3 en el factor 2 tindrà una carrega factorial alta però amb el factor 1 tindria una carrega factorial baixa.
En el anàlisi factorial exploratori correlaciono el factor amb tots els items del test i seran altes pels que hi hagi alta correlació i baixa pels que no.
ANÀLISI FACTORIAL CONFIRMATORI Veure les correlacions factorials entre el factor i l’item.
Utilitzant l’exemple anterior: EX. Test amb 7 items, el factor 1 compren l’item 1 i 2 El factor 2 es compren del 3,4 i 5 El factor 3 esta compost per l’item 6 i 7 EX. “Se efectuó un análisis factorial exploratorio mediante extracción de ejes principales y rotación oblimin. Teniendo en cuenta el elevado número de ítems que se desarrollaron al inicio, se depuró la escala eliminando todos aquellos ítems que presentaran saturaciones inferiores a 0,35 o saturaciones complejas (superiores a 0,35 en más de un factor).” Els items carregan en el factor 1 i en el 2. Els primers items tenen carregas en el 1 i els ultims en els 2. En canvi, en el factor 3 i 4 tots tenen saturacions baixes. Amb la qual cosa aquí trobem una estructura bifactorial, de 2 factors, hem conseguit que aquest conjunt de 32 factors és redueixi a dues variables, hauriem de reduir el contingut d’aquest items en funcio del que preten valorar.
EX. “El primero de los objetivos era comprobar si la estructura factorial de la escala era la esperada, con las 4 dimensiones descritas anteriormente. Para ello se llevó a cabo un análisis factorial confirmatorio mediante el programa AMOS 4. Los parámetros del modelo original fueron estimados siguiendo el criterio de Máxima Verosimilitud.” Ve a dir que l’anàlisi factorial confirmatori modifica una teoria prèvia en funció de les dades que hem recollit. A la part de sota trobem un batanàlisi del resultat.
El personal sanitari és factor (tots els ítems que tracten d’això tenen saturacions elevades per sobre d 0.4), junt amb el personal de apoyo que totes són altes també.
EXEMPLE DEL ANALISIS FACTORIAL CONFIRMATORIA Tenim ítems que mesuren aquests factors han de ser elevades.
EXEMPLE: Escala de insomni de Atenes que mesura els problemes relacionats amb la son durant el dia i durant la nit. Hem d’intentar pensar com seria l0estructura si féssim un anàlisi FE i un FC 1. De nit 2. De nit 3. De nit 4. De nit 5. De nit 6. De dia 7. De dia 8. De dia AFE AFC Factor 1 (nit) Factor 2 (dia) Factor 1(nit) Factor 2 (dia) Alt Baix Alt 0 Alt Baix Alt 0 alt Baix alt 0 Alt Baix Alt 0 Alt Baix Alt 0 Baix Alt 0 Alt Baix Alt 0 Alt Baix Alt 0 Alt ANALISI FACTORIAL EXPLORATORI Els passos per realitzar un anàlisi factorial exploratori són: 1. Comprovar condicions d’aplicació de Kaiser-Meyer-Olkin i la prova d’esfericitat de Barlett KMO Indica fins a quin punt les associacions entre variables poden ser explicades per un número de factors més reduït que el de les variables. El que volem es que aquest estadístic estigui el més proper a 1 possible.
- Si es major de 0.80 acceptable Barlett Volem assegurar-nos que la seva correlació es diferent a 0, és a dir, que estan correlacionats entre ells. Trobem l’estadístic xi quadrat i la probabilitat associada al estadístic, en aquest cas es molt petita per tant rebutgem la hipòtesis nul·la i podem afirmar que els items estan relacionats. (es rebutja Ho si el p-value és més petit que 0.05) • Ho els items no estan correlacionats • Hi els items estan correlacionats Per tal de saber quins són els factors intentarem posar un regle asobre de la linea i els factors que es quedin fora seran els que necessitarem.
2. Seleccionar el mètode d’extracció de factors 3. Escollir un mètode de rotació té sentit sempre que no sigui una estructura unidimensional. La idea és que aquest mètode ens permeti interpretar les dades de manera més senzilla que la matriu factorial inicial ja que a vegades no són molt clares. Amb la rotació el que fem es rotar l’eix i estem dient que l’item 1 i l’item 2 estan saturant en el factor 2 mentre que l’altre ítem (3) esta saturant en el factor 1.
Al girar el que faig es facilitar la interpretació de la matriu factorial inicial. N’hi ha dos tipus: - Rotació ortogonal la apliquem quan sabem que els factors no estan relacionats entre si. La distancia que hi haurà entre ells serà una diferencia de 90 graus(línies perpendiculars). A la hora de rotar també rotarem però mantenint aquesta distancia - Rotació obliqua primer fem aquest tipus de rotació i en funció de com estiguin relacionats els factors decidim si ens quedem en aquest tipus de rotació o si fem la ortogonal.
Trobem items que correlacionen amb el factor 1 i altres amb el factor 2. Primer fem la rotació obliqua i com observem que cada item correlaciona amb un factor la donem per valida i no ens cal fer la ortogonal 4. Interpretar els resultats primer trobem la taula de comunalitats, tots els items mesuren aquell constructe, si relaciono cada item amb el factor obtinc la saturació factorial. Si elevo al quadrat això estic fent la comunalitat (que es el mateix que el coeficient de determinació).
- Comunalitat proporció de variància que el factor explica de l’ítem. El factor es capaç d’explicar el 58.8% de la variabilitat del ítem 1. Estic dient que aquest item es relaciona amb el factor .
- Autovalor no ens ho diu tot per tant, hem de calcular el percentatge de variància explicada. A partir dels 4 items que es el que representa en el 100%. El que obtinc es que el factor es capaç d’explicar el 38.97% de la variància dels items, el que ens interessa es que aquest sigui el màxim possible.
En l’exemple de AFE amb SPSS (fotografia del pas 3) també ens mostra la comunualitat.
El que volem es que totes siguin altes i heterogènies.
Trobem al costat l’autovalor (suma de totes les variàncies que el factor explica del conjunt de items). Hem dit que ens interessa que l’autovalor sigui el més gran possible, si extrec 8 factors acabo explicant el 100% de variabilitat. He de trobar un límit i he de parar allà on el factor no m’aporta informació extrarellevant.
Per decidir en nº de factors a extreure s’utilitza el criteri de kaiser s’extreuran tots factors que hi hagi amb autovalor superior a 1.
Aquest criteri no agrada ja que l’autovalor depèn del nº de items, si ho ha un factor amb molts items la probabilitat es molt alta de que sigui superior a 1. Segons Kaiser en aquestes dades hauríem d’extreure 2 factors ja que son capaç d’explicar una proporció de variància important. Els primers factors son els que expliquen més proporció de variància ja que el primer es el que pot seleccionar entre el 100% de variabilitat que s’ha de demostrar, el segon es queda amb la resta i es capaç de explicar una proporció extra.
El que tenim es que el 2 factor es capaç d’explicar un 16% extra de variabilitat. Tindríem un test bifactorial (2 factors) - Kaiser no agrada utilitzem gràfic e sedimentació Representa gràficament els components i els autovalors. Al eix d’abscisses tenim il·lustrats els 8 possibles components i el que fem es representar el autovalor que té cadascun d’ells. El que veiem es una línia decreixent en el que hi ha un punt d’inflexió.
Situant-nos en el últim component intentem traçar una línia recta que intenti enganxar tots els punts d cadascun dels components aquells que no es situïn per sobre de la línia seran tots els factors que hem d’extreure. En 2 components son capaços d’explicar el 60% de variabilitat. El nostre text es bifactorial, obtenim la matriu inicial, per trobar la comunalitat de cadascun dels nostres items hem d’elevar al quadrat la saturació amb el factor 1 i amb el factor 2.
Per decidir el tipus de rotació ens fixem en la correlació si aquesta es major que 4 ens quedarem amb la obliqua en el cas de que no estigui bé utilitzarem la ortogonal En la matriu veiem que la correlació entre els dos factors es de 0.4 i amb la qual cosa queda confirmat que la decisió de aplicar la rotació obliqua estava bé.
MATRIU MULTITRET-MUTLIMETODE La correlació ha de ser alta ja que si el subjecte te un nivell al en el constructe ho mantindrà independent del mètode que utilitzem.
Pel contrari, si estem valorant dos trets (depressió i impulsivitat) amb el mateix mètode la correlació hauria de ser baixa.
• Si correlaciono el mateix mètode amb el mateix instrument fiabilitat de formes paral·leles. (diagonal principal) verd • Quan relaciono dos trets diferents (heterotret) amb el mateix constructe validesa discriminant que esperem que els valors sempre siguin baixa. (groc) • Mateix tret però diferents mètodes validesa convergent i s’espera que els valors siguin alts (vermell) • Heterotret- heteromètode  no ens interessa gaire • El mètode més fiable es el 2 ja que la correlació es de 0.93 EXEMPLE Els trets són extraversió, lideratge i intel·ligència social. Els trets son autoinforme, observació sistemàtica i entrevista personal.
• En extraversió el millor mètode (0.9) seria l’entrevista personal • En intel·ligència social el millor mètode es el autoinforme.
• VermellEl 0.70 s’obté de la correlació de la correlació de observació sistemàtica i l’autoinforme del tret extraversió per tal de determinar la validesa convergent. Esperant que totes les vermelles siguin altes • Groc que son la validesa discriminant estic valorant extraversió i lideratge amb el mateix mètode EX. Lideratge i extraversió mesurats amb un autoinforme la seva correlació es baixa (tal i com ens esperem) • Blau no m’interessen les caselles Amb això aconsegueixo conèixer com el meu test es correlaciona amb altres variables externes, per tal de que m’aportin evidencia de validesa discriminant i validesa convergent.
EXERCICI Mesurem els trets raonament numèric, factors espacial i raonament abstracte.
Els mètodes són items de verdader i fals, uns altres de elecció múltiple i altres de format incomplet • El mètode més fiable per raonament numèric és veritable/fals • El mètode més fiable per factors espacial és elecció múltiple.
• El mètode més fiable per raonament abstracte és veritable/fals • En quan a la validesa convergent o Raonament numèric el més baix és de elecció múltiple i format incomplet (0.77) o Factors espacial el més baix és utilitzar elecció múltiple amb format incomplet (0.67) o Raonament abstracte el mes baix és veritable fals i format incomplet (0.5) En general, tots son correlacions bastant altes • Validesa divergent o Veritable/fals 0.2 (baix), 0.3 (baix), 0,28 (baix) o Elecció múltiple 0.37 (baix), 0.26 (baix), 0.37 (baix) o Format incomplet 0.19 (baix), 0.41 (normal) ...

Comprar Previsualizar