Psicometria (2016)

Apunte Catalán
Universidad Universidad de Girona (UdG)
Grado Psicología - 2º curso
Asignatura Psicometria
Año del apunte 2016
Páginas 8
Fecha de subida 11/04/2016
Descargas 20
Subido por

Vista previa del texto

PROPIETATS PSICOMÈTRIQUES La consistència interna és la coherència dels ítems, és a dir, que tots mesurin cap a la mateixa direcció. Aquesta consistència la podrem verificar amb l’ACP ( anàlisis en components principals) amb la correlació entre ítems o amb l’alfa de Cronbach que és més especialitzat.
Fiabilitat: independència de les situacions o factors externs, per tant amb l’estabilitat de la mesura; serà fiable si al repetir-la tinc els mateixos resultats, per tant és independent del pas del temps. La fiabilitat la mesurem a través d’índexs de correlació.
Haurem de dir quin tipus de fiabilitat té perquè no són totes igual: - Fiabilitat test-retests: no afecta el temps “ Inter jutges: amb diferents jutges no diferent resultat: no afecta la persona que l’administra Fiabilitat entre formes alternatives: seria entre dos versions del mateix test, però no es fa gaire Fiabilitat de consistència interna: dividir el qüestionari en dos parts; els resultats de la part 1 i la part 2 haurien de coincidir més o menys.
Al fi i al cap sempre ho correlacionem Validesa: té a veure amb la sensibilitat de l’instrument; que l’instrument mesura allò que realment volem que mesuri. Per tant un test és vàlid si realment mesura allò que volem que mesuri. Hem de parlar de diferents tipus de validesa: - - Validesa de contingut: si els ítems són una mostra representativa del que volem mesurar Validesa predictiva: grau de garantia de si en el futur la persona respondrà d’una determinada manera.
Validesa de constructe: Si a partir del resultat del test podem inferir alguna cosa no tangible o mesurable i per tant li posem una etiqueta o un nom; extraversió per exemple.
Validesa convergent: dos qüestionaris tenen validesa convergent quan ens mesuren la mateixa variable i ens donen els mateixos resultats Validesa discriminant: un mateix qüestionari avalua diferents símptomes i discrimina diferents variables.
ANÀLISIS EN COMPONENTS PRINCIPALS (ACP): És un anàlisi de tècnica multivariant ( amb més d’una variable dependent). L’ACP ens serveix per: - Descriure de manera més simple l’estructura de relacions entre les variables que es sometent a la anàlisis. ( com es relacionen els ítems del qüestionari) Calcular un nombre reduït de variables (components) i resumir al màxim tota la informació SEMPRE abans de fer ACP hem de mirar les condicions d’aplicació encara que no es demani explícitament. UN cop tenim que les dades compleix les nostre condició passa a partit de matrius; la primera és una matriu de correlació de dades. D’aquí en treu una matriu de saturacions factorials.
Tal i com les varibles han d’estar relacionades, les components no cal que ho estiguin. A l’exemple veiem que ens diuen si els ítems, correlacionats de dos a dos tenen relació o no.
Les condicions d’aplicació són que: - Estiguem treballant amb dades quantitatives Les variables han de tenir igual estatus ( les mitjanes i desviacions típiques similars; que no hi hagin més de 2 punts de diferència).
El rang de variació o resposta més gran o igual que 5 - - La distribució ha de ser unimodal i simètrica, és a dir, que segueixin una distribució normal; si a l’exercici no hi ha la informació per comprovar-ho, ho donem per fet que es compleix.
Que la mostra sigui el triple de subjectes que variables.
La condició més important és que les variables han d’estar relacionades entre si; Si no es compleix aquesta no es pot aplicar ACP mai! per comprovar això ho podem fer: *Anar a la matriu de correlacions i mirar si existeix correlació entre els ítems * Determinant de la matriu ( a baix de la taula): Quant més lluny de 1, més correlació.
Però la millor provar per comprovar-ho és la Prova d’esfericitat de Barlett: X2= - [ (n-1)-1/6 (2m+5)] ln/R/ n = mostra m = número de variables Ln/R/ = logaritme neperià del determinant X2 > X2 (v, 0,005) H 1 P < 0,05 La matriu de correlacions No és la M.IDENTITAT ( les variables estan relacionades) X2 < X2 (v, 0,005) H 0 P> 0,05 La matriu de correlacions ÉS la M.IDENTITAT ( les variables no estan relacionades) V = (m2 – m) /2 *Al ser una prova Khi quadrat hem de mirar el resultat a la taula de khi quadrat.
Si la P < 0.05 La matriu de correlacions no és matriu identitat Si la P > 0.05 La matriu de correlacions és la matriu identitat Un cop apliquem l’ACP ens sortiran una sèrie de taules i resultats; aquí s’expliquen cadascuna d’elles i les seves propietats principals: MATRIU DE SATURACIONS FACTORIALS / MATRIU DE COMPONENTS Cada columna de la taula és una component i cada fila una de les variables o preguntes del qüestionari. L’objectiu de l’ACP era veure quines variables mesurava el mateix i els ajuntava; per tant ens calcula tantes components com ítems tenim que són independents entre si.
Els índex d’entre la taula varien entre -1 i +1 i correlacionen l’ítem amb la component, per tant com més proper a 1 voldrà dir que hi ha més correlació. ( El valor màxim per tant és 1; si ens trobem un 1 vol dir que ho explica tot).
- Direm que una variable està ben representada per una component a partir de la carrega factorial sigui superior a 0’3. L’ideal serà que una de les variables tingui un pes important en una de les components.
- La suma al quadrat dels pesos de cada columna ens dóna el valor propi; i la suma el quadrat de cada fila ens dóna la comunalitat d’extracció.
Quan els programa ens calcula totes les components sense agrupar els ítems ( tantes components com ítems) , s’anomena matriu completa. Però si ja ens agrupa els ítems o variables en components, la matriu és reduïda.
VALOR PRÒPI: variància de la component Quantitat de variància del conjunt de variables explicada per una component; això ens porta a que els valors propis es poden transformar en percentatge de variància explicada a partir de la fórmula: Valor propi / n ( nombre ítems) * 100= % variància explicada COMUNALITAT: - Inicial: allò que la variable explica de si mateixa, per tant comença l’anàlisi sempre amb 1.
Extracció: variància de la variable, els valor oscil·len entre 0 i 1 sempre positius. Quan el valor de la comunalitat d’extracció és 0 o proper a 0 vol dir que no expliquen res de la variabilitat de la variable. Això podria passar quan en un qüestionari tenim un ítem mal redactat o que no té res a veure amb el tema. La comunalitat d’extracció ha de ser superior a 0’6 per saber que una component ens descriu bé un ítem.
MATRIU DE CORRELACIONS REPRODUÏDES És una versió de la matriu de correlacions un cop hem fet l’anàlisi; els ítems ens indiquen si la correlació s’ha fet bé. Calculem la correlació inicial a partir de la fórmula: Correlació inicial= Correlació reproduïda + residual Rxy = Rxy +e A partir de la matriu de correlacions reproduïdes podem trobar doncs la correlació original MATRIU COMPONENTS ROTATS: Aquesta l’utilitzem per interpretar. En aquest cas té més pes a la component 1 que a la dos donat el primer ítem; en el segon cas també; a l’ítem 3 no, té més pes en el segon i en l’ítem 4 té més pes la component 2. La prova 1 i la 2 estan explicades per la component 1 però la prova 3 i la 4 estan més explicades per la component 2. ( pàg. 3 dossier 2) CRITERIS PER VEURE SI ESTÀ BEN AJUSTAT UN MODEL 1. Conservar les components amb valor propi superior a 1 2. Gràfica sedimentació: per saber amb quantes components ens quedem on hi ha el salt en la gràfica. Si no veiem bé el salt, simplement hem de restar els valors propis i veure on hi ha la màxima diferència. ( 1.91-1.81); (1.81-0.17); (0.17-0.1) 3. explicar un mínim de variància: 70%. Hem de mirar si aquestes dues components expliquen com a mínim el 70% de la informació original. Això ho fem a partir de l’acumulat; si els percentatge acumulat supera el 70 % en les dos variables que ens interessa el criteri es complirà.
4. Conservar components interpretables: a la matriu de components rotada havíem de mirar que el pes fos superior a 0’3 com a mínim en una de les components. EN VALOR ABSOLUT.
a Ma triz d e com pon entes rotad os VE LOCITAT LECTO RA CO MPRE NSIÓ VERBAL VE LOCITAT DE CÀ LCUL CO MPRE NSIÓ D'O PERA CIONS ARITMÈTIQUE S 1 ,965 ,963 ,068 -,042 Com ponente 2 3 -,083 -,052 ,112 ,022 ,964 -,258 ,952 4 -,245 ,245 -,001 ,299 ,052 Método de ext racción: Análisis de componentes princ ipales .
Método de rotación: Norm alizac ión V arimax con Kais er.
a. La rotaci ón ha convergido en 4 iterac iones .
a Ma triz d e com pon e nte s rota dos VE LOCITAT L ECTO RA CO MPRE NSIÓ VERBAL VE LOCITAT DE CÀ LCUL CO MPRE NSIÓ D'O PERA CIONS ARITMÈTIQUE S Com pone nte 1 2 ,96 7 -,09 8 ,96 0 ,12 7 ,07 9 ,95 5 -,05 1 ,96 1 Mé todo d e ext racció n: An álisis de co mpon entes princ ipale s.
Mé todo d e rota ción: Norm aliza ción V arima x con Kais er.
a. La rotaci ón ha conve rgido en 3 iterac iones .
5. El numero de components que seleccionem ha de ser inferior que el de variables: ja que si estem reduint, hem de tenir menys components que variables.
6. Les comunalitats d’extracció han de ser superiors a 0’6, la majoria: La variància explicada per cada variable original ha de ser elevada. Normalment no tots surten 0’6 però si la majoria hi surt ja n’hi ha prou. Expliquem que un ítem determinat no la té i ja està.
7. Els residuals han de ser menors que 0,05: Això ho mirem a la última taula que ens presenta l’anàlisi; mirem que cada residual sigui menor que 0,05. O mirar a sota la taula, en l’apartat “a” que ens ho diu ( en aquest cas ens diu que n’hi ha 2 que no, però que majoritàriament es compleix.
Co rrelacione s rep roducidas Correlac ión reproducida Residual a VE LOCITAT LECTORA COMPRENSIÓ VERBAL VE LOCITAT DE CÀ LCUL COMPRENSIÓ D'OPERACIONS ARITMÈ TIQUE S VE LOCITAT LECTORA COMPRENSIÓ VERBAL VE LOCITAT DE CÀ LCUL COMPRENSIÓ D'OPERACIONS ARITMÈ TIQUE S VE LOCITAT LE CTORA ,944b ,916 -,017 -,144 COMPRENSI Ó V ERB AL ,916 ,939b ,197 VE LOCITAT DE CÀLCUL -,017 ,197 ,918b COMPRE NS IÓ D' OP ERACI ONS ARITMÈ TI QUES -,144 ,072 ,914 b ,072 ,914 ,927 -,058 ,017 -,028 -,004 ,014 -,076 -,058 ,017 -,028 -,004 ,014 -,076 Método de ext racción: Análisis de Componentes principales.
a. Los residuos s e cal culan entre las c orrelaciones obs ervadas y reproducidas . Hay 2 (33,0%) residuales no redundantes c on valores absolutos m ayores que 0,05.
b. Comunalidades reproduci das PASSOS A SEGUIR EN GENERAL: Primer hem de mirar quin problema ens formulen.
Després les condicions d’aplicació per saber si podem aplicar ACP o no. Per altra banda l’extracció de components ...