由李克特項目組成的問卷的因子分析
我曾經從心理測量學的角度分析項目。但現在我正在嘗試分析其他類型的關於動機和其他主題的問題。這些問題都在李克特量表上。我最初的想法是使用因子分析，因為假設這些問題反映了一些潛在的維度。
- 但是因子分析合適嗎？
- 是否有必要驗證每個問題的維度？
- 對李克特項目進行因子分析有問題嗎？
- 關於如何對李克特等分類項目進行因子分析，有什麼好的論文和方法嗎？
從我目前看到的情況來看，FA 用於態度項目，因為它用於其他類型的評級量表。使用的度量標準引起的問題（即“李克特量表真的被視為數字量表嗎？”是一個長期存在的爭論，但如果您檢查鐘形響應分佈，您可以將它們作為連續測量來處理，否則檢查非線性 FA 模型或最佳縮放）可以由多模 IRT 模型處理，如分級響應、評級量表或部分信用模型。後兩者可用於粗略檢查閾值距離，如在李克特類型項目中使用的，是響應格式 (RSM) 或特定項目 (PCM) 的特徵。
關於您的第二點，例如，眾所周知，態度或健康調查中的反應分佈因國家而異（例如，與來自西方國家的人相比，中國人傾向於強調“極端”的反應模式，例如宋, X.-Y. (2007) 多樣本結構方程模型分析與生活質量數據的應用，在潛在變量和相關模型手冊中，Lee, S.-Y. (Ed.), pp 279-302, North -荷蘭）。我想到了一些處理這種情況的方法：
- 使用對數線性模型（邊際方法）突出項目級別的嚴重組間不平衡（然後將係數解釋為相對風險而不是賠率）；
- 上面引用的 Song 的多樣本 SEM 方法（不過，不知道他們是否在該方法上做了進一步的工作）。
現在，重點是這些方法中的大多數都集中在項目級別（天花板/地板效應、可靠性降低、項目擬合統計數據不佳等），但是當人們對人們如何偏離理想的預期感興趣時一組觀察者/受訪者，我認為我們必須關注個人適合指數。
這樣的IRT 模型很容易獲得統計數據，例如 INFIT 或 OUTFIT 均方，但通常它們適用於整個問卷。此外，由於項目參數的估計部分依賴於人的參數（例如，在邊際似然框架中，我們假設高斯分佈），離群個體的存在可能導致潛在的偏差估計和較差的模型擬合。
正如 Eid 和 Zickar (2007) 所提出的，結合潛在類別模型（以隔離受訪者群體，例如那些總是回答極端類別與其他類別的人）和 IRT 模型（用於估計潛在類別中的項目參數和人員位置兩組的特徵）似乎是一個很好的解決方案。在他們的論文中描述了其他建模策略（例如 HYBRID 模型，另見 Holden 和 Book，2009）。
同樣，展開模型可用於處理響應風格，它被定義為響應類別的一致且獨立於內容的模式（例如，傾向於同意所有陳述）。在社會科學或心理學文獻中，這被稱為極端反應風格（ERS）。參考文獻 (1-3) 可能有助於了解它的表現方式和測量方式。
以下是可能有助於在該主題上取得進展的論文的簡短列表：
- 漢密爾頓，DL（1968 年）。與極端反應風格相關的人格屬性。心理公報，69（3）：192-203。
- 格林利夫，EA (1992)。測量極端反應風格。輿論季刊，56(3)：328-351。
- de Jong, MG, Steenkamp, J.-BEM, Fox, J.-P. 和 Baumgartner, H. (2008)。使用項目反應理論來衡量營銷研究中的極端反應風格：一項全球調查。營銷研究雜誌，45（1）：104-115。
- Morren, M.、Gelissen, J. 和 Vermunt, JK (2009)。處理跨文化研究中的極端反應風格：一種受限的潛在類別因素分析方法
- 摩爾，G.（2003 年）。通過潛在類因子方法診斷響應風格行為。重新審視了性別角色態度和對種族歧視的看法的社會人口相關性。質量與數量，37（3），277-302。
- de Jong, MG Steenkamp JB, Fox, J.-P. 和 Baumgartner, H. (2008)。衡量營銷研究中極端反應風格的項目反應理論：一項全球調查。營銷研究雜誌，45（1），104-115。
- Javaras, KN 和 Ripley, BD (2007)。李克特態度數據的“展開”潛在變量模型。JASA，102（478）：454-463。
- 來自 Moustaki、Knott 和 Mavridis 的幻燈片，在潛在變量模型中檢測異常值的方法
- Eid, M. 和 Zickar, MJ (2007)。通過混合 Rasch 模型檢測響應風格和偽造個性和組織評估。在 von Davier, M. 和 Carstensen, CH (Eds.), Multivariate and Mixture Distribution Rasch Models , pp. 255–270, Springer。
- Holden, RR 和 Book, AS (2009)。使用混合 Rasch-latent 類建模來改進人格清單上偽造者的檢測。人格和個體差異，47（3）：185-190。