Setelah mengumpulkan data, kami menghitung skor skala Likert (sumatif) apa pun (sebelumnya diidentifikasi sebagai faktor dalam analisis faktor) dengan menambahkan skor masing-masing item (dan mungkin membagi jumlah dengan jumlah item untuk mendapatkan skor rata-rata). Dalam perhitungan itu, kami mengasumsikan bahwa setiap item dalam skala memiliki bobot yang sama. Namun kita tahu dari analisis faktor bahwa beberapa item memiliki beban faktor yang lebih besar daripada yang lain yang mengandung skala itu. Dengan demikian mereka menjelaskan lebih banyak varian. Dengan menggunakan faktor-faktor tersebut, mungkinkah memberikan bobot yang tidak sama ke item? Misalnya dalam skala 6 item mungkin item 4 lebih efektif pada skor skala itu daripada item lainnya.
Atau, untuk menyatakan kembali pertanyaan saya: Meskipun item dari skala Likert (konstruk) tidak memiliki load factor yang sama (menjelaskan varians dari faktor itu) mengapa para peneliti umumnya menggunakan skala Likert dengan item yang sama-sama berbobot?
sumber
Jawaban:
Ya, dimungkinkan untuk memasok setiap item dengan beratnya sendiri. Bobot ini, bagaimanapun, tidak dapat memuat itu sendiri karena - Anda mungkin ingat - memuat adalah koefisien regresi faktor dalam memprediksi suatu barang, bukan sebaliknya. Bobot yang Anda maksud harus berupa koefisien regresi suatu item dalam memprediksi suatu faktor. Kami memperoleh bobot tersebut saat menghitung skor factore; bobot diperkirakan dari matriks korelasi antar-item (atau kovarians) dan memuat matriks biasanya dengan cara ini: . (Jika faktor-faktor diputar secara terbalik maka dalam rumus ini struktur matriks harus digantiB R A B=R−1A A .) Lihat juga , di mana metode kasar dan halus dipertimbangkan; metode kasar memungkinkan menggunakan pemuatan sebagai bobot.
Jika demikian, lalu mengapa para peneliti umumnya menggunakan skala Likert dengan barang-barang yang memiliki bobot sama? Dengan kata lain, mengapa mereka sering lebih menyukai bobot biner 1 atau 0 sebagai pengganti bobot fraksional yang dikomputasi di atas? Mungkin ada beberapa alasan. Untuk menyebutkan hanya tiga ... Pertama, bobot di atas yang tidak tepat (kecuali kita menggunakan model PCA daripada model analisis faktor per se ) karena fakta bahwa uniqness item tidak diketahui pada tingkat dari setiap kasus (responden), dan dengan demikian skor faktor yang dihitung hanya perkiraan nilai-nilai faktor sebenarnya. Kedua, bobot yang dihitung biasanya akan bervariasi dari sampel ke sampelB B dan akhirnya mereka menunjukkan tidak jauh lebih baik daripada bobot hanya 1 vs 0. Ketiga, model tertimbang-jumlahbalik konstruk sumatif (Likert) adalah penyederhanaan pada prinsipnya. Ini menyiratkan bahwa sifat yang diukur oleh skala tergantung pada semua itemnya secara simultan apa pun ketajamannya. Tetapi kita tahu bahwa banyak sifat berperilaku berbeda. Misalnya, ketika suatu sifat lemah, itu mungkin hanya menunjukkan sebagian gejala (yaitu item), tetapi yang dinyatakan secara penuh; ketika sifat itu tumbuh lebih kuat, lebih banyak gejala bergabung, sebagian mengekspresikan, sebagian mengekspresikan secara penuh dan bahkan mengganti gejala-gejala "yang lebih tua" itu. Pertumbuhan internal yang dinamis dan tidak dapat diprediksi dari suatu sifat ini tidak dapat dimodelkan dengan kombinasi linear dari fenomena yang ada. Dalam situasi ini, menggunakan bobot fraksional halus sama sekali tidak lebih baik daripada menggunakan bobot biner 0-1.
sumber