NEO-Facetten und -Skalen: Das NEO-Persönlichkeitsmodell hat 5 Skalen (dh Extraversion, Neurotizismus, Verträglichkeit, Offenheit und Gewissenhaftigkeit). Für jede Skala gibt es 6 Facetten (z. B. hat Neurotizismus Angst, Feindseligkeit, Depression, Selbstbewusstsein, Impulsivität und Anfälligkeit für Stress). Hier finden Sie eine Liste der 30 Facetten und wie sie sich auf die 5 Skalen beziehen .
Inkrementelle Vorhersage: Ich interessiere mich dafür, inwieweit die 30 Facetten wichtige reale Ergebnisse über die großen 5 Skalen hinaus vorhersagen. Beispiele für wichtige Ergebnisse können finanzieller Erfolg, Lebenszufriedenheit, gesundheitliche Ergebnisse, Langlebigkeit, Arbeitsleistung, Karriereerfolg, Ehezufriedenheit, Kriminalität usw. sein. Während jedes dieser Ergebnisse für sich interessant wäre, bin ich besonders an allgemeinen Behauptungen interessiert, die bezüglich der inkrementellen Vorhersagevalidität aufgestellt werden können, die durch die Verwendung von Facetten anstelle von Skalen erhalten wird.
Statistische Basis: Einige Punkte nehme ich als selbstverständlich hin. Es gibt einen Unterschied zwischen der Stichprobenvorhersage und der wahren Populationsvorhersage. Die wahre Populationsregressionsgleichung kann für die Facetten nicht schlechter sein als für die Skalen. Die Facettenebenenvorhersage könnte die Skalenvorhersage lediglich durch einen geeigneten Satz von Regressionskoeffizienten widerspiegeln (dh eine Form, bei der Facetten innerhalb einer Skala in gewissem Sinne gleich sind, was sich zum Skaleneffekt summiert).
Ich halte es auch für selbstverständlich, dass die Bevölkerungsvorhersage mit Facetten zumindest etwas besser wäre. Es scheint nicht plausibel, dass das Muster der Regressionskoeffizienten, das zur Replikation der Skalenvorhersage erforderlich ist, notwendigerweise genau mit dem besten Populationsvorhersagemodell übereinstimmen würde. Allerdings bleibt die Frage, wie groß der Anstieg ist und wie groß der Anstieg der Vorhersage im Verhältnis zu der durch die Waage erreichten Vorhersage ist.
Methodische Herausforderungen: Es gibt auch mehrere Probleme bei der Schätzung der Größe der inkrementellen Vorhersage von Facetten relativ zu Skalen. Das Hinzufügen eines zusätzlichen Prädiktors erhöht die erklärte Stichprobenvarianz, selbst wenn der Prädiktor eine inkrementelle Vorhersage in der Grundgesamtheit kennt. Somit wären Verfahren, die Stichproben-r-Quadrat von Skalen mit Facetten-Vorhersagemodellen vergleichen, verzerrt. Modelle, die ein datengesteuertes Variablenauswahlverfahren wie die schrittweise Regression verwenden, um eine optimale Teilmenge von Prädiktoren auszuwählen, wären ebenfalls verzerrt. Die Größe dieser Verzerrung wäre bei kleineren Stichproben am größten.
Daher interessiere ich mich besonders für Studien, die diese methodischen Herausforderungen berücksichtigt haben. Beispielsweise könnte eine gute Studie (a) eine große Stichprobe von über 1000 Teilnehmern haben, um robuste Ergebnisse zu generieren, und (b) ein statistisch valides Verfahren zum Schätzen des r-Quadrats der Population für Facetten- und Skalenprädiktormodelle (eine Möglichkeit wäre um das Modell in der Hälfte der Stichprobe zu schätzen und in der anderen Hälfte zu bewerten, obwohl viele andere Kreuzvalidierungsverfahren möglich sind).
Daher meine Fragen :
Es wurden mehrere Studien durchgeführt, in denen Facetten- und Faktorvorhersage verglichen wurden (z. B. Paunonen und Ashton, 2001; Mershon und Gorsuch, 1988; Ashton et al., 1995; Dudley et al., 2006; Ekehammar & Akrami, 2007).
Viele dieser Studien haben eine erhebliche inkrementelle Vorhersage von Facetten über Faktoren gefunden. Es gibt jedoch mehrere potenzielle methodische Probleme, die möglicherweise auftreten können: (a) Überwindung voreingenommener Schätzungen des R-Quadrats, insbesondere beim Vergleich von Analysen mit Facetten gegenüber Faktoren, bei denen mehr Prädiktoren die Voreingenommenheit erhöhen; (b) Überwindung von Problemen mit Mehrfachvergleichen, wenn es viele Facetten gibt, die mit Faktoren verglichen werden können; (c) einige Studien haben nur kleine Stichprobenumfänge.
Nach statistischer Definition ist das r-Quadrat der Population für ein Faktormodell kleiner oder gleich dem r-Quadrat der Population für ein Facettenmodell, bei dem Faktoren als lineare Funktion der Facetten definiert sind. Trotzdem habe ich noch keine systematischen Studien gelesen, die eine unvoreingenommene Schätzung des Populations-r-Quadrats in Faktoren versus Facetten geliefert haben. Nachdem ich alle oben genannten Artikel gelesen habe, wäre meine Hypothese, dass ich einen Anstieg des r-Quadrats von etwa 5 bis 20 Prozent erwarten würde, aber das ist nur eine ungefähre Vorstellung.