Wann ist es vertretbar, manifeste statt latente Variablen in der psychologischen Forschung zu verwenden?

Experimentelle Psychologen scheinen ziemlich glücklich damit zu sein, mit Ad-hoc -Selbstberichtsskalen für einzelne Elemente , physiologischen Messungen usw. mit sehr wenig psychometrischer Bewertung zu arbeiten. Bevor Sie also über einen vollwertigen Modellierungsansatz für latente Variablen, eine konfirmatorische Faktorenanalyse und dergleichen sprechen, möchten Sie dies vielleicht tun Ich frage mich, warum sie allgemein relativ unbekümmert um Messfragen erscheinen und warum es immer noch eine so große Kluft zwischen experimenteller Psychologie und Psychometrie gibt.

Einige mögliche Erklärungen (einige von ihnen sind keine sehr überzeugenden Rechtfertigungen dafür, keine Modellierung latenter Variablen durchzuführen, erklären aber dennoch, warum Menschen damit zufrieden sind, manifeste Variablen zu verwenden):

• Experimentalist kann (relativ) starke Effekte erzeugen. Wenn Sie ein Experiment durchführen, bei dem Sie versuchen, Ekel zu erzeugen, indem Sie Menschen Bilder von ekelhaften Dingen zeigen, und Ihre Bilder keine messbare Wirkung zu erzielen scheinen, können Sie versuchen, Ihre Messung zu verbessern, aber Sie können auch einfach noch ekelhaftere Bilder verwenden oder fügen Sie Ihrem Experiment einige zusätzliche Versuche hinzu. Auf der anderen Seite, wenn Sie einen Persönlichkeitstest für Rekrutierungszwecke erstellen, können Sie sich nicht nur wünschen, dass sich die Kandidaten voneinander unterscheiden, um Ihre Aufgabe zu erleichtern, oder sich damit zufrieden geben, den Durchschnitt aller Kandidaten zu schätzen, das müssen Sie wirklich Weisen Sie jedem Kandidaten eine Punktzahl mit einer Genauigkeit zu, die es Ihnen ermöglicht, zwischen ihnen zu unterscheiden.
• Sie verlassen sich auf die Art der Manipulation und ihre Auswirkungen auf die Reaktion und nicht hauptsächlich auf die Korrelation zwischen verschiedenen Skalen, um ihre Ergebnisse zu interpretieren.
• Sie interessieren sich oft für Gruppenunterschiede. (Interindividuelle Unterschiede stellen oft artikelbezogene Fehler in den Schatten, also warum sollte man sich überhaupt darum kümmern? Fügen Sie einfach ein paar Teilnehmer hinzu!)
• Sie strukturieren ihre Experimente immer noch als Test einer „Null“-Hypothese (gibt es eine Wirkung oder nicht?)
• Sie interessieren sich nicht sehr für Effektgrößen als solche, eine Folge des vorherigen Punktes (wenn sie ein Effektgrößenmaß berechnen, dann meistens mit Blick auf die statistische Aussagekraft).

Kurz gesagt, wenn ein statistisch signifikanter Unterschied als interessantes Ergebnis angesehen wird (dh Ihre Manipulation hatte eine Wirkung), müssen Sie sich keine allzu großen Sorgen um die Zuverlässigkeit oder Bedeutung der Antwort machen.

Interessanterweise scheinen Sie sich der Frage aus einem Lager zu nähern, indem Sie davon ausgehen, dass die Modellierung latenter Variablen eindeutig nützlich ist und sich die Menschen aktiv wehren müssen, wenn sie nicht das Offensichtliche Richtige tun. Sie könnten die Frage auch umdrehen und fragen: „Ist die Modellierung latenter Variablen so nützlich? Was kauft es uns?“ In dem Kontext, den ich gerade hervorgehoben habe, ist es möglicherweise nicht so einfach, eine überzeugende Antwort zu formulieren.

Und natürlich kümmern sich viele Menschen in der Praxis nur so wenig wie möglich um Methoden, um ihren Geschäften nachzugehen, veröffentlicht zu werden und die Dinge zu tun, die sie für wirklich interessant halten. Folglich hören viele Forscher nach Abschluss ihres Masters nicht viel über Latent-Variablen-Modellierung und kümmern sich nicht einmal darum, weil es in ihren Disziplinen einfach nicht üblich ist.

Es ist eine interessante Frage. Hier sind ein paar Gedanken, die mir in den Sinn gekommen sind, warum sich Forscher auf beobachtete Variablen konzentrieren könnten.

• Viele Forscher berichten über Zuverlässigkeit und beobachtete Beziehungen zwischen Variablen. Durch Annehmen einiger Annahmen kann der Leser abschätzen, wie die latenten Beziehungen aussehen würden (siehe zum Beispiel die Formel zur Korrektur der Dämpfung ).

• Einige Forscher interpretieren ihre Effektstärken relativ zu anderen Studien, die beobachtete Variablen berichtet haben . Daher werden Effektstärken nicht absolut interpretiert. In Bereichen, in denen Effektgrößen typischerweise unter Verwendung von beobachteten Variablen berichtet werden, kann dieser Bezugsrahmen am sinnvollsten sein. Allerdings wird dies problematisch, wenn die Zuverlässigkeit zwischen den Studien variiert. In diesen Fällen führen metaanalytische Unzuverlässigkeitskorrekturen im Stil von Hunter und Schmidt im Allgemeinen zu besser vergleichbaren Ergebnissen.

• Das Modellieren von beobachteten Variablen erfordert weniger Modellwahlmöglichkeiten als das Modellieren von latenten Variablen. Insbesondere sind Schätzungen von Beziehungen zwischen latenten Variablen abhängig von den Annahmen zur Schätzung latenter Variablen. Wenn Sie als Leser mit diesen Annahmen nicht einverstanden sind, kann es schwierig sein, die Beziehungen zwischen den beobachteten Variablen wiederherzustellen.

• Die Modellierung beobachteter Variablen ist einfacher als die Modellierung latenter Variablen. Dies hilft zu erklären, warum viele Forscher in der Psychologie eher Korrelationsmatrizen und Regressionen als Äquivalente latenter Variablen angeben. Die Dinge können jedoch viel komplexer werden, wenn Sie aus den standardmäßigen multivariaten normalen SEM-Kontexten heraustreten: z. B. Einbeziehung kategorialer Variablen, Moderatoreffekte, latente Variablen, die schlecht definiert sind, nichtlineare Effekte, nichtnormale Fehlervarianz, korrelierte Fehlervarianz , usw. Es ist verständlich, dass einige Sozialwissenschaftler auf das vertrautere Gebiet der stückweisen Modellierung beobachteter Variablen zurückgreifen. Obwohl dies eine Erklärung ist, sollten Forscher dennoch danach streben, Daten auf integriertere und realistischere Weise zu modellieren.

• Letztlich entscheidet der Forscher, ob er Rückschlüsse auf Zusammenhänge zwischen beobachteten oder latenten Variablen ziehen möchte . Während einige Kontexte darauf hindeuten, dass der Forscher an dem zugrunde liegenden Konstrukt interessiert sein sollte, bleibt es immer noch dem Forscher überlassen, zu entscheiden.

• Beziehungen zwischen beobachteten Variablen sind manchmal in erster Linie von Interesse . Einige Beispiele: (a) experimentelle Bedingungen; (b) wenn Forscher an angewandter Vorhersage interessiert sind; (c) wenn Forscher an der beobachteten Variablen selbst interessiert sind.

• Ob Forscher latente Variablen modellieren, scheint mit der Domäne zusammenzuhängen . Insbesondere scheint die Modellierung latenter Variablen in Bereichen mit großen Stichproben, Beobachtungsdesigns, die Selbstberichte oder psychologische Multiple-Choice-Skalen verwenden, besonders beliebt zu sein. In solchen Kontexten erscheint die Annahme, dass die beobachteten Variablen zufällige Stichproben möglicher beobachteter Variablen sind und eine Manifestation einer latenten Variablen darstellen, oft angemessener. Es ist leicht vorstellbar, welche alternativen Gegenstände hätten gesammelt werden können und wie die Zuverlässigkeit verbessert werden könnte, wenn mehr Gegenstände aufgenommen worden wären. Es ist interessant, darüber nachzudenken, warum dies der Fall ist und ob es Bereiche gibt, die von einer stärkeren Einbeziehung der Modellierung latenter Variablen profitieren würden.

• Oft ist die interessierende latente Variable nicht die Variable, die durch die Wechselbeziehung zwischen beobachteten Variablen impliziert wird . Beispielsweise ist der latente Faktor, der einer Reihe von Extraversionselementen nach Selbstangaben zugrunde liegt, keine echte Extraversion. Ich kann mir eine echte Extraversion vorstellen, die berechnet werden könnte, wenn es möglich wäre, alles zu integrieren, was über das Verhalten einer Person, ihre Gedanken, ihre Physiologie und ihre Umweltgesetzmäßigkeiten bekannt sein könnte. Der Faktor, der den Interkorrelationen von Selbstberichtselementen zugrunde liegt, wäre jedoch nicht dieser Faktor. Obwohl es sinnvoll ist, Beziehungen zu schätzen, wenn eine perfekte Zuverlässigkeit erreicht worden wäre, sollte uns dies nicht davon entbinden, die tatsächlich interessierende latente Variable zu schätzen.

• Die Korrektur von Messfehlern sollte Forscher nicht davon abhalten, zu versuchen, die Zuverlässigkeit und Gültigkeit der Messung zu erhöhen. Das Korrigieren von Unzuverlässigkeiten ist nicht so gut, wie von vornherein zuverlässig zu messen.

Die Bedeutung latenter Variablen hat den unglücklichen Nachteil, dass sie sich zwischen Stichproben ändert, da sie an die beobachtete Korrelationsmatrix angepasst sind (wahrscheinlich nur die Bedeutung zittern, sich aber definitiv von Stichprobe zu Stichprobe ändern).

Damit würde ich argumentieren, dass es am besten ist, manifeste Variablen zu verwenden, wenn Sie eine Standardskala verwenden, mit der Sie Ihre Ergebnisse mit anderen vergleichen möchten, die diese Standardskala verwenden.

Der andere Grund für die Verwendung von Manifest-Variablen ist, wenn es etablierte Schnittpunkte gibt, die Sie verwenden möchten.

Ich würde eine latente Variable für alles selbst Gebraute oder für jedes Konstrukt verwenden, auf dem ich mehrere Skalen/andere Indikatoren gesammelt habe.