Einige Konstrukte in der Psychologie werden manchmal ipsativ konzeptualisiert. Dh wo die Summe der Skalen eine Konstante ergibt (zB persönliche Werte; Bewältigungsstile). Ziel solcher Maßnahmen ist es oft, die relative Position auf solchen Skalen darzustellen. In einigen Fällen werden solche Skalen durch ihr Antwortformat erstellt (z. B. antworten Teilnehmer auf Fragen, die eine Art Rangordnung von Konstrukten erfordern). Es ist aber auch möglich, Tests mit normativen Items (z. B. je 20 Items auf einer Skala von 1 bis 5, Messung von 4 Konstrukten) ipsativ zu bewerten.
Ich bin jedoch kürzlich in Verwirrung darüber geraten, wie genau solche ipsatisierten Werte berechnet werden sollten. Ich kann mir ein paar verschiedene Möglichkeiten vorstellen (z. B. Subtrahieren des Mittelwerts über alle Items von jedem Item; Dividieren der Skalenwerte durch die Summe der Skalenwerte; Speichern von Residuen, wenn der Maßstab durch den Gesamtwert vorhergesagt wird usw.). Ich kann mir vorstellen, dass viele dieser Ansätze ähnliche Variablen ergeben. Wenn Sie jedoch eine Arbeit mit ipsatisierten Partituren schreiben müssen, müssen Sie Ihren speziellen Ansatz begründen.
Gibt es eine Standardmethode zur Durchführung der Ipsatisierung auf Skalen, die aus normativen Likert-Elementen bestehen?
Baron (1996) schreibt:
Scores auf einem Multiskalenmaß sind ipsativ, wenn sich die Rohskalenscores für eine beliebige Person zu einer Konstanten summieren. Eine ipsative Punktzahl kann als das normative Äquivalent betrachtet werden, das für die Gesamtpunktzahl über Skalen hinweg kontrolliert wird.
Meade (2004) beschreibt die vielleicht häufigste Form der Ipsatisierung auf der Grundlage normativer Werte als "abweichendes Ipsativ" (Radcliffe, 1963):
normative Daten (z. B. Likert-Skalen) können ipsativ gemacht werden, indem einfach der Gesamtmittelwert der Skalenwerte jeder Person (gemittelt über alle Skalen) von jedem ihrer individuellen Skalenwerte subtrahiert wird (d. h. ipsatisierte Daten, Cattell, 1944; additive ipsative Daten (AID), Chan & Bentler, 1993);
Aber es scheint, dass es eine Reihe anderer Möglichkeiten gibt, ipsative Partituren zu erstellen (dh die die formalen Anforderungen erfüllen).
Ich habe einige Persönlichkeitsdaten schnell verglichen und es schien, als hätten die Restregression und der Abweichungsansatz sehr ähnliche Ergebnisse erzielt (siehe R-Code am Ende des Beitrags. Daher ist es sinnvoll, dass häufig der einfacher zu berechnende Abweichungsansatz angewendet wird.
> # load some personality data
> library(psych)
> data(bfi)
> scales <- c("a1", "a2", "a3")
> names(bfi) <- tolower(names(bfi))
> bfi <- bfi[,scales]
> bfi <- na.omit(bfi)
> head(bfi)
a1 a2 a3
61617 2 4 3
61618 2 4 5
61620 5 4 5
61621 4 4 6
61622 2 3 3
61623 6 6 5
> # calculate overall mean
> bfi$omean <- apply(bfi[,scales], 1, mean)
> # calculate ipsative scores based regression residuals
> bfi$res_a1 <- resid(lm(a1 ~ omean, bfi))
> bfi$res_a2 <- resid(lm(a2 ~ omean, bfi))
> bfi$res_a3 <- resid(lm(a3 ~ omean,bfi))
> # calculate devaiation ipsative scores
> bfi$dev_a1 <- bfi$a1 - bfi$omean
> bfi$dev_a2 <- bfi$a2 - bfi$omean
> bfi$dev_a3 <- bfi$a3 - bfi$omean
> # check that both satisfy ipsatisation requirement
> all(round(apply(bfi[,paste0("res_", scales)], 1, sum), 6) == 0)
[1] TRUE
> all(round(apply(bfi[,paste0("dev_", scales)], 1, sum), 6) == 0)
[1] TRUE
> # Examine similarities between approaches (see diagonal)
> round(cor(bfi[paste0("res_", scales)], bfi[paste0("dev_", scales)]), 3)
dev_a1 dev_a2 dev_a3
res_a1 0.981 -0.729 -0.711
res_a2 -0.716 0.999 0.065
res_a3 -0.718 0.067 0.971