Con base en las cargas factoriales (en el análisis factorial), ¿podemos dar pesos desiguales a los elementos de la escala Likert?

Después de recopilar datos, calculamos el puntaje de cualquier escala Likert (sumativa) (previamente identificada como factor en el análisis factorial) sumando sus puntajes de ítems individuales (y quizás dividiendo la suma por el número de ítems para obtener el puntaje promedio). En ese cálculo, suponemos que cada elemento de la báscula tiene el mismo peso. Sin embargo, sabemos por el análisis factorial que algunos de los ítems tenían mayores cargas de factores que los otros que comprenden esa escala. De este modo están explicando más de la varianza. Al usar esas cargas factoriales, ¿es posible dar pesos desiguales a los artículos? Por ejemplo, en una escala de 6 ítems, quizás el ítem 4 sea más efectivo en esa escala que otros ítems.

O, para reafirmar mi pregunta: aunque los elementos de una escala Likert (construcción) no tienen cargas de factores iguales (explicando la varianza de ese factor) ¿por qué los investigadores generalmente usan escalas Likert con elementos igualmente ponderados?

Sí, es posible suministrar cada artículo con su propio peso. Sin embargo, este peso no puede ser la carga en sí porque, como recordarán, la carga es un coeficiente de regresión de un factor para predecir un elemento, no al revés. El peso que implica debe ser un coeficiente de regresión de un elemento para predecir un factor. Obtenemos esos pesos cuando calculamos los puntajes de factore; los pesos$\mathbf{B}$ se estiman a partir de la matriz de correlación (o covarianza) entre ítems $\mathbf{R}$ y matriz de cargas $\mathbf{A}$ típicamente de esta manera: $\mathbf{B}= \mathbf{R}^{-1} \mathbf{A}$. (Si los factores se giraron oblicuamente, en esta fórmula , la matriz de estructura de factores debería reemplazar$\mathbf{A}$.) Ver también , donde se consideran métodos gruesos y refinados; método grueso permite utilizar cargas como pesos.

Si es así, ¿por qué los investigadores generalmente usan escalas Likert con elementos igualmente ponderados? En otras palabras, ¿por qué a menudo prefieren solo los pesos binarios 1 o 0 en lugar de los pesos fraccionados calculados anteriormente? Puede haber varias razones. Por mencionar solo tres ... Primero, los pesos anteriores$\mathbf{B}$no son precisos (a menos que usemos el modelo PCA en lugar del modelo de análisis factorial per se ) debido al hecho de que la unicidad de un elemento no se conoce en el nivel de cada caso (encuestado) y, por lo tanto, las puntuaciones calculadas de los factores son solo una aproximación verdadera valores de factores Segundo, pesos calculados$\mathbf{B}$por lo general, varían de una muestra a otra y, con el tiempo, no muestran mucho mejor que simplemente pesos 1 vs 0. Tercero, el modelo de suma ponderadadetrás de una construcción sumativa (Likert) hay una simplificación en principio. Implica que el rasgo que mide la escala depende de todos sus elementos simultáneamente, sea cual sea su pronunciamiento. Pero sabemos que muchos rasgos se comportan de manera diferente. Por ejemplo, cuando un rasgo es débil, puede mostrar solo un subconjunto de síntomas (es decir, ítems), pero aquellos expresados ​​en su totalidad; A medida que el rasgo se fortalece, se unen más síntomas, algunos expresados ​​en parte, otros expresados ​​en su totalidad e incluso reemplazando a esos síntomas "más antiguos". Este crecimiento interno dinámico e impredecible de un rasgo no puede modelarse mediante la combinación lineal ponderada de sus fenómenos. En esta situación, usar pesos fraccionales finos no es de ninguna manera mejor que usar pesos binarios 0-1.