Lo que sugirió @rolando parece un buen comienzo, si no toda la respuesta (IMO). Permítanme continuar con el enfoque correlacional, siguiendo el marco de la teoría clásica de pruebas (CTT). Aquí, como señaló @Jeromy, una medida de resumen para su grupo de características podría considerarse como la puntuación total (o suma) de todos los elementos (una característica, en sus palabras) que pertenecen a lo que ahora denominaré como una escala. Bajo CTT, esto nos permite formalizar la propensión o responsabilidad de "rasgos" individuales como la ubicación de uno en una escala continua que refleja una construcción subyacente (un rasgo latente), aunque aquí es simplemente una escala ordinal (pero este es otro debate en la literatura de psicometría) .
Lo que describió tiene que ver con lo que se conoce como validez convergente (en qué medida los elementos que pertenecen a la misma escala se correlacionan entre sí) y discriminante (los elementos que pertenecen a diferentes escalas no deben correlacionarse en gran medida) en psicometría. Las técnicas clásicas incluyen análisis de múltiples métodos y múltiples rasgos (MTMM) (Campbell y Fiske, 1959). A continuación se muestra una ilustración de cómo funciona (tres métodos o instrumentos, tres construcciones o rasgos):
> 0.7< .3
Incluso si este método se desarrolló inicialmente para evaluar la validez convergente y discriminante de un cierto número de rasgos según lo estudiado por diferentes instrumentos de medición, puede aplicarse para un solo instrumento multiescala. Los rasgos se convierten en los elementos, y los métodos son solo las diferentes escalas. Una generalización de este método a un solo instrumento también se conoce como escalamiento multitrait . Los elementos que se correlacionan como se esperaba (es decir, con su propia escala en lugar de una escala diferente) se cuentan como éxito de escala. Sin embargo, generalmente suponemos que las diferentes escalas no están correlacionadas, es decir, están dirigidas a diferentes construcciones hipotéticas. Pero promediar las correlaciones internas y entre escalas proporciona una forma rápida de resumir la estructura interna de su instrumento. Otra forma conveniente de hacerlo es aplicar un análisis de conglomerados en la matriz de correlaciones por pares y ver cómo sus variables se mantienen juntas.
Es de destacar que, en ambos casos, se aplican las advertencias habituales de trabajar con medidas de correlación, es decir, no se puede tener en cuenta el error de medición, se necesita una muestra grande, se supone que los instrumentos o las pruebas son "paralelos" (equivalencia tau, errores no correlacionados, varianzas de error iguales).
La segunda parte abordada por @rolando también es interesante: si no hay una indicación teórica o sustantiva de que la agrupación de elementos ya establecida tiene sentido, entonces deberá encontrar una manera de resaltar la estructura de sus datos con, por ejemplo, análisis factorial exploratorio . Pero incluso si confía en esas "características dentro de un grupo", puede verificar que esta es una suposición válida. Ahora, puede estar utilizando el modelo de análisis factorial confirmatorio para verificar que el patrón de carga de ítems (correlación de un ítem con su propia escala) se comporte como se esperaba.
En lugar de los métodos analíticos de factores tradicionales, también puede echar un vistazo a la agrupación de elementos (Revelle, 1979) que se basa en una regla dividida basada en alfa de Cronbach para agrupar elementos en escalas homogéneas.
Una última palabra: si está utilizando R, hay dos paquetes muy agradables que facilitarán los pasos mencionados anteriormente:
- psych , le proporciona todo lo necesario para empezar a utilizar métodos psicométricas, incluyendo el análisis de los factores (
fa
, fa.parallel
, principal
), artículos de agrupamiento ( ICLUST
y métodos relacionados), alfa de Cronbach ( alpha
); hay una buena visión general disponible en la página web de William Revelle, en especial Una introducción a la teoría psicométrica con aplicaciones en R .
- psy , también incluye visualización de gráficos (a través de conjuntos de datos simulados PCA +) (
scree.plot
) y MTMM ( mtmm
).
Referencias
- Campbell, DT y Fiske, DW (1959). Validación convergente y discriminante por la matriz multitrait-multimethod. Boletín psicológico , 56: 81-105.
- Hays, RD y Fayers, P. (2005). Evaluación de escalas de múltiples artículos. En Evaluación de la calidad de vida en ensayos clínicos , (Fayers, P. y Hays, R., Eds.), Págs. 41-53. Oxford
- Revelle, W. (1979). Análisis jerárquico de conglomerados y la estructura interna de las pruebas. Investigación conductual multivariante , 14: 57-74.
vegan
con funcionesanosim
o, preferiblemente,adonis
(MANOVA permutacional).