teorie e tecniche dei test B 31-40

In che condizione la sovrapposizione tra cerchi rappresentanti gli item (in un diagramma di Venn) suggerisce l’idoneità all’analisi fattoriale?. Quando ogni item è completamente sovrapposto a tutti gli altri. Quando i cerchi non si sovrappongono affatto. Quando la covarianza è negativa. Quando la varianza condivisa tra item è ampia.

Perché la correlazione è considerata la spina dorsale dell’analisi fattoriale?. Perché consente di eliminare la varianza unica degli item. Perché permette di calcolare il coefficiente di fedeltà. Perché trasforma item qualitativi in quantitativi. Perché indica una possibile origine comune da un costrutto latente.

Qual è la differenza epistemologica fondamentale tra AFE (Analisi Fattoriale Esplorativa) e AFC (Analisi Fattoriale Confermativa)?. AFE verifica modelli teorici, AFC li esplora nei dati. AFE serve per confrontare gruppi, AFC per validare interviste. AFE si usa solo con dati nominali, AFC con dati ordinali. AFE esplora dati senza ipotesi teoriche forti; AFC verifica un modello teorico predefinito.

In che modo il principio di causalità si riflette nella logica dell’analisi fattoriale?. I fattori latenti sono generati dalle variabili osservate. Le variabili osservate sono considerate come effetti di cause latenti. Le osservabili determinano completamente i fattori. Le variabili latenti non influenzano direttamente le osservabili.

Qual è uno dei principali obiettivi dell’analisi fattoriale esplorativa in termini di parsimonia?. Rappresentare la struttura dei dati nel modo più semplice e informativo possibile. Massimizzare il numero di fattori estratti per spiegare la varianza. Eliminare le correlazioni tra le variabili. Utilizzare solo fattori ortogonali.

Perché è importante ridurre il numero di variabili osservate a un numero inferiore di fattori?. Per massimizzare la significatività statistica dei risultati. Per semplificare l’interpretazione dei dati e ridurre la complessità del modello. Per garantire l’indipendenza tra le variabili latenti. Per aumentare la difficoltà dell’analisi statistica.

Che cosa indica il test di Bartlett nella fase preliminare di un’analisi fattoriale?. Se il numero di soggetti è sufficiente. Se i dati presentano distribuzione normale. Se i fattori hanno comunalità elevate. Se la matrice di correlazione differisce significativamente da una matrice identità.

Per quale motivo è importante eseguire l’analisi della matrice di correlazione prima di procedere con l’EFA?. Per escludere la necessità di una rotazione. Per verificare se esistono relazioni significative tra le variabili. Per calcolare il coefficiente alfa di Cronbach. Per identificare outlier univariati.

Quale condizione è essenziale per garantire l’adeguatezza del campione nell’analisi fattoriale?. Una struttura mono-fattoriale presunta. La significatività della correlazione tra tutte le variabili. Un rapporto soggetti/variabili almeno pari a 5:1. La normalità multivariata perfetta.

A cosa serve la distanza di Mahalanobis nell’analisi fattoriale?. A correggere la saturazione dei fattori per item non validi. A identificare pattern di risposta statisticamente anomali a livello multivariato. A calcolare la devianza tra i punteggi fattoriali e gli item osservati. A selezionare i soggetti con maggiore varianza intraindividuale.

Perché è importante analizzare outlier prima di condurre un’analisi fattoriale?. Per ridurre il numero di item da sottoporre ad analisi. Per rendere i dati adatti alla rotazione ortogonale. Per evitare che pochi casi distorti compromettano la matrice di correlazione. Per aumentare la varianza spiegata del primo fattore.

Quale tra le seguenti condizioni rende un item problematico per un’analisi fattoriale?. Distribuzione simmetrica con curtosi zero. Deviazione standard compresa tra 0.8 e 1.2. Distribuzione fortemente polarizzata su un solo punto della scala. Media centrata su valori intermedi della scala.

Quando è opportuno utilizzare la correlazione tetracorica nell’analisi fattoriale?. Quando gli item sono dicotomici e si vuole stimare la relazione tra variabili latenti continue. Quando gli item sono su scala Likert e distribuiti normalmente. Quando le variabili sono tutte continue e simmetriche. Quando si analizza la varianza specifica degli item.

Che cosa indica un valore di MSAi inferiore a .50 per un item?. Che l’item ha una distribuzione normale perfetta. Che l’item presenta eccessiva ridondanza con altri item. Che l’item non è adatto all’analisi fattoriale per scarsa adeguatezza campionaria. Che l’item è altamente correlato con tutti gli altri item.

Quale problema si verifica quando un item presenta effetto pavimento?. La media dell’item è troppo alta e sovrastima la comunalità. La varianza è molto bassa e la correlazione con altri item è attenuata. L’item diventa automaticamente ridondante. La distribuzione si uniforma e la correlazione aumenta.

Qual è la logica di rotazione dei fattori nell’ambito dell’estrazione?. Ordinare i fattori in base alla varianza spiegata. Eliminare i fattori meno significativi. Ottenere una soluzione con il minimo numero di item. Semplificare la struttura per facilitare l’interpretazione.

Qual è la differenza principale tra PCA (analisi delle componenti principali) e PFA (analisi fattoriale per assi principali) secondo il testo?. PCA si basa su ipotesi teoriche, PFA è puramente statistico. PCA considera tutta la varianza, PFA solo quella comune. PFA si usa per dati dicotomici, PCA per dati continui. PFA considera la varianza specifica, PCA la ignora.

In cosa consiste la logica dell’estrazione dei fattori principali (PFA)?. Spiegare la varianza condivisa, scartando la specifica e l’errore. Individuare le variabili più rappresentative per ciascun fattore. Ridurre i fattori a un unico fattore generale. Spiegare tutta la varianza, inclusa quella specifica.

Per quale motivo la somma degli autovalori è maggiore nella structure matrix rispetto alla pattern matrix in una rotazione obliqua?. Perché la rotazione obliqua forza una sovrapposizione tra i fattori. Perché nella pattern matrix gli autovalori non sono calcolabili. Perché include anche le componenti indirette dovute alla correlazione tra fattori. Perché la structure matrix somma anche le comunalità residue.

In un'analisi fattoriale con rotazione obliqua, quale affermazione descrive correttamente la differenza tra la pattern matrix e la structure matrix?. La pattern matrix mostra le saturazioni dirette, mentre la structure matrix include anche le correlazioni tra i fattori. La pattern matrix serve per rotazioni ortogonali, la structure matrix per rotazioni oblique. La pattern matrix mostra solo le saturazioni principali, la structure matrix mostra le saturazioni minori. La pattern matrix si usa solo con la PCA, la structure matrix con la PAF.

Qual è il vantaggio principale dell'uso di una rotazione obliqua rispetto a una ortogonale?. Genera una struttura sempre interpretabile senza necessità di rimozione di item. È utile solo quando si hanno più di tre fattori estratti. Permette di modellare costrutti psicologici intercorrelati, riflettendo strutture più realistiche. Produce risultati indipendenti dalla teoria sottostante.

Cosa indica l’indice di complessità fattoriale di Hoffman in un’analisi fattoriale?. Indica in quanti fattori ciascun item mostra saturazioni rilevanti. Valuta la precisione delle saturazioni nel modello obliquo. Misura l’adeguatezza della matrice di correlazione. Serve per confrontare la varianza spiegata tra modelli ortogonali e obliqui.

Quale tra le seguenti affermazioni descrive correttamente il significato della rotazione procrustea in CFA (Analisi Fattoriale Confermativa)?. Consente di confrontare una matrice empirica con una teorica imponendo una sovrapposizione. Serve per determinare il numero ottimale di fattori da estrarre. Ottimizza direttamente la bontà dell’adattamento del modello CFA. Stima nuove saturazioni fattoriali vincolate ai dati osservati.

In un modello bifattoriale, ogni item: Satura esclusivamente su un fattore specifico. Satura su due fattori generali distinti. È vincolato a non saturare su nessun fattore generale. Satura su un fattore generale e su uno specifico.

Cosa indica un valore CFI superiore a .95 nella CFA (Analisi Fattoriale Confermativa)?. La necessità di modificare la struttura del modello. Un buon adattamento del modello ai dati. Un’elevata correlazione tra item osservati. La presenza di fattori di secondo ordine.

Quale tra i seguenti indici di bontà di adattamento è più sensibile alla numerosità campionaria?. Il test chi-quadro (χ²). L'RMSEA (Root Mean Square Error of Approximation). Lo SRMR (Standardized Root Mean Residual). Il CFI (Comparative Fit Index).

Quali sono le principali differenze tra l’uso della rotazione dei fattori nell’EFA (Analisi Fattoriale Esplorativa) e l’approccio strutturato della CFA (Analisi Fattoriale Confermativa)?. La CFA impone rotazioni oblique per rispettare le ipotesi teoriche sui fattori. Nell’EFA i fattori si ricavano dai dati e si utilizzano rotazioni (es. PROMAX), nella CFA la struttura è ipotizzata a priori e non si ruotano i fattori. La CFA usa la rotazione ortogonale per mantenere l'indipendenza tra i fattori. Entrambe richiedono rotazione per interpretare i fattori in modo coerente.

Qual è la funzione della Parallel Analysis nella fase esplorativa dell’analisi fattoriale?. Valutare la significatività della matrice di correlazione. Determinare la dimensionalità ottimale usando la varianza spiegata. Misurare la coerenza interna dei fattori estratti. Confrontare gli autovalori osservati con quelli ottenuti da dati casuali simulati.

Qual è l’ipotesi teorica alla base dello scaling centrato sugli stimoli secondo Thurstone?. Ogni stimolo ha un valore latente normalmente distribuito nella popolazione. Il valore di uno stimolo dipende esclusivamente dalla sua intensità emotiva. Gli stimoli vengono misurati in base alla frequenza con cui sono presentati. Ogni persona percepisce gli stimoli con la stessa soglia di gravità.

Perché il metodo dei confronti a coppie può diventare problematico con un numero elevato di stimoli?. Non è possibile rappresentare graficamente più di 20 stimoli su una scala. Il numero di confronti cresce in modo combinatorio, richiedendo troppo tempo e attenzione. I partecipanti tendono sempre a scegliere la prima opzione presentata. Il metodo non può essere applicato a stimoli verbali o visivi.

In che modo il NASA-TLX rappresenta un’evoluzione del metodo dei confronti a coppie?. È basato su una metrica oggettiva esterna e non soggettiva. Combina valutazioni soggettive dirette e confronti a coppie per stimare il carico mentale. Permette di evitare completamente i confronti tra stimoli. Utilizza esclusivamente confronti a coppie tra compiti fisici.