Teorie e tecniche dei test l-z 25-29

La verifica empirica della dimensionalità di un test ha come obiettivo. nessuna delle alternative. verificare che la lunghezza del test sia adeguata ai tempi previsti per la somministrazione. verificare che la dimensione dell'attendibilità del test rispetti criteri prestabiliti. Verificare che gli item del test facciano riferimento a una singola caratteristica psicologica latente.

Con Analisi Fattoriale si intende un insieme di tecniche statistiche che mirano a individuare. il numero massimo di dimensioni latenti che spieghino i pattern di correlazione tra i punteggi negli item. il punteggio massimo possibile che si può ottenere nei fattori di un test. il numero massimo di fattori che misurano la validità di un test. un numero minimo di dimensioni latenti che spieghino i pattern di relazione tra i punteggi agli item.

La presenza di correlazioni molto simili tra tutti gli item di un test suggerisce la presenza di. unidimensionilità dell'insieme di item. non unidimensionalità dell'insieme di item. parsimonia dell'insieme di item. normalità dell'insieme di item.

L'unidimensionalità degli item di un test può essere ipotizzata quando nella matrice di correlazione tra gli item. le correlazioni tra gli item sono tutte molto deboli. le correlazioni tra gli item sono tutte molto simili tra loro. Le correlazioni tra un alcuni item sono più elevate rispetto alle altre. le correlazioni tra gli item sono tutte molto diverse tra loro.

Individuare quante dimensioni sono necessarie per riassumere adeguatamente le relazioni tra le variabili è lo scopo. dell'analisi dell'attendibilità. dell'analisi fattoriale. dell'analisi della normalità multivariata. dell'analisi preliminare degli item.

Lo scopo dell'analisi fattoriale esplorativa è. nessuna delle alternative. spiegare la varianza condivisa tra i fattori latenti in base a un numero ristretto di item. spiegare la varianza non condivisa tra gli item in base a un ristretto numero di dimensioni latenti. spiegare la varianza condivisa tra gli item in base a un numero ristretto di dimensioni latenti.

La distinzione della varianza in varianza comune e varianza unica è presente. entrambe le alternative. nell'analisi delle componenti principali. nessuna delle alternative. nell'analisi fattoriale esplorativa.

La proporzione di varianza che l'item condivide con gli altri item è detta. varianza unica. varianza campionaria. varianza d'errore. Varianza comune.

Nell'analisi delle componenti principali. la varianza deve assumere valori piccoli. viene distinta la varianza comune dalla varianza unica. la varianza non può essere spiegata. non viene distinta la varianza comune dalla varianza unica.

principi alla base dell'AFE sono. Causazione, Partizione, Struttura complessa. Complessità, Attendibilità, Validità. Casualità, Parsimonia, Struttura semplice. Casuazione, Parsimonia, Struttura semplice.

Causazione, Parsimonia, Struttura semplice sono i principi alla base. del modello di Rasch. della Teoria Classica dei Test. della validità di costrutto. dell'analisi fattoriale.

Secondo il principio di causazione. i punteggi agli item sono causati dall'errore di misura. i fattori latenti sono la causa dei punteggi osservati negli item. gli item sono la causa dei punteggi osservati nei fattori latenti. nessuna delle alternative.

L'analisi fattoriale è adeguata. nessuna delle alternative. per modelli a indicatori formativi. entrambe le alternative. per modelli a indicatori riflessivi.

L'analisi delle componenti principali è adeguata. nessuna delle alternative. per i modelli a indicatori formativi. per i modelli a indicatori riflessivi. entrambe le alternative.

Il principio che stabilisce che "tra due soluzioni che spieghino approssimativamente la stessa quota di varianza comune tra gli item, è da preferire quella con il minor numero di fattori" è detto. principio di selezione dei fattori. principio di fattorializzabilità. principio di parsimonia. principio di dimensionalità.

In una analisi fattoriale, la soluzione A spiega il 70% della varianza estraendo 3 fattori, la soluzione B spiega il 78% di varianza estraendo 5 fattori. In base al principio di parsimonia: si dovrà eseguire una nuova analisi per estrarre più fattori. si dovrà scegliere la soluzione A. si dovrà eseguire una nuova analisi per spiegare il 100% della varianza. si dovrà scegliere la soluzione B.

Il principio di causazione stabilisce che. il pattern delle correlazioni tra le variabili osservate è dovuto all'errore di misura. il pattern di correlazioni tra le variabili latenti è dovuto all'effetto causale di variabili osservate. il pattern di correlazione fra le variabili osservate è dovuto all’effetto causale di variabili variabili latenti. il pattern delle risposte al test è dovuto all'errore casuale.

In un modello di misura a indicatori riflessivi, la comunalità è. la quota di variabilità totale spiegata dai fattori estratti. la quota di variabilità del fattore spiegata dall'insieme di item. nessuna delle alternative. la quota di variabilità del punteggio all'item spiegata dall'insieme dei fattori.

La quota di variabilità del punteggio agli item spiegata dall'insieme dei fattori è. la varianza comun. l'autovalore. la comunalità. il fit del modello.

Il principio della struttura semplice prevede che la matrice delle saturazioni dovrebbe presentare. una sola saturazione sostanziale per ogni colonna e tutte le altre più basse rispetto alla saturazione principale. una sola saturazione sostanziale su ogni riga e tutte le altre più basse possibile rispetto alla saturazione principale. almeno 3 saturazioni statisticamente significative per ogni riga e tutte le altre più basse rispetto alle saturazioni principali. almeno 3 saturazioni sostanziali su ogni riga e tutte le altre più basse rispetto alle saturazioni principali.

In una matrice di saturazione sono rappresentatati. in colonna le variabili osservate e in riga i fattori. le correlazioni tra i fattori estratti. le correlazioni tra tutti gli item del questionario. in colonna i fattori e in riga le variabili osservate (item).

Il numero di fattori con cui un item ha una saturazione sostanziale è detta. comunalità. autovalore. principio di causazione. complessità fattoriale.

In una Analisi Fattoriale Esplorativa su indicatori riflessivi, elevando al quadrato la saturazione dell'item sul fattore si ottiene. il peso che ha l'item nel determinare il punteggio nel fattore. la comunalità. l'autovalore. la quota di variabilità del punteggio all'item che è spiegata dal fattore.

In una Analisi delle Componenti Principali su indicatori formativi, elevando al quadrato la saturazione dell'item sul fattore si ottiene. la comunalità. il peso che ha l'item nel determinare il punteggio nel fattore. l'autovalore. la quota di variabilità del punteggio all'item che è spiegata dal fattore.

Le saturazioni in cui il fattore è in grado di spiegare almeno il 10% della variabilità dell'item sono dette. statisticamente significative. parsimoniose. esaustive. sostanziali.

La somma delle saturazioni al quadrato che un item ha con ogni fattore è. il fit del modello. la dimensionalità. l'autovalore. la comunalità.

Affinché una soluzione fattoriale sia adeguata, ogni fattore estratto deve essere saturato. da almeno 1 item. da almeno 3 item. da almeno 2 item. tutte le alternative.

Nell'Analisi Fattoriale Esplorativa, la quota di variabilità del punteggio all'item non spiegata dai fattori è. la dimensionalità. l'autovalore. la comunalità. l'unicità.

In una Analisi Fattoriale Esplorativa, un valore di comunalità = 1 indica che. i fattori non spiegano niente della variabilità dell'item. è necessario estrarre altri fattori. i fattori spiegano completamente la variabilità dell'item. nessuna delle alternative.

I valori della comunalità. sono sempre inferiori a 1. possono variare tra -1 e +1. sono sempre maggiori di 1. possono variare tra 0 ed 1.

Per condurre l'Analisi Fattoriale si può partire da matrici di correlazione. policoriche. tetracoriche. tutte le alternative. pearsoniane.

La distanza di Mahalanobis è impiegata per. definire le componenti principali nello spazio geometrico. decidere quanti fattori estrarre in una Analisi Fattoriale. identificare gli outlier multivariati. decidere quali sono le saturazioni sostanziali.

Sono definiti outlier multivariati i soggetti che. forniscono risposte false al test. hanno punteggi vicini al punteggio medio del campione. hanno combinazioni di punteggi particolarmente rari rispetto al resto del campione. hanno combinazioni di punteggi corrispondenti a quelle medie del campione.

Per sapere se una matrice è fattorializzabile. si calcolano le comunalità. si effettua la rotazione dei fattori. si calcola la distanza di Mahalanobis. si utlizzano degli indici.

La scelta del tipo di matrice di correlazione dautilizzare in una Analisi Fattoriale dipende. tutte le alternative. dalla Skewness delle variabili. dalla Curtosi delle variabili. dalla scala di misura delle variabili.

Il punto di partenza di una Analisi delle Componenti Principali è. la rotazione dei fattori. la matrice di correlazione. la distanza di Mahalanobis. la matrice delle saturazioni.

La matrice di correlazione. coincide con la matrice delle saturazioni. è il punto di arrivo dell'Analisi Fattoriale. non può essere utilizzata nell'Analisi delle Componenti Principali. è il punto di partenza dell'analisi fattoriale.

Quando il test è formato da item tutti dicotomici. si utilizza la matrice di correlazione di Pearson per condurre l'analisi fattoriale. nessuna delle alternative. si utilizza la matrice tetracorica per condurre l'analisi fattoriale. non può essere sottoposto ad analisi fattoriale.

Gli outlier multivariati possono essere identificati attraverso. il coefficiente di correlazione di Pearson. la distanza di Pearson. la Skewness. la distanza di Mahalnobis.

Di solito sono considerati outlier i soggetti che. Scelgono sempre la stessa alternativa negli item a scelta multipla. Rispondono sempre lo stesso punto della scala Likert. tutte le alternative. Rispondono sempre dalla stessa parte della scala negli item straight e negli item reverse.

Il determinante della matrice di correlazione è utilizzato per valutare. la fattorializzabilità della matrice. l'adeguatezza delle saturazioni fattoriali. la presenza di outlier. il numero di fattori da estrarre.

Si definiscono outlier i casi che. nessuna delle alternative. forniscono risposte false al test. hanno punteggi vicini al punteggio medio del campione. hanno punteggi estremi e/o pattern di risposte incoerenti.

Il pool di item da sottoporre a analisi fattoriale deve essere stato sviluppato in modo da. tutte le alternative. includere variabili che presentino un adeguato livello di correlazione reciproca. Essere espressione di una solida base teorica. Includere variabili che possano essere misurate in modo attendibile, cioè meno influenzabili possibile da fattori distorcenti.

Affinché un modello di analisi fattoriale sia identificato, è necessario che. Il numero di parametri da stimare sia inferiore o uguale al numero di informazioni disponibili. Il numero di informazioni disponibili sia inferiore al numero di parametri da stimare. Il numero di parametri da stimare sia superiore al numero di informazioni disponibili. nessuna delle alternative.

Nell'equazione di specificazione dell'Analisi delle Componenti Principali il termine di errore. è assente. è il primo membro dell'equazione. è correlato alle saturazioni. è insieme al fattore specifico.

Il primo membro dell'equazione di specificazione dell'Analisi delle Componenti Principali è. il punteggio standardizzato all'item. la saturazione fattoriale. l'errore di misurazione. il punteggio nella componente.

Il primo membro dell'equazione di specificazione dell'Analisi Fattoriale Esplorativa è. l'errore di misurazione. il punteggio nella variabile latente. la saturazione fattoriale. il punteggio standardizzato all'item.

Nell'Analisi Fattoriale Esplorativa, i fattori comuni. spiegano solo la parte di varianza che gli item condividono con gli altri. tutte le alternative. sintetizzano la variabilità che ciascun item con divide con gli altri. sono la causa dei punteggi agli item.

l test di sfericità di Bartlet fornisce indicazioni circa. la fattorializzabilità della matrice. la presenza di outlier. la correlazione tra i fattori. la normalità degli item.

A parità di numero di fattori estratti, le comunalità e le saturazioni fattoriali. nell'Analisi Fattoriale Esplorativa sono identiche a quelle dell'Analisi delle Componenti Principali. sono inferiori nell'Analisi Fattoriale Esplorativa, rispetto all'Analisi delle Componenti Principali. nessuna delle alternative. sono superiori nell'Analisi Fattoriale Esplorativa, rispetto all'Analisi delle Componenti Principali.

Attraverso l'Analisi delle Componenti Principali si mira a. spiegare la varianza totale di ogni item. spiegare la varianza unica di ogni item. estrarre il maggior numero di componenti possibile. spiegare la varianza che ogni item condivide con gli altri.

Attraverso l'Analisi Fattoriale Esplorativa si mira a. spiegare la varianza totale di ogni item. estrarre il maggior numero di fattori possibile. spiegare la varianza unica di ogni item. spiegare la varianza che ogni item condivide con gli altri.

Il metodo di di estrazione dei fattori basato sulla Massima verosimiglianza. nessuna delle alternative. entrambe le alternative. può essere utilizzato anche se non è presente la condizione di normalità multivariata. fornisce indici di fit del modello fattoriale testato.

Quale dei seguenti è un metodo di estrazione dei fattori nell'Analisi Fattoriale Esplorativa?. Principal Axis Factoring. tutte le alternative. Massima verosimiglianza. Metodo dei minimi quadrati.

Il metodo di estrazione Principal Axis Factoring. fornisce degli indici di fit del modello. non prevede il calcolo preliminare delle comunalità. estrae i fattori in modo che spieghino la maggior quota possibile di varianza totale delle variabili orginali. estrae i fattori in modo che spieghino la maggior quota possibile di varianza comune alle variabili originali.

Con il metodo di estrazione Principal Axis Factoring. sono forniti degli indici di fit del modello. viene spiegata la varianza totale, non la varianza comune. non è necessaria una stima preliminare delle comunalità. è necessaria una stima preliminare delle comunalità.

Se dividiamo l'autovalore di un fattore per il numero di variabili nell'analisi otteniamo. la comunalità. la varianza spiegata dal fattore. la varianza spiegata dall'item. la varianza d'errore.

La somma delle saturazioni al quadrato che un fattore ha con tutti gli item è detta. varianza d'errore. fit del modello. autovalore. Comunalità.

La somma delle saturazioni al quadrato per colonna è detta. varianza d'errore. fit del modello. autovalore. comunalità.

La retta che spiega la massima quota di varianza fra gli item è. la prima componente principale. l'attendibilità degli item. la difficoltà degli item. la distanza di Mahalanobis.

l numero massimo di componenti che si può estrarre con una Analisi delle Componenti Principali è. uguale alla metà degli item inclusi nell'analisi. maggiore di 3. uguale al numero degli item inclusi nell'analisi. almeno 3.