Multitrait -multimethod matrise - Multitrait-multimethod matrix

Den multitrait-multimethod ( MTMM ) matrise er en tilnærming til å undersøke begrepsvaliditet utviklet av Campbell og Fiske (1959). Den organiserer konvergente og diskriminerende validitetsbevis for sammenligning av hvordan et tiltak forholder seg til andre tiltak.

Del av en serie om
Psykologi
Oversikt Historie Delfelt
Grunnleggende typer Unormal Atferdsmessig Biologisk Kognitiv / kognitivisme Sammenlignende Kryss kulturell Kulturell Differensial Utviklingsmessig Evolusjonær Eksperimentell Matematisk Nevropsykologi Personlighet Positiv Psykodynamisk Kvantitativ Sosial
Anvendt psykologi Anvendt atferdsanalyse Klinisk Samfunnet Forbruker Rådgivning Kritisk Pedagogisk Miljø Ergonomi Rettsmedisinsk Helse Humanistisk Industrielt og organisatorisk Psykometri Lovlig Medisinsk Militær Musikk Arbeidshelse Politisk Religion Skole Sport Trafikk
Lister Disipliner Organisasjoner Psykologer Psykoterapier Publikasjoner Forskningsmetoder Teorier Tidslinje Emner
Psykologi portal
v t e

Definisjoner og viktige komponenter

Flere egenskaper brukes i denne tilnærmingen for å undersøke (a) lignende eller (b) forskjellige egenskaper ( konstruksjoner ) for å etablere konvergent og diskriminant gyldighet mellom trekk. På samme måte brukes flere metoder i denne tilnærmingen for å undersøke differensialeffekter (eller mangel på det) forårsaket av metodespesifikk varians.

Det er seks hovedhensyn når man undersøker en konstruks gyldighet gjennom MTMM -matrisen, som er som følger:

1. Evaluering av konvergent validitet - Tester designet for å måle den samme konstruksjonen bør korrelere sterkt med hverandre.
2. Evaluering av diskriminant (divergerende) validitet - Konstruksjonen som måles ved en test bør ikke korrelere sterkt med forskjellige konstruksjoner.
3. Trekk-metode enhet - Hver oppgave eller test som brukes til å måle en konstruksjon betraktes som en trekk-metode enhet; ved at variansen i målet er delegenskap og delmetode. Vanligvis ønsker forskere lav metodespesifikk varians og høy egenskapsvarians.
4. Multitrait-multimethod -Mer enn ett trekk og mer enn én metode må brukes for å fastslå (a) diskriminant gyldighet og (b) de relative bidragene til egenskapen eller metodespesifikk varians. Denne prinsippet er i samsvar med ideene som ble foreslått i Platts konsept om Strong inference (1964).
5. Virkelig forskjellig metodikk - Når du bruker flere metoder, må du vurdere hvor forskjellige de faktiske tiltakene er. For eksempel er det ikke virkelig forskjellige tiltak å levere to selvrapporterende tiltak; mens bruk av en intervjuskala eller en psykosomatisk lesning ville være.
6. Egenskaper - Egenskaper bør være forskjellige nok til å være forskjellige, men like nok til å være verdt å undersøke i MTMM.

Eksempel

Eksemplet nedenfor gir en prototypisk matrise og hva sammenhengene mellom tiltakene betyr. Den diagonale linjen fylles vanligvis ut med en pålitelighetskoeffisient for målet (f.eks. Alfakoeffisient). Beskrivelser i parentes [] angir hva som forventes når konstruksjonens gyldighet (f.eks. Depresjon eller angst) og gyldighetene til tiltakene alle er høye.

I dette eksemplet viser den første raden og den første kolonnen egenskapen som vurderes (dvs. angst eller depresjon) samt metoden for å vurdere denne egenskapen (dvs. intervju eller undersøkelse målt ved fiktive tiltak). Begrepet heteromethod indikerer at korrelasjonen mellom to separate metoder i denne cellen blir rapportert. Monomethod indikerer det motsatte, ved at den samme metoden brukes (f.eks. Intervju, intervju). Heterotrait indikerer at cellen rapporterer to angivelig forskjellige egenskaper. Monotrait indikerer det motsatte- at den samme egenskapen brukes.

Ved evalueringen av en faktisk matrise ønsker man å undersøke andelen varians som deles mellom trekk og metoder for å etablere en følelse av hvor mye metodespesifikk varians som induseres av målemetoden, samt gi en titt på hvor unik egenskapen er, sammenlignet med en annen egenskap.

Det er for eksempel at egenskapen burde ha større betydning enn den spesifikke målemetoden. For eksempel, hvis en person måles som svært deprimert av ett mål, bør en annen type tiltak også indikere at personen er sterkt deprimert. På den annen side bør personer som virker svært deprimerte på Beck Depresjon Inventory ikke nødvendigvis få høye angstpoeng på Beck's Angst Inventory. Siden inventarene ble skrevet av samme person og har samme stil, kan det være en viss sammenheng, men denne metoden for likhet bør ikke påvirke poengsummene mye, så korrelasjonene mellom disse målingene for forskjellige egenskaper bør være lave.

Analyse

En rekke statistiske tilnærminger har blitt brukt for å analysere dataene fra MTMM -matrisen. Standardmetoden fra Campbell og Fiske kan implementeres ved hjelp av MTMM.EXE -programmet tilgjengelig på: https://web.archive.org/web/20160304173400/http://gim.med.ucla.edu/FacultyPages/Hays/utils / Man kan også bruke bekreftende faktoranalyse på grunn av kompleksiteten i vurderingen av alle dataene i matrisen. Sawilowsky I-testen vurderer imidlertid alle dataene i matrisen med en distribusjonsfri statistisk test for trend.

Testen utføres ved å redusere heterotrait-heteromethod og heterotrait-monomethod trekanter, og validitets- og pålitelighetsdiagonaler, til en matrise på fire nivåer. Hvert nivå består av minimum, median og maksimal verdi. Nullhypotesen er at disse verdiene er uordnede, som testes mot den alternative hypotesen om en økende ordnet trend. Teststatistikken blir funnet ved å telle antall inversjoner (I). Den kritiske verdien for alfa = 0,05 er 10, og for alfa = .01 er 14.

En av de mest brukte modellene for å analysere MTMM -data er True Score -modellen foreslått av Saris og Andrews (). True Score -modellen kan uttrykkes ved å bruke følgende standardiserte ligninger:

    1) Yij = rij TSij + eij* where:
         Yij is the standardized observed variable measured with the ith trait and jth method.
         rij is the reliability coefficient, which is equal to:
           rij = σYij / σTSij 
         TSij is the standardized true score variable
         eij* is the random error, which is equal to:
           eij* = eij / σYij
      
     Consequently:
       rij2 = 1 - σ2 (eij*) where:
         rij2 is the reliability

    2) TSij = vij Fi + mij Mj where:
         vij is the validity coefficient, which is equal to:
           vij = σFi / σTSij 
         Fi is the standardized latent factor for the ith variable of interest (or trait)
         mij is the method effect, which is equal to:
         mij = σMj / σTSij
         Mj is the standardized latent factor for the reaction to the jthmethod
      
     Consequently:
       vij2 = 1 - mij2 where:
         vij2 is the validity

    3) Yij = qijFi + rijmijMj + e* where:
         qij is the quality coefficient, which is equal to:
           qij = rij  •  vij
        
     Consequently:
       qij2 = rij2  •  vij2 = σ2Fi / σ2Yij where:
         qij2 is the quality

Forutsetningene er følgende:

     * The errors are random, thus the mean of the errors is zero: µe = E(e) = 0 
     * The random errors are uncorrelated with each other: cov(ei, ej) = E(ei ej) = 0 
     * The random errors are uncorrelated with the independent variables:  cov(TS, e) = E(TS e) = 0 ,  cov(F, e) = E(F e) = 0  and  cov(M, e) = E(M e) = 0  
     * The method factors are assumed to be uncorrelated with one another and with the trait factors: cov(F, M) = E(F M) = 0 

Typisk må respondenten svare på minst tre forskjellige spørsmål (dvs. egenskaper) målt ved bruk av minst tre forskjellige metoder. Denne modellen har blitt brukt til å estimere kvaliteten på tusenvis av undersøkelsesspørsmål, spesielt innenfor rammen av European Social Survey .

Referanser