如何精简量表?用蚁群算法

为了精简量表的题项,减少测量模型中题项的数目,可以通过信度、因子负荷以及题总相关等信息对问卷中的题目进行删减。然而在实践中 ,这些方法在使用时是逐步进行的,不同的步骤会导致删减的结果不同,从而产生主观选择实施步骤而导致的错误。

Leite等(2008)提出了使用蚁群算法进行量表题项的精简。采用蚁群算法可以避免逐步使用各种指标进行问卷简化时所产生的偏差。通过综合考察各种模型拟合状况的参考指标,蚁群算法可以比其他方法更好地简化问卷题目。

蚁群算法的逻辑来源于蚂蚁如何解决食物源与巢穴之间的最短路线的问题。蚂蚁们为了找到最短路线,首先会随机选择通往食物源的路线,然后在路线上留下信息素,用来吸引同伴。那些最短的路径会更快地聚集信息素,因此会吸引更多的蚂蚁,从而形成良性循环,直到蚂蚁们汇聚到最短的路径上。

该算法首先从问卷中随机抽取N个题目(对应着N个路线)作为一个简版的问卷。然后用指定的各种指标对问卷进行评估,比如使用信度、关联指标或者是模型拟合指数,如果评估结果良好,则简版问卷中题目的概率权重(对应着信息素的量)就会增加。多次重复上述过程,那些最可能具有良好评估结果的题目的概率权重会越来越大,更可能被抽取出来,从而形成良性循环,产生最终的抽取结果,形成简化问卷。

蚁群算法原理示意图

R语言的ShortForm包提供了用来简化问卷的蚁群算法的代码。这里提供一个例子来说明如何使用ShortForm包提供的蚁群算法进行题项的精简。

# 测量模型按照lavaan包接受的方式来表达。此处测量模型的验证性因子分析是lavaan包作为分析工具。

# 接下来,创建一个题项名称的列表
# 本例中,所有的体现都测量是“Ability”的观测指标。
list.items <- list(c('Item1','Item2','Item3','Item4','Item5',
                     'Item6','Item7','Item8','Item9','Item10',
                     'Item11','Item12','Item13','Item14','Item15',
                     'Item16','Item17','Item18','Item19','Item20',
                     'Item21','Item22','Item23','Item24','Item25',
                     'Item26','Item27','Item28','Item29','Item30',
                     'Item31','Item32','Item33','Item34','Item35',
                     'Item36','Item37','Item38','Item39','Item40',
                     'Item41','Item42','Item43','Item44','Item45',
                     'Item46','Item47','Item48','Item49','Item50',
                     'Item51','Item52','Item53','Item54','Item55','Item56'))

# 加载一个随机生成的数据集
data(simulated_test_data)

# 最后,对antcoloy.lavaan的参数稍微做调整
abilityShortForm = antcolony.lavaan(data = simulated_test_data,
                                    ants = 5, evaporation = 0.7, antModel = exampleAntModel,
                                    list.items = list.items, full = 56, i.per.f = 20,
                                    factors = 'Ability', steps = 3, fit.indices = c('cfi', 'rmsea'),
                                    fit.statistics.test = "(cfi > 0.95)&(rmsea < 0.05)",
                                    summaryfile = 'summary.txt',
                                    feedbackfile = 'iteration.html',
                                    max.run = 500)

abilityShortForm[[1]] # 显示最后的运算结果

蚁群算法的结果显示的是哪些题项予以保留。若某题项的计算结果显示为1,则该题项予以保留;若为0则建议删去。

蚁群算法分析结果

蚁群算法的计算需要基于R中用于潜变量建模的lavaan包,因此其模型设定的语法可参考潜变量建模lavaan包的使用说明

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,634评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,951评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,427评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,770评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,835评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,799评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,768评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,544评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,979评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,271评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,427评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,121评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,756评论 3 324
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,375评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,579评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,410评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,315评论 2 352

推荐阅读更多精彩内容