2008年10月15日 星期三

線性

李克特的評分量尺企圖利用穩定和明確定義的連續量尺評價特質,實際上至多只是具有順序類別的量尺,且不一定是線性的。

因為人類行為類型並不會被我們人為的量尺所限制,點型測驗無所謂是非對錯,它缺乏表達資料的大小順序,沒有相等的間隔和沒有真實數值的特質。

就統計處理而言,等距水準以上的資料,才具有可加性,進行處理統計才有意義。

測量的前輩塞斯通(Thurstone)開啟了探索估計資料之道,古德曼(Guttman)熟悉順序資料的限制,建議如果實際觀察和期望吻合,那麼資料的順序量尺將足夠接近到允許統計分析。

試題二分計分的機率(Probability)包括答對機率p值,相對的答錯機率q值;該題的答對機率與答錯機率的比值,稱為勝率(Odds)

機率值是說明的答對出現可能性(p),機率的範圍從『0』至『1』;當採用勝率時,不但兼顧不出現的可能性(1-p),而且突破上限效應(ceiling effect),勝率的範圍從『0』至『+∞』(正無限大),即擴大了上端的效果。

非線性的模式在解釋和使用上較為複雜,如果用logit模式來敘述關係較簡單,具有相當的價值。轉換logit值有兩個步驟:首先將機率(Probability)換算為勝率(Odds),其次取勝率的自然對數值

logit值有兩大優點:一是沒有上限和下限效應的限制,其範圍從『-∞』到『+∞』(從負無限大到正無限大)。

其次是非線性的線性化(linearizing the nonlinear)。原來的勝率是非線性的,經轉換為logit值後變成等距的改變,即logit值和變項呈線性關係。

非線性的線性化(linearizing the nonlinear)。原來的勝率是非線性的,經轉換為logit值後變成等距的改變,即logit值和變項呈線性關係。

以機率值0.50為中心,吾人可以發現機率增加為0.60時,勝率增加了0.50;而機率減少為0.40時,勝率減少了0.33,兩者是不相等的(0.50≠0.33)。

但是logit值在機率值0.50為中心,機率增加為0.60時,logit值增加了0.41;而機率減少為0.40時,logit值也減少了0.41,兩者的改變是相等的(0.41=0.41)。也就是說,以機率值0.50為中心,吾人可以發現機率增加0.10和減少0.10時,勝率的改變值是非線性的(不相等的),而logit的改變值是線性的(相等的)。

沒有留言: