An unsupervised learning approach to evaluate questionnaire data -- what one can learn from violations of measurement invariance
机器学习
2024-03-28 v1 应用统计
摘要
在社会科学和人文学科的多个分支中，基于标准化问卷的调查是一种重要的研究工具。虽然有多种分析数据的方法，但一些标准程序已经确立。当这些调查旨在分析不同群体（例如，国家、性别、年龄等）的回答模式差异时，只有在存在测量不变性，即所测量的构念在不同群体间具有心理测量等价性的情况下，这些程序才能有意义地进行。正如Sauerwein等人（2021）最近提出的一个开放性问题，需要新的评估方法在缺乏测量不变性的情况下工作。本文通过提出一个分三个阶段工作的程序：数据准备、问卷聚类以及基于获得的聚类和各组属性测量相似性，推广了一种基于无监督学习的方法来处理此类研究数据。我们在三个数据集中生成了合成数据，这使我们能够在测量不变性成立和测量不变性被违反的情况下，将我们的方法与PCA方法进行比较。作为一个主要结果，我们发现该方法提供了一种群体间的自然比较和对群体回答模式的自然描述。此外，即使在缺乏测量不变性的情况下，它也可以安全地应用于各种数据集。最后，这种方法允许我们将（对）测量不变性（的违反）转化为一个有意义的相似性度量。
引用
@article{arxiv.2312.06309,
title = {An unsupervised learning approach to evaluate questionnaire data -- what one can learn from violations of measurement invariance},
author = {Max Hahn-Klimroth and Paul W. Dierkes and Matthias W. Kleespies},
journal= {arXiv preprint arXiv:2312.06309},
year = {2024}
}