Další teorie měření
PSYb2590: Základy psychometriky    Přednáška 6
25. 4. 2022 | Hynek Cígler
Opakování: Teorie měření
Teorie měření postuluje model/y měření.
Model měření: vztah pozorovaného a měřeného.
Protože měření je v psychologii nepřímé, tato inference zahrnuje zejména:
0 Předpoklady o podstatě měřeného atributu.
0 Způsob tvorby skóru (resp. odhad „parametru") z pozorovaných výsledků. 0 Odhad chyby tohoto odhadu ©
Slovo „měření" budeme nadále používat velmi vágně (viz první přednáška a povaha atributu).
Modely měření v psychologii
Podle Borsbooma (2005):
° Model klasické testové teorie (CTT).
° Operacionalismus.
° Není měřením v pravém slova smyslu.
° Kromě CTT i teorie zobecnitelnosti.
0 Model latentních proměnných.
° Realismus. Faktorová analýza, teorie odpovědi na položku.
0 Reprezentační model měření.
0 Spojité měření (conjoint measurement).
Podle Schmittmanna (2013):
° Reflektivní model
0 Rys způsobuje chování.
0 Formativní model.
0 Rys je konstrukcí na základě chování.
0 Dynamické systémy.
0 Jevy spolu souvisejí a rys neexistuje.
Tady jde spíše o teorie měření (které mohou obsahovat různé konkrétní modely)
Borsboom, D. (2005). Measuring the Mind. Cambridge: Cambridge University Press.
Modely měření v psychologii
Jung, H., & Ting, K. (2017). An empirical evaluation of ISO/IEC 15504-5 CAPABILITY MEASURES: Reflective OR FORMATIVE. Computer Standards & Interfaces, 53,123-130. doi:10.1016/j.csi.2017.03.002 Schmittmann, V. D., Cramer, A. 0., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 31(1), 43-53. doi:10.1016/j.newideapsych.2011.02.007
Modely měření v psychologii pragmaticky
Klasická testová teorie
° CTX classical test theory, (classical/weak) true score theory.
° Rozšíření do faktorové analýzy.
Teorie zobecnitelnosti
° GX generalizability theory; rozšíření CTT.
Teorie odpovědi na položku / Raschův model
° IRT, item response theory, (modern) latent trait theory, strong true score theory.
° Explanační IRT modely.
(Dynamic) Networks Models
Teorie vědomostních prostorů ° KSX Knowledge Space Theory.
Teorie spojitého měření
° CM, Conjoint Measurement.
Signal detection theory
° SDT; někdy též teorie zpracování informace
Další škálovací postupy 0 Typicky propojené s formou sběru dat. 0 Q-sort, sociometrie...
Tady jde spíše o konkrétní modely (které mohou spadat do stejných či různých teorií).
Klasická testová teorie
Spearman (1904) Lord & Novick (1968)
CTT: Opakování
Měřeným atributem je pravý skór.
° Očekávaný skór člověka v daném testu.
Klíčovým konceptem je reliabilita.
° Založená na konceptu paralelních testů.
Operacionalismus, antirealismus. ° Měřený atribut je definován podobou měření.
Pravé skóre je zpravidla definované sumou/průměrem položek.
° Pozorované skóre je proto zpravidla součtem/průměrem pozorovaných odpovědí.
V praxi úzké propojení s faktorovou analýzou.
Nedostatky CTI
CTT založena na operacionalismu. Antirealismus.
° Nezabývá se existencí měřených atributů, není vhodná pro výzkum. V praxi nechceme měřit pravý skór (v daném testu), ale chceme měřit rys (nezávislý na měření).
Nejde o model měření v pravém slova smyslu.
° Nelze testovat jeho shodu s daty, lze použít na jakákoli data i neexistující atributy. ° Tohle částečně řeší propojení CTT s faktorovou analýzou.
Předpoklad lineárních, homoskedascitních vztahů.
° CTT lze použít k inferenci na úrovni celkového skóre, nikoliv (správně) na úrovni ordinálních položek.
Nezvažuje povahu chyby měření. Chybu měření nelze rozdělit na jednotlivé „zdroje". ° Např. ověřuji buďtest-retest, nebo vnitřní konzistenci.
Sčítání položek vyžaduje paralelní, intervalové položky. ° Zkresené odhady reliability, suboptimální validita a reliabilita skórů při porušení předpokladu.
Výhody CTI
Lze měřit cokoli.
° Z čistě operacionalistické pozice to nemusí vadit.
° CTT lze použít pro parametrizaci „měření", i když předpokládáme jinou povahu měřeného atributu (například IRT).
Sčítání položek je jednoduché.
° Součet položek může sloužit jako aproximativní odhad skóre v jiné teorii měření (např. IRT).
Velmi jednoduché -> snadno použitelné. V řadě případů nám CTT parametrizace stačí.
Nedostatky CTT podruhé
Lokální nezávislost subjektů i položek. Chyba měření je plně náhodná.
0 Co když mají žáci v jedné třídě ale stejné „specifické znalosti"?
0 Co když při test-retest odpovídám v osobnostním dotazníku stále stejně?
CTT pracuje vždy s jediným zdrojem chyby
Teorie
zobecnitelnosti
Generalizabiliy Theory.
Cronbach, L.J., Nageswari, Rv &Gleser, G.C. (1963).
Teorie zobecnitelnosti
„Zobecnění" CTT pro všechny případy, kdy se měření skládá z dílčích paralelních testů.
Řeší problém „mnoho chyb měření, mnoho odhadů reliability".
Univerzální teorie, která umožňuje parcelovat chybu měření na dílčí zdroje chyb.
Vychází z CTT: operacionalismus. ° Jde o její rozšíření se všemi neduhy a nevýhodami.
GT příklad: 2fasetový design
N osob je měřeno 3položkovým testem ve 2 situacích. 2fasetový design p x i x o:
0 nj=3 položky a nQ=2 administrace. Skóre je průměrem všech pozorování.
Odpověď na každou jednu položku se skládá z:
3 ^pio @i     @o     @pxi ~l~ @pxo     @ixo čpxixo
Celkový rozptyl v datech: ° Rozptyl těchto jednotlivých pozorování Xpio.
° aXpio °i + OŠ + Opi + Opo + °io + °pio,e
0 Pro připomenutí: sčítání náhodně rozdělených proměnných. Jednotlivé složky jsou nezávislé.
TABLE 36^1
C rawed Person X Item X Occasion ti Study of Sclť-Conccpt Scores
Person			Occasion			
		I			S	
	Item I	Item 2	Item 3	Item I	Item 2	hem 3
1	■I	2	5	■I	?	1
2		I	1	■I	2	3
	2	?	3		2	1
P	■\	S	1		-1	2
A-	1	■1	1	.1	.i	3
GT příklad: 2fasetový design
N osob je měřeno 3položkovým testem ve 2 situacích. 2fasetový design p x i x o:
0 rij=3 položky a nQ=2 administrace. Skóre je průměrem všech pozorování.
Jinými slovy - chybami v tomto kontextu jsou:
° Každá situace je jinak obtížná.
° Každá položka je jinak obtížná (to většinou nezvažujeme). ° Výkon respondentů není stabilní (liší se v situacích). ° Obtížnost položek variuje napříč situacemi.
° Každá položka je jinak obtížná pro každého respondenta,
systematicky napříč situacemi (korelace není perfektní).
° Zbytek (pro každého respondenta je každá položka v různých situacích různě obtížná.
TABLE 36^1
C rawed Person X Item X Occasion ti Study of Sclť-Conccpt Scores
Occasion
Person
Item 1
item 2
hem 3
Item J
ítem 2
liem 3
1
2 .1
P
A-
2
2 I
5 1
3
2 2
1
3 1
Teorie zobecnitelnosti
1. krok: G-studie (generalizability study)
0 Rozdělení pozorovaného rozptylu na jednotlivé složky.
° Jak velkou část rozptylu měření tvoří rozptyl měřeného atributu, jak velkou část jednotlivé chyby?
0 Zobecňuje z dat na prostor měření.
2. krok: D-studie (decision study)
0 Odhaduje velikost chybového rozptylu pro konkrétní design měření.
0 Případně hledá optimální design s nejlepším poměrem náročnosti měření a chyby měření (reliability).
0 Specifikuje z prostoru měření na testovou situaci.
G-studie: Příklad výsledků
Tabic 34^-2
Estimated Variance Components in the Example pXi Xo design
Source Variance Component     Estimate     Percent i*f Total Variability
Person (p)	°2P	j.I OS	30
Item (i)	°T	0.102	03
Occasion (d)		0.030	0J
p x i		0.8 JO	22
px 0		0.230	06
i xo	«£	0.001	00
p x i x o, e	a1	L.4J3	
D-studie
Definuje tzv. „prostor zobecnění" (počtem pozorování, mírou zobecnění atp.), na který budeme zobecňovat pozorování daného respondenta.
° V rámci tohoto prostoru má každý respondent tzv. U-skór (universe score; obecný skór).
Dva typy zobecnění:
° Relativní (norm-referenced) - pořadí osob v rámci stejné kombinace faset.
° Reliabilita odhadována pomocí koeficient zobecnitelnosti (generalizability). ° Přímo srovnatelný s různými druhy CTT realiability.
0 Absolutní (kriteriální) - dosažení určité kriteriální hodnoty universe skóru.
° Reliabilita odhadována pomocí koeficientu spolehlivosti (dependability)
Shodný počet, avšak jiných faset (např. 2 pozorovatelé, ale pro každého jiní). ° Zajímá nás absolutní, kriteriální výsledek (např. u znalostních testů), nechceme jen srovnávat s normou.
D-studie: Příklad použití
2
LU
CO
0.60-
0.55-
0.50
4* 0.45-o
% 0.40-
w
n
< 0.35-
0.30-0.25-
No. of Raters
2
3
4
1 2 3
Number of Prompts
u.05-0.80-j I 0.75-i
% 0.70-
0
^0.65^
1 0.60 I 0.55-J 0.50-1
0.45^ 0.40
No. of Raters
2 3 Number of Prompts
FIGURE 1.2. (j(A) and       for scenario with p x T x R design.
Software a příklad
Lze použít ANOVA nebo smíšené lineární modely v běžném SW (SPSS, R, JASP...) R: balíčky hamp, gtheory, Ime4
° Balíček hemp není na CRANu (jde o balíček ke knize Psychometrics in R). Lze nainstalovat pomocí.
Příklad použití GT v češtině včetně R skriptu:
° Cígler, H., Ježek, S., Širůček,J., & Lacinová, L. (in press). Hodnocení bakalářských prací jako přijímací kritérium do navazujícího magisterského studia: Psychometrická kazuistika. Studia Paedagogica.
0 preprint: https://doi.org/10.31234/osf.io/dt7nr
Teorie zobecnitelnosti: Shrnutí
Teorie zobecnitelnosti: „Ultimátn/"teorie „měření" ©
° Rozšíření a překonání klasické testové teorie. 0 Využití mimo psychologii.
° Agregace většího množství chyb za předpokladu paralelního měření.
Předpoklady
° tau-ekvivalence/paralelnost položek.
° jednodimenzionalita (ale existují i multivariační aplikace).
Využití v psychologii:
° Vývoj testů (a odhad počtu položek/hodnotitelů...). Aka power analýza při vývoji metod.
0 Vždy, když nemáme data výhradně jen pro vnitřní konzistenci.
° Princip parcelování rozptylu využitelný i v jiných modelech (FA, IRT).
Teorie odpovědi na položku
Item Response Theory
G. Rasch F. M. Lord P. F. Lazarsfeld
a mnoho dalších
(1916-1987)
Teorie odpovědi na položku
Teorie odpovědi na položku (IRT; Item Response Theory) pomocí různých modelů popisuje vztah mezi latentním rysem (latent trait) a odpovědí na položky
Odpovědi na položky jsou realisticky považovány za nominální či ordinální.
0 V případě intervalové odpovědi může být IRT totožná s faktorovou analýzou.
IRT modely: popisují pravděpodobnost správné (nějaké) odpovědi respondenta s určitou mírou latentního rysu na položku o určité obtížnosti (a dalších parametrech).
Vztah odpovědí a latentního rysu není lineární jako v případě FA. ° Protože samy položky (většinou) nejsou považovány za intervalové. ° Zpravidla je logistický (IRT je vlastně série logistických regresí).
Faktorová analýza vs. IRT
Technicky vzato je faktorová analýza a IRT velmi podobný model měření. ° Viz Borsboom (2005) a modely s latentními proměnnými.
° Dalším modelem s latentními proměnnými je například analýza latentních tříd (LTA).
Faktorová analýza: model pro spojitá intervalová data. X — Á6 + t + e
° Vztah faktoru a odpovědi na položku je lineární. ° Odhad faktorového skóru lze provést jako vážený průměr položek.
IRT: model pro libovolná, typicky kategorická (nominální, ordinální) data.   }n ^X ~    = a6 + b ° Vztah faktoru a odpovědi na položku je logistický (příp. probitový). P(x = 0)
Někdy též „item-factor analysis'' - kombinace IRT přístupu a ordinální faktorové analýzy.
° Tzv. „ordinální/kategorická" CFA je zcela shodná s IRT Graded Response Modelem s probitovým línkem.
Protože data mohou být velmi různá, IRT je vysoce flexibilní nástroj.
IRT modely
Vznik v 50. a 60. letech, další rozvoj v 80. letech (počítače).
Nezávisle na sobě G. Rasch (matematik), F. M. Lord (psycholog) a P. F. Lazarsfeld (sociolog).
Jde o stochastickou úpravu původně deterministického Guttmanova modelu.
Základní typy modelů podle počtu parametrů: ° 1 - parametr obtížnosti položky ° 2 - diskriminační parametr položky ° 3 - parametr (pseudo)uhádnutelnosti
Raschovy modely:
° Řadí se mezi jednoparametrové, ale mají odlišnou logiku. ° (Složitější RM navíc svým způsobem zahrnují i jiné parametry.)
Paul Felix Lazarsfeld (1901-1976)
Georg Rasch (1901-1980)
Louis Guttman (1916-1987)
Charakteristická funkce položky Item Characteristic Curve (ICC)
Operacionalizace daného IRT modelu. ° Jednotlivé IRT modely se liší právě svou ICC.
Obtížnost položek a schopnost respondenta jsou na stejné škále.
Charakteristická funkce položky:
° Má zpravidla přibližně tvar kumulativního normálního rozložení.
° Popisuje vztah mezi schopností probanda a jeho očekávaným výkonem v dané položce.
° Predikuje pravděpodobnost správné/špatné odpovědi v závislosti na obtížnosti položky a probandově schopnosti.
0,9
pravděpodobnost
schopnost
i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i i
4-3-2-10       1       2       3 4
Raschův (1PL) model
Charakteristická funkce:
ee-bt
l + ee-bt
Přímé rozšíření guttmanovské škály o pravděpodobností usuzování.
Parametr obtížnosti   položky/je bod na škále schopnosti, v němž je pravděpodobnost správné odpovědi respondenta j se stejnou mírou schopnosti (6j = bj) na danou položku P|(6j) = 0,5.
° Pravděpodobnost správné odpovědi závisí na rozdílu schopnosti respondenta a obtížnosti položky 6 — bt.
snadnější položka / nižší úroveň rysu
obtížnější položka / vyšší úroveň rysu
schopnost
Další modely
1PL - technicky shodný s Raschovým modelem.
°  (To „PL" značí počet parametrů jedné položky).
2PL- jak dobře model diskriminuje?
° Strmost ICC prostřednictvím diskriminačního parametru.
3PL - jakou pravděpodobnost uhádnutí má respondent s nekonečně malou úrovní daného rysu?
0 Spodní limita funkce pomocí parametru pseudouhádnutelosti.
Různé polytomické modely (Likertovy škály multiple-choice, nucená volba...). ° Partial Credit model, Nominal Response model, Graded Response Model a řada dalších.
Multidimenzionální modely.
0 Pro případy, kdy odpověď závisí na více latentních rysech.
Charakteristická křivka položky 2PL modelu
IRT odhad
Charakteristická křivka položky 3PL modelu
Př(0) = q + (1 - q)
eai(G-bô 1+eai(9-bi)
0    - diskriminační parametr
° Mira náklonu ICC.
0 Cj - parametr pseudouhádnutelnosti
Spodní limita ICC
Postupnou fixací parametrů 3PL modelu lze dosáhnout jednodušších modelů:
° Cj = 0 - 2PL model
0 a,- = 1 - 1PL model
oo o
CD (D 5 O
T3 O
"g
CO
cg o
p o
IRT odhad
Polytomické modely: př. Graded Response Model
Polytomické modely: Multiple-choice Model
Praktické příklady
http://fssvm6.fss.muni.cz/ICC/ ° 4PL binární model
https://shiny.cs.cas.cz/ShinyltemAnalvsis/
° 4PL binární model: záložka IRT models -> Training -> Dichotomous model ° Polytomické modely (GRM, GPCM, NRM): záložka ... -> Polytomous model
Typické použití IRT
1. Použití namísto faktorové analýzy (EFA i CFA) pro ověření faktorové struktury. ° Odhad parametrů položek a shody modelu s daty.
° V případě krátké odpověďové škály (zejm. binární) realističtější výsledky
° IRT jako nástroj pro validizaci.
2. Odhad latentních rysů (faktorových skórů) respondentů ve stávajícím vzorku. ° Namísto součtu položek - stejná data, jako v bodě 1.
° IRT jako nástroj pro vytvoření skóru.
3. Odhad latentních rysů nových respondentů.
Předem odhadnuté parametry položek (v bodě 1) lze použít pro odhad latentního rysu libovolného nového respondenta.
° IRT jako nástroj pro skórování testu v praxi.
Výhody IRT a srovnání s CTT
Realistické modelování odpověďového procesu.
Měření je (velmi) nezávislé na konkrétním testu a výzkumném souboru.
Chyba měření je specifická pro různé úrovně latentního rysu.
Explorační i konfirmační podoba modelů. ° Jako u faktorové analýzy; tzv. item-factor analysis.
Chybějící data nejsou problém (full-information) ° IRT se zaměřuje na položku, nikoliv celý test jako CTT.
Poskytuje více informací o fungování testu ve srovnání s FA/CTT.
Občas náročnější na velikost vzorku a na výpočetní sílu (dimenzionalita).
Typické aplikace IRT do praxe
Počítačové adaptivní testování: Vybírá položky podle průběhu testování.
0 Zvýšení reliability, resp. zkrácení testu.
Vyvažování paralelních verzí testu (large-scale assessment), kalibrace.
° Anchor tests/items, před kalibrované sety položek atd. Různé výhody při konstrukci psychodiagnostických testů.
° Nižší závislost skórů na obtížnosti testu, speciální typy skórů, plánovaně chybějící data. ° V ČR např. WJ-IV, KIT či některé části Vídeňského testového systému.
Další
° Např. explanační IRT modely ve výzkumu pro výzkum odpověďových procesů.
Dostupný software
R
° Zejm. balíček mirt, případně lavaan, TAM, irtoys, eRm, psychonetrics aj.
Winsteps
° Pouze Raschovy modely, zaměřený na praktickou konstrukci testů (WJ-IV aj.). ° Grafické GUI; HC může poskytnout licenci.
Mplus
° Obecný SW pro modelování s latentními proměnnými. ° Katedra má malý počet licencí.
Klasika a tradice: BILOG-MG, flexMIRT, jMetrik, PARSCALE, Xcalibre aj. ShinyltemAnalysis: on-line aplikace, nebo package do R s vlastním GUI.
Reprezentační model měření: Spojité měření
Měření v sociálních vědách může být měřením.
Od ordinality ke kardinalitě. Luce a Tukey Debreu.
Vlevo John Tukey, vpravo Gérard Debreu
Spojité měření
Nezávisle na sobě vyvinuli francouzský ekonom Gérard Debreu (1960) a psycholog Duncan Luce s matematikem Johnem Tukey (1964).
Conjoint measurement theory (CM) je postup pro inferenci intervalové proměnné s aditivní strukturou z ordinálních proměnných.
0 A tedy vyvrací závěry Fergusonovy komise.
° Raschův model může být jednou ze stochastických specifikací CM.
V současnosti určitý rozvoj v oblasti dalších stochastických aplikací pro různé účely, celkově ale není příliš využívané kvůli značné matematické náročnosti.
Zajímavost: Tversky (Nobelova cena Kahneman a Tversky, 1979) se zaměřoval právě na CM (např. 1967) a jejich prospektová teorie je na CM přímo založena.
CM: Klíčové pojmy a koncepty
Původně byla teorie plně deterministická, stochastické úpravy jsou komplikované.
0 Je tedy problém s aplikací v sociálních vědách, kde hraje velkou roli chyba měření.
Typicky máme dvě proměnné, u kterých nevíme, zda jsou nominální či kardinální.
0 V typickém případě v psychologii položky a osoby.
Dále máme množinu všech možných seřazení těchto proměnných.
° Může být seřazená (ordinální), nebo číselná (intervalová).
CM podle několika pravidel odvodí, zda jsou proměnné intervalové.
0 A my pozorujeme jen jejich konkrétní „instance".
° Jednoduché a dvojité vykráčení, řešitelnost, archimédovská podmínka, posloupnost vykráčení (tranzitivita rozdílů).
Spojité měření
Představte si, že na zemi přiletí mimozemšťani, kteří posuzují pokročilost civilizací podle kvality měřicích nástrojů.
Ukradnou proto několik předmětů denní potřeby a v obchodě si koupí nástroje pro jejich „měření".
Mimozemšťani nevidí a jsou celkově divní, takže neví, zda měřidla měří intervalovově.
Jak to ověří?
interakce
Spojité měření
Délka.
° Položky: m > cm > mm ° Respondenti: stůl > kniha > tužka
respondenti
Jsou tužka-kniha-stůl a mm-cm-m pravítko kvantitami?
Jednoduché vykráčení 0 (tužka, mm) < (kniha, mm) ° (tužka, mm) > (tužka, cm)
Dvojité vykráčení 0 (tužka, cm) < (kniha, mm)
° (kniha, mm)/(tužka, cm) = 300/15 = 20
0 (kniha, m) < (stůl, cm)
° (stůl, cm)/(kniha, m) = 150/0,3= 500
položky
T
		cm	m
tužka	150 /		
kniha	300		
stůl	1500^	"150 Á	
0 (tužka, m) < (stůl, mm)
° (stůl, mm)/(tužka, m) = 1500/0,15 = 10000
-> tranzitivita: tužka+cm+kniha+m < kniha+mm+stůl+cm
° tužka+m < stůl+mm ° 20*500 = 10000
Fundamentální škála: tužka=l, kniha=2, stůl=10 m=l, cm=100, mm=1000
Dynamické
síťové
modely
Dynamic network models
Van Der Maas et al., 2006; Borsboom, 2008; Cramer, Waldorp, van der Maas, & Borsboom, 2010;
Borsboom, Cramer, Schmittmann, Epskamp, & Waldorp, 2011
Agreeableness
o A1: Am indifferent to the feelings 04 others
o A2: Inquire about others' wet-being.
o A3: Know how to comfort others
o A4: Love children
o A5: Make people feel at ease
Conscientiousness
o ci Am exacting in my work, o C2: Continue until everything Is perfect o C3: Do things according to a plan, o C4: Do things In a half-way manner, o C5 Waste my time.
Extroversion
• El: Don't talk a lot
o E2: Find it difficult to approach others,
o E3: Know how to captivate people
o E4: Make friends easily
• E5: Take charge.
NeuroB cism ° N1: Get angry easily o N2: Get Irritated easiy. o N3 Have frequent mood swings e N4: Often feel blue, o N5: Panic easily.
Openness
o o 1 Am lull oi ideas.
o 02: Avoid diflculi reading material.
o 03: Carry the conversation to a higher level
o 04: Spend time reflecting on things.
o 06 Will nol probe deeply into a subject
Dynamic network model
„l/1/e propose that the variables that are typically taken to
be indicators of latent variables should be taken to be autonomous
causal entities in a network of dynamical systems. Instead of positing
a latent variable, one assumes a network of directly related causal
entities as a result of which one avoids the three problems discussed
above/'
0 Schmittmann, V. Dv Cramer, A. O. Jv Waldorp, L. Jv Epskamp, Sv Kievit, R. Av & Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 31{1). doi: 10.1016/i.newideapsvch.2011.02.007
Zejména v psychopatologii či psychologii osobnosti.
V současnosti extrémně rychle se rozvíjející oblast psychometriky; jen pár let staré.
s
o
2.
d
a)
ba
to
O
-s
>3
TO
02
TO
a
TO
TO C/5
ÉS. fa
í Jd
w
o
02
a1 o o
3
o o,
O
5
fD r-f-
Í
r+
tr
fD
&5
i—>•
fD
a
j
fD 02 02
Agrees bleness
A1: Am indifferent to the feelings of others. A2: Inquire about others' well-being A3: Know how to comfort others. A4: Love chldren. A5: Make people feel at ease.
Conscientiousness
C1 Am exacting in my work. C2: Continue until everything Is perfect C3: Do things according to a plan. C4: Do things in a half-way manner. C5: Waste my time.
Extroversion
El: Conl talk a lot
E2: Find it difficult to approach others. E3: Know how to captivate people. E4: Make friends easily. E5: Take charge.
Neuroticism o N1: Get angry easily, o N2: Get irritated easily, o N3. Have frequent mood swings, e N4. Often feel blue, o N5: Panic easily.
Openness
Ol: Am full of ideas.
02: Avoid difficult reading material.
03: Carry the conversation to a higher level
04: Spend time reflecting on things.
OS: Wil not probe deeply into a subject.
Figure 1.1: Example of a network model estimated the BFI personalit}' dataset from the psych package in R. Nodes represent variables (in this case, personality inventory items) and links between the nodes (also termed edges) represent partial correlation coefficients. Green edges indicate positive partial correlations, red edges indicate negative partial correlations, and the width and saturation of an edge corresponds to the absolute value of the partial correlation. Estimation technique as outlined in Chapter 2 was used.
oiBCNiaifl^rtCtiT-opiisr^POiATrtfn
Epskamp, S. (2016). Regularized Gaussian Psychological Networks: Brief Report on the Performance of Extended BIC Model Selection. arXiv preprint, arXiv:1606.05771.
Phase 1. Dormant network in stable state
Phase 2. Network activation
Phase 3. Symptom spread
Phase 4. Active network in stable state
Figure 3 Phases in the development of mental disorders according to the network theory. After an asymptomatic phase, in which the network is dormant (Phase 1), an external event (Ei) activates some of the symptoms (Phase 2), which in turn activate connected symptoms (Phase 3). If the network is strongly connected, removal of the external event does not lead to recovery: the network is self-sustaining and is stuck in its active state (Phase 4).
Borsbom, D. (2017). A network theory of mental disorders. World Psychiatry 16(1), 5-13. doi: 10.1002/wps.20375
Deníčková studie
(medicínsky nevysvětlitelné symptomy)
(a) Temporální síť (b) Simultánní sír
Pl byl muž ve věku 42 let s následujícími symptomy: úzkost, nervozita, bušení srdce, ztuhlost, „výboje" na šíji, rozostřené vidění, náhlá ztráta energie a bolesti nohou, otoky kloubů (diagnostikována revmatoidní artritída, nyní v remisi). Za hlavní spouštěč potíží byla v anamnéze označena pracovní zátěž (stresující a špatně organizovaná práce v jeho tehdejším zaměstnání).
Nováček, T., Řiháček, T., & Cígler, H. (2020). Personalizovaný síťový model pro medicínsky nevysvětlené tělesné symptomy. Československá psychologie, 64(3), s. 257-271.
Plná cára vyjadřuje pozitivní vztah, přesusovaná čára negativní vztah; actív — právě se věnuji aktivitě, která mě naplňuje, atixi = mám z něčeho obavy, awar = právě v tomto okamžiku si všímám, kde v těle co cítím, cpr = mám pocit tlaku v oblasti hrudníku, mood = celková nálada, wstr = moje tělesné obtíže mi zabraňuji dělat to, co chci, srres = jsem v napětí, think = aktuálně myslím na své tělesné obtíže, tretnb = třesou se mi ruce/nohy, weak — cítím se zesláblý.
https://goo.gl/6cJs6a
Wichers, M., Groot, P. C. (2016). Critical Slowing Down as a Personalized Early Warning Signal for Depression. Psychotherapy and Psychosomatics 85,114-116. doi: 10.1159/000441458
Dynamic network models: Využití
Aktuálně je propojován přístup strukturního modelovania dynamických systémů - část modelu je parametrizována jako síť, část jako strukturní model.
Time-series modely.
° Zároveň zjišťuji „souvýskyt" symptomů v jednom časovém okně (contemporaneous network) a sleduji, jak na sebe kauzálně symptomy působí v čase (temporal network).
Personalizovaný mixed/random effect network model.
° V případě kauzálního time-series modelu: existují „průměrné" hodnoty kauzálních vztahů mezi symptomy, které ale pro různé lidi různě variují (každý má vztahy trochu jiné).
° Přímé využití v terapii, např. při identifikaci fokálních symptomů.
Network modely podporují systemický přístup k diagnózám, umožňují vhodnějším způsobem studovat patologii (aplikace zejm. v oblasti deprese, úzkosti apod.).
Blízké sociometrii, analogické k analýze sítí v sociologii.
Software
JASP
R. Balicky:
0 psychonetrics ° bootnet ° qgraph
Dalsi zdroje:
0 http://psvchosvstems.org/ 0 http://psvchonetrics.org/
Další přístupy
Teorie vědomostních prostorů Spojité měření IRT modelování
Bayesovské kognitivní modelování
Spíše ve výzkumu, neslouží primárně pro škálování a individuální diagnostiku.
Al.
Beta(l(l)
GaiiKsiaii{0, O.S^g^j Uniform(40,S00) Uniform{4, 100) s,; ~ Bernoiilli(0)
Beta{/ibAbl (1 - /ib) Ab) Beta(/imAm. (1 - fim) AIIL) Binomial(#i. n)
bgit/ib - Pd Beta(5, 5)
Graphical model for inferring membership of two latent groups, consisting of malingerers and bona fide participants.
Teorie vědomostních prostorů
Pochází z didaktického a pedagogického testování.
Ko
Teorie vědomostních prostorů
Využívá se při plánování kurikula, výuky. Různé tutorové výukové systémy.
Dva způsoby konstrukce/uvažování o vědomostních prostorech: 0 Expertní návrhy.
° Empirický (item-tree analysis, cluster analysis aj.).
IRT modelování
IRT modeling, item response latent modeling...
IRT není v tomto kontextu chápané jako statická teorie, ale jen jako konkrétní specifikace nějakého generalizovaného lineárního modelu (existují ovšem i nelineární aplikace).
Tzv. „generál latent variable modeling".
Muthén, Muthén & Asparouhov v rámci SW Mplus.
Univerzální framework, v rámci něhož výzkumník definuje model, popisující jeho představu o tom, jaké složky se podílejí na vzniku pozorovaných dat... a model na těchto datech ověří.
IRTree
De Boeck, P., & Partchev, I. (2012). IRTrees: Tree-Based Item Response Models of the GLMM family. Journal of Statistical Software, 48(1), 1-18.
Explanační IRT modely
IRT modely, které kromě parametrů na straně položek a osob (obtížnosti, diskriminace, schopnosti) predikují odpověď na položku s pomocí dalších externích informací.
0 Např. příslušnost respondenta ke skupině, aspekty na straně položky, o kterých se domníváme, že „způsobují" obtížnost...
Umožňují nám lépe a s větší silou testu ověřovat různé hypotézy o respondentech či položkách.
Bayesovské kognitivní modelování
Velmi moderní přístup, není jasné, kterým směrem se bude ubírat vývoj. ° Umožněno extrémní rozvojem počítačové kapacity - i dnes ale analýzy trvají mnoho dní.
Snaží se „modelovat" chování lidí v určité situaci. ° Časté použití v psychiatrickém kontextu u neuropsychologických testů.
Jiné zobecnění teorie odpovědi na položku.
Na základě teorie je specifikován konkrétní model pro daný test/situaci. Pomocí bayesovského modelování se odhadují parametry pro konkrétního respondenta, výzkumnou skupinu atp.
Hlavní použití je zatím ve výzkumu.