Please enable JavaScript.
Coggle requires JavaScript to display documents.
Teorie e tecniche 2.2 - Coggle Diagram
Teorie e tecniche 2.2
125. Nella selezione degli item di prestazione massima in base al livello di difficoltà, di solito Sono da evitare gli item con difficoltà maggiore di 0.80 e inferiore a 0.20.
126. La difficoltà degli item di prestazione massima (Pₑᵣᵣₐₜₐ) può assumere valori Compresi tra 0 e 1.
127. Il livello di difficoltà degli item di prestazione massima è definito con La proporzione di soggetti che risponde correttamente all’item.
128. La formula per calcolare l’indice di discriminatività D è D = P(Alto) − P(Basso).
129. Il livello di difficoltà di un item di prestazione massima si sceglie anche in base Al numero di alternative di risposta dell’item.
130. In un item di prestazione massima, i distrattori funzionano bene quando Sono stati scelti con proporzioni uniformi.
131. Lo scopo dei distrattori negli item per i test di prestazione massima è Rendere difficile l’individuazione della risposta corretta a chi non la sa e tira a indovinare.
132. In un test di prestazione massima, gli item "troppo facili", con un livello di difficoltà inferiore a .10, possono essere inseriti per Tutte le alternative.
133. Se due item risultano avere una ridondanza molto elevata, di solito è consigliabile Eliminare uno dei due item.
134. In un item di prestazione massima, l'indice di discriminatività inferiore a .20 indica che la discriminatività è Insufficiente.
135. Un valore negativo della correlazione item-totale corretta indica che C’è un problema ed è opportuno controllare lo scoring.
136. Per essere ottimale, il valore della correlazione item-totale corretta dovrebbe essere Maggiore di .30.
137. Nei test di prestazione massima, per calcolare la correlazione item-totale corretta è necessario calcolare Il coefficiente di correlazione punto-biseriale.
138. L’indice che esprime quanto ogni singolo item è in grado di rappresentare, da solo, il costrutto misurato dall’insieme degli item del test è La correlazione item-totale corretta.
139. L’indice che permette di valutare quanto ogni item contribuisce al punteggio totale del test è La correlazione item-totale corretta.
140. La correlazione item-totale corretta è un indice che esprime
Tutte le alternative.
141. In un test di prestazione massima, l’indice di discriminatività dovrebbe assumere valori Positivi, meglio se maggiori di .40.
142. In un test di prestazione massima, la situazione ideale è avere Item con livelli di difficoltà diversi tra loro.
143. In un item di prestazione massima, un indice di discriminatività uguale a 0 indica che L’item non discrimina tra il gruppo con punteggio alto al test e il gruppo con punteggio basso al test.
144. In un item di prestazione massima, un indice di discriminatività con valore negativo indica che Il gruppo con punteggio basso al test ha risposto correttamente all’item in proporzione maggiore del gruppo con punteggio alto.
145. L’indice di discriminatività può variare Da –1 a +1.
146. La misura di quanto ogni item è in grado di distinguere i soggetti con livelli elevati del costrutto da quelli con livello basso del costrutto è La discriminatività.
147. Sono considerati ridondanti gli item che presentano una correlazione tra loro di almeno .70
148. La correlazione item-totale corretta è calcolata solo per costrutti che non hanno facet
149. L'imputazione dei dati mancanti si può utilizzare se il pattern dei mancanti Missing Completely at Random (MCAR)
150. Si ritengono adeguati valori di Skewness e Curtosi Compresi tra –1 e +1
151. Per valutare se la distribuzione delle risposte a un item si avvicina alla distribuzione normale si utilizza Tutte le alternative
152. L’indice che indica quanto la distribuzione è più appiattita o più appuntita rispetto alla normale è chiamato Curtosi
153. L’indice che indica quanto la distribuzione è simmetrica o asimmetrica rispetto a un punto mediano è chiamato Skewness
154. In una distribuzione perfettamente normale, l’indice di Curtosi è Uguale a 0
155. In una distribuzione perfettamente normale, l’indice di simmetria o Skewness è Uguale a 0
156. Di solito ci si attende che i punteggi ai test psicologici, come ad esempio il quoziente intellettivo, si distribuiscano seguendo La curva normale.
157. La distribuzione attesa delle risposte a un item è
Normale.
158. Se in un test sulla depressione si osserva la presenza di dati mancanti con maggior probabilità in soggetti con un elevato livello di depressione, il pattern dei dati mancanti è Missing Not at Random.
159. In fase di studio preliminare, i dati mancanti Di solito sono inferiori al 5%.
160. Per stabilire se lo scostamento dalla distribuzione normale è trascurabile oppure no si utilizza Tutte le alternative.
161. Quando la probabilità che un dato sia mancante non dipende dalla caratteristica misurata dal test di cui l’item fa parte una volta controllato l’effetto di un’altra variabile, si tratta di Missing at Random.
162. Quando la probabilità che un dato sia mancante è completamente indipendente sia dalla caratteristica misurata dal test di cui l’item fa parte, sia da qualsiasi altra variabile considerata nell’analisi, si tratta di Missing Completely at Random.
163. Quando la probabilità che un dato sia mancante dipende proprio dalla caratteristica misurata nel test, si tratta di Missing Not at Random
164. I Missing Not at Random Tutte le alternative
169. Un’osservazione in cui il dato è presente e il cui valore è compatibile con quelli possibili per quella variabile è definita Caso valido
170. Un aspetto di cui si occupa la procedura di Data Cleaning è Verificare la presenza di valori anomali.
171. Nell'analisi preliminare degli item dei test di prestazione tipica si utilizzano Tutte le alternative
172. Per i punteggi su scala Likert, è possibile utilizzare la media, invece della mediana Tutte le alternative
173. Affinché un item funzioni bene, il punteggio massimo e minimo della scala di risposta tipo Likert Deve essere stato scelto almeno una volta
174. Negli item con scala di risposta Likert, il valore ottimale della deviazione standard del punteggio varia in funzione Dei punti della scala
175. Negli item con scala Likert, il valore ottimale del punteggio medio dovrebbe corrispondere Al punteggio medio della scala di risposta
176. Negli item con scala di risposta Likert, il range dei valori ottimali del punteggio medio varia in funzione Dei punti della scala
177. Nell’analisi preliminare degli item di prestazione tipica, per verificare che le risposte siano sufficientemente disperse intorno al punteggio centrale si utilizza La deviazione standard e la differenza interquartile
178. Negli item di prestazione tipica, affinché la discriminatività sia accettabile, la grandezza dell’effetto d dovrebbe essere Superiore a .20
179. Nella valutazione preliminare degli item, la valutazione della discriminatività è utilizzata Per i test di prestazione massima e per i test di prestazione tipica
180. Valutando la discriminatività di un item con scala Likert attraverso l’esame della curva caratteristica dell’item ci aspettiamo
Che il punteggio 1 sia quello più scelto dai soggetti nel primo quartile
185. Nella valutazione preliminare degli item, la correlazione item-totale corretta è utilizzata Per i test di prestazione massima e per i test di prestazione tipica
186. L’unidimensionalità degli item di un test può essere ipotizzata quando nella matrice di correlazione tra gli item Le correlazioni tra gli item sono tutte molto simili tra loro
187. Individuare quante dimensioni sono necessarie per riassumere adeguatamente le relazioni tra le variabili è lo scopo
Dell’analisi fattoriale
188. La presenza di correlazioni molto simili tra tutti gli item di un test suggerisce la presenza di Unidimensionalità dell’insieme di item
189. Con Analisi Fattoriale si intende un insieme di tecniche statistiche che mirano a individuare Un numero minimo di dimensioni latenti che spieghino i pattern di relazione tra i punteggi agli item
190. La verifica empirica della dimensionalità di un test ha come obiettivo Verificare che gli item del test facciano riferimento a una singola caratteristica psicologica latente
191. L’analisi delle componenti principali è adeguata per i modelli a indicatori formativi
192. In una analisi fattoriale, la soluzione A spiega il 70% della varianza estraendo 3 fattori, la soluzione B spiega il 78% di varianza estraendo 5 fattori. In base al principio di parsimonia: si dovrà scegliere la soluzione A
193. Il principio che stabilisce che "tra due soluzioni che spieghino approssimativamente la stessa quota di varianza comune tra gli item, è da preferire quella con il minor numero di fattori" è detto principio di parsimonia
194. Nell’analisi delle componenti principali non viene distinta la varianza comune dalla varianza unica
195. L’analisi fattoriale è adeguata per modelli a indicatori riflessivi
196. Secondo il principio di causazione i fattori latenti sono la causa dei punteggi osservati negli item
197. Il principio di causazione stabilisce che il pattern di correlazione fra le variabili osservate è dovuto all’effetto causale di variabili latenti
198. Causazione, Parsimonia, Struttura semplice sono i principi alla base Analisi fattoriale
199. I principi alla base dell’AFE sono Causazione, Parsimonia, Struttura semplice
200. La proporzione di varianza che l’item condivide con gli altri item è detta Varianza comune
201. La distinzione della varianza in varianza comune e varianza unica è presente Nell’analisi fattoriale esplorativa
202. Lo scopo dell’analisi fattoriale esplorativa è Spiegare la varianza condivisa tra gli item in base a un numero ristretto di dimensioni latenti
203. In una matrice di saturazione sono rappresentati
In colonna i fattori e in riga le variabili osservate (item)
204. Il numero di fattori con cui un item ha una saturazione sostanziale è detto Complessità fattoriale
205. In una Analisi Fattoriale Esplorativa su indicatori riflessivi, elevando al quadrato la saturazione dell’item sul fattore si ottiene La quota di variabilità del punteggio all’item che è spiegata dal fattore
206. Affinché una soluzione fattoriale sia adeguata, ogni fattore estratto deve essere saturato Da almeno 3 item
207. In una Analisi Fattoriale Esplorativa, un valore di comunalità = 1 indica che I fattori spiegano completamente la variabilità dell’item
208. I valori della comunalità Possono variare tra 0 e 1
209. La quota di variabilità del punteggio agli item spiegata dall’insieme dei fattori èLa comunalità
210. In un modello di misura a indicatori riflessivi, la comunalità è La quota di variabilità del punteggio all’item spiegata dall’insieme dei fattori
211. La somma delle saturazioni al quadrato che un item ha con ogni fattore è La comunalità
212. Le saturazioni in cui il fattore è in grado di spiegare almeno il 10% della variabilità dell’item sono dette Sostanziali
213. Quando il test è formato da item tutti dicotomici si utilizza la matrice tetracorica per condurre l'analisi fattoriale
214. Il determinante della matrice di correlazione è utilizzato per valutare la fattorializzabilità della matrice
215. Il test di sfericità di Bartlett fornisce indicazioni circa la fattorializzabilità della matrice
216. Per sapere se una matrice è fattorializzabile si utilizzano degli indici
217. La scelta del tipo di matrice di correlazione da utilizzare in una Analisi Fattoriale dipende tutte le alternative
218. Per condurre l'Analisi Fattoriale si può partire da matrici di correlazione tutte le alternative
219. Il punto di partenza di una Analisi delle Componenti Principali è matrice di correlazione
220. La matrice di correlazione è il punto di partenza dell'Analisi Fattoriale
221. La distanza di Mahalanobis è impiegata per identificare gli outlier multivariati
222. Gli outlier multivariati possono essere identificati attraverso la distanza di Mahalanobis
223. Sono definiti outlier multivariati i soggetti che hanno combinazioni di punteggi particolarmente rare rispetto al resto del campione
224. Di solito sono considerati outlier i soggetti che tutte le alternative
225. Si definiscono outlier i casi che hanno punteggi estremi e/o pattern di risposte incoerenti
226. Affinché un modello di analisi fattoriale sia identificato, è necessario che Il numero di parametri da stimare sia inferiore o uguale al numero di informazioni disponibili
227. Il pool di item da sottoporre a analisi fattoriale deve essere stato sviluppato in modo da tutte le alternative
228. Nell'equazione di specificazione dell'Analisi delle Componenti Principali il termine di errore è assente
229. Il primo membro dell'equazione di specificazione dell'Analisi delle Componenti Principali è il punteggio standardizzato all'item
230. Il numero massimo di componenti che si può estrarre con una Analisi delle Componenti Principali è uguale al numero degli item inclusi nell'analisi
231. A parità di numero di fattori estratti, le comunalità e le saturazioni fattoriali: sono inferiori nell’Analisi Fattoriale Esplorativa, rispetto all’Analisi delle Componenti Principali
232. Attraverso l’Analisi delle Componenti Principali si mira a: spiegare la varianza totale di ogni item
233. Attraverso l’Analisi Fattoriale Esplorativa si mira a: spiegare la varianza che ogni item condivide con gli altri
234. Il metodo di estrazione dei fattori basato sulla Massima verosimiglianza fornisce indici di fit del modello fattoriale testato
235. Quale dei seguenti è un metodo di estrazione dei fattori nell’Analisi Fattoriale Esplorativa? tutte le alternative
236. Il metodo di estrazione Principal Axis Factoring: estrae i fattori in modo che spieghino la maggior quota possibile di varianza comune alle variabili originali
237. Con il metodo di estrazione Principal Axis Factoring: è necessaria una stima preliminare delle comunalità
246. Le rotazioni dei fattori possono essere: ortogonali e oblique
247. Quando i fattori vengono ruotati senza mantenere un angolo tra loro di 90 gradi si tratta di una rotazione: obliqua
248. A seguito di una rotazione ortogonale i fattori: non possono essere correlati tra loro
249. La rotazione dei fattori che mantiene un angolo di 90 gradi tra i fattori è: ortogonale
250. La rotazione dei fattori: si propone di ruotare il sistema di riferimento degli assi fattoriali mantenendo fisse le variabili
251. A seguito di una rotazione obliqua i fattori: possono essere correlati tra loro
252. Con una rotazione obliqua i fattori: sono ruotati senza mantenere tra i fattori un angolo di 90°
253. A seguito della rotazione obliqua dei fattori vengono prodotte: la matrice pattern e la matrice structure
254. La rotazione dei fattori: non modifica la quantità di varianza spiegata
255. Dopo la rotazione dei fattori: la varianza spiegata è distribuita più uniformemente tra i fattori
256. Nella scelta del numero di fattori da estrarre in una Analisi Fattoriale, il criterio da utilizzare con Minimum Average Partial Correlation Statistic (MAP) prevede di estrarre: tutti i fattori fino a quello cui corrisponde il minimo valore di MAP
257. Nella scelta del numero di fattori da estrarre in una Analisi Fattoriale, il criterio da utilizzare con la Parallel Analysis prevede di estrarre: i fattori che hanno un autovalore osservato maggiore dell’autovalore simulato medio
258. Nella scelta del numero di fattori da estrarre in una Analisi Fattoriale, il criterio suggerito da Cattel per utilizzare lo scree-test suggerisce di estrarre: i fattori precedenti a quello in cui la linea spezzata si appiattisce
259. Il grafico in cui sono rappresentati sull’asse orizzontale le componenti estratte in successione e sull’asse verticale i valori degli autovalori è: lo scree-test
260. Quali dei seguenti sono criteri per stabilire il numero dei fattori da estrarre: Scree-test; Minimum Average Partial Correlation Statistic (MAP); Parallel Analysis
261. Il criterio di Kaiser-Guttman è anche detto: criterio degli autovalori maggiori di 1
262. Quali dei seguenti sono criteri per stabilire il numero dei fattori da estrarre: Kaiser-Guttman; Scree-test; Parallel Analysis
263. Il criterio che suggerisce di estrarre i fattori precedenti a quello in cui la linea spezzata si appiattisce è utilizzato con: lo scree-test
264. L’analisi che permette di definire a priori su quale fattore satura ciascun item è: l’analisi fattoriale confermativa
265. L’analisi delle componenti principali e l’analisi fattoriale esplorativa si differenziano: TUTTE
266. L’analisi che ha lo scopo di testare uno specifico modello di misurazione in cui viene stabilito a priori il numero di fattori e su quale fattore satura ciascun item è: l’analisi fattoriale confermativa
267. Nell’Analisi Fattoriale Confermativa gli indici di fit permettono di stabilire il tipo di rotazione da eseguire: se il modello testato è adeguato ai dati
268. Se non vengono rispettate le assunzioni fondamentali sull'errore nella Teoria Classica dei Test: l’errore di misura è un bias
269. La proprietà psicometrica relativa all’accuratezza con cui un test misura una certa variabile psicologica è: la validità
270. L’attendibilità è un indice: della precisione della misura che l’insieme di item ci permette di ottenere