Когда в психологических исследованиях оправдано использование манифестных переменных вместо латентных?

Психологи-экспериментаторы, похоже, вполне довольны работой со специальными шкалами самоотчетов по одному пункту, физиологическими показателями и т. д. с очень небольшой психометрической оценкой, поэтому, даже прежде чем говорить о полноценном подходе к моделированию латентных переменных, подтверждающем факторном анализе и т. п., вы, возможно, захотите удивляюсь, почему они кажутся относительно равнодушными к вопросам измерения в целом и почему до сих пор существует такой большой разрыв между экспериментальной психологией и психометрией.

Некоторые возможные объяснения (некоторые из них не являются очень убедительными оправданиями для отказа от моделирования скрытых переменных, но все же объясняют, почему люди довольствуются использованием явных переменных):

• Экспериментатор может создавать (относительно) сильные эффекты. Если вы проводите эксперимент, в котором пытаетесь вызвать отвращение, показывая людям изображения отвратительных вещей, и кажется, что ваши изображения не производят измеримого эффекта, вы можете попытаться улучшить свои измерения, но вы также можете просто использовать еще более отвратительные изображения. или добавьте несколько дополнительных испытаний в свой эксперимент. С другой стороны, когда вы создаете личностный тест для целей найма, вы не можете просто желать, чтобы кандидаты больше отличались друг от друга, чтобы упростить вашу задачу, или быть довольным оценкой среднего значения всех кандидатов, вам действительно нужно назначьте оценку каждому кандидату с уровнем точности, позволяющим различать их.
• Они полагаются на характер манипуляции и ее влияние на ответ, а не главным образом на корреляцию между различными шкалами для интерпретации своих результатов.
• Их часто интересуют групповые различия. (Между-индивидуальные различия часто затмевают любую ошибку, связанную с предметом, так что зачем вообще беспокоиться об этом? Просто добавьте несколько участников!)
• Они по-прежнему строят свои эксперименты как проверку какой-то «нулевой» гипотезы (есть эффект или нет?)
• Они не очень заинтересованы в величине эффекта как таковой, что является следствием предыдущего пункта (если они и вычисляют какую-либо меру величины эффекта, то в основном с прицелом на статистическую мощность).

Короче говоря, если какое-либо статистически значимое различие расценивается как интересный результат (т. е. ваши манипуляции возымели эффект), вам не нужно слишком беспокоиться о надежности или значении ответа.

Интересно, что вы, кажется, подходите к вопросу из одного лагеря, предполагая, что моделирование скрытых переменных явно полезно, и людям нужно активно защищать себя за то, что они не делают очевидных правильных вещей. Вы также можете перевернуть вопрос и спросить: «Так ли уж полезно моделирование скрытых переменных? Что это нам дает?» В контексте, который я только что выделил, может быть не так просто сформулировать убедительный ответ.

И, конечно же, на практике многие люди просто заботятся о методологии в минимально возможной степени, чтобы заниматься своим делом, публиковаться и делать то, что они считают действительно интересным. Следовательно, многие исследователи почти не слышат о моделировании скрытых переменных после того, как они закончили свою магистерскую работу, и они даже не заботятся об этом так или иначе, потому что это просто не то, как это делается в их дисциплинах.

Это интересный вопрос. Вот ряд мыслей, которые пришли мне в голову по поводу того, почему исследователи могут сосредоточиться на наблюдаемых переменных.

• Многие исследователи сообщают о надежности и наблюдаемых взаимосвязях между переменными. Приняв несколько допущений, читатель может оценить, какими будут скрытые взаимосвязи (см., например, формулу для коррекции затухания ).

• Некоторые исследователи интерпретируют свои величины эффекта по сравнению с другими исследованиями, в которых сообщается о наблюдаемых переменных . Таким образом, размеры эффекта не интерпретируются в абсолютном выражении. В тех областях, где о величине эффекта обычно сообщают с использованием наблюдаемых переменных, эта система отсчета может иметь наибольший смысл. Тем не менее, это становится проблематичным, когда надежность варьируется между исследованиями. В этих случаях метааналитические поправки на ненадежность в стиле Хантера и Шмидта обычно приводят к более сопоставимым результатам.

• Моделирование наблюдаемых переменных требует меньше вариантов моделирования, чем моделирование скрытых переменных. В частности, оценки отношений между скрытыми переменными зависят от допущений для оценки скрытых переменных. Если вы, как читатель, не согласны с этими предположениями, может быть трудно восстановить отношения между наблюдаемыми переменными.

• Моделирование наблюдаемых переменных проще, чем моделирование скрытых переменных. Это помогает объяснить, почему многие исследователи сообщают о корреляционных матрицах и регрессиях в психологии, а не об эквивалентах скрытых переменных. Однако все может стать намного сложнее, когда вы выходите за рамки стандартных многомерных нормальных контекстов SEM: например, включение категориальных переменных, модераторных эффектов, латентных переменных, которые плохо определены, нелинейных эффектов, ненормальной дисперсии ошибок, коррелированной дисперсии ошибок. , и так далее. Понятно, что некоторые исследователи социальных наук возвращаются к более знакомой территории моделирования наблюдаемых переменных кусочно. Однако, хотя это и объяснение, исследователи все равно должны стремиться моделировать данные более комплексно и реалистично.

• В конечном счете, именно исследователь решает, хотят ли они сделать выводы о взаимосвязях между наблюдаемыми или скрытыми переменными . Хотя в некоторых контекстах предполагается, что исследователь должен быть заинтересован в лежащей в основе конструкции, решение остается за исследователем.

• Отношения между наблюдаемыми переменными иногда представляют в первую очередь интерес . Некоторые примеры: (а) экспериментальные условия; (б) когда исследователи заинтересованы в прикладном прогнозировании; в) когда исследователей интересует сама наблюдаемая переменная.

• То, моделируют ли исследователи скрытые переменные, по-видимому, связаны с предметной областью . В частности, моделирование скрытых переменных, по-видимому, особенно популярно в областях с большими выборками, схемами наблюдения, в которых используются самооценка или психологические шкалы с множественным выбором. В таких контекстах предположение, что наблюдаемые переменные являются случайной выборкой возможных наблюдаемых переменных и являются проявлением латентной переменной, часто кажется более подходящим. Легко представить, какие альтернативные элементы можно было бы собрать, и как можно было бы повысить надежность, если бы было включено больше элементов. Интересно подумать, почему это так, и есть ли области, которые выиграли бы от более широкого включения моделирования скрытых переменных.

• Часто интересующая скрытая переменная не является переменной, подразумеваемой взаимной корреляцией наблюдаемых переменных . Например, латентный фактор, лежащий в основе набора элементов экстраверсии самоотчета, не будет истинной экстраверсией. Я могу концептуализировать истинную экстраверсию, которую можно было бы рассчитать, если бы удалось объединить все, что можно было бы узнать о поведении человека, его мыслях, физиологии и закономерностях его окружения. Однако фактор, лежащий в основе взаимосвязей пунктов самоотчета, не будет этим фактором. Несмотря на то, что оценка взаимосвязей имеет смысл, если бы была достигнута абсолютная надежность, это не должно освобождать нас от попыток оценить фактическую скрытую интересующую переменную.

• Исправление ошибки измерения не должно останавливать исследователей от попыток повысить надежность и достоверность измерения. Поправка на ненадежность не так хороша, как надежное измерение.

Значение скрытых переменных имеет неприятную обратную сторону: они меняются между выборками, потому что они соответствуют наблюдаемой корреляционной матрице (вероятно, только искажают значение, но определенно меняются от выборки к выборке).

При этом я бы сказал, что лучше всего использовать переменные манифеста при использовании стандартной шкалы, в которой вы собираетесь сравнивать свои результаты с другими, использующими эту стандартную шкалу.

Другая причина использования переменных манифеста — наличие установленных точек отсечения, которые вы хотите использовать.

Я бы использовал скрытую переменную для всего, что сварено в домашних условиях, или для любой конструкции, на которой я собрал несколько шкал/других индикаторов.