Metodi per la ricerca psicologica

Considerazioni sul campionamento nei modelli tassometrici

N.B. Ricordiamo che, quando usiamo i modelli tassometrici, dobbiamo stare attenti a una serie di questioni di metodo legate a tanti aspetti: per esempio ci sono aspetti legati al campionamento. Un campionamento mal fatto può produrre evidenze di tassonicità dove, in realtà, classi latenti non ci sono; oppure può rendere non visibile un taxon che in realtà esiste eccome.

Ruscio afferma chiaramente che il campionamento ideale è un campionamento probabilistico casuale da una popolazione di riferimento.

Il gioco delle tecniche tassometriche è un gioco descrittivo: di conseguenza è un gioco di grandi campioni. Più sono i soggetti inclusi meglio vanno le cose, a patto che il campionamento sia fatto adeguatamente; perché se io creo un campione con persone che esprimono un fenotipo (che ritengo essere il taxon) e persone che non esprimono quel fenotipo, rischio di escludere tutti quei soggetti che stanno nell'area intermedia. Viceversa,

Devo fare attenzione a fare studi tassometrici su popolazioni in cui il taxon è piccolo e poco presente. Ruscio afferma che la capacità di identificare un taxon latente non è solo legata alla proporzione con cui è presente in un campione, ma alla numerosità di soggetti potenzialmente afferenti al taxon ipotetico, che sono presenti in quel campione. Ruscio ricorda che la scelta degli indicatori è critica perché devono essere indicatori non ridondanti di tutte le sfaccettature del costrutto, ma senza sbavature rispetto ad essere indicatori anche di costrutti diversi. Guardiamo le X. Le X significano "ci becco". Le tecniche "beccano" sempre allo stesso modo in tutte le condizioni? No. MAXEIG è una tecnica incredibilmente potente: riesce a trovare taxon latenti anche molto rari. MAMBAC e L-MODE non funzionano altrettanto bene: - L-MODE si ferma al 10% con 1000 unità - MAMBAC arriva con 200 soggetti fino a 8000.

ma non va oltre. Perciò quando usiamo taxon rari non tutte le tecniche vanno bene allo stesso facciamo un'analisi tassometrica non bisogna mai usare una sola tecnica: quando facciamo uno studio

Inoltre, quando tassometrico bisogna usare almeno 3 tecniche non ridondanti (= non basate sullo stesso principio).

MAXCOV e MAXEIG si basano esattamente sullo stesso principio, per cui usiamo una o l'altra.

MAMBAC e MAXEIG non usano lo stesso principio.

MAMBAC, MAXEIG - MAXCOV e L-MODE non usano lo stesso principio.

Max Slope e MAXCOV e MAXEIG usano lo stesso principio.

Sono, quindi, non ridondanti:

• MAMBAC, Max Slope L-MODE, MAMBAC, MAXCOV MAXEIG L-MODE

Quale si usa di più? MAMBAC, MAXEIG MAXCOV e, a seconda del numero di indicatori, L-MODE

Perché usare le 3 tecniche basate su principi non ridondanti? Per essere sicuri che il risultato che trovate non sia legato alla idiosincrasia di una singola tecnica o che sia un risultato spurio = è una sorta di

Indice di consistenza del risultato: se 3 tecniche indipendenti sugli stessi soggetti mi danno lo stesso tipo di evidenza, il dato è quello.

La scelta degli indicatori è critica perché devono essere indicatori non ridondanti di tutte le sfaccettature del costrutto, ma senza sbavature rispetto ad essere indicatori anche di costrutti diversi. Sull'appropriatezza del costrutto per il tipo di indagine.

Prima di fare uno studio tassometrico, è importante riflettere sugli indicatori e anche sul costrutto per il tipo di indagine.

La scelta degli indicatori è critica perché devono essere correlati tra loro, in quanto deve esistere un solo costrutto che ne spiega l'associazione: che sia un costrutto distribuito in modo continuo a livello latente oppure che siano i due gruppi con medie diverse, a livello latente, a spiegare la covariazione.

Gli indicatori devono essere indicatori di un singolo costrutto; devono essere correlati tra loro ma non ridondanti, cioè non devono esserci

Due indicatori così collegati tra loro da essere sostanzialmente uno la fotocopia dell'altro.

Perché gli indicatori devono essere correlati e non rindondanti?

Significa che:

1. Se gli indicatori sono uno la fotocopia dell’altro stai misurando sempre la stessa cosa, ovvero forse il costrutto neanche c’è
2. Nel set di indicatori, una serie ampia di indicatori è correlata ma non ridondante; poi magari ne abbiamo un paio che hanno una correlazione sospetta (.7, .8, .9). Quei due indicatori rischiano di produrmi un danno grosso in questa formula: Se gli indicatori sono ridondanti le correlazioni restano anche dentro il taxon e il complemento, e rendono impossibile mandare a 0 i termini “Pcov(xy) + Qcov(xy)” in taxon e in complemento. In altre parole, distorcono completamente i risultati e rischiano di alterare i risultati finali delle analisi, che non riguardano solo l’identificazione del taxon e del complemento, ma l’identificazione

del punto in cui i due sono, quindi, l'identificazione dei soggetti che appartengono a un gruppo e all'altro gruppo. Il fatto di avere delle tecniche non ridondanti consente di andare a valutare quello che è un principio cardine della ricerca scientifica, cioè: considerare tanto più credibile un risultato quanto più è replicabile. Quando abbiamo indicatori ridondanti e non vogliamo sacrificarne uno, che operazione possiamo fare? Li unisco, li sommo. Se abbiamo due indicatori ridondanti e ne tiro fuori uno (che è più affidabile dei due e non è ridondante), il problema è risolto. La scelta degli indicatori diventa particolarmente critica quando si entra in fissa con i sottogruppi. In linea di principio, quando troviamo evidenza di categorialità latente (un taxon e un complemento) dobbiamo chiederci se il taxon contiene un solo tipo o dei sottotipi distinti. Nulla osta che riapplichiamo le tecniche.tassometriche,campionando dal taxon. Ruscio dice che se vogliamo testare l'esistenza dei sottotipi bisogna stare attenti perché non è detto che il set di indicatori usati per identificare il taxon dal complemento (chi ha il disturbo rispetto a chi non lo ha) vada bene per identificare i sottotipi all'interno del taxon. Bisogna considerare che se cambiamo il set degli indicatori si rischia di cambiare anche il costrutto; quindi, non si sa più cosa si cerca all'interno del taxon se non è stata fatta una valutazione forte. Un'eccessiva variabilità entro taxon. Se invece abbiamo siamo sicuri di riuscire a tirare fuori indicatori che consentano di identificare il taxon rispetto al complemento? Prima di partire con una valutazione tassometrica, bisogna sincerarsi sempre che il costrutto sia appropriato. Non utilizzare strategie scriteriate nell'approccio all'identificazione dei gruppi latenti. La terza cosa è di cercare.diquando abbiamo in mente i sottotipi.
52Bisogna avere un’ipotesi nella testa fare uno studio tassometrico se non si ha un’ideanon si può(teoreticamente ed empiricamente fondata) di qual è la proporzione e la numerosità del taxon che mi aspetto.
La co-occorrenza tra diagnosi è una questione nota nella clinica, a cui il mondo biomedico è abituato, ma proprioperché si è abituati a identificare più condizioni morbose nell’ambito di esistenza di una persona, quando questomodello viene trasferito al modello biomedico della disfunzionalità psicologica, questo genera delle distorsioni sullequali bisogna riflettere, ancor più se poi ci si mette in testa di usare i modelli tassometrici per modellizzare la co-occorrenza diagnosticaI modelli categoriali hanno delle implicazioni grosse, dal punto di vista di cosa produce le differenze tra le persone. Imodelli categoriali implicano o la presenza di una causa

specifica o dei fenomeni di interazione. Quando si pensa di conseguenza a un modello categoriale di disturbi mentali, si pensa a qualcosa che abbia delle cause che producono una discontinuità, in assenza delle quali la discontinuità non si verifica. La variazione nel campo dellanormalità è diversa dalla presenza della patologia. La questione è che a questo punto dovresti verificare le cause che governano l’esistenza di quel confine. Se tu trovi un’evidenza di un modello categoriale, è chiaro che questo sposta l’attenzione e una volta che identifichi il confine sul sistema di truppe che ha generato quel confine disfunzionale. Se tu invece assumi che ci sia una multifattorialità che può portare, partendo da cause differenti, allo stesso esito è chiaro che funziona molto meglio un modello di tipo dimensionale. La nozione acritica dei modelli categoriali, per cui esistono cause specifiche di singoli disturbi, nel

È quello dell'identificare quegli indicatori che consentono di distinguere i soggetti appartenenti al taxon sovrapposto rispetto ai soggetti che appartengono ai due taxa indipendenti. Bisognerebbe identificare un nuovo set di criteri, ma dobbiamo anche essere sicuri che ci sia un nuovo costrutto, allora è una diagnosi indipendente la cosa più verosimile, o addirittura un'unica diagnosi. 53CURVA MAMBAC Struttura tassomica/categoriale: parabola. Quando il dato è dimensionale la curva MAMBAC (È una funzione che sale, raggiunge un massimo e scende) è una U appena accennata. Perché ha questo andamento? Fondamentalmente la differenza di media rimane. MAMBAC crea delle coppie di indicatori, un indicatore è sull'asse delle x costante lungo tutti i livelli della variabile input ed è quello su cui vengono fatti suddivisioni, parzialmente sovrapposte l'una all'altra che vanno dal valore.più basso nel campione al valore massimo osservato nel campione delle y. Sull'asse abbiamo la differenza del