COSTRUIRE UN NUOVO TEST

Il campione normativo è ampia e ha grande variabilità, buon equilibrio rispetto al genere, su questo campione saranno calcolate le norme di un test ossia i cut-off che ci permettono di distinguere soggetti con punteggi al test alti e bassi. Dimensionalità (da quante dimensioni è composto il test), attendibilità. La job insecurity è una percezione soggettiva e c'è perdita involontaria del posto di lavoro. È distinta in 2 tipi qualitativa e quantitativa e 2 focus cognitiva e affettiva. Il modo in cui definiamo e misuriamo la variabile determina i risultati. La sfera emotiva ha outcomes peggiori sulla salute, la sfera cognitiva sugli atteggiamenti (engagement). Item dispari quantitativi, item pari qualitativi. Quantitativa e qualitativa si distinguono meglio. Il MJIQ è composto da 20 item. Studiare il livello di discriminazione degli item, discriminare tra le persone che possiedono e non possiedono la caratteristica indagata. La cosa.

Il peggiore è scrivere item a cui tutti i rispondenti danno la stessa risposta o è inutile o è scritto male.

1. Item analysis consente di controllare la qualità degli item: forma della distribuzione e la capacità discriminativa. Il punteggio a un test è dato dalla somma degli item perciò se gli item non sono adeguati influenzano negativamente le proprietà psicometriche del test. Si calcolano con SPSS.

   • Asimmetria: la distribuzione è simmetrica?
   • Curtosi (altezza della distribuzione): devono essere compresi tra -1 e 1. Ciò vuol dire che l'item non viola le assunzioni di normalità asimmetria.
   • Per valutare la capacità discriminativa si usano media e deviazione standard (un item non discrimina se la media è estrema e la deviazione standard vicina a zero). Tra -1 e +1 deviazione standard c'è il 68% della distribuzione (media -/+ una ds).

2. Dimensionalità: l'analisi fattoriale crea variabili

sintetiche (comprende variitem che possiamo associare), una parte di informazione si perde. Una voltaidentificate le variabili latenti le usiamo per restituite i risultati. AF (o tecnichedi riduzione dei dati) si basa:parsimonia-sul principio di la struttura fattoriale emersa deve essere semplice(l'obiettivo era riassumere l'informazione attraverso i fattori), identificare menovariabili latenti possibili per riassumere al meglio i dati.dell'informazione-sul principio dice che il numero di fattori estratti deveriuscire a spiegare i fenomeni dunque mantenere l'info totale (somma dell'infodi ciascun item). Dal punto di vista statistico corrisponde alla varianza, dalpunto di vista concettuale è la somma delle informazioni che derivano daciascun item.AF: Esplorativa usa approccio data-driven (guidato dai dati raccolti, si lascialibero il programma di estrarre determinate dimensioni), esplora il numero difattori latenti. Può essere interpretata soggettivamente.non è sufficiente vaconfermata perciò si fa l'AF confermatoria: supporta che la struttura fattorialeemersa è in linea con il modello empirico, sia supportata dai dati. La dimensionalità si studia attraverso l'analisi fattoriale. Variabili latenti perché non osservate ma desunte da item. Lineare: perché il punteggio della scala è dato dalla somma degli item. L'analisi fattoriale riduce il numero di item creando dimensioni che sono combinazioni degli item iniziali e che consentono una restituzione più semplice dei risultati. L'analisi delle componenti principali inizia con la matrice di correlazione degli item (matrice R; contiene i coefficienti di pearson); è una matrice variabili x variabili, correlazioni tra tutti gli item. Il punto finale è la matrice di saturazione che è una matrice di correlazione tra item e variabili latenti (componenti principali estratte); la matrice di saturazioneè sempre più piccola della matrice di correlazione. La matrice di saturazione ci fa capire quale variabile latente va a misurare ciascun item. Matrice di correlazione quadrata (20 righe e 20 colonne, stesso n di righe e colonne) e simmetrica rispetto alla diagonale poiché se tagliassimo in corrispondenza della diagonale (in cui abbiamo gli 1) i coefficienti di correlazione si riflettono a specchio, perché la correlazione indica come varia una variabile al variare dell'altra. Nell'ACP l'info totale che non si vuole perdere è uguale al numero di item. 20 item mi danno un'info uguale a 20. La varianza delle CP si chiama autovalore per distinguerla dalla varianza degli item. Gomito: punto in cui la spezzata cambia direzione, una volta individuato il gomito si scelgono le cp fino al gomito escluso o le cp che si trovano al di sopra del gomito. 3 criteri: 1° poco parsimonioso 2° più severo 3° piuttosto arbitraria, mantienel'info; la varianza spiegata non più piccola del 50%. (Autovalore: totale) x 100, così si trova la frequenza cumulata per ciascun autovalore. I diversi criteri ci possono dare numeri diversi di cp. Quante cp prendo dipende dalle ipotesi. Gli item possono avere doppia saturazione ossia pesare su due componenti principali, ciò non va bene nei questionari, non possiamo usare lo stesso item per misurare cose differenti, in tal caso non si capisce a quale componente principale appartengono. Un'info più chiara dell'indice di saturazione l'abbiamo dal grafico dei pesi fattoriali costruito utilizzando le saturazioni come coordinate dei punti su un sistema di assi cartesiani dati da cp1 e cp 2. Si compie una rotazione degli assi di tipo ortogonale o obliquo. Chiediamo ad SPSS una rotazione ortogonale di tipo varimax. Affidabilità = attendibilità. Coefficienti di attendibilità valutano la coerenza interna o la stabilità nel.tempo, quale coefficiente uso dipende da obiettivo e costrutto. La correlazione deve essere positiva, l'alfa di Cronbach varia tra 0 e 1 perché ho già girato gli item reversi. Se a > 0.60 il test è affidabile. Correlazione tra ogni singolo item con il totale della scala corretto (si toglie il contributo di quell'item per non sovrastimare), questa correlazione deve essere maggiore di 0.30; vuol dire che l'item misura lo stesso costrutto degli altri, se piccola l'item va eliminato perché concorre poco alla misurazione del costrutto. L'item 1 correla con la scala a cui è stato tolto il suo contributo di 0.65 (indice di discriminazione). Per calcolare l'attendibilità bisogna prima girare gli item reversi. Più gli item si assomigliano, più la variabilità è bassa.

1) ITEM ANALYSIS

Conduco un item analysis per la scala uwes e vedo che per quanto riguarda la forma della distribuzione, tutti gli item

violano le assunzioni di normalità perl'asimmetria (in particolare tutti i punteggi sono superiori a -1 e dunque molto alti) e quasi tutti per la curtosi che è sempre superiore a 1 (eccetto che per gli item 4 e 5). Inoltre per quanto riguarda la capacità di discriminazione, la media è estrema (superiore a 4 in una scala da 0 a 6) e ciò non è buono, e la deviazione standard è superiore a 1, non è piccola perciò va bene.

2) DIMENSIONALITÀ

Poiché però il test è validato in Italia procedo comunque con l'ACP. La communalità è superiore a 0.30 per tutti gli item, ciò vuol dire che la soluzione fattoriale individuata ben rappresenta ogni item. Guardando la tabella della varianza totale spiegata, emerge che solo la componente 1 ha un autovalore maggiore di 1 (1° criterio), inoltre essa spiega da sola il 63,93% della varianza spiegata (3° criterio). Il grafico decrescente

degli autovalori oscreeplot (3°criterio) mostra che si possono prendere una componente(gomito escluso) o 2 (gomito incluso). I 3 criteri dunque sono concordi nelsuggerire di estrarre 1 cp. La matrice di saturazione indica la correlazione diogni item con la cp. Guardo il contenuto degli item per dare un nome alla cp, inquesto caso per la scala uwes è l’engagement.

3) ATTENDIBILITÀ
Poiché l’alfa di Cronbach è uguale a 0.93, la coerenza degli item della UWES èottima. La correlazione item-totale corretta (indice di discriminazione) èsuperiore a 0.30 per tutti gli item perciò ogni item contribuisce a misurarel’engagement. Inoltre nessun item se escluso contribuisce ad aumentare inmodo significativo l’alfa di Cronbach.

Assorbimento assomiglia a work aholism.
Attendibilità aumenta all’aumentare del numero degli item.

ESERCITAZIONE

1) Regressione lineare semplice
Il thriving at work ha un effetto sull’employability?

Ci si sta chiedendo se l'apprendimento effettuato in ambito lavorativo porta il lavoratore ad essere maggiormente occupabile. L'R2 è significativo, il thriving at work spiega il 10% della varianza dell'employability, dunque ha senso testare il modello di regressione. Il beta è significativo, in particolare il thriving ha un effetto significativo e positivo sull'employability, quando il thriving aumenta di un'unità, l'employability aumenta di 0.40. 2) Regressione lineare multipla Le dimensioni dello psycap (efficacy, hope, resilience, optimism) hanno un effetto sulla crescita oggettiva? L'R2 è significativo, le 4 componenti dello psycap spiegano complessivamente il 13.3% della varianza della crescita oggettiva, perciò ha senso testare il modello di regressione lineare multipla. L'efficacy ha un effetto significativo e positivo sulla crescita oggettiva, all'aumentare dell'efficacy di una ds, la crescita aumenta.

oggettiva aumenta di 0.20.L'Hope ha un effetto significativo e positivo sulla crescita oggettiva, all'aumentare della hope di una ds, la crescita oggettiva aumenta di 0.14. La Resilience non ha un effetto significativo sulla crescita oggettiva poiché p>0.05. L'Optimism ha un effetto significativo e positivo sulla crescita oggettiva, all'aumentare dell'optimism di una ds, la crescita oggettiva aumenta di 0.13. Si suggerisce al lavoratore per avere una crescita di carrieranell'organizzazione di concentrarsi soprattutto sull'efficacy. Speranza e ottimismo hanno un effetto simile tra di loro perché sono costrutti simili. Note: Per la regressione lineare si preferisce interpretare i beta standardizzati. Nella mediazione quello non standardizzato. L'R2 è la percentuale condivisa tra v.d ev.i. e la proporzione di varianza spiegata complessiva.