Echelles psychométriques : Exemple BFI MBTI
Vincent Berthet
23 novembre 2018
Description des données
Deux échelles d’extraversion administrées à 30 sujets :
- celle du BFI-Fr : 8 items (échelles de Likert en 5 points)
- celle du MBTI : 5 items (21 items normalement) (items dichotomiques)
On importe les données
rm(list=ls())
data <- read.csv2(file.choose())
head(data)## itemBFI_1 itemBFI_6 itemBFI_11 itemBFI_16 itemBFI_21 itemBFI_26
## 1 4 5 2 3 2 2
## 2 3 3 3 3 4 3
## 3 4 1 5 4 2 1
## 4 2 5 4 2 4 4
## 5 3 4 2 4 4 4
## 6 4 2 3 4 4 4
## itemBFI_31 itemBFI_36 itemMBTI_1 itemMBTI_5 itemMBTI_9 itemMBTI_11
## 1 1 1 a a b a
## 2 2 3 b b a a
## 3 2 1 a b b a
## 4 4 2 b a a a
## 5 2 4 a a a a
## 6 2 2 a b a a
## itemMBTI_15
## 1 a
## 2 a
## 3 a
## 4 a
## 5 b
## 6 aPréalable : Calcul des scores aux tests
Scores au BFI : total des réponses aux 8 items
On recode les items inversés (6, 21, 31)
data$itemBFI_6_r <- rep(0, nrow(data))
data$itemBFI_6_r[data$itemBFI_6 == "1"] <- 5
data$itemBFI_6_r[data$itemBFI_6 == "2"] <- 4
data$itemBFI_6_r[data$itemBFI_6 == "3"] <- 3
data$itemBFI_6_r[data$itemBFI_6 == "4"] <- 2
data$itemBFI_6_r[data$itemBFI_6 == "5"] <- 1
data$itemBFI_21_r <- rep(0, nrow(data))
data$itemBFI_21_r[data$itemBFI_21 == "1"] <- 5
data$itemBFI_21_r[data$itemBFI_21 == "2"] <- 4
data$itemBFI_21_r[data$itemBFI_21 == "3"] <- 3
data$itemBFI_21_r[data$itemBFI_21 == "4"] <- 2
data$itemBFI_21_r[data$itemBFI_21 == "5"] <- 1
data$itemBFI_31_r <- rep(0, nrow(data))
data$itemBFI_31_r[data$itemBFI_31 == "1"] <- 5
data$itemBFI_31_r[data$itemBFI_31 == "2"] <- 4
data$itemBFI_31_r[data$itemBFI_31 == "3"] <- 3
data$itemBFI_31_r[data$itemBFI_31 == "4"] <- 2
data$itemBFI_31_r[data$itemBFI_31 == "5"] <- 1
head(data)## itemBFI_1 itemBFI_6 itemBFI_11 itemBFI_16 itemBFI_21 itemBFI_26
## 1 4 5 2 3 2 2
## 2 3 3 3 3 4 3
## 3 4 1 5 4 2 1
## 4 2 5 4 2 4 4
## 5 3 4 2 4 4 4
## 6 4 2 3 4 4 4
## itemBFI_31 itemBFI_36 itemMBTI_1 itemMBTI_5 itemMBTI_9 itemMBTI_11
## 1 1 1 a a b a
## 2 2 3 b b a a
## 3 2 1 a b b a
## 4 4 2 b a a a
## 5 2 4 a a a a
## 6 2 2 a b a a
## itemMBTI_15 itemBFI_6_r itemBFI_21_r itemBFI_31_r
## 1 a 1 4 5
## 2 a 3 2 4
## 3 a 5 4 4
## 4 a 1 2 2
## 5 b 2 2 4
## 6 a 4 2 4data$score_BFI <- data$itemBFI_1 + data$itemBFI_6_r + data$itemBFI_11 + data$itemBFI_16 + data$itemBFI_21_r + data$itemBFI_26 + data$itemBFI_31_r + data$itemBFI_36
head(data)## itemBFI_1 itemBFI_6 itemBFI_11 itemBFI_16 itemBFI_21 itemBFI_26
## 1 4 5 2 3 2 2
## 2 3 3 3 3 4 3
## 3 4 1 5 4 2 1
## 4 2 5 4 2 4 4
## 5 3 4 2 4 4 4
## 6 4 2 3 4 4 4
## itemBFI_31 itemBFI_36 itemMBTI_1 itemMBTI_5 itemMBTI_9 itemMBTI_11
## 1 1 1 a a b a
## 2 2 3 b b a a
## 3 2 1 a b b a
## 4 4 2 b a a a
## 5 2 4 a a a a
## 6 2 2 a b a a
## itemMBTI_15 itemBFI_6_r itemBFI_21_r itemBFI_31_r score_BFI
## 1 a 1 4 5 22
## 2 a 3 2 4 24
## 3 a 5 4 4 28
## 4 a 1 2 2 19
## 5 b 2 2 4 25
## 6 a 4 2 4 27Scores au MBTI : total des réponses aux 5 items
On recode les réponses aux items (cf. cotation du MBTI)
data$MBTI_ext <- rep(0, nrow(data))
data$MBTI_int <- rep(0, nrow(data))
for (i in 1:nrow(data)) {
if(data$itemMBTI_1[i] == 'a') {
data$MBTI_ext[i] <- 2
data$MBTI_int[i] <- 0
} else {
data$MBTI_ext[i] <- 0
data$MBTI_int[i] <- 2}
if(data$itemMBTI_5[i] == 'a') {
data$MBTI_ext[i] <- data$MBTI_ext[i]+1
data$MBTI_int[i] <- data$MBTI_int[i]+0
} else {
data$MBTI_ext[i] <- data$MBTI_ext[i]+0
data$MBTI_int[i] <- data$MBTI_int[i]+2}
if(data$itemMBTI_9[i] == 'a') {
data$MBTI_ext[i] <- data$MBTI_ext[i]+0
data$MBTI_int[i] <- data$MBTI_int[i]+2
} else {
data$MBTI_ext[i] <- data$MBTI_ext[i]+2
data$MBTI_int[i] <- data$MBTI_int[i]+0}
if(data$itemMBTI_11[i] == 'a') {
data$MBTI_ext[i] <- data$MBTI_ext[i]+2
data$MBTI_int[i] <- data$MBTI_int[i]+0
} else {
data$MBTI_ext[i] <- data$MBTI_ext[i]+0
data$MBTI_int[i] <- data$MBTI_int[i]+1}
if(data$itemMBTI_15[i] == 'a') {
data$MBTI_ext[i] <- data$MBTI_ext[i]+0
data$MBTI_int[i] <- data$MBTI_int[i]+0
} else {
data$MBTI_ext[i] <- data$MBTI_ext[i]+0
data$MBTI_int[i] <- data$MBTI_int[i]+2}
}
head(data)## itemBFI_1 itemBFI_6 itemBFI_11 itemBFI_16 itemBFI_21 itemBFI_26
## 1 4 5 2 3 2 2
## 2 3 3 3 3 4 3
## 3 4 1 5 4 2 1
## 4 2 5 4 2 4 4
## 5 3 4 2 4 4 4
## 6 4 2 3 4 4 4
## itemBFI_31 itemBFI_36 itemMBTI_1 itemMBTI_5 itemMBTI_9 itemMBTI_11
## 1 1 1 a a b a
## 2 2 3 b b a a
## 3 2 1 a b b a
## 4 4 2 b a a a
## 5 2 4 a a a a
## 6 2 2 a b a a
## itemMBTI_15 itemBFI_6_r itemBFI_21_r itemBFI_31_r score_BFI MBTI_ext
## 1 a 1 4 5 22 7
## 2 a 3 2 4 24 2
## 3 a 5 4 4 28 6
## 4 a 1 2 2 19 3
## 5 b 2 2 4 25 5
## 6 a 4 2 4 27 4
## MBTI_int
## 1 0
## 2 6
## 3 2
## 4 4
## 5 4
## 6 4data$score_MBTI <- 2*(data$MBTI_ext - data$MBTI_int) - 1
head(data)## itemBFI_1 itemBFI_6 itemBFI_11 itemBFI_16 itemBFI_21 itemBFI_26
## 1 4 5 2 3 2 2
## 2 3 3 3 3 4 3
## 3 4 1 5 4 2 1
## 4 2 5 4 2 4 4
## 5 3 4 2 4 4 4
## 6 4 2 3 4 4 4
## itemBFI_31 itemBFI_36 itemMBTI_1 itemMBTI_5 itemMBTI_9 itemMBTI_11
## 1 1 1 a a b a
## 2 2 3 b b a a
## 3 2 1 a b b a
## 4 4 2 b a a a
## 5 2 4 a a a a
## 6 2 2 a b a a
## itemMBTI_15 itemBFI_6_r itemBFI_21_r itemBFI_31_r score_BFI MBTI_ext
## 1 a 1 4 5 22 7
## 2 a 3 2 4 24 2
## 3 a 5 4 4 28 6
## 4 a 1 2 2 19 3
## 5 b 2 2 4 25 5
## 6 a 4 2 4 27 4
## MBTI_int score_MBTI
## 1 0 13
## 2 6 -9
## 3 2 7
## 4 4 -3
## 5 4 1
## 6 4 -11. Stats descriptives
library(psych)
describe(data$score_BFI)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 30 22.7 2.82 23.5 22.83 2.22 17 28 11 -0.44 -0.55 0.51describe(data$score_MBTI)## vars n mean sd median trimmed mad min max range skew kurtosis se
## X1 1 30 -0.4 7.6 -1 -0.5 8.9 -15 13 28 0.03 -0.86 1.39Histogrammes
Scores au BFI
hist(data$score_BFI)
Scores au MBTI
hist(data$score_MBTI)
2. Fidélité
Pour obtenir le alpha de Cronbach, on peut utiliser la commande alpha du package psych
BFI
# On crée un tableau qui ne contient que les données du BFI
bfi <- data.frame(data$itemBFI_1, data$itemBFI_6_r, data$itemBFI_11, data$itemBFI_16, data$itemBFI_21_r, data$itemBFI_26, data$itemBFI_31_r, data$itemBFI_36)
head(bfi)## data.itemBFI_1 data.itemBFI_6_r data.itemBFI_11 data.itemBFI_16
## 1 4 1 2 3
## 2 3 3 3 3
## 3 4 5 5 4
## 4 2 1 4 2
## 5 3 2 2 4
## 6 4 4 3 4
## data.itemBFI_21_r data.itemBFI_26 data.itemBFI_31_r data.itemBFI_36
## 1 4 2 5 1
## 2 2 3 4 3
## 3 4 1 4 1
## 4 2 4 2 2
## 5 2 4 4 4
## 6 2 4 4 2library(psych)
alpha(bfi)## Warning in alpha(bfi): Some items were negatively correlated with the total scale and probably
## should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option## Some items ( data.itemBFI_11 data.itemBFI_21_r data.itemBFI_26 data.itemBFI_36 ) were negatively correlated with the total scale and
## probably should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option##
## Reliability analysis
## Call: alpha(x = bfi)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.1 -0.15 0.27 -0.016 -0.13 0.3 2.8 0.35
##
## lower alpha upper 95% confidence boundaries
## -0.69 -0.1 0.48
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## data.itemBFI_1 -0.076 -0.081 0.2407 -0.0109 -0.075 0.30
## data.itemBFI_6_r -0.500 -0.537 -0.0676 -0.0525 -0.349 0.41
## data.itemBFI_11 0.058 0.017 0.3174 0.0025 0.017 0.26
## data.itemBFI_16 -0.139 -0.213 0.2660 -0.0258 -0.176 0.31
## data.itemBFI_21_r -0.051 -0.066 0.3207 -0.0089 -0.062 0.29
## data.itemBFI_26 0.062 0.012 0.2988 0.0017 0.012 0.25
## data.itemBFI_31_r -0.313 -0.392 -0.0069 -0.0419 -0.281 0.36
## data.itemBFI_36 0.032 0.032 0.2897 0.0048 0.033 0.27
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## data.itemBFI_1 30 0.24 0.29 0.166 -0.053 3.4 0.82
## data.itemBFI_6_r 30 0.64 0.62 0.756 0.281 2.3 1.15
## data.itemBFI_11 30 0.21 0.18 -0.132 -0.182 3.0 1.10
## data.itemBFI_16 30 0.40 0.41 0.155 0.012 3.2 1.10
## data.itemBFI_21_r 30 0.24 0.27 -0.056 -0.081 2.6 0.89
## data.itemBFI_26 30 0.22 0.19 -0.081 -0.182 2.8 1.13
## data.itemBFI_31_r 30 0.53 0.53 0.655 0.160 3.0 1.10
## data.itemBFI_36 30 0.18 0.17 -0.073 -0.169 2.3 0.99
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## data.itemBFI_1 0.00 0.13 0.37 0.43 0.07 0
## data.itemBFI_6_r 0.30 0.27 0.27 0.13 0.03 0
## data.itemBFI_11 0.03 0.40 0.23 0.23 0.10 0
## data.itemBFI_16 0.07 0.20 0.30 0.33 0.10 0
## data.itemBFI_21_r 0.07 0.47 0.27 0.20 0.00 0
## data.itemBFI_26 0.10 0.40 0.13 0.33 0.03 0
## data.itemBFI_31_r 0.07 0.30 0.23 0.33 0.07 0
## data.itemBFI_36 0.20 0.43 0.20 0.17 0.00 03. Validité convergente
cor(data$score_BFI, data$score_MBTI)## [1] 0.195568