Example self insight
Ruben Arslan
4 Jun 2015
We first connect to formr.org (password in separate hidden file, so it doesn’t appear in report).
library(formr)
source(".selfinsight_password.R")
formr_connect("vomstudiumindenberuf@gmail.com", password); rm(password)Now we load the current item table and use it to simulate 200 fake rows of random data.
it = formr_items("self_insight_w3")
sim = formr_simulate_from_items(it,n = 200)And then we run our post-processing routine on the simulated data.
w3 = formr_aggregate(item_list = it, results = sim)
##
## Reliability analysis jde1a
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.1 -0.11 0.07 -0.0033 -0.099 0.11 3 0.25
##
## lower alpha upper 95% confidence boundaries
## -0.32 -0.1 0.11
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## jde1a_1 -0.123 -0.129 0.04140 -0.0040 -0.114 0.11
## jde1a_2 -0.080 -0.087 0.08487 -0.0028 -0.080 0.11
## jde1a_3 -0.198 -0.199 -0.02047 -0.0058 -0.166 0.12
## jde1a_4 -0.049 -0.053 0.10960 -0.0017 -0.050 0.11
## jde1a_5 -0.190 -0.195 -0.00263 -0.0057 -0.163 0.12
## jde1a_6 -0.082 -0.087 0.08596 -0.0028 -0.080 0.11
## jde1a_7 -0.092 -0.097 0.07854 -0.0031 -0.089 0.11
## jde1a_8 -0.107 -0.112 0.06077 -0.0035 -0.101 0.11
## jde1a_9 -0.082 -0.088 0.07945 -0.0028 -0.081 0.11
## jde1a_10 -0.174 -0.183 0.00055 -0.0054 -0.155 0.12
## jde1a_11 -0.076 -0.080 0.09309 -0.0026 -0.074 0.11
## jde1a_12 -0.089 -0.095 0.07739 -0.0030 -0.087 0.11
## jde1a_13 -0.153 -0.160 0.02581 -0.0048 -0.138 0.12
## jde1a_14 -0.109 -0.112 0.06528 -0.0035 -0.101 0.11
## jde1a_15 -0.105 -0.110 0.06470 -0.0034 -0.099 0.11
## jde1a_16 -0.088 -0.093 0.08032 -0.0029 -0.085 0.11
## jde1a_17 -0.114 -0.120 0.05833 -0.0037 -0.108 0.11
## jde1a_18 -0.071 -0.080 0.08980 -0.0026 -0.074 0.11
## jde1a_19 -0.066 -0.070 0.09411 -0.0023 -0.065 0.11
## jde1a_20 -0.155 -0.160 0.02286 -0.0048 -0.138 0.12
## jde1a_21 -0.120 -0.128 0.04777 -0.0039 -0.114 0.11
## jde1a_22 -0.040 -0.045 0.11635 -0.0015 -0.043 0.10
## jde1a_23 -0.105 -0.110 0.06093 -0.0034 -0.099 0.11
## jde1a_24 -0.062 -0.066 0.10294 -0.0021 -0.062 0.11
## jde1a_25 -0.079 -0.085 0.08027 -0.0027 -0.079 0.11
## jde1a_26 -0.078 -0.080 0.08833 -0.0026 -0.074 0.11
## jde1a_27 -0.069 -0.074 0.08902 -0.0024 -0.069 0.11
## jde1a_28 -0.100 -0.105 0.07164 -0.0033 -0.095 0.11
## jde1a_29 -0.125 -0.134 0.04674 -0.0041 -0.118 0.11
## jde1a_30 -0.057 -0.062 0.10250 -0.0020 -0.058 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## jde1a_1 200 0.219 0.225 0.289 0.0346 3.0 1.4
## jde1a_2 200 0.128 0.132 -0.133 -0.0636 2.9 1.4
## jde1a_3 200 0.375 0.365 0.864 0.1836 3.0 1.5
## jde1a_4 200 0.035 0.051 -0.403 -0.1432 2.9 1.3
## jde1a_5 200 0.360 0.358 0.712 0.1769 3.1 1.4
## jde1a_6 200 0.126 0.131 -0.140 -0.0607 2.9 1.4
## jde1a_7 200 0.176 0.156 -0.061 -0.0332 3.0 1.5
## jde1a_8 200 0.196 0.189 0.111 -0.0026 3.0 1.5
## jde1a_9 200 0.134 0.136 -0.078 -0.0574 3.0 1.4
## jde1a_10 200 0.328 0.334 0.682 0.1517 2.9 1.4
## jde1a_11 200 0.117 0.116 -0.216 -0.0736 3.1 1.4
## jde1a_12 200 0.149 0.150 -0.045 -0.0423 3.0 1.4
## jde1a_13 200 0.287 0.289 0.461 0.1008 3.0 1.4
## jde1a_14 200 0.198 0.188 0.079 0.0017 2.9 1.5
## jde1a_15 200 0.185 0.184 0.074 -0.0073 2.9 1.4
## jde1a_16 200 0.144 0.146 -0.077 -0.0459 2.9 1.4
## jde1a_17 200 0.192 0.207 0.146 0.0156 3.0 1.3
## jde1a_18 200 0.124 0.117 -0.188 -0.0791 3.0 1.5
## jde1a_19 200 0.099 0.092 -0.227 -0.0938 3.1 1.4
## jde1a_20 200 0.293 0.290 0.487 0.1024 3.0 1.4
## jde1a_21 200 0.219 0.224 0.242 0.0264 2.9 1.4
## jde1a_22 200 0.028 0.032 -0.481 -0.1591 3.1 1.4
## jde1a_23 200 0.183 0.184 0.113 -0.0052 3.0 1.4
## jde1a_24 200 0.075 0.083 -0.321 -0.1085 3.0 1.4
## jde1a_25 200 0.136 0.128 -0.093 -0.0638 3.1 1.5
## jde1a_26 200 0.116 0.117 -0.173 -0.0702 3.2 1.4
## jde1a_27 200 0.099 0.103 -0.186 -0.0891 3.0 1.4
## jde1a_28 200 0.174 0.173 0.011 -0.0185 2.9 1.4
## jde1a_29 200 0.232 0.235 0.258 0.0378 3.1 1.4
## jde1a_30 200 0.079 0.073 -0.324 -0.1145 3.1 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## jde1a_1 0.20 0.21 0.21 0.22 0.17 0
## jde1a_2 0.22 0.24 0.18 0.18 0.18 0
## jde1a_3 0.23 0.20 0.15 0.19 0.22 0
## jde1a_4 0.20 0.21 0.22 0.23 0.13 0
## jde1a_5 0.18 0.24 0.16 0.20 0.22 0
## jde1a_6 0.21 0.18 0.26 0.16 0.18 0
## jde1a_7 0.26 0.18 0.18 0.14 0.26 0
## jde1a_8 0.23 0.20 0.16 0.20 0.21 0
## jde1a_9 0.22 0.17 0.24 0.18 0.20 0
## jde1a_10 0.20 0.18 0.25 0.20 0.16 0
## jde1a_11 0.18 0.18 0.24 0.16 0.22 0
## jde1a_12 0.21 0.19 0.18 0.24 0.18 0
## jde1a_13 0.18 0.22 0.20 0.18 0.22 0
## jde1a_14 0.21 0.24 0.18 0.15 0.22 0
## jde1a_15 0.24 0.20 0.20 0.18 0.18 0
## jde1a_16 0.20 0.24 0.22 0.16 0.20 0
## jde1a_17 0.14 0.26 0.23 0.20 0.17 0
## jde1a_18 0.24 0.16 0.18 0.18 0.24 0
## jde1a_19 0.18 0.19 0.22 0.16 0.24 0
## jde1a_20 0.22 0.19 0.18 0.22 0.20 0
## jde1a_21 0.24 0.16 0.18 0.24 0.17 0
## jde1a_22 0.19 0.18 0.19 0.26 0.19 0
## jde1a_23 0.19 0.22 0.17 0.24 0.18 0
## jde1a_24 0.20 0.20 0.20 0.24 0.16 0
## jde1a_25 0.19 0.22 0.18 0.14 0.26 0
## jde1a_26 0.15 0.20 0.18 0.24 0.22 0
## jde1a_27 0.18 0.21 0.18 0.23 0.19 0
## jde1a_28 0.22 0.24 0.15 0.21 0.17 0
## jde1a_29 0.22 0.14 0.20 0.23 0.20 0
## jde1a_30 0.20 0.17 0.20 0.22 0.22 0
##
## Reliability analysis Jsa1
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.12 -0.13 -0.081 -0.023 -0.11 0.12 3.9 0.86
##
## lower alpha upper 95% confidence boundaries
## -0.35 -0.12 0.11
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Jsa1_1 -0.0922 -0.09697 -0.060 -0.02260 -0.08840 0.12
## Jsa1_2 -0.1577 -0.15802 -0.103 -0.03532 -0.13645 0.12
## Jsa1_3 0.0034 -0.00073 0.014 -0.00018 -0.00073 0.11
## Jsa1_4 -0.1711 -0.17551 -0.121 -0.03877 -0.14931 0.12
## Jsa1_5 -0.0666 -0.07393 -0.038 -0.01751 -0.06884 0.12
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Jsa1_1 200 0.41 0.43 NaN -0.0458 3.9 1.9
## Jsa1_2 200 0.47 0.46 NaN -0.0042 3.9 2.1
## Jsa1_3 200 0.34 0.36 NaN -0.1145 4.0 1.9
## Jsa1_4 200 0.49 0.47 NaN 0.0022 3.9 2.1
## Jsa1_5 200 0.42 0.41 NaN -0.0625 3.9 2.0
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## Jsa1_1 0.14 0.14 0.16 0.16 0.14 0.14 0.12 0
## Jsa1_2 0.16 0.16 0.15 0.14 0.14 0.09 0.16 0
## Jsa1_3 0.12 0.17 0.14 0.17 0.12 0.16 0.12 0
## Jsa1_4 0.17 0.16 0.14 0.10 0.14 0.12 0.16 0
## Jsa1_5 0.16 0.17 0.15 0.12 0.14 0.13 0.14 0
##
## Reliability analysis jsus1
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.055 -0.053 -0.012 -0.013 -0.05 0.12 2.5 0.54
##
## lower alpha upper 95% confidence boundaries
## -0.29 -0.06 0.17
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## jsus1_1 -0.062 -0.064 -0.039 -0.021 -0.060 0.12
## jsus1_2 -0.067 -0.067 -0.013 -0.021 -0.062 0.12
## jsus1_3 0.126 0.125 0.093 0.046 0.143 0.12
## jsus1_4 -0.193 -0.185 -0.092 -0.055 -0.156 0.13
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## jsus1_1 200 0.50 0.50 NaN -0.0116 2.4 1.1
## jsus1_2 200 0.49 0.50 NaN -0.0087 2.5 1.1
## jsus1_3 200 0.41 0.40 NaN -0.1171 2.5 1.1
## jsus1_4 200 0.56 0.55 NaN 0.0548 2.6 1.1
##
## Non missing response frequency for each item
## 1 2 3 4 miss
## jsus1_1 0.26 0.26 0.26 0.22 0
## jsus1_2 0.25 0.24 0.31 0.20 0
## jsus1_3 0.24 0.24 0.25 0.26 0
## jsus1_4 0.22 0.25 0.25 0.28 0
##
## Reliability analysis jmo
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.04 0.046 0.062 0.008 0.048 0.11 4 0.82
##
## lower alpha upper 95% confidence boundaries
## -0.17 0.04 0.25
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## jmo_1 0.034 0.039 0.0452 0.0080 0.040 0.109
## jmo_2 0.012 0.021 0.0416 0.0043 0.022 0.110
## jmo_3 -0.080 -0.072 -0.0353 -0.0137 -0.067 0.116
## jmo_4 0.185 0.187 0.1642 0.0441 0.230 0.098
## jmo_5 0.043 0.047 0.0566 0.0097 0.049 0.108
## jmo_6 -0.026 -0.023 0.0045 -0.0045 -0.022 0.113
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## jmo_1 200 0.41 0.42 0.125 0.0145 4.0 1.9
## jmo_2 200 0.45 0.43 0.143 0.0338 4.2 2.1
## jmo_3 200 0.50 0.50 0.446 0.1178 4.1 2.0
## jmo_4 200 0.28 0.27 -0.462 -0.1327 3.9 2.0
## jmo_5 200 0.42 0.41 0.076 0.0058 4.0 2.0
## jmo_6 200 0.44 0.47 0.295 0.0736 4.0 1.9
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## jmo_1 0.12 0.18 0.14 0.14 0.18 0.12 0.14 0
## jmo_2 0.13 0.15 0.13 0.12 0.14 0.15 0.18 0
## jmo_3 0.14 0.12 0.14 0.16 0.14 0.18 0.12 0
## jmo_4 0.15 0.16 0.10 0.18 0.12 0.13 0.15 0
## jmo_5 0.15 0.14 0.16 0.10 0.16 0.14 0.14 0
## jmo_6 0.10 0.14 0.16 0.18 0.16 0.16 0.11 0
##
## Reliability analysis jcr
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.00068 0.0094 0.12 0.00045 0.0095 0.1 4 0.44
##
## lower alpha upper 95% confidence boundaries
## -0.2 0 0.2
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## jcr_1 -0.0206 -0.0125 0.095 -0.00062 -0.0123 0.104
## jcr_2 -0.0416 -0.0325 0.082 -0.00158 -0.0315 0.106
## jcr_3 0.0358 0.0437 0.149 0.00228 0.0457 0.099
## jcr_4 0.0648 0.0747 0.166 0.00402 0.0807 0.096
## jcr_5 -0.0401 -0.0324 0.083 -0.00157 -0.0314 0.106
## jcr_6 -0.0482 -0.0385 0.072 -0.00186 -0.0371 0.106
## jcr_7 0.0313 0.0388 0.140 0.00202 0.0404 0.099
## jcr_8 0.0560 0.0615 0.154 0.00326 0.0655 0.097
## jcr_9 -0.0593 -0.0509 0.067 -0.00243 -0.0484 0.107
## jcr_10 -0.0025 0.0058 0.112 0.00029 0.0059 0.102
## jcr_11 0.0025 0.0106 0.119 0.00054 0.0107 0.102
## jcr_12 0.0489 0.0546 0.156 0.00288 0.0577 0.098
## jcr_13 -0.0029 0.0053 0.112 0.00027 0.0053 0.102
## jcr_14 -0.0109 -0.0041 0.101 -0.00020 -0.0041 0.103
## jcr_15 -0.0039 0.0050 0.111 0.00025 0.0050 0.102
## jcr_16 -0.0173 -0.0089 0.103 -0.00044 -0.0088 0.104
## jcr_17 -0.0754 -0.0663 0.050 -0.00312 -0.0622 0.109
## jcr_18 -0.0403 -0.0290 0.082 -0.00141 -0.0282 0.106
## jcr_19 0.0576 0.0656 0.168 0.00350 0.0701 0.097
## jcr_20 0.0527 0.0611 0.160 0.00324 0.0651 0.097
## jcr_21 -0.0061 0.0034 0.107 0.00017 0.0034 0.103
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## jcr_1 200 0.255 0.263 0.223 0.0468 4.1 1.9
## jcr_2 200 0.306 0.303 0.301 0.0859 3.9 2.0
## jcr_3 200 0.143 0.144 -0.167 -0.0760 4.1 2.0
## jcr_4 200 0.078 0.072 -0.311 -0.1402 3.9 2.0
## jcr_5 200 0.295 0.303 0.297 0.0886 4.0 1.9
## jcr_6 200 0.312 0.314 0.365 0.1047 4.1 1.9
## jcr_7 200 0.152 0.155 -0.110 -0.0663 3.8 2.0
## jcr_8 200 0.111 0.103 -0.232 -0.1160 3.9 2.1
## jcr_9 200 0.334 0.338 0.409 0.1277 3.9 1.9
## jcr_10 200 0.227 0.226 0.097 0.0068 4.0 2.0
## jcr_11 200 0.217 0.216 0.055 -0.0037 3.9 2.0
## jcr_12 200 0.127 0.119 -0.225 -0.1006 4.0 2.1
## jcr_13 200 0.224 0.227 0.103 0.0077 4.1 2.0
## jcr_14 200 0.239 0.246 0.166 0.0249 3.8 2.0
## jcr_15 200 0.231 0.228 0.099 0.0096 4.1 2.0
## jcr_16 200 0.255 0.256 0.171 0.0381 4.0 2.0
## jcr_17 200 0.365 0.367 0.510 0.1572 3.9 2.0
## jcr_18 200 0.305 0.296 0.302 0.0824 4.0 2.1
## jcr_19 200 0.098 0.094 -0.317 -0.1227 4.0 2.0
## jcr_20 200 0.108 0.104 -0.259 -0.1123 4.2 2.0
## jcr_21 200 0.223 0.231 0.125 0.0152 3.9 1.9
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## jcr_1 0.10 0.14 0.16 0.18 0.14 0.12 0.16 0
## jcr_2 0.16 0.15 0.16 0.14 0.12 0.10 0.16 0
## jcr_3 0.12 0.16 0.12 0.19 0.10 0.15 0.16 0
## jcr_4 0.16 0.17 0.10 0.14 0.19 0.12 0.12 0
## jcr_5 0.10 0.16 0.19 0.15 0.12 0.14 0.14 0
## jcr_6 0.12 0.12 0.15 0.16 0.16 0.16 0.14 0
## jcr_7 0.15 0.20 0.15 0.12 0.14 0.14 0.12 0
## jcr_8 0.19 0.12 0.14 0.11 0.16 0.14 0.14 0
## jcr_9 0.16 0.12 0.14 0.18 0.13 0.16 0.10 0
## jcr_10 0.17 0.12 0.12 0.12 0.18 0.18 0.11 0
## jcr_11 0.16 0.14 0.15 0.12 0.15 0.14 0.14 0
## jcr_12 0.17 0.10 0.16 0.12 0.14 0.12 0.17 0
## jcr_13 0.14 0.14 0.14 0.12 0.20 0.14 0.14 0
## jcr_14 0.16 0.16 0.14 0.16 0.12 0.17 0.10 0
## jcr_15 0.14 0.12 0.15 0.11 0.16 0.16 0.16 0
## jcr_16 0.14 0.13 0.16 0.15 0.14 0.12 0.16 0
## jcr_17 0.16 0.11 0.20 0.12 0.16 0.10 0.14 0
## jcr_18 0.15 0.17 0.12 0.15 0.13 0.12 0.16 0
## jcr_19 0.13 0.17 0.14 0.13 0.14 0.14 0.15 0
## jcr_20 0.14 0.11 0.13 0.16 0.14 0.16 0.16 0
## jcr_21 0.12 0.15 0.17 0.18 0.12 0.15 0.11 0
##
## Reliability analysis swls
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.13 -0.13 -0.093 -0.024 -0.11 0.12 4 0.85
##
## lower alpha upper 95% confidence boundaries
## -0.36 -0.13 0.11
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## swls1 -0.133 -0.132 -0.092 -0.0301 -0.117 0.12
## swls2 -0.102 -0.105 -0.070 -0.0242 -0.095 0.12
## swls3 -0.090 -0.092 -0.059 -0.0214 -0.084 0.12
## swls4 -0.027 -0.028 -0.013 -0.0068 -0.027 0.12
## swls5 -0.157 -0.156 -0.110 -0.0349 -0.135 0.12
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## swls1 200 0.45 0.44 NaN -0.027 4.0 2
## swls2 200 0.42 0.43 NaN -0.047 4.2 2
## swls3 200 0.41 0.42 NaN -0.055 3.9 2
## swls4 200 0.38 0.38 NaN -0.098 4.0 2
## swls5 200 0.47 0.46 NaN -0.012 4.1 2
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## swls1 0.14 0.16 0.14 0.14 0.12 0.15 0.15 0
## swls2 0.11 0.12 0.16 0.16 0.10 0.16 0.18 0
## swls3 0.14 0.18 0.13 0.16 0.14 0.12 0.12 0
## swls4 0.12 0.21 0.10 0.16 0.12 0.16 0.14 0
## swls5 0.15 0.13 0.14 0.14 0.14 0.14 0.16 0
##
## Reliability analysis RSE
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.0098 0.015 0.062 0.0015 0.015 0.1 2.6 0.36
##
## lower alpha upper 95% confidence boundaries
## -0.19 0.01 0.21
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## RSE_1 0.088 0.097 0.12175 0.0118 0.108 0.098
## RSE_2 0.056 0.058 0.09615 0.0067 0.061 0.101
## RSE_3 -0.067 -0.063 -0.00644 -0.0067 -0.060 0.111
## RSE_4 0.120 0.120 0.14421 0.0149 0.136 0.096
## RSE_5 0.015 0.020 0.06541 0.0023 0.021 0.104
## RSE_6 0.024 0.028 0.06684 0.0032 0.029 0.103
## RSE_7 -0.078 -0.072 -0.02439 -0.0076 -0.068 0.112
## RSE_8 -0.021 -0.016 0.03504 -0.0018 -0.016 0.107
## RSE_9 -0.060 -0.056 -0.00058 -0.0059 -0.053 0.110
## RSE_10 -0.025 -0.020 0.02375 -0.0022 -0.020 0.108
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## RSE_1 200 0.19 0.20 -0.365 -0.1138 2.6 1.1
## RSE_2 200 0.26 0.26 -0.181 -0.0607 2.6 1.1
## RSE_3 200 0.40 0.41 0.429 0.1051 2.7 1.1
## RSE_4 200 0.18 0.17 -0.519 -0.1486 2.5 1.2
## RSE_5 200 0.31 0.31 0.017 -0.0054 2.5 1.1
## RSE_6 200 0.31 0.30 0.011 -0.0172 2.4 1.2
## RSE_7 200 0.41 0.42 0.529 0.1193 2.6 1.1
## RSE_8 200 0.35 0.36 0.200 0.0431 2.4 1.1
## RSE_9 200 0.40 0.40 0.398 0.0940 2.5 1.1
## RSE_10 200 0.37 0.36 0.271 0.0459 2.6 1.2
##
## Non missing response frequency for each item
## 1 2 3 4 miss
## RSE_1 0.20 0.26 0.29 0.26 0
## RSE_2 0.22 0.26 0.21 0.30 0
## RSE_3 0.20 0.24 0.28 0.30 0
## RSE_4 0.27 0.22 0.22 0.28 0
## RSE_5 0.26 0.22 0.26 0.27 0
## RSE_6 0.29 0.24 0.22 0.26 0
## RSE_7 0.20 0.26 0.26 0.28 0
## RSE_8 0.26 0.29 0.22 0.23 0
## RSE_9 0.24 0.30 0.20 0.26 0
## RSE_10 0.24 0.19 0.25 0.32 0
##
## Reliability analysis UST_realistic
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.11 0.11 0.14 0.012 0.12 0.096 3 0.46
##
## lower alpha upper 95% confidence boundaries
## -0.08 0.11 0.3
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_realistic_1 0.129 0.127 0.148 0.0159 0.145 0.095
## UST_realistic_2 0.081 0.078 0.105 0.0093 0.084 0.099
## UST_realistic_3 0.136 0.134 0.157 0.0169 0.155 0.094
## UST_realistic_4 0.086 0.085 0.113 0.0103 0.093 0.098
## UST_realistic_5 0.146 0.144 0.160 0.0183 0.168 0.093
## UST_realistic_6 0.052 0.053 0.087 0.0061 0.056 0.101
## UST_realistic_7 0.166 0.167 0.178 0.0218 0.200 0.092
## UST_realistic_8 0.083 0.082 0.110 0.0098 0.089 0.099
## UST_realistic_9 0.031 0.031 0.066 0.0035 0.032 0.103
## UST_realistic_10 0.066 0.063 0.094 0.0074 0.067 0.100
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_realistic_1 200 0.30 0.29 0.0083 -0.010 2.9 1.4
## UST_realistic_2 200 0.34 0.36 0.2032 0.066 3.1 1.3
## UST_realistic_3 200 0.28 0.28 -0.0366 -0.023 3.1 1.4
## UST_realistic_4 200 0.36 0.35 0.1695 0.054 3.1 1.4
## UST_realistic_5 200 0.26 0.26 -0.0552 -0.040 2.8 1.4
## UST_realistic_6 200 0.40 0.40 0.2874 0.106 3.0 1.4
## UST_realistic_7 200 0.22 0.23 -0.1472 -0.075 2.9 1.3
## UST_realistic_8 200 0.37 0.36 0.1866 0.058 3.1 1.5
## UST_realistic_9 200 0.43 0.42 0.3656 0.136 3.2 1.4
## UST_realistic_10 200 0.38 0.38 0.2526 0.086 2.9 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_realistic_1 0.23 0.20 0.20 0.20 0.18 0
## UST_realistic_2 0.12 0.26 0.22 0.24 0.16 0
## UST_realistic_3 0.18 0.18 0.26 0.19 0.20 0
## UST_realistic_4 0.16 0.22 0.20 0.17 0.24 0
## UST_realistic_5 0.24 0.20 0.24 0.17 0.16 0
## UST_realistic_6 0.19 0.21 0.18 0.22 0.20 0
## UST_realistic_7 0.22 0.20 0.22 0.22 0.14 0
## UST_realistic_8 0.21 0.16 0.22 0.16 0.24 0
## UST_realistic_9 0.16 0.19 0.20 0.23 0.22 0
## UST_realistic_10 0.20 0.22 0.23 0.18 0.17 0
##
## Reliability analysis UST_investigative
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.18 0.18 0.19 0.021 0.21 0.089 3 0.49
##
## lower alpha upper 95% confidence boundaries
## 0.01 0.18 0.36
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_investigative_1 0.155 0.148 0.16 0.019 0.17 0.093
## UST_investigative_2 0.210 0.206 0.22 0.028 0.26 0.088
## UST_investigative_3 0.192 0.188 0.20 0.025 0.23 0.089
## UST_investigative_4 0.122 0.119 0.14 0.015 0.13 0.095
## UST_investigative_5 0.201 0.197 0.20 0.027 0.25 0.089
## UST_investigative_6 0.099 0.094 0.12 0.011 0.10 0.097
## UST_investigative_7 0.160 0.155 0.17 0.020 0.18 0.092
## UST_investigative_8 0.212 0.207 0.21 0.028 0.26 0.088
## UST_investigative_9 0.189 0.184 0.20 0.025 0.23 0.090
## UST_investigative_10 0.107 0.103 0.12 0.013 0.12 0.097
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_investigative_1 200 0.37 0.37 0.210 0.0789 3.0 1.4
## UST_investigative_2 200 0.27 0.27 -0.026 -0.0179 3.0 1.4
## UST_investigative_3 200 0.30 0.30 0.057 0.0151 2.8 1.4
## UST_investigative_4 200 0.42 0.41 0.298 0.1312 3.0 1.5
## UST_investigative_5 200 0.28 0.29 0.034 -0.0019 3.1 1.4
## UST_investigative_6 200 0.45 0.45 0.380 0.1723 2.9 1.4
## UST_investigative_7 200 0.35 0.36 0.168 0.0715 3.1 1.4
## UST_investigative_8 200 0.28 0.27 -0.018 -0.0177 3.1 1.4
## UST_investigative_9 200 0.29 0.31 0.060 0.0194 3.1 1.3
## UST_investigative_10 200 0.44 0.43 0.356 0.1561 3.0 1.5
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_investigative_1 0.21 0.20 0.20 0.18 0.21 0
## UST_investigative_2 0.19 0.20 0.18 0.24 0.18 0
## UST_investigative_3 0.22 0.22 0.20 0.20 0.16 0
## UST_investigative_4 0.24 0.18 0.21 0.14 0.23 0
## UST_investigative_5 0.16 0.18 0.24 0.19 0.22 0
## UST_investigative_6 0.19 0.25 0.21 0.13 0.22 0
## UST_investigative_7 0.18 0.18 0.19 0.27 0.18 0
## UST_investigative_8 0.19 0.18 0.20 0.18 0.24 0
## UST_investigative_9 0.16 0.19 0.23 0.23 0.20 0
## UST_investigative_10 0.20 0.25 0.14 0.20 0.22 0
##
## Reliability analysis UST_artistic
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.27 -0.26 -0.16 -0.021 -0.21 0.13 3 0.4
##
## lower alpha upper 95% confidence boundaries
## -0.52 -0.27 -0.02
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_artistic_1 -0.24 -0.24 -0.134 -0.022 -0.19 0.12
## UST_artistic_2 -0.30 -0.29 -0.193 -0.025 -0.22 0.13
## UST_artistic_3 -0.16 -0.16 -0.080 -0.015 -0.13 0.12
## UST_artistic_4 -0.14 -0.14 -0.060 -0.014 -0.12 0.12
## UST_artistic_5 -0.20 -0.19 -0.092 -0.018 -0.16 0.12
## UST_artistic_6 -0.33 -0.33 -0.217 -0.028 -0.25 0.13
## UST_artistic_7 -0.31 -0.30 -0.192 -0.026 -0.23 0.13
## UST_artistic_8 -0.15 -0.14 -0.061 -0.014 -0.12 0.12
## UST_artistic_9 -0.28 -0.27 -0.178 -0.024 -0.21 0.13
## UST_artistic_10 -0.29 -0.28 -0.172 -0.025 -0.22 0.13
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_artistic_1 200 0.30 0.29 NaN -0.0640 3.0 1.4
## UST_artistic_2 200 0.35 0.34 NaN -0.0095 2.9 1.4
## UST_artistic_3 200 0.21 0.21 NaN -0.1510 3.0 1.4
## UST_artistic_4 200 0.18 0.19 NaN -0.1668 3.0 1.4
## UST_artistic_5 200 0.26 0.24 NaN -0.1096 3.0 1.5
## UST_artistic_6 200 0.34 0.38 NaN 0.0252 2.8 1.3
## UST_artistic_7 200 0.35 0.35 NaN -0.0025 3.1 1.4
## UST_artistic_8 200 0.19 0.19 NaN -0.1611 3.1 1.4
## UST_artistic_9 200 0.32 0.32 NaN -0.0303 2.9 1.4
## UST_artistic_10 200 0.33 0.33 NaN -0.0211 2.9 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_artistic_1 0.22 0.19 0.20 0.20 0.20 0
## UST_artistic_2 0.26 0.17 0.18 0.24 0.16 0
## UST_artistic_3 0.21 0.19 0.20 0.20 0.20 0
## UST_artistic_4 0.18 0.25 0.20 0.18 0.20 0
## UST_artistic_5 0.24 0.18 0.17 0.21 0.20 0
## UST_artistic_6 0.20 0.26 0.21 0.23 0.10 0
## UST_artistic_7 0.18 0.20 0.17 0.24 0.22 0
## UST_artistic_8 0.16 0.21 0.22 0.18 0.24 0
## UST_artistic_9 0.20 0.21 0.24 0.18 0.18 0
## UST_artistic_10 0.21 0.20 0.23 0.17 0.19 0
##
## Reliability analysis UST_social
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.32 -0.32 -0.24 -0.025 -0.24 0.13 3 0.4
##
## lower alpha upper 95% confidence boundaries
## -0.58 -0.32 -0.07
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_social_1 -0.33 -0.34 -0.24 -0.029 -0.25 0.13
## UST_social_2 -0.25 -0.25 -0.17 -0.022 -0.20 0.12
## UST_social_3 -0.36 -0.36 -0.27 -0.031 -0.27 0.13
## UST_social_4 -0.41 -0.41 -0.31 -0.033 -0.29 0.14
## UST_social_5 -0.25 -0.25 -0.17 -0.023 -0.20 0.13
## UST_social_6 -0.23 -0.23 -0.16 -0.021 -0.19 0.12
## UST_social_7 -0.20 -0.20 -0.13 -0.019 -0.17 0.12
## UST_social_8 -0.29 -0.29 -0.20 -0.025 -0.22 0.13
## UST_social_9 -0.30 -0.30 -0.23 -0.026 -0.23 0.13
## UST_social_10 -0.23 -0.23 -0.16 -0.021 -0.18 0.12
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_social_1 200 0.31 0.33 NaN -0.034 3.0 1.4
## UST_social_2 200 0.26 0.25 NaN -0.117 3.0 1.5
## UST_social_3 200 0.36 0.35 NaN -0.011 3.0 1.4
## UST_social_4 200 0.39 0.39 NaN 0.030 3.0 1.4
## UST_social_5 200 0.27 0.25 NaN -0.113 2.9 1.5
## UST_social_6 200 0.22 0.23 NaN -0.132 3.0 1.4
## UST_social_7 200 0.18 0.20 NaN -0.166 2.9 1.4
## UST_social_8 200 0.28 0.28 NaN -0.081 2.9 1.4
## UST_social_9 200 0.29 0.29 NaN -0.069 3.0 1.4
## UST_social_10 200 0.22 0.23 NaN -0.134 2.8 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_social_1 0.16 0.24 0.19 0.22 0.18 0
## UST_social_2 0.24 0.18 0.18 0.18 0.21 0
## UST_social_3 0.20 0.20 0.18 0.20 0.22 0
## UST_social_4 0.22 0.15 0.22 0.21 0.20 0
## UST_social_5 0.26 0.19 0.16 0.18 0.22 0
## UST_social_6 0.21 0.16 0.22 0.22 0.18 0
## UST_social_7 0.21 0.20 0.22 0.20 0.17 0
## UST_social_8 0.22 0.20 0.22 0.19 0.18 0
## UST_social_9 0.19 0.20 0.26 0.14 0.22 0
## UST_social_10 0.23 0.24 0.17 0.20 0.16 0
##
## Reliability analysis UST_enterprising
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.02 0.028 0.085 0.0029 0.029 0.1 3 0.45
##
## lower alpha upper 95% confidence boundaries
## -0.18 0.02 0.22
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_enterprising_1 -0.0161 -0.0077 0.048 -0.00085 -0.0077 0.107
## UST_enterprising_2 0.0655 0.0723 0.103 0.00859 0.0780 0.100
## UST_enterprising_3 0.0026 0.0108 0.065 0.00121 0.0109 0.105
## UST_enterprising_4 -0.0881 -0.0807 -0.012 -0.00837 -0.0747 0.112
## UST_enterprising_5 0.0440 0.0512 0.103 0.00596 0.0539 0.102
## UST_enterprising_6 0.1158 0.1201 0.159 0.01493 0.1364 0.096
## UST_enterprising_7 0.0687 0.0748 0.118 0.00890 0.0808 0.100
## UST_enterprising_8 0.0435 0.0514 0.096 0.00598 0.0541 0.102
## UST_enterprising_9 0.0289 0.0375 0.081 0.00432 0.0390 0.103
## UST_enterprising_10 -0.1213 -0.1181 -0.044 -0.01188 -0.1056 0.115
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_enterprising_1 200 0.37 0.36 0.241 0.0512 2.8 1.4
## UST_enterprising_2 200 0.25 0.26 -0.074 -0.0602 2.9 1.4
## UST_enterprising_3 200 0.34 0.34 0.144 0.0276 3.1 1.4
## UST_enterprising_4 200 0.44 0.45 0.518 0.1478 3.0 1.4
## UST_enterprising_5 200 0.29 0.29 -0.051 -0.0290 3.1 1.4
## UST_enterprising_6 200 0.19 0.18 -0.396 -0.1294 3.0 1.4
## UST_enterprising_7 200 0.25 0.25 -0.143 -0.0648 3.0 1.4
## UST_enterprising_8 200 0.29 0.29 -0.023 -0.0283 3.0 1.4
## UST_enterprising_9 200 0.30 0.30 0.058 -0.0086 2.9 1.4
## UST_enterprising_10 200 0.48 0.49 0.657 0.1944 3.0 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_enterprising_1 0.26 0.22 0.17 0.18 0.17 0
## UST_enterprising_2 0.24 0.14 0.26 0.19 0.18 0
## UST_enterprising_3 0.18 0.18 0.19 0.24 0.22 0
## UST_enterprising_4 0.17 0.24 0.18 0.22 0.20 0
## UST_enterprising_5 0.20 0.17 0.20 0.23 0.21 0
## UST_enterprising_6 0.22 0.18 0.18 0.21 0.20 0
## UST_enterprising_7 0.18 0.20 0.22 0.18 0.21 0
## UST_enterprising_8 0.21 0.20 0.20 0.20 0.20 0
## UST_enterprising_9 0.22 0.22 0.15 0.27 0.14 0
## UST_enterprising_10 0.18 0.19 0.27 0.18 0.18 0
##
## Reliability analysis UST_conventional
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.097 -0.097 -0.047 -0.0089 -0.089 0.11 3 0.42
##
## lower alpha upper 95% confidence boundaries
## -0.32 -0.1 0.12
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## UST_conventional_1 -0.145 -0.146 -0.0898 -0.0144 -0.127 0.12
## UST_conventional_2 -0.020 -0.016 0.0173 -0.0018 -0.016 0.11
## UST_conventional_3 -0.155 -0.152 -0.0920 -0.0149 -0.132 0.12
## UST_conventional_4 -0.038 -0.040 0.0025 -0.0043 -0.039 0.11
## UST_conventional_5 -0.074 -0.075 -0.0407 -0.0078 -0.070 0.11
## UST_conventional_6 -0.035 -0.033 0.0020 -0.0035 -0.032 0.11
## UST_conventional_7 -0.113 -0.115 -0.0688 -0.0116 -0.103 0.11
## UST_conventional_8 -0.080 -0.080 -0.0309 -0.0083 -0.074 0.11
## UST_conventional_9 -0.139 -0.140 -0.0819 -0.0138 -0.123 0.12
## UST_conventional_10 -0.085 -0.088 -0.0458 -0.0090 -0.081 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## UST_conventional_1 200 0.37 0.37 NaN 0.0396 3.0 1.4
## UST_conventional_2 200 0.22 0.22 NaN -0.1091 2.9 1.4
## UST_conventional_3 200 0.39 0.37 NaN 0.0473 3.1 1.4
## UST_conventional_4 200 0.26 0.25 NaN -0.0840 2.9 1.5
## UST_conventional_5 200 0.28 0.29 NaN -0.0435 3.1 1.3
## UST_conventional_6 200 0.24 0.24 NaN -0.0918 3.0 1.4
## UST_conventional_7 200 0.32 0.33 NaN 0.0036 3.0 1.4
## UST_conventional_8 200 0.31 0.30 NaN -0.0353 2.9 1.4
## UST_conventional_9 200 0.36 0.36 NaN 0.0345 3.0 1.4
## UST_conventional_10 200 0.30 0.30 NaN -0.0294 2.9 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## UST_conventional_1 0.16 0.27 0.16 0.20 0.21 0
## UST_conventional_2 0.17 0.28 0.17 0.18 0.19 0
## UST_conventional_3 0.19 0.19 0.20 0.18 0.24 0
## UST_conventional_4 0.24 0.16 0.19 0.21 0.19 0
## UST_conventional_5 0.16 0.18 0.26 0.20 0.20 0
## UST_conventional_6 0.19 0.16 0.26 0.20 0.19 0
## UST_conventional_7 0.18 0.22 0.21 0.22 0.17 0
## UST_conventional_8 0.22 0.22 0.18 0.20 0.20 0
## UST_conventional_9 0.18 0.18 0.24 0.20 0.18 0
## UST_conventional_10 0.22 0.19 0.25 0.18 0.17 0
##
## Reliability analysis SI_SA
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.11 -0.1 0.0094 -0.005 -0.095 0.11 3.5 0.38
##
## lower alpha upper 95% confidence boundaries
## -0.33 -0.11 0.11
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## SI_SA1 -0.078 -0.071 0.0304 -0.0037 -0.066 0.11
## SI_SA2 -0.097 -0.091 0.0179 -0.0047 -0.084 0.11
## SI_SA3 -0.153 -0.151 -0.0382 -0.0073 -0.131 0.12
## SI_SA4 -0.094 -0.087 0.0239 -0.0045 -0.080 0.11
## SI_SA5 -0.112 -0.106 0.0100 -0.0053 -0.096 0.11
## SI_SA6 -0.056 -0.049 0.0427 -0.0026 -0.046 0.11
## SI_SA7 -0.131 -0.127 -0.0102 -0.0063 -0.112 0.11
## SI_SA8 -0.111 -0.102 0.0079 -0.0052 -0.092 0.11
## SI_SA9 -0.108 -0.100 0.0066 -0.0051 -0.091 0.11
## SI_SA10 -0.135 -0.134 -0.0210 -0.0066 -0.118 0.11
## SI_SA11 -0.093 -0.086 0.0124 -0.0044 -0.079 0.11
## SI_SA12 -0.094 -0.087 0.0183 -0.0045 -0.080 0.11
## SI_SA13 -0.082 -0.077 0.0293 -0.0040 -0.071 0.11
## SI_SA14 -0.107 -0.099 0.0033 -0.0050 -0.090 0.11
## SI_SA15 -0.084 -0.082 0.0224 -0.0042 -0.076 0.11
## SI_SA16 -0.040 -0.033 0.0689 -0.0018 -0.032 0.11
## SI_SA17 -0.152 -0.143 -0.0402 -0.0070 -0.125 0.12
## SI_SA18 -0.177 -0.173 -0.0495 -0.0083 -0.148 0.12
## SI_SA19 -0.094 -0.090 0.0109 -0.0046 -0.083 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## SI_SA1 200 0.184 0.17 -0.4258 -0.067 3.4 1.8
## SI_SA2 200 0.201 0.21 -0.1636 -0.036 3.5 1.7
## SI_SA3 200 0.286 0.31 0.9290 0.068 3.5 1.6
## SI_SA4 200 0.213 0.20 -0.2898 -0.040 3.6 1.8
## SI_SA5 200 0.226 0.23 0.0015 -0.011 3.4 1.7
## SI_SA6 200 0.116 0.13 -0.7181 -0.114 3.5 1.6
## SI_SA7 200 0.244 0.27 0.4078 0.027 3.4 1.6
## SI_SA8 200 0.242 0.22 0.0288 -0.013 3.4 1.8
## SI_SA9 200 0.231 0.22 0.0325 -0.018 3.7 1.8
## SI_SA10 200 0.265 0.28 0.6327 0.030 3.6 1.7
## SI_SA11 200 0.200 0.20 -0.0784 -0.042 3.6 1.7
## SI_SA12 200 0.211 0.20 -0.1775 -0.042 3.4 1.8
## SI_SA13 200 0.191 0.18 -0.4081 -0.060 3.4 1.8
## SI_SA14 200 0.233 0.22 0.1129 -0.019 3.5 1.8
## SI_SA15 200 0.184 0.19 -0.2531 -0.059 3.6 1.7
## SI_SA16 200 0.091 0.10 -1.2933 -0.142 3.6 1.7
## SI_SA17 200 0.296 0.29 0.9358 0.056 3.6 1.7
## SI_SA18 200 0.331 0.34 1.1551 0.100 3.4 1.7
## SI_SA19 200 0.210 0.20 -0.0260 -0.041 3.5 1.8
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## SI_SA1 0.23 0.10 0.18 0.15 0.16 0.18 0
## SI_SA2 0.15 0.20 0.18 0.12 0.22 0.14 0
## SI_SA3 0.10 0.22 0.18 0.21 0.14 0.16 0
## SI_SA4 0.20 0.10 0.14 0.19 0.14 0.22 0
## SI_SA5 0.19 0.17 0.16 0.18 0.17 0.14 0
## SI_SA6 0.16 0.14 0.18 0.19 0.20 0.13 0
## SI_SA7 0.14 0.18 0.20 0.22 0.14 0.12 0
## SI_SA8 0.22 0.16 0.14 0.14 0.16 0.18 0
## SI_SA9 0.16 0.12 0.16 0.14 0.17 0.23 0
## SI_SA10 0.16 0.13 0.15 0.22 0.16 0.18 0
## SI_SA11 0.16 0.14 0.22 0.13 0.14 0.20 0
## SI_SA12 0.20 0.19 0.18 0.10 0.13 0.20 0
## SI_SA13 0.20 0.18 0.17 0.14 0.12 0.20 0
## SI_SA14 0.20 0.14 0.16 0.12 0.18 0.20 0
## SI_SA15 0.14 0.18 0.19 0.15 0.12 0.21 0
## SI_SA16 0.12 0.20 0.17 0.17 0.16 0.19 0
## SI_SA17 0.17 0.14 0.16 0.18 0.17 0.18 0
## SI_SA18 0.18 0.16 0.18 0.16 0.17 0.14 0
## SI_SA19 0.21 0.14 0.15 0.16 0.17 0.18 0
##
## Reliability analysis g_ums
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.13 -0.13 -0.056 -0.0088 -0.11 0.11 3.5 0.45
##
## lower alpha upper 95% confidence boundaries
## -0.35 -0.13 0.1
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## g_ums1 -0.103 -0.106 -0.0472 -0.0081 -0.096 0.11
## g_ums2 -0.111 -0.114 -0.0469 -0.0086 -0.102 0.11
## g_ums3 -0.081 -0.085 -0.0227 -0.0066 -0.078 0.11
## g_ums4 -0.217 -0.216 -0.1352 -0.0150 -0.177 0.12
## g_ums5 -0.193 -0.198 -0.1227 -0.0140 -0.165 0.12
## g_ums6 -0.159 -0.161 -0.0895 -0.0117 -0.139 0.12
## g_ums7 -0.207 -0.215 -0.1398 -0.0149 -0.177 0.12
## g_ums8 -0.053 -0.057 0.0015 -0.0045 -0.054 0.11
## g_ums9 -0.070 -0.073 -0.0105 -0.0057 -0.068 0.11
## g_ums10 -0.016 -0.012 0.0362 -0.0010 -0.012 0.11
## g_ums11 -0.131 -0.133 -0.0635 -0.0099 -0.118 0.12
## g_ums12 -0.086 -0.087 -0.0254 -0.0067 -0.080 0.11
## g_ums13 -0.102 -0.107 -0.0377 -0.0081 -0.097 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## g_ums1 200 0.25 0.25 NaN -0.0479 3.4 1.7
## g_ums2 200 0.25 0.26 NaN -0.0368 3.5 1.7
## g_ums3 200 0.22 0.22 NaN -0.0769 3.2 1.7
## g_ums4 200 0.40 0.38 NaN 0.0935 3.6 1.8
## g_ums5 200 0.35 0.36 NaN 0.0756 3.4 1.6
## g_ums6 200 0.32 0.32 NaN 0.0270 3.4 1.7
## g_ums7 200 0.37 0.38 NaN 0.0903 3.4 1.7
## g_ums8 200 0.18 0.18 NaN -0.1160 3.6 1.7
## g_ums9 200 0.21 0.20 NaN -0.0923 3.6 1.7
## g_ums10 200 0.10 0.11 NaN -0.1775 3.7 1.6
## g_ums11 200 0.27 0.28 NaN -0.0087 3.7 1.6
## g_ums12 200 0.22 0.22 NaN -0.0713 3.6 1.7
## g_ums13 200 0.26 0.25 NaN -0.0477 3.4 1.8
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## g_ums1 0.18 0.15 0.19 0.16 0.16 0.16 0
## g_ums2 0.16 0.15 0.21 0.18 0.12 0.17 0
## g_ums3 0.22 0.18 0.15 0.16 0.14 0.14 0
## g_ums4 0.18 0.18 0.11 0.16 0.18 0.20 0
## g_ums5 0.17 0.16 0.18 0.21 0.15 0.13 0
## g_ums6 0.19 0.18 0.14 0.18 0.17 0.14 0
## g_ums7 0.16 0.20 0.18 0.16 0.14 0.15 0
## g_ums8 0.15 0.16 0.16 0.20 0.12 0.20 0
## g_ums9 0.18 0.10 0.16 0.21 0.17 0.18 0
## g_ums10 0.13 0.14 0.16 0.21 0.18 0.18 0
## g_ums11 0.12 0.16 0.16 0.18 0.22 0.16 0
## g_ums12 0.12 0.17 0.18 0.19 0.13 0.20 0
## g_ums13 0.22 0.14 0.16 0.16 0.16 0.16 0
##
## Reliability analysis selfdet
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.019 0.016 0.068 0.0017 0.017 0.1 3 0.44
##
## lower alpha upper 95% confidence boundaries
## -0.18 0.02 0.22
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## selfdet1 0.0495 0.0480 0.0911 0.00557 0.0504 0.101
## selfdet2 -0.0142 -0.0150 0.0358 -0.00165 -0.0148 0.107
## selfdet3 0.0832 0.0816 0.1156 0.00978 0.0889 0.099
## selfdet4 -0.0142 -0.0176 0.0318 -0.00192 -0.0173 0.107
## selfdet5 -0.0047 -0.0065 0.0386 -0.00072 -0.0065 0.106
## selfdet6 0.0231 0.0191 0.0611 0.00216 0.0195 0.104
## selfdet7 0.0027 -0.0022 0.0440 -0.00024 -0.0022 0.105
## selfdet8 0.0218 0.0194 0.0611 0.00219 0.0198 0.104
## selfdet9 0.0644 0.0616 0.1053 0.00724 0.0657 0.100
## selfdet10 -0.0535 -0.0546 0.0022 -0.00579 -0.0518 0.110
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## selfdet1 200 0.28 0.27 -0.105 -0.03897 2.9 1.4
## selfdet2 200 0.36 0.36 0.222 0.04763 2.9 1.4
## selfdet3 200 0.22 0.23 -0.264 -0.08800 3.2 1.4
## selfdet4 200 0.35 0.36 0.245 0.04923 2.9 1.4
## selfdet5 200 0.36 0.35 0.203 0.03432 3.0 1.4
## selfdet6 200 0.31 0.31 0.074 -0.00227 3.0 1.4
## selfdet7 200 0.33 0.34 0.172 0.02613 3.0 1.4
## selfdet8 200 0.32 0.31 0.072 -0.00033 3.0 1.4
## selfdet9 200 0.25 0.26 -0.189 -0.06177 2.9 1.4
## selfdet10 200 0.41 0.40 0.399 0.09770 2.9 1.4
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## selfdet1 0.22 0.18 0.24 0.19 0.17 0
## selfdet2 0.22 0.17 0.22 0.20 0.18 0
## selfdet3 0.16 0.16 0.21 0.25 0.22 0
## selfdet4 0.22 0.16 0.24 0.24 0.14 0
## selfdet5 0.20 0.18 0.21 0.18 0.22 0
## selfdet6 0.18 0.22 0.18 0.24 0.18 0
## selfdet7 0.16 0.24 0.24 0.16 0.20 0
## selfdet8 0.22 0.18 0.20 0.22 0.18 0
## selfdet9 0.20 0.22 0.22 0.20 0.16 0
## selfdet10 0.24 0.18 0.20 0.21 0.16 0
##
## Reliability analysis Big5_Agree
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.045 0.044 0.076 0.0051 0.046 0.1 3.5 0.58
##
## lower alpha upper 95% confidence boundaries
## -0.15 0.05 0.25
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Big5_Agree_1 0.09357 0.09406 0.103 0.012812 0.10382 0.099
## Big5_Agree_3 0.05412 0.05175 0.081 0.006776 0.05458 0.102
## Big5_Agree_5 0.03489 0.03319 0.065 0.004273 0.03433 0.104
## Big5_Agree_7 0.03648 0.03556 0.065 0.004587 0.03687 0.103
## Big5_Agree_9 0.08702 0.08564 0.105 0.011572 0.09366 0.099
## Big5_Agree_2 0.05658 0.05452 0.081 0.007157 0.05767 0.102
## Big5_Agree_4 -0.00072 -0.00333 0.028 -0.000416 -0.00332 0.106
## Big5_Agree_6 -0.00638 -0.00519 0.029 -0.000645 -0.00516 0.107
## Big5_Agree_8 -0.00028 -0.00014 0.037 -0.000018 -0.00014 0.106
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Big5_Agree_1 200 0.29 0.27 -0.111 -0.0541 3.5 1.7
## Big5_Agree_3 200 0.33 0.32 0.022 -0.0028 3.3 1.7
## Big5_Agree_5 200 0.33 0.35 0.102 0.0228 3.4 1.6
## Big5_Agree_7 200 0.36 0.34 0.103 0.0199 3.7 1.7
## Big5_Agree_9 200 0.27 0.28 -0.113 -0.0504 3.2 1.6
## Big5_Agree_2 200 0.31 0.32 0.022 -0.0071 3.6 1.6
## Big5_Agree_4 200 0.39 0.39 0.285 0.0680 3.6 1.7
## Big5_Agree_6 200 0.40 0.39 0.285 0.0738 3.5 1.7
## Big5_Agree_8 200 0.39 0.39 0.249 0.0664 3.6 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Big5_Agree_1 0.16 0.17 0.16 0.14 0.17 0.18 0
## Big5_Agree_3 0.22 0.17 0.14 0.16 0.20 0.12 0
## Big5_Agree_5 0.13 0.21 0.18 0.20 0.15 0.12 0
## Big5_Agree_7 0.18 0.09 0.17 0.20 0.14 0.22 0
## Big5_Agree_9 0.18 0.18 0.20 0.18 0.14 0.12 0
## Big5_Agree_2 0.12 0.17 0.17 0.20 0.15 0.18 0
## Big5_Agree_4 0.14 0.18 0.17 0.18 0.16 0.18 0
## Big5_Agree_6 0.16 0.17 0.20 0.15 0.13 0.20 0
## Big5_Agree_8 0.15 0.17 0.12 0.20 0.16 0.19 0
##
## Reliability analysis Big5_Neurot
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.19 0.18 0.17 0.054 0.23 0.1 3.5 0.92
##
## lower alpha upper 95% confidence boundaries
## -0.01 0.19 0.39
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Big5_Neurot_2 0.037 0.037 0.027 0.013 0.038 0.12
## Big5_Neurot_3 0.031 0.031 0.026 0.011 0.032 0.12
## Big5_Neurot_4 0.225 0.225 0.193 0.088 0.290 0.11
## Big5_Neurot_1 0.259 0.255 0.212 0.103 0.343 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Big5_Neurot_2 200 0.61 0.60 0.401 0.1611 3.5 1.8
## Big5_Neurot_3 200 0.60 0.60 0.404 0.1692 3.4 1.7
## Big5_Neurot_4 200 0.49 0.49 0.071 0.0315 3.4 1.7
## Big5_Neurot_1 200 0.46 0.47 0.022 0.0056 3.5 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Big5_Neurot_2 0.18 0.16 0.17 0.18 0.10 0.21 0
## Big5_Neurot_3 0.16 0.20 0.20 0.09 0.24 0.12 0
## Big5_Neurot_4 0.18 0.16 0.18 0.18 0.15 0.16 0
## Big5_Neurot_1 0.18 0.16 0.15 0.19 0.18 0.14 0
##
## Reliability analysis Big5_Open
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.11 0.11 0.1 0.025 0.13 0.1 3.5 0.81
##
## lower alpha upper 95% confidence boundaries
## -0.09 0.11 0.31
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Big5_Open_2 0.177 0.177 0.145 0.051 0.215 0.10
## Big5_Open_4 0.061 0.062 0.055 0.016 0.066 0.11
## Big5_Open_5 0.071 0.074 0.062 0.019 0.079 0.11
## Big5_Open_6 0.058 0.058 0.049 0.015 0.062 0.11
## Big5_Open_3 0.079 0.078 0.065 0.021 0.085 0.11
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Big5_Open_2 200 0.40 0.40 -0.08 -0.028 3.4 1.7
## Big5_Open_4 200 0.49 0.49 0.21 0.072 3.6 1.7
## Big5_Open_5 200 0.49 0.48 0.19 0.063 3.5 1.8
## Big5_Open_6 200 0.50 0.49 0.23 0.074 3.5 1.8
## Big5_Open_3 200 0.46 0.48 0.18 0.058 3.5 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Big5_Open_2 0.20 0.15 0.15 0.18 0.16 0.16 0
## Big5_Open_4 0.16 0.17 0.13 0.16 0.22 0.16 0
## Big5_Open_5 0.20 0.13 0.15 0.16 0.18 0.18 0
## Big5_Open_6 0.18 0.14 0.20 0.16 0.13 0.20 0
## Big5_Open_3 0.16 0.18 0.16 0.19 0.16 0.15 0
##
## Reliability analysis Big5_Extra
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.011 -0.011 -0.0024 -0.0027 -0.011 0.12 3.7 0.83
##
## lower alpha upper 95% confidence boundaries
## -0.24 -0.01 0.22
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Big5_Extra_2 0.040 0.040 0.032 0.014 0.042 0.12
## Big5_Extra_4 0.062 0.062 0.047 0.022 0.067 0.12
## Big5_Extra_1 -0.104 -0.105 -0.067 -0.033 -0.095 0.13
## Big5_Extra_3 -0.043 -0.042 -0.026 -0.014 -0.040 0.12
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Big5_Extra_2 200 0.46 0.47 NaN -0.034 3.7 1.6
## Big5_Extra_4 200 0.47 0.46 NaN -0.046 3.6 1.7
## Big5_Extra_1 200 0.53 0.54 NaN 0.050 3.6 1.6
## Big5_Extra_3 200 0.53 0.51 NaN 0.014 3.8 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Big5_Extra_2 0.12 0.16 0.18 0.16 0.24 0.16 0
## Big5_Extra_4 0.15 0.14 0.22 0.14 0.17 0.17 0
## Big5_Extra_1 0.13 0.16 0.20 0.18 0.18 0.15 0
## Big5_Extra_3 0.15 0.10 0.17 0.17 0.20 0.21 0
##
## Reliability analysis Big5_Consc
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## -0.06 -0.062 -0.019 -0.015 -0.058 0.12 3.5 0.85
##
## lower alpha upper 95% confidence boundaries
## -0.29 -0.06 0.17
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## Big5_Consc_2 -0.0331 -0.0362 0.00497 -0.012 -0.0349 0.12
## Big5_Consc_3 -0.0013 -0.0031 0.00011 -0.001 -0.0031 0.12
## Big5_Consc_4 0.1024 0.1070 0.08822 0.038 0.1199 0.12
## Big5_Consc_1 -0.2992 -0.3048 -0.17862 -0.084 -0.2336 0.13
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## Big5_Consc_2 200 0.51 0.48 NaN -0.031 3.5 1.8
## Big5_Consc_3 200 0.47 0.47 NaN -0.049 3.5 1.7
## Big5_Consc_4 200 0.39 0.41 NaN -0.113 3.5 1.7
## Big5_Consc_1 200 0.59 0.60 NaN 0.105 3.6 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## Big5_Consc_2 0.18 0.18 0.12 0.16 0.14 0.21 0
## Big5_Consc_3 0.16 0.16 0.18 0.17 0.15 0.18 0
## Big5_Consc_4 0.18 0.15 0.17 0.19 0.17 0.14 0
## Big5_Consc_1 0.16 0.15 0.16 0.18 0.16 0.18 0
##
## Reliability analysis like
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.071 0.073 0.11 0.0087 0.079 0.1 3.5 0.58
##
## lower alpha upper 95% confidence boundaries
## -0.12 0.07 0.27
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## like1 0.0693 0.0695 0.097 0.0093 0.0747 0.101
## like2 0.1327 0.1319 0.155 0.0186 0.1520 0.096
## like3 0.0376 0.0400 0.082 0.0052 0.0417 0.103
## like4 0.0675 0.0712 0.102 0.0095 0.0767 0.101
## like5 0.0319 0.0340 0.074 0.0044 0.0352 0.104
## like6 0.0049 0.0085 0.038 0.0011 0.0086 0.106
## like7 0.0326 0.0336 0.070 0.0043 0.0348 0.104
## like8 0.0463 0.0501 0.081 0.0065 0.0527 0.103
## like9 0.1340 0.1386 0.161 0.0197 0.1609 0.095
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## like1 200 0.34 0.34 0.112 0.015 3.7 1.7
## like2 200 0.26 0.26 -0.166 -0.071 3.5 1.7
## like3 200 0.37 0.38 0.186 0.059 3.4 1.6
## like4 200 0.35 0.34 0.088 0.018 3.3 1.7
## like5 200 0.38 0.38 0.218 0.067 3.4 1.7
## like6 200 0.42 0.41 0.363 0.100 3.6 1.7
## like7 200 0.37 0.38 0.233 0.066 3.3 1.7
## like8 200 0.37 0.36 0.187 0.046 3.7 1.7
## like9 200 0.24 0.25 -0.193 -0.078 3.8 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## like1 0.15 0.15 0.13 0.18 0.18 0.20 0
## like2 0.16 0.18 0.16 0.12 0.20 0.18 0
## like3 0.14 0.20 0.18 0.18 0.16 0.14 0
## like4 0.20 0.18 0.16 0.12 0.18 0.14 0
## like5 0.16 0.20 0.16 0.18 0.17 0.13 0
## like6 0.18 0.12 0.16 0.20 0.16 0.17 0
## like7 0.18 0.18 0.19 0.14 0.20 0.11 0
## like8 0.14 0.17 0.12 0.18 0.20 0.18 0
## like9 0.12 0.14 0.18 0.15 0.20 0.20 0
##
## Reliability analysis NARQ
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.26 0.26 0.33 0.019 0.36 0.078 3.5 0.46
##
## lower alpha upper 95% confidence boundaries
## 0.11 0.26 0.42
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## NARQ01 0.20 0.20 0.28 0.015 0.25 0.084
## NARQ02 0.23 0.23 0.30 0.018 0.31 0.081
## NARQ03 0.28 0.28 0.35 0.023 0.40 0.076
## NARQ04 0.25 0.25 0.32 0.019 0.33 0.080
## NARQ05 0.21 0.22 0.29 0.016 0.27 0.083
## NARQ06 0.27 0.27 0.34 0.021 0.37 0.078
## NARQ07 0.26 0.26 0.33 0.020 0.36 0.078
## NARQ08 0.26 0.27 0.32 0.021 0.36 0.078
## NARQ09 0.21 0.21 0.28 0.015 0.26 0.084
## NARQ10 0.22 0.22 0.30 0.017 0.29 0.082
## NARQ11 0.27 0.27 0.33 0.021 0.37 0.078
## NARQ12 0.25 0.25 0.32 0.019 0.33 0.080
## NARQ13 0.25 0.25 0.32 0.019 0.33 0.080
## NARQ14 0.30 0.30 0.36 0.025 0.43 0.075
## NARQ15 0.27 0.27 0.34 0.021 0.37 0.078
## NARQ16 0.25 0.26 0.32 0.020 0.34 0.079
## NARQ17 0.25 0.25 0.32 0.019 0.33 0.080
## NARQ18 0.25 0.25 0.31 0.019 0.34 0.079
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## NARQ01 200 0.41 0.40 0.3865 0.2171 3.5 1.7
## NARQ02 200 0.32 0.32 0.2387 0.1178 3.4 1.8
## NARQ03 200 0.17 0.18 -0.0083 -0.0311 3.5 1.7
## NARQ04 200 0.27 0.28 0.1557 0.0760 3.5 1.6
## NARQ05 200 0.37 0.37 0.3307 0.1775 3.8 1.7
## NARQ06 200 0.22 0.22 0.0529 0.0148 3.4 1.7
## NARQ07 200 0.26 0.24 0.0978 0.0402 3.6 1.9
## NARQ08 200 0.23 0.23 0.1103 0.0289 3.6 1.7
## NARQ09 200 0.39 0.39 0.3745 0.2005 3.4 1.7
## NARQ10 200 0.34 0.34 0.2837 0.1457 3.6 1.7
## NARQ11 200 0.21 0.22 0.0780 0.0077 3.7 1.7
## NARQ12 200 0.28 0.28 0.1668 0.0738 3.5 1.7
## NARQ13 200 0.28 0.28 0.1676 0.0826 3.4 1.6
## NARQ14 200 0.12 0.12 -0.1115 -0.0841 3.5 1.7
## NARQ15 200 0.22 0.21 0.0449 0.0110 3.6 1.7
## NARQ16 200 0.25 0.26 0.1265 0.0592 3.4 1.6
## NARQ17 200 0.29 0.28 0.1571 0.0765 3.6 1.8
## NARQ18 200 0.27 0.27 0.1714 0.0631 3.5 1.7
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## NARQ01 0.16 0.16 0.20 0.12 0.21 0.16 0
## NARQ02 0.20 0.16 0.16 0.16 0.16 0.17 0
## NARQ03 0.19 0.13 0.18 0.17 0.18 0.14 0
## NARQ04 0.14 0.15 0.24 0.16 0.15 0.16 0
## NARQ05 0.12 0.15 0.15 0.17 0.18 0.22 0
## NARQ06 0.14 0.24 0.14 0.16 0.16 0.14 0
## NARQ07 0.21 0.14 0.13 0.14 0.14 0.23 0
## NARQ08 0.12 0.18 0.19 0.15 0.20 0.16 0
## NARQ09 0.18 0.16 0.16 0.16 0.20 0.13 0
## NARQ10 0.14 0.19 0.14 0.16 0.19 0.18 0
## NARQ11 0.15 0.10 0.17 0.20 0.21 0.17 0
## NARQ12 0.18 0.15 0.18 0.16 0.18 0.16 0
## NARQ13 0.16 0.16 0.20 0.20 0.16 0.14 0
## NARQ14 0.18 0.17 0.17 0.16 0.16 0.16 0
## NARQ15 0.17 0.14 0.14 0.18 0.20 0.18 0
## NARQ16 0.16 0.16 0.21 0.20 0.15 0.12 0
## NARQ17 0.20 0.14 0.14 0.14 0.19 0.19 0
## NARQ18 0.19 0.16 0.16 0.16 0.17 0.16 0
##
## Reliability analysis like_sp
## Call: psych::alpha(x = na.omit(results[, scale_item_names]), title = save_scale,
## check.keys = F)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd
## 0.074 0.074 0.099 0.0099 0.08 0.1 3.5 0.63
##
## lower alpha upper 95% confidence boundaries
## -0.12 0.07 0.27
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se
## like_sp1 0.110 0.109 0.127 0.0171 0.122 0.099
## like_sp2 0.071 0.072 0.098 0.0109 0.077 0.102
## like_sp5 0.081 0.081 0.094 0.0124 0.088 0.101
## like_sp6 0.039 0.039 0.064 0.0058 0.041 0.104
## like_sp7 0.111 0.109 0.114 0.0172 0.122 0.099
## like_sp3 0.049 0.050 0.071 0.0074 0.052 0.104
## like_sp4 0.038 0.037 0.067 0.0054 0.038 0.104
## like_sp8 0.018 0.019 0.042 0.0027 0.019 0.106
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## like_sp1 200 0.31 0.31 -0.074 -0.031 3.6 1.7
## like_sp2 200 0.36 0.36 0.066 0.019 3.5 1.7
## like_sp5 200 0.34 0.35 0.075 0.006 3.6 1.7
## like_sp6 200 0.40 0.39 0.207 0.058 3.5 1.8
## like_sp7 200 0.32 0.31 -0.023 -0.032 3.6 1.7
## like_sp3 200 0.38 0.38 0.177 0.047 3.6 1.7
## like_sp4 200 0.39 0.40 0.198 0.060 3.6 1.7
## like_sp8 200 0.43 0.42 0.295 0.081 3.4 1.8
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 miss
## like_sp1 0.16 0.13 0.20 0.14 0.20 0.18 0
## like_sp2 0.18 0.14 0.16 0.22 0.13 0.16 0
## like_sp5 0.14 0.16 0.16 0.16 0.22 0.16 0
## like_sp6 0.20 0.14 0.14 0.20 0.15 0.18 0
## like_sp7 0.16 0.16 0.18 0.14 0.18 0.20 0
## like_sp3 0.15 0.15 0.17 0.22 0.14 0.18 0
## like_sp4 0.16 0.14 0.17 0.19 0.18 0.16 0
## like_sp8 0.22 0.15 0.14 0.16 0.15 0.18 0
We could basically build an entire analysis pipeline now with the simulated data.
Later, to load the real results, the above three commands will simply be replaced by the following command (but we don’t yet have enough data).
# w3 = formr_results("self_insight_w3")