审核工具本质上是李克特量表。旨在解决某些潜在现象的一组问题(Likert项目)通常具有五点量表的答案。然后,将对一组问题的回答总和(李克特量表)用作衡量潜在现象的量度。虽然李克特项目往往对“强烈不同意”的比例为“强烈同意”的应用来衡量朝“倾向一 lcohol ü SE d在这个” isorders“ 我 dentification 牛逼 EST”很简单。
如Likert规模的Wikipedia页面中所述,“ 在文献中,人们对各个Likert项目是否可以视为区间级别的数据,或者是否应将它们视为按顺序分类的数据进行了广泛的争论,最适用的方法。” 这场争议可能可以追溯到Likert首次提出量表以来的80多年中:在构成量表的项目之内和之中,量表上的每一步都相等吗?该问题已在“交叉验证”中得到了解决,对此问题的解答是该网站上最早提出的问题之一。
如果您接受比例尺具有统一步长的想法(或足够接近以适合手头应用程序的步长,也许可以通过添加10个不同项来求平均,如AUDIT),那么可以使用几种分析方法。一种是将标尺上的响应视为一系列选择或不选择的步骤,以使标尺上移,每个步骤上移的可能性相同。
这使人们可以将“ n点李克特量表数据视为来自二项式过程的n次试验 ”,就像@MikeLawrence在2010年提出的问题一样。尽管对该问题的回答并非完全支持该想法,但今天迅速找到一项成功使用并扩展了该方法以区分具有不同二项式概率的亚人群的2014年研究并不难。尽管二项式过程通常用于对计数数据进行建模,但因此可以用于对个人按照“酒精使用障碍”的规模进行的步数,计数进行建模。
正如@Scortchi 在对第二段中链接的问题的回答中指出的那样,二项式模型的局限性在于它在响应的均值和方差之间施加了特定的关系。该负二项分布取消了该限制,由简单二项式模型提供的易解释的损失。在分析中,需要拟合的额外参数仅消耗一个额外的自由度。相反,尝试为40个Likert-item步骤中的每个步骤指定不同的概率,并将它们的总和计入Likert量表将是艰巨的。
正如@MatthewGraves在回答这个问题时指出的那样,否定二项式模型是否合适最好通过检查残差来回答。在最初开发AUDIT的研究中,在40个点的量表上,值8或更高具有很好的特异性和敏感性,可以区分6个国家中被诊断为“有害或有害饮酒”的人。因此,也许类似于以上链接的2014年研究那样,基于高风险和低风险人口的两人口二项式模型会更好。
那些对AUDIT感兴趣的人应该检查该原始研究。例如,尽管@SeanEaster推测,尽管早上喝酒的量似乎与喝酒的频率完全不同,但早上喝酒与酒精摄入量度的加权平均相关系数为0.73。(对于有酗酒障碍朋友的人来说,这一结果不足为奇。)AUDIT似乎是开发可在多种文化中可靠使用的仪器时需要权衡的好例子。