6  Kamrater, fritid och prosocialt index

Author
Affiliation
Magnus Johansson

RISE Research Institutes of Sweden

Published

February 20, 2023

6.1 Frågor om kamrater och fritid

Item/frågor har etiketter F70 samt f86a-j i datafilen, och motsvaras av fråga 71 respektive 88 i PDF-filen med frågor.

Samtliga f86-frågor har fyra svarskategorier: “Ingen, Någon enstaka, Ungefär hälften, De flesta”. Sektionen i enkäten inleds med meningen: “Hur många av dina kamrater (inom och utom skolan):”.

F70 har fyra svarsalternativ: “Ofta, Ibland, Sällan, Aldrig”.

Svarsdata har kodats så att högre poäng innebär mera problem/högre “risk”. Svarsalternativet “Vet inte” har kodats som saknat svar.

6.1.1 Lista med enkätfrågorna

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86b Har snattat/klottrat/vandaliserat?
f86c Är med i någon förening?
f86d Röker tobak?
f86e Slåss?
f86f Är duktiga i skolan?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?

6.1.2 Demografi

Vi har 6755 deltagare i samplet från 2014, och deras könsfördelning återges i tabellen nedan. Deltagare som saknar data på samtliga frågor är borttagna ur analysen.

6.2 Deskriptiva data

6.2.1 Demografi

Kön n Percent
Flicka 3706 54.9
Pojke 3049 45.1
Årskurs n Percent
Åk 9 3058 45.3
Gy 2 3697 54.7

6.2.2 Item-data

6.3 Rasch-analys 1 samtliga items

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86b Har snattat/klottrat/vandaliserat?
f86c Är med i någon förening?
f86d Röker tobak?
f86e Slåss?
f86f Är duktiga i skolan?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?
OutfitMSQ InfitMSQ OutfitZSTD InfitZSTD
F70 1.541 1.272 4.318 3.385
f86a 1.318 1.225 3.289 3.055
f86b 0.81 0.811 -2.102 -2.287
f86c 1.194 1.166 2.174 2.265
f86d 0.7 0.724 -4.458 -4.567
f86e 0.777 0.77 -1.944 -2.29
f86f 1.042 1.011 0.479 0.296
f86g 0.97 0.959 -0.684 -0.872
f86h 0.619 0.687 -3.84 -3.511
f86i 0.763 0.773 -2.981 -2.99
f86j 0.487 0.66 -2.869 -2.393
PCA of Rasch model residuals
Eigenvalues
3.28
1.57
1.00
0.94
0.91

F70 f86a f86b f86c f86d f86e f86f f86g f86h f86i f86j
F70
f86a 0.13
f86b -0.34 -0.36
f86c 0.31 0.47 -0.42
f86d -0.36 -0.41 0.19 -0.41
f86e -0.31 -0.26 0.28 -0.37 0.13
f86f -0.09 0.23 -0.11 0.13 -0.24 -0.02
f86g -0.32 -0.49 0.11 -0.39 0.45 -0.08 -0.33
f86h -0.34 -0.31 0.21 -0.36 0.25 0.19 -0.13 0.24
f86i -0.28 -0.29 0.15 -0.31 0.2 0.14 -0.16 0.16 0.19
f86j -0.25 -0.19 0.22 -0.27 0.07 0.41 -0.05 -0.06 0.31 0.11
Note:
Relative cut-off value (highlighted in red) is 0.145, which is 0.2 above the average correlation.

PCA av residualer indikerar problem med multidimensionalitet. Utifrån “Loadings 1st contrast” framgår att items med positivt (f86a c och f samt F70) och negativt innehållsfokus drar åt olika håll i faktorladdning. Residualkorrelationerna visar också på samband mellan f86a c och f, dock ej F70. Vi testar att separera dessa för att få en bild av hur de fungerar separat.

F70, f86b, e, g, h, i, j har alla problem med svarskategorierna. Items f86a, c, och f (“prosociala” items) ser bättre ut, men har väldigt små avstånd mellan de högsta trösklarna.

6.4 Riskfokuserade/negativa items

Vi tar bort f86a c f och F70 och tittar närmare på svarskategorierna.

6.4.1 Svarskategorier

Items 86b e och j har oordnade svarströsklar. Vi åtgärdar det genom att slå samman de två högsta kategorierna, som båda har relativt få respondenter i vardera kategori. Resterande items har mycket små avstånd mellan trösklarna, vilket inte är optimalt, men vi låter dem vara.

6.5 Omkodning av svarskategorier

Svarskategorierna fungerar acceptabelt för samtliga items.

6.6 Rasch-analys 1 negativa items

itemnr item
f86b Har snattat/klottrat/vandaliserat?
f86d Röker tobak?
f86e Slåss?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?
OutfitMSQ InfitMSQ OutfitZSTD InfitZSTD
f86b 0.963 0.925 -0.592 -0.773
f86d 0.706 0.704 -3.678 -4.222
f86e 1.12 0.947 1.414 -0.544
f86g 1.123 0.946 0.825 -0.84
f86h 0.647 0.71 -3.301 -3.199
f86i 1.018 0.98 0.463 -0.243
f86j 0.719 0.789 -1.072 -1.69
PCA of Rasch model residuals
Eigenvalues
1.80
1.23
1.17
1.05
0.87

f86b f86d f86e f86g f86h f86i f86j
f86b
f86d -0.24
f86e 0.08 -0.21
f86g -0.32 0.03 -0.46
f86h -0.12 -0.16 -0.15 -0.08
f86i -0.16 -0.21 -0.12 -0.22 -0.16
f86j 0.05 -0.21 0.23 -0.32 0.01 -0.15
Note:
Relative cut-off value (highlighted in red) is 0.062, which is 0.2 above the average correlation.

Residualkorrelationerna visar att f86e skapar problem med två andra items (f86b och j), så den tas bort.

6.7 Rasch-analys 2 negativa items

itemnr item
f86b Har snattat/klottrat/vandaliserat?
f86d Röker tobak?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?
OutfitMSQ InfitMSQ OutfitZSTD InfitZSTD
f86b 1.014 0.976 0.341 -0.308
f86d 0.685 0.684 -4.215 -4.502
f86g 0.959 0.844 -0.528 -2.067
f86h 0.626 0.678 -3.461 -3.573
f86i 1.021 0.971 0.221 -0.414
f86j 0.812 0.851 -0.701 -1.29
PCA of Rasch model residuals
Eigenvalues
1.62
1.25
1.17
1.05
0.86

f86b f86d f86g f86h f86i f86j
f86b
f86d -0.23
f86g -0.36 -0.06
f86h -0.11 -0.2 -0.15
f86i -0.15 -0.24 -0.3 -0.19
f86j 0.08 -0.17 -0.33 0.05 -0.12
Note:
Relative cut-off value (highlighted in red) is 0.033, which is 0.2 above the average correlation.

Två residualkorrelationer ligger nu strax ovanför gränsvärdet, vilket kan tolereras.

Dock är item fit låg för både f86d och h

6.8 Invarians/DIF negativa items

6.8.1 Kön

itemnr item
f86b Har snattat/klottrat/vandaliserat?
f86d Röker tobak?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?

Item 2 3 Mean location StDev MaxDiff
f86b -0.157 -0.453 -0.305 0.210 0.296
f86d -1.131 -0.677 -0.904 0.321 0.453
f86g -1.648 -1.163 -1.405 0.343 0.485
f86h 1.316 0.944 1.130 0.264 0.373
f86i -0.543 -0.193 -0.368 0.247 0.350
f86j 2.162 1.543 1.852 0.437 0.618

Samtliga items har värden på ca 0.3 och uppåt, med f86j som går över 0.5 logits och f86g och d strax under. Även om reliabiliteten hade varit god hade det varit tveksamt om frågorna är jämförbara mellan pojkar och flickor.

6.8.2 Årskurs

itemnr item
f86b Har snattat/klottrat/vandaliserat?
f86d Röker tobak?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?

Item 2 3 Mean location StDev MaxDiff
f86b -0.940 0.196 -0.372 0.803 1.136
f86d -0.765 -1.048 -0.906 0.200 0.283
f86g -1.019 -1.733 -1.376 0.505 0.715
f86h 1.343 1.044 1.194 0.211 0.298
f86i -0.266 -0.443 -0.355 0.126 0.178
f86j 1.646 1.984 1.815 0.239 0.338

Även här finns påtagliga problem, huvudsakligen med f86b och g. Det innebär att dessa frågor inte är direkt jämförbara mellan årskurserna som en del av ett indexvärde.

6.8.3 Årtal

itemnr item
f86b Har snattat/klottrat/vandaliserat?
f86d Röker tobak?
f86g Dricker sig berusad på alkohol?
f86h Använder narkotika?
f86i Skolkar?
f86j Har rånat, gjort inbrott eller stulit en bil?

Item 3 5 7 8 11 12 14 15 Mean location StDev MaxDiff
f86b -0.380 -0.317 -0.296 -0.303 -0.264 -0.300 -0.357 -0.589 -0.351 0.103 0.325
f86d -0.683 -0.917 -1.041 -1.060 -0.869 -0.760 -0.643 -0.571 -0.818 0.183 0.488
f86g -1.572 -1.549 -1.517 -1.437 -1.358 -1.332 -1.294 -1.284 -1.418 0.117 0.288
f86h 1.786 1.573 1.551 1.402 1.091 0.950 0.696 0.541 1.199 0.449 1.245
f86i -0.744 -0.513 -0.516 -0.432 -0.338 -0.227 -0.197 0.041 -0.366 0.241 0.785
f86j 1.594 1.723 1.819 1.829 1.738 1.669 1.794 1.863 1.754 0.091 0.270

Flera items visar på förändring över tid. Starkast är effekten för f86h (använder narkotika) och f86i (skolkar), följt av f86d (röker tobak), som dock visar på en kurva som över tid närmar sig utgångsvärdet (jämför nod 3 och 15).

6.9 Reliabilitet negativa items

Reliabiliteten är låg, trots att vi har med två items med låg item fit, och flera items med problematisk DIF.

6.10 Positiva items

6.10.1 Svarskategorier

Vi dikotomiserar F70 genom att svarskategorierna 0+1 och 2+3 slås samman.

6.11 Rasch-analys 1 positiva items

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86c Är med i någon förening?
f86f Är duktiga i skolan?
OutfitMSQ InfitMSQ OutfitZSTD InfitZSTD
F70 1.159 1.029 1.936 0.483
f86a 0.663 0.674 -4.14 -4.439
f86c 0.597 0.6 -5.754 -6.231
f86f 1.074 0.994 0.772 0.196
PCA of Rasch model residuals
Eigenvalues
1.56
1.35
1.07
0.01

F70 f86a f86c f86f
F70
f86a -0.26
f86c -0.01 -0.12
f86f -0.26 -0.24 -0.4
Note:
Relative cut-off value (highlighted in red) is -0.018, which is 0.2 above the average correlation.

Item f86a och c har för låg item fit, och även med båda items inkluderade blir reliabiliteten låg.

6.12 Invarians/DIF positiva items

6.12.1 Kön

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86c Är med i någon förening?
f86f Är duktiga i skolan?

Item 2 3 Mean location StDev MaxDiff
F70 -0.614 -0.475 -0.544 0.098 0.139
f86a 0.235 0.381 0.308 0.104 0.147
f86c -0.521 -0.268 -0.394 0.180 0.254
f86f 0.900 0.361 0.631 0.381 0.539

Item f86f (duktiga i skolan) uppvisar störst skillnad.

6.12.2 Årskurs

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86c Är med i någon förening?
f86f Är duktiga i skolan?

Item 2 3 Mean location StDev MaxDiff
F70 -0.354 -0.676 -0.515 0.227 0.321
f86a 0.166 0.421 0.294 0.180 0.254
f86c -0.338 -0.451 -0.394 0.080 0.113
f86f 0.526 0.706 0.616 0.127 0.180

Inga större skillnader.

6.12.3 Årtal

itemnr item
F70 Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a Motionerar och tränar regelbundet?
f86c Är med i någon förening?
f86f Är duktiga i skolan?

Item 4 5 6 9 10 12 14 15 Mean location StDev MaxDiff
F70 -0.359 -0.434 -0.502 -0.555 -0.530 -0.534 -0.592 -0.542 -0.506 0.075 0.233
f86a 0.162 0.196 0.276 0.307 0.311 0.252 0.278 0.276 0.257 0.053 0.149
f86c -0.395 -0.342 -0.401 -0.428 -0.353 -0.322 -0.341 -0.333 -0.364 0.038 0.106
f86f 0.592 0.580 0.626 0.675 0.572 0.605 0.655 0.599 0.613 0.037 0.104

Inga större skillnader.

6.13 Sammanfattande kommentar

Varken det prosociala/positiva indexet eller det riskfokuserade/negativa indexet fungerar tillfredsställande.

Området kamrater och fritid fungerar inte adekvat som det ser ut just nu. Det kommer att krävas utvecklingsarbete för att göra något användbart av existerande data som tar hänsyn till DIF-problematiken.

6.14 Programvara som använts för analyserna

Package Version Citation
arrow 10.0.0 Richardson et al. (2022)
base 4.2.2 R Core Team (2022)
car 3.1.1 Fox and Weisberg (2019)
cowplot 1.1.1 Wilke (2020)
eRm 1.0.2 Mair and Hatzinger (2007b); Mair and Hatzinger (2007a); Hatzinger and Rusch (2009); Rusch, Maier, and Hatzinger (2013); Koller, Maier, and Hatzinger (2015); Debelak and Koller (2019); Mair, Hatzinger, and Maier (2021)
foreach 1.5.2 Microsoft and Weston (2022)
formattable 0.2.1 Ren and Russell (2021)
ggrepel 0.9.2 Slowikowski (2022)
glue 1.6.2 Hester and Bryan (2022)
grateful 0.1.11 Rodríguez-Sánchez, Jackson, and Hutchins (2022)
HH 3.1.49 Heiberger and Holland (2004); Heiberger and Robbins (2014); Heiberger and Holland (2015); Heiberger (2022)
kableExtra 1.3.4 Zhu (2021)
knitr 1.41 Xie (2014); Xie (2015); Xie (2022)
matrixStats 0.63.0 Bengtsson (2022)
mirt 1.37.1 Chalmers (2012)
psych 2.2.9 Revelle (2022)
psychotree 0.16.0 Trepte and Verbeet (2010); Strobl, Wickelmaier, and Zeileis (2011); Strobl, Kopf, and Zeileis (2015); Komboz, Zeileis, and Strobl (2018); Wickelmaier and Zeileis (2018)
reshape 0.8.9 Wickham (2007)
RISEkbmRasch 0.1.8.1 Johansson (2023)
rmarkdown 2.19 Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); Allaire et al. (2022)
tidyverse 1.3.2 Wickham et al. (2019)

6.15 Referenser

Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, and Richard Iannone. 2022. Rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.
Bengtsson, Henrik. 2022. matrixStats: Functions That Apply to Rows and Columns of Matrices (and to Vectors). https://CRAN.R-project.org/package=matrixStats.
Chalmers, R. Philip. 2012. “mirt: A Multidimensional Item Response Theory Package for the R Environment.” Journal of Statistical Software 48 (6): 1–29. https://doi.org/10.18637/jss.v048.i06.
Debelak, Rudolf, and Ingrid Koller. 2019. “Testing the Local Independence Assumption of the Rasch Model With Q3-Based Nonparametric Model Tests.” Applied Psychological Measurement. https://doi.org/10.1177/0146621619835501.
Fox, John, and Sanford Weisberg. 2019. An R Companion to Applied Regression. Third. Thousand Oaks CA: Sage. https://socialsciences.mcmaster.ca/jfox/Books/Companion/.
Hatzinger, Reinhold, and Thomas Rusch. 2009. “IRT models with relaxed assumptions in eRm: A manual-like instruction.” Psychology Science Quarterly 51.
Heiberger, Richard M. 2022. HH: Statistical Analysis and Data Display: Heiberger and Holland. https://CRAN.R-project.org/package=HH.
Heiberger, Richard M., and Burt Holland. 2004. Statistical Analysis and Data Display: An Intermediate Course with Examples in S-Plus, R, and SAS. First. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4757-4284-8.
———. 2015. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Second. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4939-2122-5.
Heiberger, Richard M., and Naomi B. Robbins. 2014. “Design of Diverging Stacked Bar Charts for Likert Scales and Other Applications.” Journal of Statistical Software 57 (5): 1–32. https://doi.org/10.18637/jss.v057.i05.
Hester, Jim, and Jennifer Bryan. 2022. Glue: Interpreted String Literals. https://CRAN.R-project.org/package=glue.
Johansson, Magnus. 2023. RISEkbmRasch: Psychometric Analysis in r with Rasch Measurement Theory. https://github.com/pgmj/RISEkbmRasch.
Koller, Ingrid, Marco Johannes Maier, and Reinhold Hatzinger. 2015. “An Empirical Power Analysis of Quasi-Exact Tests for the Rasch Model: Measurement Invariance in Small Samples.” Methodology 11. https://doi.org/10.1027/1614-2241/a000090.
Komboz, Basil, Achim Zeileis, and Carolin Strobl. 2018. “Tree-Based Global Model Tests for Polytomous Rasch Models.” Educational and Psychological Measurement 78 (1): 128–66. https://doi.org/10.1177/0013164416664394.
Mair, Patrick, and Reinhold Hatzinger. 2007a. “CML based estimation of extended Rasch models with the eRm package in R.” Psychology Science 49.
———. 2007b. “Extended Rasch modeling: The eRm package for the application of IRT models in R.” Journal of Statistical Software 20. https://www.jstatsoft.org/v20/i09.
Mair, Patrick, Reinhold Hatzinger, and Marco Johannes Maier. 2021. eRm: Extended Rasch Modeling. https://cran.r-project.org/package=eRm.
Microsoft, and Steve Weston. 2022. Foreach: Provides Foreach Looping Construct. https://CRAN.R-project.org/package=foreach.
R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Ren, Kun, and Kenton Russell. 2021. Formattable: Create ’Formattable’ Data Structures. https://CRAN.R-project.org/package=formattable.
Revelle, William. 2022. Psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.
Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2022. Arrow: Integration to ’Apache’ ’Arrow’. https://CRAN.R-project.org/package=arrow.
Rodríguez-Sánchez, Francisco, Connor P. Jackson, and Shaurita D. Hutchins. 2022. Grateful: Facilitate Citation of r Packages. https://github.com/Pakillo/grateful.
Rusch, Thomas, Marco Johannes Maier, and Reinhold Hatzinger. 2013. “Linear logistic models with relaxed assumptions in R.” In Algorithms from and for Nature and Life, edited by Berthold Lausen, Dirk van den Poel, and Alfred Ultsch. Studies in Classification, Data Analysis, and Knowledge Organization. New York: Springer. https://doi.org/10.1007/978-3-319-00035-0_34.
Slowikowski, Kamil. 2022. Ggrepel: Automatically Position Non-Overlapping Text Labels with ’Ggplot2’. https://CRAN.R-project.org/package=ggrepel.
Strobl, Carolin, Julia Kopf, and Achim Zeileis. 2015. “Rasch Trees: A New Method for Detecting Differential Item Functioning in the Rasch Model.” Psychometrika 80 (2): 289–316. https://doi.org/10.1007/s11336-013-9388-3.
Strobl, Carolin, Florian Wickelmaier, and Achim Zeileis. 2011. “Accounting for Individual Differences in Bradley-Terry Models by Means of Recursive Partitioning.” Journal of Educational and Behavioral Statistics 36 (2): 135–53. https://doi.org/10.3102/1076998609359791.
Trepte, Sabine, and Markus Verbeet, eds. 2010. Allgemeinbildung in Deutschland – Erkenntnisse Aus Dem SPIEGEL Studentenpisa-Test. Wiesbaden: VS Verlag.
Wickelmaier, Florian, and Achim Zeileis. 2018. “Using Recursive Partitioning to Account for Parameter Heterogeneity in Multinomial Processing Tree Models.” Behavior Research Methods 50 (3): 1217–33. https://doi.org/10.3758/s13428-017-0937-z.
Wickham, Hadley. 2007. “Reshaping Data with the Reshape Package.” Journal of Statistical Software 21 (12). https://www.jstatsoft.org/v21/i12/.
Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.
Wilke, Claus O. 2020. Cowplot: Streamlined Plot Theme and Plot Annotations for ’Ggplot2’. https://CRAN.R-project.org/package=cowplot.
Xie, Yihui. 2014. “Knitr: A Comprehensive Tool for Reproducible Research in R.” In Implementing Reproducible Computational Research, edited by Victoria Stodden, Friedrich Leisch, and Roger D. Peng. Chapman; Hall/CRC. http://www.crcpress.com/product/isbn/9781466561595.
———. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.
———. 2022. Knitr: A General-Purpose Package for Dynamic Report Generation in r. https://yihui.org/knitr/.
Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.
Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.
Zhu, Hao. 2021. kableExtra: Construct Complex Table with ’Kable’ and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.