We applied IRT to the MS and MTS to

We applied IRT to the MS and MTS to examine the amount of information that is contained in each item and then use this information along with the item discrimination (a parameter) to suggest removing certain items if they contain little information and have low item discrimination. Item discrimination is an inverse function of item information, which in IRT models is a measure of reliability (Embretson & Reise, 2000). Importantly, total information is an incremental additive function in which each item contributes to the overall reliability of the scale. Currently there is no set standard for what level of item discrimination is good enough to be considered a good item, nor is there a standard for what is an adequate level of information that an item must contain. We believe that both the item information and item discrimination need to be taken into account when determining which items should be removed from a scale. For the current study, the criterion we used to remove an item was that the item information curve for an item had to be relatively flat, be below 0.50 on item information and have an a parameter below 1.50. Because there is no standard in the literature when using IRT to remove items, researchers should clearly state the criteria they used to determine which items could be removed from a scale. Zickar et al. (2002) recommend that items with a parameters above 1.0 should be retained and Hafsteins- son, Donovan, and Breland (2007) recommend that for shorter scales the threshold should be increased to 2.0.
Using our IRT sample (N= 948) we fit each factor of the MS and then fit the MTS as a unidimensional construct using the GRM. Table 5 contains the jtem parameters for the MS and MTS. Figure 1 contains the item information curves for each item in the MTS. Examination of the item parameters and information curves reveals that a number of item can be removed from both of these scales according to the criteria we set.
Specifically, items 1, 7, and 8 can be removed from the MTS and items 3, 4, 5, 6, 10, 12 can be removed from the MS. As can be clearly shown from Figure 1 and 2 these items contain little information and are flat across all possible levels of the maximizing construct. Plateaushaped information curves are not necessarily bad as this would indicate that the item is discriminating across a wide range of the latent trait. However, in the case of the items we removed these are not plateaued but rather completely flat lines relative to the other items indicating that no incremental information is being provided by these items.
Nenkov et al. (2008) revised the original 13-item Schwartz et al. (2002) scale and reduced the scale down to 6-items. There are some differences between the items they kept and the items that we kept from our IRT anal- ysis. Their 6-item scale contains three factors and con- sists of Alternative Search (items 2, 4) Decision Diffi- culty (items 7, 9) and High Standards (items 11, 12). We are confident in the items we recommended for removal because IRT provides the researcher with item level analysis about the information that a certain item contains in regards to an underlying construct. Now that we have suggested removing items from these scales, we reexamine the factor structure of these scales and then we will examine the correlations between the original scales and our revised scales with a number of other constructs that have been shown to be related to maximizing in the past.
3.4 Factor analysis of the revised MS
Given the results of our exploratory factor analysis and the IRT analysis, we revised the MS to a three-factor, eight-item structure by removing items that loaded in sufficiently on their respective factors and demonstrated low information functions (see Table 3). We conducted a CFA (using our CFA data set), on this revised structure and found that it met all of our criteria for model fit (see Table 1). Further, the reduction in the overall model chi- square statistic from the previous models suggests that our revised scale (Revised MS Short) is a more parsimonious version of the MS. We then tested a three-factor model based off Nenkov et al. factor structure with factor 1 (Alternative Search) containing items 1 and 2; Factor 2 (Decision Difficulty) containing items 7, 8, 9; and Factor 3 (High Standards) containing item 11 and 13. The new revised scale is presented in Table 6.

Hasil (Bahasa Indonesia) 1:

Kami menerapkan IRT ke MS dan MTS untuk memeriksa jumlah informasi yang terkandung dalam setiap item dan kemudian menggunakan informasi tersebut beserta diskriminasi item (parameter) menyarankan menghapus item tertentu jika mereka berisi informasi kecil dan rendah item diskriminasi. Item diskriminasi adalah fungsi invers item informasi, yang dalam IRT model adalah ukuran kehandalan (Embretson & Reise, 2000). Penting, informasi total adalah fungsi aditif inkremental di mana setiap item berkontribusi keandalan secara keseluruhan skala. Saat ini ada ada standar untuk apa tingkat item diskriminasi cukup baik untuk dipertimbangkan item yang baik, juga tidak ada standar untuk apa adalah informasi yang harus berisi item yang memadai. Kami percaya bahwa informasi item dan item diskriminasi perlu dipertimbangkan ketika menentukan item yang harus dihapus dari skala. Untuk studi ini, kriteria yang kita digunakan untuk menghapus item adalah bahwa kurva informasi item untuk item harus relatif datar, berada di bawah 0,50 pada informasi item dan memiliki parameter di bawah 1,50. Karena tidak ada standar dalam literatur bila menggunakan IRT untuk menghapus item, peneliti harus dengan jelas menyatakan kriteria yang mereka digunakan untuk menentukan item yang dapat dihilangkan dari skala. Zickar et al. (2002) menyarankan item dengan parameter di atas 1.0 harus dipertahankan dan Hafsteins-anak, Donovan, dan Breland (2007) merekomendasikan bahwa untuk skala pendek ambang harus ditingkatkan untuk 2.0.Menggunakan sampel IRT kami (N = 948) kita cocok setiap faktor dari MS dan kemudian sesuai MTS sebagai membangun unidimensional menggunakan GRM. Tabel 5 berisi parameter jtem untuk MS MTS. gambar 1 berisi item informasi kurva untuk setiap item dalam pemeriksaan MTS. parameter item dan informasi kurva mengungkapkan bahwa sejumlah item dapat dihapus dari kedua Timbangan ini sesuai dengan kriteria yang kita tetapkan.Secara khusus, item 1, 7 dan 8 dapat dihilangkan dari MTS dan item 3, 4, 5, 6, 10, 12 dapat dihilangkan dari MS. Seperti yang dapat dilihat dengan jelas dari gambar 1 dan 2 item ini mengandung sedikit informasi dan datar di semua tingkat mungkin membangun memaksimalkan. Plateaushaped informasi kurva tidak selalu buruk karena hal ini akan mengindikasikan bahwa item diskriminasi di seluruh berbagai sifat laten. Namun, dalam hal barang-barang yang kami dihapus ini tidak stabil tetapi agak benar-benar datar garis relatif terhadap barang-barang lainnya yang menunjukkan bahwa tidak ada informasi tambahan yang disediakan oleh barang-barang ini.Nenkov et al. (2008) merevisi asli 13-item Schwartz et al. (2002) skala dan mengurangi skala ke 6-item. Ada beberapa perbedaan antara mereka menyimpan item dan item yang kita terus dari kami IRT anal-ysis. Skala 6-item mereka berisi tiga faktor dan con-sists Cari alternatif (item 2, 4) keputusan sulit - culty (item 7, 9) dan standar yang tinggi (item 11, 12). Kami sangat percaya diri dalam item kami merekomendasikan untuk removal karena IRT menyediakan peneliti dengan analisis tingkat butir tentang informasi yang berisi item yang tertentu dalam hal membangun yang mendasari. Sekarang bahwa kita telah menyarankan menghapus item dari timbangan ini, kita menilai struktur faktor Timbangan ini dan kemudian kita akan memeriksa korelasi antara asli skala dan skala kami direvisi dengan sejumlah lainnya konstruksi yang telah terbukti berhubungan dengan memaksimalkan di masa lalu.3.4 analisis faktor MS direvisiGiven the results of our exploratory factor analysis and the IRT analysis, we revised the MS to a three-factor, eight-item structure by removing items that loaded in sufficiently on their respective factors and demonstrated low information functions (see Table 3). We conducted a CFA (using our CFA data set), on this revised structure and found that it met all of our criteria for model fit (see Table 1). Further, the reduction in the overall model chi- square statistic from the previous models suggests that our revised scale (Revised MS Short) is a more parsimonious version of the MS. We then tested a three-factor model based off Nenkov et al. factor structure with factor 1 (Alternative Search) containing items 1 and 2; Factor 2 (Decision Difficulty) containing items 7, 8, 9; and Factor 3 (High Standards) containing item 11 and 13. The new revised scale is presented in Table 6.