In Equation 1, Pix(θ) is the probab

In Equation 1, Pix(θ) is the probability that an individual with a trait (construct) level θ will respond positively at the boundary of category j for item i where x = j = 1 . . . mi. Theta (θ) represents the individual’s trait (construct) level, ai represents the item discrimination or slope, and bij represents the category location or difficulty parameter with respect to the trait continuum. Importantly, the values of bij should be successive integers reflecting increased difficulty in progressing through the response options in well-functioning items.
In the second step of the GRM, the probability of responding in a particular category is determined using category response functions, which are derived by subtracting Pix(θ) from the following category. This process is illustrated in Equation 2 (adapted from Embretson & Reise, 2000).
To test the dimensionality of the MS, we used our EFA sample (N = 474) and employed an ordinal EFA followed by an ordinal CFA using LISREL v8.8 (Jöreskog & Sör- bom, 2006). We generated three separate exploratory factor analyses (one, two, and three factor solutions) to understand how the individual items loaded on the respective factors. A promax (oblique) rotation was employed in the three factor analyses. The single factor solution suggested that several items loaded inversely on the factor and at least one item did not load at all. The two-factor solution resulted in over-factoring and insufficient factor loadings for several items making the solution uninterpretable. Based on these results, the two-factor solution was not regarded as acceptable and was not included in the subsequent confirmatory factor analyses. The three- factor solution produced an interpretable factor structure, however several items had very low factor loadings. Fac- tor loadings are presented in Table 1.

Hasil (Bahasa Indonesia) 2:

Dalam Persamaan 1, Pix (θ) adalah probabilitas bahwa seorang individu dengan sifat (membangun) tingkat θ akan merespon positif pada batas kategori j untuk item i di mana x = j = 1. . . mi. Theta (θ) merupakan sifat individu (membangun) tingkat, ai mewakili diskriminasi item atau kemiringan, dan bij merupakan lokasi kategori atau parameter kesulitan sehubungan dengan kontinum sifat. Yang penting, nilai-nilai bij harus bilangan bulat berurutan mencerminkan peningkatan kesulitan dalam maju melalui pilihan respon dalam item yang berfungsi dengan baik.
Pada langkah kedua dari GRM, probabilitas menanggapi dalam kategori tertentu ditentukan dengan menggunakan fungsi kategori respon, yang berasal dengan mengurangkan Pix (θ) dari kategori berikut. Proses ini digambarkan dalam Persamaan 2 (diadaptasi dari Embretson & Reise, 2000).
Untuk menguji dimensi dari MS, kami menggunakan sampel EFA kami (N = 474) dan mempekerjakan ordinal EFA diikuti oleh CFA ordinal menggunakan LISREL v8.8 (Joreskog & Sör- bom, 2006). Kami dihasilkan tiga analisis terpisah faktor eksplorasi (satu, dua, dan tiga solusi faktor) untuk memahami bagaimana masing-masing item dimuat pada faktor-faktor masing-masing. Sebuah PROMAX (miring) rotasi dipekerjakan dalam tiga faktor analisis. Solusi faktor tunggal menyarankan bahwa beberapa item dimuat terbalik pada faktor dan setidaknya satu item tidak memuat sama sekali. Solusi dua-faktor mengakibatkan over-anjak piutang dan faktor beban cukup untuk beberapa item membuat solusi yang uninterpretable. Berdasarkan hasil tersebut, solusi dua-faktor itu tidak dianggap sebagai diterima dan tidak termasuk dalam analisis faktor konfirmatori berikutnya. Solusi Faktor tiga menghasilkan struktur faktor ditafsirkan, namun beberapa item memiliki faktor beban yang sangat rendah. Beban tor-faktor disajikan pada Tabel 1.