1  Calendario degli incontri

Il calendario didattico prevede 14 incontri di tre ore ciascuno, con gli ultimi due incontri riservati a un esame finale e alle presentazioni dei progetti degli studenti.

Laboratorio 1

  • Data: 3 marzo 2025
  • Orario: 10:30–13:30
  • Argomento: Introduzione a R.

Programma

  1. Presentazione delle attività del Laboratorio di Testing Psicologico.
  2. Introduzione al linguaggio R.

Laboratorio 2

  • Data: 6 marzo 2025
  • Orario: 8:30–11:30
  • Argomento: Esplorazione dei dati (Exploratory Data Analysis, EDA)

Programma

  1. Organizzazione di un progetto di analisi dei dati:
    • Presentazione e discussione di:
      • Data Preparation [Yu & Barter (2024); cap. 4]
  2. Validazione di una scala psicometrica
    • Introduzione all’articolo Scale validation in applied health research: tutorial for a 6-step R-based psychometrics protocol (Dima, 2018).
  3. Analisi preliminari
    • Esercitazione sulle funzioni di \(\mathsf{R}\): rnorm(), dnorm(), pnorm(), qnorm().
    • Verifica della normalità:
      • Creazione e interpretazione di un qq-plot per i dati FAI.
    • Calcolo e interpretazione di:
      • Indici di curtosi e asimmetria.
    • Statistiche descrittive e verifica dei dati mancanti.
  4. Outlier e distanza di Mahalanobis
    • Individuazione e gestione degli outliers negli item FAI tramite boxplot e distanza di Mahalanobis.
  5. Careless responding
    • Presentazione e discussione di articoli chiave sul tema:
      • Dealing with careless responding in survey data: Prevention, identification, and recommended best practices (Ward & Meade, 2023).
      • Careless responding: Why many findings are spurious or spuriously inflated (Stosic et al., 2024).
      • The Conscientious Responders Scale: A new tool for discriminating between conscientious and random responders (Marjanovic et al., 2014).
    • Applicazione dei principi di individuazione del careless responding ai dati FAI.

Laboratorio 3

  • Data: 11 marzo 2025
  • Orario: 10:30–13:30
  • Argomento: Teoria Classica dei Test (Classical Test Theory, CTT)

Programma

  1. Introduzione alla regressione lineare bivariata
    • Spiegazione del modello di regressione lineare bivariata:
      • Logica del calcolo dei coefficienti tramite il metodo dei minimi quadrati.
      • Interpretazione dei principali parametri statistici del modello lineare: errore standard della regressione; scomposizione della devianza; coefficiente di determinazione (\(R^2\)).
  2. Estensione alla regressione multipla
    • Discussione del modello di regressione multipla con focus su:
      • Interpretazione dei coefficienti parziali di regressione.
      • Collegamento tra coefficienti parziali di regressione e coefficienti parziali di correlazione.
  3. Simulazione in \(\mathsf{R}\) per la CTT
    • Introduzione ai concetti fondamentali della Teoria Classica dei Test tramite simulazioni pratiche.
  4. Calcolo delle quantità chiave della CTT
    • Applicazione ai dati FAI per ottenere:
      • attendibilità (\(\alpha\) di Cronbach); SEM (Standard Error of Measurement); stima del punteggio vero tramite il metodo di Kelley; intervalli di confidenza del punteggio vero.
  5. Confronto tra approcci metodologici
    • Presentazione e discussione dell’articolo Depressive and anxiety symptoms in refugees: Insights from classical test theory, item response theory and network analysis (Schlechter et al., 2021) per un confronto tra metodi CTT, IRT e network analysis.
  6. Reliable Change Index (RCI)
    • Calcolo dell’RCI basato sul SEM e presentazione dell’articolo Reliable Change: Extending Jacobson and Truax’s index (Blampied, 2022).
  7. Gestione dei dati mancanti
    • Discussione degli approcci per gestire i dati mancanti con riferimento ai seguenti articoli:
      • Multiple imputation of missing data in large studies with many variables: A fully conditional specification approach using partial least squares (Grund et al., 2024).
      • Rebutting existing misconceptions about multiple imputation as a method for handling missing data (Van Ginkel et al., 2020).
  8. Applicazione pratica dell’imputazione multipla
    • Implementazione dell’imputazione multipla sui dati FAI con i pacchetti \(\mathsf{R}\) mice e missRanger.

Laboratorio 4

  • Data: 13 marzo 2025
  • Orario: 8:30–11:30
  • Argomento: Mokken Scale Analysis (MSA)

Programma

  1. Regressione logistica
    • Introduzione ai concetti fondamentali:
      • Definizione del modello di regressione logistica.
      • Spiegazione dell’AUC (Area Under the Curve) come misura di performance.
    • Applicazione pratica del modello ai dati FAI.
  2. Mokken Scale Analysis (MSA)
    • Introduzione alla MSA:
      • Spiegazione dei concetti principali (scalabilità, monotonicità, invarianza locale).
    • Applicazione della MSA ai dati FAI:
      • Selezione degli item basata sui criteri della MSA.
    • Presentazione dell’articolo A Mokken Scale Analysis of the Last Series of the Standard Progressive Matrices (SPM-LS) (Myszkowski, 2020).
    • Replica delle analisi di validazione descritte in (Myszkowski, 2020).

Laboratorio 5

  • Data: 18 marzo 2025
  • Orario: 10:30–13:30
  • Argomento: Teoria di Risposta agli Item (Item Response Theory, IRT) e validità.

Programma

  1. Introduzione al modello di Rasch
    • Spiegazione dei concetti fondamentali del modello di Rasch.
    • Replica dei risultati del modello di Rasch descritti in (Pallentin et al., 2024).
  2. Modelli IRT: 1PL, 2PL, 3PL
    • Spiegazione delle caratteristiche principali di ciascun modello:
      • 1PL (Modello logistico a un parametro).
      • 2PL (Modello logistico a due parametri).
      • 3PL (Modello logistico a tre parametri).
  3. Confronto tra modelli IRT
    • Analisi comparativa dei modelli 1PL, 2PL e 3PL.
    • Replica dei risultati riportati nell’articolo Analysing Standard Progressive Matrices (SPM-LS) with Bayesian Item Response Models (Bürkner, 2020).
    • Applicazione pratica dei modelli IRT ai dati FAI.
  4. Presentazione degli Standards for Educational and Psychological Testing
    • Introduzione ai principi fondamentali degli Standards disponibili su Testing Standards.
    • Discussione degli articoli:
      • A Short Tutorial on Validation in Educational and Psychological Assessment (Arias, 2024).
      • “Color-neutral” is not a thing: Redefining construct definition and representation through a justice-oriented critical antiracist lens (Randall, 2021).
      • Disrupting white supremacy in assessment: Toward a justice-oriented, antiracist validity framework (Randall et al., 2023).
    • Applicazione dei concetti presentati negli Standards e negli articoli ai dati FAI, con focus sulla validità.

Laboratorio 6

  • Data: 20 marzo 2025
  • Orario: 8:30-11:30
  • Argomento: Algebra lineare e analisi delle componenti principali.

Programma

  1. Regressione bivariata con algebra matriciale.
  2. Regressione multipla con algebra matriciale.
  3. Spiegazione geometrica degli autovalori e autovettori.
  4. Simulazione e applicazione della PCA.
  5. Analisi PCA per i dati di Greenacre et al. (2022).
  6. Discussione dell’articolo di Caron & Lemardelet (2021).

Laboratorio 7

  • Data: 25 marzo 2025
  • Orario: 10:30–13:30
  • Argomento: Path Analysis e Analisi Fattoriale

Programma

  1. Introduzione alla Path Analysis:
  2. Esercizi pratici:
    • Svolgimento degli esercizi del capitolo 1 di (Loehlin, 2017).
    • Replicare le analisi di Weiss et al. (2018).
  3. Correlazione parziale:
    • Simulazione in R per illustrare il concetto e il calcolo della correlazione parziale.
  4. Analisi fattoriale sui dati FAI:
    • Applicazione del metodo delle componenti principali tramite algebra matriciale, con estrazione di due fattori.
    • Replica dei risultati utilizzando il pacchetto lavaan.
  5. Matrici di pattern e struttura:
    • Costruzione e interpretazione delle matrici di pattern e struttura basate sui dati analizzati.
  6. Validazione psicometrica:

Laboratorio 8

  • Data: 27 marzo 2025
  • Orario: 8:30-11:30
  • Argomento: Analisi fattoriale esplorativa e confermativa. Invarianza di misurazione tra gruppi.

Programma

  1. Tecniche di analisi della dimensionalità
    • Applicazione ai dati della scala FAI, utilizzando item selezionati con la tecnica MSA.
  2. Analisi fattoriale esplorativa (EFA) e rotazione fattoriale
    • Esecuzione di un’analisi esplorativa su due sottoscale della FAI.
    • Confronto tra rotazione ortogonale e rotazione obliqua.
  3. Calcolo dei punteggi fattoriali
    • Calcolo dei punteggi fattoriali e del punteggio totale (total score) per la scala FAI.
    • Discussione dell’articolo di riferimento: McNeish & Wolf (2020).
  4. Analisi Fattoriale Confermativa (CFA)
    • Discussione e replica delle analisi proposte in Brauer & Proyer (2024):
      • Modello CFA unidimensionale.
      • Modello a 3 fattori correlati.
      • Modello di secondo ordine.
    • Confronto tra i modelli.
  5. Analisi dell’invarianza di misurazione tra gruppi:
    • Configurale, metrica e scalare.
    • Calcolo del coefficiente omega di McDonald per la valutazione dell’attendibilità:
      • Utilizzo della funzione ci.reliability() del pacchetto MBESS.
      • Replica dei risultati utilizzando la formula classica basata sulle saturazioni fattoriali.
  6. Discussione degli indici di adattamento (GOF), residui e indici di modifica (MI)
    • Calcolo e interpretazione di:
      • Indici di adattamento globale (GOF).
      • Residui.
      • Indici di modifica (MI).
    • Applicazione sia ai dati di Brauer & Proyer (2024) sia ai dati della scala FAI.
  7. Confronto tra modelli di misurazione
    • Confronto tra i seguenti modelli applicati ai dati di Holzinger & Swineford (1939): Modello congenerico, modello tau-equivalente, modello parallelo (Hirschfeld & Von Brachel, 2014).
    • Discussione dell’articolo di Widaman & Revelle (2023).
    • Confronto tra i modelli congenerico, tau-equivalente e parallelo per i dati FAI.

Laboratorio 9

  • Data: 1 aprile 2025
  • Orario: 10:30–13:30
  • Argomento: Costruzione e validazione di test. Higher-order factor analysis. Bifactor model. Attendibilità.

Programma

  1. Costruzione e validazione di test:
  2. Higher-Order Factor Analysis e Bifactor Model:
    • discussione e replica delle analisi di validazione di Blume et al. (2025).
  3. Calcolo dell’attendibilità:
    • Stime di attendibilità con Alpha di Cronbach, Omega di McDonald, Coefficiente \(\rho\) di Mokken.
    • Applicazione alla scala FAI.
  4. CFA per dati non normali o categorici:
    • Confronto tra adattamento basato su MLR e modelli per dati categorici;
    • Applicazione alla scala FAI.
  5. Modification Indices:
    • Applicazioni ai dati della scala FAI.
  6. Gestione dei dati mancanti:
    • Simulazioni con la scala FAI:
      • Imputazione preliminare con mice.
      • Uso di FIML (Full Information Maximum Likelihood).

Laboratorio 10

  • Data: 3 aprile 2025
  • Orario: 8:30-11:30
  • Argomento: Introduzione ai modelli di equazioni strutturali (SEM).

Programma

  1. Introduzione ai modelli SEM: Presentare i principi e le applicazioni dei modelli di equazioni strutturali (SEM) secondo Kline (2023).
    • Analisi dell’invarianza fattoriale tra gruppi: Discutere i livelli di invarianza fattoriale (configurale, metrica, scalare, e stretta), con un focus sui seguenti studi:
    • Presentare e replicare l’analisi proposta da Lasker (2024).
    • Presentare e replicare l’analisi condotta da McDanal et al. (2023).
    • Replicare e commentare l’analisi discussa nel capitolo Structural Equation Modeling with R for Education Scientists di Saqr & López-Pernas (2024).
  2. Analisi della potenza statistica nei SEM: Esaminare e applicare i concetti di power analysis nei SEM seguendo il tutorial di Jobst et al. (2023). 3.Esplorazione dell’ESEM: Presentare i principi e l’applicazione del modello di equazioni strutturali esplorative (ESEM).

Laboratorio 11

  • Data: 8 aprile 2025
  • Argomento: Test di intelligenza. Bias nei test. Protocollo EMA.
  • Orario: 10:30-13:30

Programma

  1. Test d’intelligenza
    • Presentazione del capitolo Intellectual Assessment del testo di Petersen (2024).
    • Discussione dei concetti di curva ROC e indice AUC.
    • Presentazione del capitolo Test Bias del testo di Petersen (2024).
    • Replica e discussione delle analisi di Schubert et al. (2024).
  2. Ecological Momentary Assessment
    • Presentazione del capitolo Psychophysiological and Ambulatory Assessment del testo di Petersen (2024).

Laboratorio 12

  • Data: 10 aprile 2025
  • Argomento: Modelli multilivello, attendibilità longitudinale, modelli di crescita latente.
  • Orario: 8:30-11:30

Programma

  1. Analisi del progetto Popularity Data: Eseguire e commentare l’analisi multilivello del progetto discusso nel secondo capitolo di Multilevel Analysis: Techniques and Applications (Hox et al., 2017). Per supporto pratico, consultare il tutorial in R disponibile su questo blog.
  2. Analisi multilivello sui dati di self-compassion di stato: Eseguire l’analisi multilivello sui dati provenienti da uno studio EMA sulla self-compassion di stato. Commentare i risultati interpretandoli alla luce delle ipotesi discusse nell’articolo di Neff (2022).
  3. Replica del modello di crescita latente: Replicare in R il modello di crescita latente presentato da Gudmundsdottir et al. (2024) e discutere i risultati ottenuti, mettendoli in relazione con i contenuti dell’articolo.

Laboratorio 13

  • Data: 15 aprile 2025
  • Argomento: Quiz su Moodle e presentazioni finali degli studenti.
  • Orario: 10:30-13:30

Programma

  1. Quiz Moodle.
  2. Presentazioni dei progetti degli studenti.

Laboratorio 14

  • Data: 17 aprile 2025
  • Argomento: Presentazioni finali degli studenti.
  • Orario: 8:30-11:30

Programma

  1. Presentazioni dei progetti degli studenti.

Bibliografia

Blampied, N. M. (2022). Reliable change and the reliable change index: still useful after all these years? The Cognitive Behaviour Therapist, 15, e50.
Blume, F., Buhr, L., Kuehnhausen, J., Köpke, R., Weber, L. A., Fallgatter, A. J., Ethofer, T., & Gawrilow, C. (2025). Validation of the Self-Report Version of the German Strengths and Weaknesses of ADHD Symptoms and Normal Behavior Scale (SWAN-DE-SB). Assessment, 32(1), 130–146.
Brauer, K., & Proyer, R. T. (2024). Assessing Jealousy: Factor Analyses, Measurement Invariance, Nomological Validity, and Longitudinal APIM Analyses of the Multidimensional Jealousy Scale. Assessment, 1–15.
Bürkner, P.-C. (2020). Analysing standard progressive matrices (SPM-LS) with Bayesian item response models. Journal of Intelligence, 8(1), 5.
Caron, P.-O., & Lemardelet, L. (2021). The variance sum law and its implications for modelling. The Quantitative Methods for Psychology, 17(2), 80–86.
Clement, L. M., & Bradley-Garcia, M. (2022). A step-by-step tutorial for performing a moderated mediation analysis using PROCESS. The Quantitative Methods for Psychology, 18(3), 258–271.
Dima, A. L. (2018). Scale validation in applied health research: Tutorial for a 6-step R-based psychometrics protocol. Health Psychology and Behavioral Medicine, 6(1), 136–161.
Erez, C., & Gordon, I. (2024). The Imperfect Yet Valuable Difficulties in Emotion Regulation Scale: Factor Structure, Dimensionality, and Possible Cutoff Score. Assessment, 10731911241261168.
Greenacre, M., Groenen, P. J., Hastie, T., d’Enza, A. I., Markos, A., & Tuzhilina, E. (2022). Principal component analysis. Nature Reviews Methods Primers, 2(1), 100.
Grund, S., Lüdtke, O., & Robitzsch, A. (2024). Multiple imputation of missing data in large studies with many variables: A fully conditional specification approach using partial least squares. Psychological Methods.
Gudmundsdottir, G. R., Pfund, G. N., Hill, P. L., & Olaru, G. (2024). Reciprocal associations between sense of purpose and subjective well-being in old age. European Journal of Personality, 38(3), 391–404.
Guidotti, S., Fiduccia, A., & Pruneti, C. (2024). Introversion, alexithymia, and hostility: a path analysis from personality to suicidal ideation among university students. Psychological Reports, 00332941241247526.
Hirschfeld, G., & Von Brachel, R. (2014). Improving Multiple-Group confirmatory factor analysis in R–A tutorial in measurement invariance with continuous and ordinal indicators. Practical Assessment, Research, and Evaluation, 19(1).
Hox, J., Moerbeek, M., & Van de Schoot, R. (2017). Multilevel analysis: Techniques and applications. Routledge.
Jobst, L. J., Bader, M., & Moshagen, M. (2023). A tutorial on assessing statistical power and determining sample size for structural equation models. Psychological Methods, 28(1), 207.
Kline, R. B. (2023). Principles and practice of structural equation modeling. Guilford publications.
Lasker, J. (2024). Measurement Invariance Testing Works. Applied Psychological Measurement, 48(6), 257–275. https://doi.org/10.1177/01466216241261708
Loehlin, J. C. (2017). Latent variable models: An introduction to factor, path, and structural equation analysis. Psychology Press.
Marjanovic, Z., Struthers, C. W., Cribbie, R., & Greenglass, E. R. (2014). The Conscientious Responders Scale: A new tool for discriminating between conscientious and random responders. Sage Open, 4(3), 2158244014545964.
McDanal, R., Schleider, J. L., Fox, K. R., & Eaton, N. R. (2023). Loneliness in gender-diverse and sexual orientation–diverse adolescents: Measurement invariance analyses and between-group comparisons. Assessment, 30(3), 706–727.
McNeish, D., & Wolf, M. G. (2020). Thinking twice about sum scores. Behavior Research Methods, 52, 2287–2305.
Myszkowski, N. (2020). A Mokken scale analysis of the last series of the standard progressive matrices (SPM-LS). Journal of Intelligence, 8(2), 22.
Neff, K. D. (2022). The differential effects fallacy in the study of self-compassion: Misunderstanding the nature of bipolar continuums. Mindfulness, 13(3), 572–576.
Pallentin, V. S., Danner, D., Lesche, S., & Rummel, J. (2024). Validation of the Short Parallel and Extra-Short Form of the Heidelberg Figural Matrices Test (HeiQ). Journal of Intelligence, 12(10), 100.
Petersen, I. T. (2024). Principles of psychological assessment: With applied examples in R. CRC Press.
Randall, J. (2021). «Color-neutral» is not a thing: Redefining construct definition and representation through a justice-oriented critical antiracist lens. Educational Measurement: Issues and Practice, 40(4), 82–90.
Randall, J., Slomp, D., Poe, M., & Oliveri, E. (2023). Disrupting white supremacy in assessment: Toward a justice-oriented, antiracist validity framework. In Twin Pandemics (pp. 78–86). Routledge.
Saqr, M., & López-Pernas, S. (2024). Learning analytics methods and tutorials: A practical guide using R. Springer Nature.
Schlechter, P., Wilkinson, P. O., Knausenberger, J., Wanninger, K., Kamp, S., Morina, N., & Hellmann, J. H. (2021). Depressive and anxiety symptoms in refugees: Insights from classical test theory, item response theory and network analysis. Clinical Psychology & Psychotherapy, 28(1), 169–181.
Schubert, A.-L., Löffler, C., Wiebel, C., Kaulhausen, F., & Baudson, T. G. (2024). Don’t waste your time measuring intelligence: Further evidence for the validity of a three-minute speeded reasoning test. Intelligence, 102, 101804.
Stosic, M. D., Murphy, B. A., Duong, F., Fultz, A. A., Harvey, S. E., & Bernieri, F. (2024). Careless responding: Why many findings are spurious or spuriously inflated. Advances in Methods and Practices in Psychological Science, 7(1), 25152459241231581.
Van Ginkel, J. R., Linting, M., Rippe, R. C., & Van Der Voort, A. (2020). Rebutting existing misconceptions about multiple imputation as a method for handling missing data. Journal of Personality Assessment, 102(3), 297–308.
Ward, M. K., & Meade, A. W. (2023). Dealing with careless responding in survey data: Prevention, identification, and recommended best practices. Annual Review of Psychology, 74(1), 577–596.
Watson, D., O’Hara, M. W., Simms, L. J., Kotov, R., Chmielewski, M., McDade-Montez, E. A., Gamez, W., & Stuart, S. (2007). Development and validation of the Inventory of Depression and Anxiety Symptoms (IDAS). Psychological Assessment, 19(3), 253–268.
Weiss, N. H., Forkus, S. R., Contractor, A. A., & Schick, M. R. (2018). Difficulties regulating positive emotions and alcohol and drug misuse: A path analysis. Addictive Behaviors, 84, 45–52.
Wester, R. A., Rubel, J., Zimmermann, J., Hall, M., Kaven, L., & Watson, D. (2022). Development and validation of the Inventory of Depression and Anxiety Symptoms–II—German version. Psychological Assessment, 34(12), e88.
Widaman, K. F., & Revelle, W. (2023). Thinking thrice about sum scores, and then some more about measurement and analysis. Behavior Research Methods, 55(2), 788–806.
Yu, B., & Barter, R. L. (2024). Veridical data science: The practice of responsible data analysis and decision making. MIT Press.