اهمیت اندازه گیری

دقت هر چه بيشتر در سنجش صفت مورد نظر آرمان سنجش و اندازه گيري است. در همة علوم اندازه گيري نقش اساسي دارد و ناتواني در اندازه گيري پديده مورد بررسي هر رشته علمي, در راه توسعة علمي, همانند يک مانع و محدودیت عمل مي کند. در علوم انساني بخصوص روانشناسي و علوم تربيتي و حتی مدیریت آزمون ها مهمترين و پرکاربردترين ابزار سنجش و اندازه گيري به حساب مي آيند. هدف اصلي اين آزمون ها ارزيابي رفتار, توانائي هاي ذهني و خصوصيات شخصيتي جهت شناخت بيشتر, قضاوت, پيش بيني و تصميم گيري درباره افراد مي باشد. بنابراین چنین آزمون هایی باید با دقت هر چه بيشتر اين صفات را برآورد کنند. اصول و زيربناي ساخت اين آزمونها را تئوري ها و مدل هايي تشکل مي دهند که خود آنها نيز داراي کارکردها، توانمندی ها و پيش فرض هاي متفاوتي مي باشند که از این میان می توان به مدل کلاسیک اندازه گیری و مدل های سوال- پاسخ اشاره نمود.

برازش برداری صفت(Property Vector Fitting)

تکنیکی برای ادغام متغییرها است. اگر کسی از این تکنیک اطلاع دارد به مشاوره ی وی نیازمندیم.

09122263167

[e-mail]

فرق بین اندازه گیری و آمار:

فرق بین اندازه گیری و آمار:

چون واژه ی آمار به طور گسترده ای استفاده می شود، لازم است تا تمایزی بین کاربردهای مختلف این واژه قائل شویم تا بتوانیم به کارکردهای آن در نظریه روانسنجی پی ببریم. در ابتدا لازم است به تمایز بین استنباط آماری و دیگر روش های ریاضی اشاره شود. استنباط آماری با جملات احتمالی ارتباط بین ارزش های مشاهده شده را با پارامترهای جامعه برقرار می سازد. آمار توصیفی به بررسی ویژگی های مختلف یک نممونه می پردازد.

نظریه ی روانسنجی یک نظریه ی حجم نمونه بالا است و فرض می شود تعداد زیادی از افراد در یک مطالعه ی اندازه گیری شرکت می کنند.

تمایز دوم این است که آمار با نمونه گیری افراد و اندازه گیری با نمونه گیری محتوی (سوالات آزمون) سر و کار دارد. اندازه گیری ارتباط آماری برقرار می کند بین نمراتی که از یک امتحان واقعی بدست آمده اند با نمرات نظری که در صورتی که همه ی سوالات ممکن اجرا می شد، بدست می آمدند.

نحوه ی تمایز طرح های آزمایشی، شبه آزمایشی و نیمه آزمایشی

 اگر نمونه گیری و انتخاب تصادفی دو معیار برای تمایز باشند،  در طرح آزمایشی هر دو معیار موجود است،  در طرح نیمه آزمایشی هر دو معیار هم زمان موجود نیست ولی شرایط برقرای یک معیار وجود دارد،  در طرح شبه آزمایشی شرایط برقرای هر دو معیار وجود ندارد ولی به این دلیل پسوند آزمایشی می گیرد که اعمال متغییر پژوهش توسط پژوهشگر است.

فرق ریاضی و اندازه گیری

فرق ریاضی و اندازه گیری

لازم است بین ریاضیات و اندازه گیری تمایز مشخصی قائل شویم. در اندازه گیری مستقیما با جهان واقعی سر و کار داریم ولی ریاضیات یک علم انتزاعی محض است. شاید اگر این دو علم هر دو با کمیت سروکار نداشتند، کمتر کسی آنها را نزدیک به هم می دانست. سیستم های ریاضی صرفا استقرایی اند، مجموعه ای از قوانین برای دستکاری سمبل ها می باشند. سمبل های عددی یک نمونه ی کلاسیک سمبلی در ریاضی محسوب می شود. در ریاضیات مدرن سمبل های وجود دارند که ربطی به اعداد ندارند. مجموعه ای از قوانین که به دستکاری سمبل ها می پردازند شاخه های علم ریاضی را تشکیل می دهند. شاخه های علم ریاضی ممکن است برای استفاده ی خاصی کارایی نداشته باشند ولی کاربد آنها تماما به ثبات درونی قواعد برمی گردد.

برخلاف ریاضی اندازه گیری از اعداد تشکیل شده است و درستی انها از طریق داده های تجربی بررسی می گردد. اندازه گیری به حقیقت مربوط به دنیای واقعی می پردازد. اندازه گیری بیان می کند که چقدر از یک صفت در موجود است.بنابراین برای رسیدن به این هدف از مقدارهای عددی استفاده می کند. به این منظور اگر استثنائات را در نظر نگیریم حداقل پیش مقدمه داده های گسسته می باشد به عنوان مثال حضور یا عدم حضور آسیب مغزی یا اینکه شغل یک فرد کشاورزی هست یا نه.

اندازه گیری با دنیای واقعی از طریق اهداف، عملیات و اعتبار ارتباط برقرار می کند. هدف اندازه گیری کمی سازی صفات اشیائ و افراد در دنیای واقعی است. اعتبار و مفید بودن اندازه ها همیشه وابسته به ویژگی داده های تجربی است.

نکته ای مهم در نوشتن فرض خلاف آزمون آنالیز واریانس

نکته ای مهم در نوشتن فرض خلاف آزمون آنالیز واریانس

چیزی که به اشتباه در برخی از متون آماری مشاهده می شود این است که فرض خلاف آزمون F را به صورت زیر می نویسند:

 

Ha: µ1≠µ2≠...≠ µj

فرض خلاف بالا به این معنا است که هیچ میانگینی با هم برابر نیست. در صورتی که برای معناداری آزمون F کافی است یکی از j*(j-1)  مقایسه ی بین میانگین ها (در صورتی که j گروه داشته باشیم) دارای تفاوت معنادار باشد.

به نظر من عبارت زیر برای نوشتن فرض خلاف مناسب تر است:

Ha: ∑(Xi - Xj)2≠0

زمانی این مجموع مخالف صفر است که حداقل دو میانگین با هم متفاوت باشند. ولی نوشتن فرض صفر به هر دو صورت زیر درست است:

H0: µ1=µ2=....= µj

H0: ∑(Xi - Xj)2=0

اثرهای ساده و تصادفی(Random & Fixed Models)

اثرهای ساده و تصادفی(Random & Fixed Models)

در تعیین مدل های چند سطحی سوال که مطرح می شود این است که متغییرهای اکتشافی که همان متغییرهای مستقل و متغییرهای کواریانسی هستند، چه زمانی اثر تصادفی ایجاد می کنند؟ یک کمیت زمانی تصادفی است که بتواند تمام مقادیر یک جامعه ی مشخص را بگیرد و در ضمن مشاهده ی یک مقدار خاص کاملا شانسی باشد. زمانی یک اثر در مدل های آماری تصادفی است که بتوانیم نتیجه گیری بدست آمده از این اثرات را به جامعه ای که اثرها از آن گرفته شده است تعمیم دهیم.

ویژگی تعویض پذیری(changeability)  اثرهای انتخاب شده یکی از ویژگی های مهم اثرات تصادفی است.

آزمون های کامپیوتری

كامپيوترها بر اجراي آزمونها تاثير زیادی داشته اند. يكي از مهمترين انتسابها به اين آزمونها، آزمونهاي انطباقي كامپيوتري[1] است. اين آزمونها بيشتر براي سنجش پيشرفت و نگرش منطبق شده اند و اغلب يك، دو يا سه مجموعه كوچك از سؤالات با درجه دشواري متوسط به آزمون دهندگان ارائه مي شود تا توانايي فرد تخمين زده شود. بر حسب اينكه آزمودني يا فراگير از لحاظ درستي چگونه به اين سوال پاسخ دهد، سوال بعدي به گونه اي مطرح مي شود كه بيشترين هماهنگي را با توانايي هاي فرد داشته باشد. بنابراين در صورتي كه فراگير به همه ي سؤالات داده شده اشتباه پاسخ دهد، سؤال بعدي آسانتر مطرح مي شود و اگر به همه ي سؤالات با موفقيت جواب داده باشد، سؤال يا سؤالات بعدي سخت تر طرح مي شوند. اگر به سؤالي درست پاسخ داده شود، يك سؤال با همان درجه ي دشواري بعنوان سؤال نشانگر[2] جايگزين مي شود. سؤال نشانگر، سؤالي است كه سطح توانايي فراگير را مشخص مي كند (کلاین[3]، 2005).

بنابر اين در مقايسه با آزمونهاي سنتي كه براي همه ي آزمودني ها سؤالات يكسان وجود دارد، در آزمونهاي مبتني بر كامپيوتر هر آزمودني به سؤالاتي جواب مي دهد كه مطابق با سطح توانايي هايش باشد (کلاین،2005).

---

[1]. Computer adaptive tests

[2]. Locator item

[3] .Kline

DIF(عملکرد افتراقی سوال)2

واژه‏ی عملکرد افتراقی سوال(DIF) در آغاز دهه‏ی 1990 وارد ادبیات سنجش و اندازه گیری شد. البته قبل از این دهه، و از دهه 1960 واژه‏ای تحت عنوان "سوگیری سوال[1] "  مطرح بود که هدف آن گسترش کاربرد منصفانه و تخفیف اختلاف در عملکرد آزمون بین گروه‏های جامعه(به عنوان مثال سیاهان و اسپانیایی تبارها[2]) بود(آنگوف[3]، 1993).

بیشتر این مطالعات برای درک اختلاف نمرات زیر گروه‏های جامعه و مخصوصا برای اثبات این موضوع هدایت می‏شدند که تفاوت‏های مشاهده شده در نمرات، بیشتر ناشی از سوگیری سوالات می‏باشد و نه اختلاف در توانایی واقعی افراد. به طور کلی تمرکز اصلی مطالعات سوگیری سوال، کشف سوالاتی از آزمون است که ممکن است به نفع یا ضرر یک یا چند گروه جانبداری کرده باشند. سوگیری سوال به صورت زیر تعریف شده است(آنگوف، 1993):

"یک سوال زمانی سوگیری دارد که احتمال پاسخگویی برای افرادی با توانایی‏ها و مهارت‏های یکسان، برابر نباشد."

شپرد و سایرین[4](1981) ویژگی سوگیری را به صورت زیر تعریف کرده‏اند:

"سوگیری نوعی ناروایی[5] است که به‏یک گروه بیشتر از گروه دیگر ضربه وارد می‏کند."

آنگوف(1993) معتقد است تعاریف مربوط به سوگیری نهایتا مطلبی را درباره‏ی عملکرد، ارزشیابی، اجرا و یا قضاوت های ناعادلانه ارائه می‏دهند.

---

[1] . Item Bias

[2]  . Hispanic

[3]  . Angoff

[4]  . Shepard et al

1 . Invalidity

DIF(عملکرد افتراقی سوال)1

روش آماري كه در تعيين سوگيري  سوال مورد استفاده قرار مي‏گيرد، تحت عنوان عملكرد افتراقي سوال (DIF) ناميده مي شود. DIF مشاهده‏ي ويژگي هاي آماري سوال در دو زير جامعه است كه فرض می‏شود سطح توانايي مورد سنجش در آنها برابر است (هلند و واینر ، 1993).DIF  يك فرايند دو مرحله اي است: گام اول مقايسه‏ي بروندادهاي زير گروه‏ها در يك سوال و تعيين وجود يا عدم وجود DIF  در آن سوال مي‏باشد. گام دوم تصميم گيري در مورد اين موضوع است كه آيا تفاوت بين گروه‏ها(زير جامعه  ها) به اندازه‏ي كافي بزرگ است كه بتوان سوال را حذف كرد و يا تغيير داد. مرحله‏ي دوم در برگيرنده‏ي آزمون‏هاي معناداري آماري مربوط به DIF است(فن ، 1998).

 

تفاوت بین AMOS و LISREL

یکی از سوالات مطرح شده تفاوت بین لیزرل و آموس است. پژوهش ها نشان می دهد در کاربد مدل معادلات ساختاری و تحلیل مسیر این دو نرم افزار با هم تفاوت معناداری ایجاد نمی کنند. بنابراین کاربر می تواند به جای استفاده از لیزرل از نرم افزار آموس استفاده نمایید. اما شاخص هایی که هر کدام ارائه می دهند متفاوت است. علاوه بر این نرم افزار لیزرل کاربرد های دیگری دارد که آموس فاقد آن است به عنوان مثال ضرایب همبستگی دو رشته ای و چند رشته ای فقط از طریق نرم افزار لیزرل قابل دستیابی است بنابراین اگر قرا به وقت گذاشتن برای یادگیری آموس است بهتر است لیزرل را فرا گیریم. برای اطلاع بهتر می توانید از مقاله ی زیر استفاده کنید:

journals.lww.com › Home › July/August 2008 - Volume 57 - Issue 4

داده های گمشده 2

برخورد با داده های گمشده، چالش بزرگی سر راه تحلیل داده هاست. یکی از راههای سنتی این کار، حذف داده ها است. در تجزیه و تحلیل های چند متغییره مثل تحلیل های این مرکز، روش حذف داده های گمشده روش ناکارامدی است چرا که تعداد داده های دارای اطلاعات کامل بسیار اندک است و حجم نونه بسیار کاهش می یابد و کاهش حجم نمونه باعث پایین آمدن اعتبار بیرونی می شود ولی زمانی که داده های گمشده ی ما تعداد کمی هستند می توان از فرایند پژوهش آنها  را حذف نمود. در روش جایگذاری مقادیر مناسب برای داده های گمشده نیز اگر میانگین جایگذاری شود رابطه ی بین متغییرها تحت تاثیر جدی قرار می گیرد. استفاده از برآوردهای رگرسیونی مشکل قبلی را ندارد مقدار دقیق فراهم نمی آورد، چرا که در این روش مقادیر برآورد شده به جای مقادیر واقعی قرار می گیرد و باید حالت احتمالی برآورد را در نظر گرفت و نمی توان غیر احتمالی بودن برآوردها در این روش را نادیده بگیریم. بنابراین این روش نیز کارایی کاملی ندارد. در ضمن روش هایی مثل برآوردهای رگرسیونی، برآوردهای جفتی یا لیستی وابسته ی به این مفروضه است که الگوی ارزش های گمشده وابسته ی به داده های واقعی نیست.

روش های جایگذاری چندگانه تحلیلی از الگوی داده های گمشده ارائه می دهند. در این روش انواع مختلفی از دسته داده ها فراهم می شود که  هر کدام از این دسته داده ها مقادیر جایگذاری شده ی خاص خود را دارند. زمانی که تحلیل های آماری انجام می شوند برای تمام دسته داده های جایگذاری شده پارامترها برآورد می  شوند و در کنار هم قرار می گیرند. پارامترهای برآورد شده بر اساس مجموع آنها از دقت بیشتری نسبت به هر کدام از دسته داده ها خواهد بود. بنابراین برای استفاده از این روش ابتدا باید الگوی داده های گمشده را مشاهده کرد و دید که آیا نیاز به استفاده از این روش وجود دارد یا خیر؟

 

روش های مواجه با داده های گمشده در spss:

در بیشتر زمان هایی که پرسشنامه توسط آزمودنی ها پر می شود لاجرم با داده های گمشده ی روبرو هستیم. و منجر به مشکلاتی مانند کم شدن حجم نمونه می شود. گاهی نیز در صورتی که بخواهید بر اساس توابعی از پاسخ های فرد در چند سوال به متغییر جدیدی دست یافت، اطلاعات ارائه نمی شود. در ساده ترین شکل فرض کنید می خواهیم بر اساس جمع 5 سوال در مورد همه ی آزمودنی ها شاخصی را بدست آوریم و با هم مقایسه کنیم. زمانی که از فرمان compute استفاده می شود، سوالات برای افرادی که حتی به یک سوال پاسخ نداده اند جمع بسته نمی شود. راه های مختلفی برای مواجه با این مشکل وجو دارد.

 به طور کلی این روش ها عبارتند از:

1. حذف داده گمشده از تحلیل
2. جایگذاری داده ای گمشده با مقادیر مناسب مانند میانگین
3. استفاده از برآوردهای میانگینی.
4. الگوریتم EM که یک روش محاسباتی است.
5. روش داده افزایی
6. روش جانهی چندگانه(روش مبتنی بر میانگین های شبیه سازی شده)

نرم افزار spss قادر است از این روش ها استفاده کند.البته برای استفاده از بعضی روش ها باید در کار کردن با این نرم افزار خبره بود[e-mail]

کاربرد SAS در تجزیه ی طرح های آزمایشی

تجزیه ی واریانس در قالب طرح های آزمایشی پرکاربردترین تجزیه ی آماری به شمار می آید. فیشر این روش را بنیان نهاد. به طور کلی تجزیه ی واریانس عبارت است از انجام یک سری عملیات ریاضی که به وسیله ی آن می توان مقدار کل تغییرات یا اختلافات موجود در یک آزمایش را به قسمت ها یا بخش های مختلف آن شکست. از چهار رویه ی SAS(ANOVA,GLM,MIXED,VARCOMP) می توان برای تجزیه ی طرح های آمایشی استفاده کرد.

بنا به اهمیتی که این طرح ها در مطالعات زیستی، کشاورزی، پزشکی و آموزشی دارد، شروع به استفاده و فهم آنها از اهمیت خاصی برخوردار است. در صورت نیاز به کارکردن با این طرح ها درخواست خود را به [e-mail] Z ارسال نمایید.