“

 

طرح­های تعمیم پذیری

 

روش­های GT می ­تواند جهان­ها و طرح­هایی با هر تعداد از رویه­ ها را به کار بگیرد. اگر فقط یک رویه در آزمون به کار گرفته شود طرح آزمون را می توان طرح یک رویه ­ای[۷۵] نامید. بنا به گفته­ی برنان (۲۰۰۳)، برای طرح­های یک رویه ­ای، جهان مشاهدات قابل قبول و جهان تعمیم شامل سطوحی از همان یک رویه می­ شود. برای جهان یک رویه ­ای، دو طرح وجود دارد که ممکن است در یک مطالعه G به کار گرفته شود؛ طرح p×i یا i:p . همچنین به طور مشابه دو طرح برای مطالعه D وجود دارد؛ طرح P×I یاI: P . همچنان که تعداد رویه­ ها (منابع بالقوه خطای اندازه گیری) افزایش می­یابد، تعداد طرح­های انتخابی در دسترس برای استفاده از نمره آزمون افزایش می­یابد. اگر دو رویه (i وr) به صورت همزمان در آزمون به کار گرفته شود طرح آزمون را می توان طرح دو رویه ­ای[۷۶] دانست. طرح­های دو رویه ­ای زیادی از جمله؛ [p×i×r، p × ( i:r)، p × (i:r )، i × (r:p)، …] را ‌می‌توان برای مطالعات G و همچنین برای مطالعات D از قبیل [ P×I×R، ×P(R:I)،… ] را ‌می‌توان نام برد. در قسمت زیر به تشریح سه طرح مطالعه G پرداخته و فرض می­ شود که افراد (P) و رویه ­های (i و r) به طور تصادفی، به ترتیب از یک جامعه نامحدود از افراد و یک جهان نامحدود از (i وr) نمونه گیری ‌شده‌اند.

 

طرح ۱ : هر فرد آزمودنی (p) به تمام سوالات آزمون (i) پاسخ می­دهد.

 

جدول۲-۱: مشخصات طرح ۱

 

 

 

 

 

 

 

 

 

 

 

 

نام طرح یک رویه ای متقاطع علامت طرح p × i تعداد مؤلفه های واریانس برآورد شده ۴ مدل مناسب برای داده ها ANOVA دو راهه

در این طرح، نمره مشاهده شده برای یک شخص در جامعه در یک سوال در جهان برحسب مدل خطی زیر بیان می­ شود:

 

 

 

طبق گفته­ی برنان (۲۰۰۳)، همه اثرات (به غیر از ) اثرات تصادفی نامیده می­شوند زیرا آن ها مرتبط با روش نمونه گیری تصادفی از جامعه و جهان هستند. همچنین، فرض می­ شود که همه اثرات در مدل ناهمبسته هستند. همان­طور که وب و شیولسون (۲۰۰۵) بیان کرده‌اند؛ توزیع هر مؤلفه یا اثر به غیر از میانگین اصلی[۷۷] ، یک میانگین صفر و واریانس ( بنام مؤلفه واریانس) دارد. مؤلفه واریانس برای اثر فرد، واریانس نمره جهان[۷۸] نامیده می شود و مؤلفه­ های واریانس برای دیگر اثرات، واریانس خطا در نظر گرفته می شود. واریانس نمره مشاهده شده از ترکیب مؤلفه­ های واریانس به دست می‌آید و به صورت زیر نشان داده می شود:

 

این طرح ۴ مؤلفه واریانس را برآورد می­ کند که دو مؤلفه­ی اثر تعاملی و منبع خطا، تحت یک مؤلفه

 

واریانس() نشان داده می­ شود. نمودار این طرح به صورت زیر است :

 

pi,e

 

 

 

 

 

نمودار۲-۱: طرح ۱

 

طرح ۲ : هر فرد آزمودنی(p) به سوالات مختلف (i) پاسخ می­دهد.

 

جدول ۲-۲: مشخصات طرح ۲

 

 

 

 

 

 

 

 

 

 

 

 

نام طرح طرح یک رویه ای آشیانه ای علامت طرح i : p تعداد مؤلفه­ های واریانس برآورد شده ۲ مدل مناسب برای داده ­ها ANOVA دو راهه

 

 

نمره مشاهده شده برای شخص در جامعه در یک سوال در جهان به صورت زیر تجزیه می­ شود:

 

 

 

در این طرح سوال مربوط به تغییرپذیری سوالات آزمون بدون پاسخ می­ماند و واریانس نمره مشاهده شده به دو مؤلفه واریانس به صورت زیر تجزیه می­ شود:

 

لازم به ذکر است که در این طرح، اثر مستقیم مؤلفه واریانس مربوط به رویه­ آشیانه­ای (i) را جدا از مؤلفه واریانس اثر متقابل (pi) نمی­ توان بررسی کرد. به بیانی دیگر، در طرح آشیانه­ای اثر مستقیم (i) همراه با اثر متقابل (pi) و سایر خطاهای تصادفی برآورد می­ شود. نمودار این طرح به صورت زیر ‌می‌باشد:

 

نمودار۲-۲: طرح ۲

 

طرح ۳: هر فرد آزمودنی (p) به تمام سوالات آزمون (i) پاسخ می­دهد و هر ارزیاب ® به هر سوال هر فرد نمره می­دهد.

 

جدول ۲-۳: مشخصات طرح ۳

 

 

 

 

 

 

 

 

 

 

 

 

نام طرح دو رویه ای متقاطع علامت طرح p×i×r تعداد مؤلفه های واریانس برآورد شده ۷ مدل مناسب برای داده ها ANOVA سه راهه

در این طرح، جامعه و جهان مشاهدات قابل قبول (که شامل دو رویه متقاطع است) متقاطع­اند. نمره مشاهده شده هر فرد در یک سوال که توسط یک ارزیاب داده شده است به عوامل زیر تجزیه می­ شود: یک اثر برای میانگین اصلی؛ سه اثر برای فرد، سوال و ارزیاب؛ سه اثر تعاملی دو طرفه (pr، pi، ri) و اثر باقی مانده (تعامل سه طرفه pir باضافه ی خطای تصادفی). واریانس نمره مشاهده شده، در سراسر جامعه­ افراد و سطوح در جهان مشاهدات قابل قبول به هفت مؤلفه واریانس مستقل مطابق زیر تجزیه می­ شود:

 

نمودار این طرح به صورت زیر نمایش داده می­ شود:

 

pr

 

pir

 

ri

 

pi

 

نمودار ۲-۳: طرح ۳

 

برآورد مؤلفه­ های واریانس

 

همان­طور که فن و سان (۲۰۱۳) بیان کرده ­اند؛ در هر مطالعه تعداد متفاوتی از مؤلفه­ های واریانس به کار گرفته می­ شود که بستگی به طرح مطالعه و نوع تفسیر اندازه­ها دارد. از مؤلفه­ های واریانس برآورد شده در مطالعه G ‌می‌توان جهت برآورد واریانس نمره جهان، واریانس های خطا و ضرایب اعتبار مانند برای جهان تعمیم و طرح­های مطالعه D استفاده کرد. مؤلفه­ های واریانس را می توان با بهره گرفتن از ترکیب نظری میانگین مجذورات که میانگین مجذورات مورد انتظار[۷۹] (EMS) نامیده می شود برآورد کرد. یعنی با بهره گرفتن از روش تحلیل واریانس، میانگین مجذورات MS به­دست آمده برای هر مؤلفه، در معادلات EMS مربوط به آن مؤلفه قرار داده می شود و بدین ترتیب مؤلفه­ های واریانس به دست می‌آیند. البته با روش­های دیگری همچون بیشینه درست­نمایی نیز برآورد مؤلفه­ های واریانس امکان پذیر است. برای طرح ۱ که پیش از این توصیف شد- طرحی که در آن نمونه ­ای از فرد به سوال پاسخ می­دهد- در قالب جدول زیر فرمول­های مربوط به برآورد هر مؤلفه واریانس (ECV) ارائه می­ شود.

 

جدول ۲-۴: طرح یک رویه ای i P× مطالعهG – اثرات تصادفی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

منبع واریانس MS EMS ECV فرد () سوال ()

انواع تصمیم و واریانس­های خطا

“

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...