Eşdeğer Gruplar Tasarımı – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

EY (x) ‘i saklamak için, saklamamız gereken tek şey (a) ham puan dağılımlarını önceden düzeltmek için kullanılan log-lineer modellerin parametreleri ve (b) seçilen bant genişlikleri, hX ve hY değerleri . Bu miktarlardan FhX ve GhY hesaplanabilir, GhY daha sonra uygun değerlerde ters çevrilebilir ve kesirli olanlar da dahil olmak üzere ihtiyaç duyulan herhangi bir x değeri için eY (x) hesaplanabilir.

Böylelikle KE, belirli bir bilgisayar programları ile birlikte gerekli eşitleme fonksiyonlarının değerlerini hesaplamak için bu depolanmış parametreleri kullanmak için belirli bilgisayar programları ile birlikte bir zaman periyodu boyunca bir denklem dizisinin hesaplanması sorununu azaltır. Doğrusal eşitleme de buna izin verir, ancak çok daha basit bir şekilde. Her yeni denklemde güncellenmesi gereken tek şey, formül (1.7) kullanırsak, LinY (x) ‘in eğimi ve kesişimidir.

KE için matematiksel formüllerin doğasının bir başka sonucu da, tüm alışılagelmiş tasarımlar için tutarlı bir şekilde yararlı standart hatalar vermek üzere log-lineer ön yumuşatma ile kolayca çalışmasıdır. Puan verilerini önceden pürüzsüz hale getirmek için log-lineer modellerin kullanılmasının, eşitleme fonksiyonları için standart hataları azaltmada cömert bir şekilde ödeme yaptığı bilinmektedir, ancak KE, bu azalmayı iyi kurulmuş yöntemler kullanarak ölçmemize izin verir.

Bölüm 5’te SEE ile ilgili verdiğimiz analiz, KE’nin yanı sıra diğer eşitleme yöntemlerine de uygulanabilir ve daha küçük standart hatalara neden olan Gauss çekirdek yumuşatma dışında devam etme yöntemlerinin olup olmadığı ilginç bir araştırma sorusudur. Bunun KE’de büyük bir iyileşmeye yol açacak bir konu olmadığından şüpheleniyoruz.

Son olarak, LinY (x) KE için sınırlayıcı bir form olduğundan, KE ve LinY (x) kullanılarak elde edilen eşitleme fonksiyonları arasındaki fark için standart bir hata vermek için SEED formülünü kullanabileceğimizi belirtmeliyiz. Bu, “doğrusal / eğrisel” eşitleme kararının verilmesine yardımcı olacak yararlı bir istatistiksel araç sağlar. Bunu PRMY (x) kullanarak yapmak oldukça karmaşıktır, bu nedenle pratikte çoğu eşit karar verme süreci PRMY (x) ve LinY (x) arasında seçim yapmak için yalnızca tahminlere, deneyime ve sezgiye dayanmalıdır.

Eş merkezli eşitlemeye yönelik bazı itirazların çekirdek eşitleme yöntemi için geçerli olmadığına işaret ediyoruz. Bant genişliği, hX ve hY seçimini değiştirerek, geleneksel doğrusal ve eş merkezli fonksiyonlar “arasında” olan çok çeşitli eşitleme fonksiyonları elde edebiliriz.

Ayrıca, hX ve hY seçimine bağlı olarak, eşitleme işlevlerinin X üzerindeki üst ve alt puanları Y’nin üst ve alt puanlarıyla eşleştirmesine gerek yoktur. Ayrıca, (4.31) ve (4.32) ile verilen eşitleme fonksiyonları, tüm x ve y için tanımlanmıştır ve ham puan aralıklarıyla, yani [x1, xJ] ve [y1, yK] ile sınırlı değildir (bkz. Bölüm 4 için detaylar). Bu nedenle, ham puan aralıklarının dışındaki eşitlenmiş değerleri içeren denklem dizilerinde kullanılabilirler.

Mahalle tasarım örnekleri
Mahalle tasarım Projeleri
Arkitera Mahalle Yarışması
Ekolojik Mahalle Tasarımı
mahalle tasarımı fikir yarışması 1. ödül
Mahalle dokusu
Mahalle projeleri
Mahalle Tasarımı arkiv

Kernel Test Eşitleme Yöntemi: Uygulamalar

Eşdeğer Gruplar Tasarımı

Bölüm 2.1’de Eşdeğer Gruplar (EG) Tasarımını tanıttık ve eşitleme fonksiyonunu hesaplamak için hangi popülasyon parametrelerinin tahmin edilmesi gerektiğini belirttik. Eşdeğer Gruplar Tasarımında, iki bağımsız rastgele örnek, ortak bir inceleme grubu olan P’den çekilir, test X bir örneğe uygulanırken test Y diğerine uygulanır.

Bölüm 3, 4 ve 5’te tüm eşitleme tasarımları için gerçekleştirilmesi gereken Kernel Equating (KE) ‘nin beş adımını açıkladık: ön yumuşatma, puan olasılıklarının tahmini, kümülatif dağılım fonksiyonlarının (cdf’ler) devam ettirilmesi, eşitleme fonksiyonu, standart eşitleme hatası (SEE) ve farkı eşitlemenin standart hatası (SEED). Bu bölümde, Eşdeğer Gruplar Tasarımına KE uyguluyoruz.

EG Tasarımı için KE’yi Holland ve Thayer’de (1989, s. 19) açıklanan bir örneği kullanarak gösteriyoruz. Bu verileri kullanarak 3., 4. ve 5. Bölümlerde açıklanan beş adımın ayrıntılarını inceleyeceğiz.
Tablo 7.1, ulusal bir sınava giren popülasyondan iki örneğe verilen iki paralel, 20 maddelik matematik testi için sayı doğru puanlarının ham örnek frekanslarını vermektedir.

Örnekler, iki formun birlikte spirallenmesiyle elde edildi (spiralleşme tartışması için Bölüm 2.5’e bakınız).

Tablo 7.1’deki veriler, iki tek değişkenli dağılım için örnek frekanslardır. İki örnek frekans setini şu şekilde gösteriyoruz:

nj = X = xj olan sınava girenlerin sayısı,
mk = Y = yk olan sınava girenlerin sayısı.

Tablo 7.1’den, ortalama 11.6 (± 0.1) olan test Y’nin, ortalama 10.8 (± 0.1) olan test X’ten yaklaşık bir ham puan puanı daha kolay olduğunu görebiliriz. Burada ve Bölüm 8, 9 ve 10’da, örnek ortalamaları bildirdiğimizde, bunların doğruluğunu da (± bir standart hata) ile belirtiyoruz. Bu örnekte, Y-frekanslarındaki tek sıfır, ham numune oranlarının Bölüm 3’te açıklanan pozitiflik koşulunu karşılamasını engelleyecektir.

Örnek oranlar (nj / N) ve (mk / M), sırasıyla rj ve sk popülasyon parametrelerinin tahminleridir. Bununla birlikte, ham numune oranları, veriler için iyi bir modele dayanan düzleştirilmiş oranlar kadar nadiren tatmin edicidir. Daha önce bahsedilen pozitiflik koşulunu tatmin etmeleri gerekmez. Elbette, tutarlılık ve bütünlük koşullarını her zaman karşılarlar ve M ve N çok büyük olduğunda, ham örnek oranları, popülasyon skor olasılıklarının kabul edilebilir tahminleri olabilir. M ve N çok büyük olduğunda bile, birçok olası skor olduğunda, yani J ve K de büyük olduğunda, düzleştirilmiş örnek oranları genellikle tercih edilir.

Ön Düzeltme

Bu bölümde, Bölüm 3.2’de açıklanan ön düzeltme yönteminin bir EG Tasarımından gelen verilere nasıl uygulandığını göstereceğiz. Yeterli istatistikleri için örnek dağılımların güç momentlerine sahip log-lineer modelleri uydurarak iki tek değişkenli dağılımın nasıl tahmin edileceğini göstereceğiz.

Tek değişkenli puan dağılımları için model uyumunu değerlendirmek için araçları kullanarak (Bölüm 3’te ve Holland & Thayer, 2000’de açıklandığı gibi) bu örnek için aşağıdaki log-lineer modelleri seçtik, burada Tr = 2, Ts = 3’tür. log-lineer (veya “doğal”) parametreler ve αr ve αs, sırasıyla rj ve sk toplamını bire eşit yapmak için seçilen normalleştirme sabitleridir.