Çapa Test Tasarımı – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
Ağırlıkların (wX ve wY) kullanılması, bu yaklaşımı aşağıdakilere uyarlamamıza olanak tanır.Yukarıda tartışılan diğer üç yaklaşıma eşit veya en azından benzer olacaktır. Örneğin, eğer wX = 1 ve wY = 1 ise, X2 ve Y 2’nin tamamen göz ardı edildiği tam olarak 1’e yaklaşıyoruz. Yaklaşım 2 ve 3’e benzer bir yaklaşım elde etmek için, wX = wY = 1 olarak ayarlayın.
Bu, her iki veri setinin 2’sine eşit ağırlık verir. WX = 1 ve wY = 0 ayarı SG Design X1 – → Y 2’ye karşılık gelir. Başka olasılıklar da vardır. CB Tasarımına yönelik tercih ettiğimiz yaklaşım, wX ve wY ağırlıklarını [1, 1] 2 aralığında değiştirerek sonuçta ortaya çıkan eşitleme fonksiyonları ve onların SEE’lerinin ne kadar hassas olduklarını görmektir.
(WX, wY) = (1, 1) ‘i varsayılan durum olarak kabul etmek doğaldır çünkü CB Tasarımındaki verilerin en muhafazakar kullanımıdır. Dava, (wX, wY) = (1, 1), muhtemelen (X2, Y2) – 22 olan veriler, çünkü X ve Y’nin iki versiyonunu eşit olarak ağırlıklandırır. Aynı zamanda, (X2, Y 2) – verilere ağırlığın sadece dörtte birinin konulduğu, örneğin (wX, wY) = (3, 3) gibi ara durumları da dikkate alabiliriz. .
Bölüm 9’da, bir TOHUM türünü ölçen bir araç gösteriyoruz. (wX, wY) = (1, 1) ve diğer herhangi bir (wX, wY) seçeneği için elde edilen eşitleme işlevi arasındaki farkın standart hatası. SEED’in bu versiyonu wX ve wY seçimi için bir temel oluşturmak için kullanılabilir.
Boyut marin
Tekne çapası yapımı
Tonoz çapa Fiyatları
Çapa nasıl kurtarılır
Ultra Krom Zincir
Ultra Çapa yorum
Çift çapa Nasıl Atılır
Çıpa marin
Bölüm 2.2’de olduğu gibi, vektörleştirilmiş P (12) ‘yi tanımlayın, burada p (12) k, P (12)’ nin kinci sütunu olur. V (P (21)) ‘i benzer şekilde tanımlayın. Daha sonra, r1 ve s2 (2.11) ‘de olduğu gibi ilk SG Tasarımından hesaplanır ve
(2.12), yani
r1 = M v (P (12)) ve s2 = N v (P (12))
burada M ve N sırasıyla (2.9) ve (2.10) ‘da tanımlanmıştır. Benzer şekilde, r2 ve s1, aşağıdaki gibi ikinci SG Tasarımından hesaplanır.
r2 = M v (P (21)) ve s1 = N v (P (21)).
Bu nedenle, iki bağımsız SG yaklaşımını kullanan CB Tasarımı için Tasarım Fonksiyonu, DF’ye bakılır.
Bu yaklaşımda, DF, ΩJK × ΩJK’dan ΩJ × ΩK’ye bir eşlemedir; burada ΩJK (2.14) ‘de ve ΩJ (2.4)’ te tanımlanmıştır.
Özet olarak, CB Tasarımına yönelik bu yaklaşımda r ve s tahminlerini türetme sırası aşağıdaki gibidir. İlk olarak, log-lineer modelleri kullanarak P (12) ve P (21) eklem dağılımlarını önceden düzeltiyoruz. Daha sonra, önceden düzleştirilmiş matrisler P (12) ve P (12) ‘den gelen r1, s2, r2 ve s1’in zımni tahminlerini hesaplıyoruz.
Son olarak, r ve s tahminlerini elde etmek için (2.27) ‘de açıklanan Tasarım İşlevini kullanırız. WX ve wY seçenekleri yukarıda tartışılmıştır ve her bir veri kaynağına ne kadar ağırlık verdiğimizi yansıtmaktadır.
CB Tasarımı için iki bağımsız SG yöntemi tercihimiz, hem esnekliğine hem de uygun olduğunda tüm verileri kullanmasına dayanmaktadır. Ağırlıkları, wX ve wY’yi bir aralıkta değiştirerek, nihai eşitleme fonksiyonunun ve onun ağırlık seçimine olan SEE işlevinin hassasiyetini inceleyebiliriz. Bunu wX = wY = w olarak ayarladığımız Bölüm 9’da açıklıyoruz.
Burada CB Tasarımında kullanılmak üzere Lord (1950) ‘de açıklanan doğrusal yöntemle tercih edilen yaklaşımımızı karşılaştırmak uygundur. Lord’un yaklaşımı, sipariş etkilerine tabi olan X2 ve Y 2’deki verileri kullanmak, ancak bunları X1 ve Y ile daha karşılaştırılabilir olacak şekilde ayarlamaktır.
1. Bunu, her bir kişinin X2 (veya Y 2) değerinin, elde ettikleri X1 (veya Y 1) puanına eklenen sabit bir “sıra etkisi” KX (veya KY) olduğunu varsayan güçlü bir model sunarak yapar. önce X (veya Y) ile test edilmişlerdir. Lord, sınava giren tüm kişiler için sıra etkilerinin aynı olduğunu ve ilgili standart sapmalarla orantılı olduğunu varsayar, yani
KX = CσX1 = CσX2 = CσX ve
KY = CσY1 = CσY2 = CσY.
ΣX1 ve σX2’nin veya σY1 ve σY2’nin eşitliği, onun sabit mertebeli etki varsayımından çıkar.
Lord, tüm ilgili parametrelerin basit yöntem tahminlerini önerir ve bunları doğrusal eşitleme fonksiyonuna uygular.
Karışım yaklaşımımız, standart sapma tahminleri, σˆX ve σˆY haricinde, Lord’un önerdiği (wX = wY = 1 olduğunda) 2 ile hemen hemen aynı tahmini doğrusal eşitleme fonksiyonunu üretecektir. Σˆ2 = 1 (s2 + s2) ve σˆ2 = 1 (s2 + s2 X 2 X1 X2 Y 2 Y1 Y2). Bizimki daha büyük olacak ve yukarıdaki 1 (X ̄1 − X ̄2) 2 ve 1 (Y ̄1 − Y ̄2) 2 toeachofσˆ2 veσˆ2’nin toplamı olacaktır.
Düzen etkileri σˆ2 ve σ to2’ye göre küçük olduğunda, CB tasarımındaki doğrusal eşitleme fonksiyonuna bizim ve Lord’un Xi Yj yaklaşımı çok yakındır.
Lord (1950), güçlü bir model oluşturmadan, X2 ve Y 2’yi eşitlemede kullanmak için çok az umut olduğunu ve düzenin etkilerine göre ayarlanan karşılık gelen eşit merkezli yöntemlerin mevcut olmadığını belirtir. Yukarıda verilen iki bağımsız SG yöntemi önerimizin CB Tasarımına eşit merkezli bir yaklaşım sunduğuna inanıyoruz.
Ayrıca, düzenin bireysel seviye test puanları üzerindeki etkisi için güçlü bir model varsaymaz. Ek olarak, CB Tasarımında toplanan tüm verileri bunun uygun olduğu ölçüde kullanır.
Bölüm 9’da CB Tasarımı için “iki bağımsız SG yöntemini” gerçek bir örnekte daha ayrıntılı olarak tartışıyoruz.
Çapa Test Tasarımı (NEAT) ile Eşdeğer Olmayan Gruplar
Bu bölümün başında bahsedildiği gibi, sınava girme yeteneğindeki farklılıkları kontrol etmek için, her iki testi de alan eşdeğer sınava giren gruplarına ya da iki testle birlikte verilen ortak öğeler hakkında verilere ihtiyacımız var. Bölüm 2.1–2.3’te ele aldığımız tasarımların tümü “ortak sınavları” kullanır. Şimdi “ortak öğeler” içeren tasarımlara dönüyoruz.
Çapa Testi (NEAT) Tasarımına sahip Eşdeğer Olmayan gruplarda, teste girenlerin P ve Q olmak üzere iki popülasyonu ve her birinden bir örnek sınav vardır. P’den alınan numune X testini, Q’dan alınan numune Y testini alır ve her iki numune de bir dizi ortak öğe olan çapa testi A’yı alır.
