Karşı Dengeli Tasarım – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
JLinY için formül, JeY için olanla aynıdır, ancak hX = hY = 20’dir. Formül (8.8), SEED için yararlı bir hesaplama formülü üretmek için türetdiğimiz (8.3) ile tamamen aynı şekilde basitleştirilebilir.
Bu örnekte eˆY (x) ve LinY (x), 0 ila 20 arasındaki X-raw puan aralığından çok uzak değildir. En yüksek ham puan dışında tümü için doğrusal eşitleme işlevi KE işlevinden daha az farklılık gösterir. iki standart sapma. Bu, bu örnekte LinY (x) ‘i eˆY (x)’ e tercih etmeyi gerekçelendirmek için kullanılabilir.
Karşı Dengeli Tasarım
Karşı Dengeli (CB) Tasarımda, tek bir P popülasyonundan iki bağımsız, rastgele sınava giren kişi numunesi, X ve Y olmak üzere farklı sıralarda her iki testi de alır. İlk örnek, bir Tek Grup Tasarımında olduğu gibi, önce X testini (aşağıda X1 olarak belirtilmiştir) ve Y saniyesini (Y 2 olarak belirtilmiştir) test eder. Diğer örnek önce Y testini (Y 1 olarak gösterilir) ve X saniyesini (X2 olarak gösterilir) test eder. Dolayısıyla, veriler (X1, Y 2) ve (X2, Y 1) için iki SG Tasarımından oluşur.
Bu bölüm, CB Tasarımı için Kernel Equating (KE) yönteminin beş adımının nasıl gerçekleştirileceğini gösterir. Bölüm 2.3’te bahsettiğimiz gibi, “CB Tasarımına iki bağımsız SG yaklaşımı”, örneklemenin ayrıntılarını daha sadık bir şekilde yansıtması ve verileri diğer üçünden daha tam olarak kullanması bakımından burada açıklanan dört alternatiften en doğru olanı olarak görüyoruz.
Bu yaklaşım, (X1, Y 2) ve (X2, Y 1) için iki SG Tasarımına ayrı log-lineer modellerin yerleştirilmesi ve ardından X’in X1 ve X2’nin stokastik bir karışımı olarak görülerek birleştirilmesinden oluşur. ve Y 1 ve Y 2’nin stokastik bir karışımı olarak Y. Hedef popülasyon, T, iki örneğin alındığı ortak popülasyon olan P’dir. Bölüm 2.3’te, bu tasarımın altında yatan varsayımları ve eşitleme fonksiyonunu hesaplamak için tahmin edilmesi gereken popülasyon parametrelerini tartıştık.
CB Tasarımı için KE’yi, uluslararası bir test programından küçük bir saha çalışmasından bir örnek kullanarak gösteriyoruz. Bu verileri kullanarak, CB Tasarımı için Bölüm 3, 4 ve 5’te açıklanan adımların ayrıntılarını inceleyeceğiz.
Bu örnekte X’in 75 öğesi ve Y’nin 76 öğesi vardır. Her ikisi de doğru sayı ile puanlanır. İşlenmemiş ve uydurulmuş frekanslara sahip iki tablo burada verilemeyecek kadar büyük. Bunun yerine, bu bölümün sonundaki bir ekte, birinci örnekten her bir sınava giren kişi için gözlemlenen değerleri (X1, Y 2) ve ikinci örnekten her bir sınava giren kişi için gözlemlenen değerleri (X2, Y 1) veriyoruz. örnek, Tablo 9.7 ve 9.8’de.
Tablo 9.1 ve 9.2, sırasıyla X1 ve Y 2 ve X2 ve Y1 için gözlemlenen ve takılan marjinal frekansların özet istatistiklerini verir.
CB Tasarımındaki iki SG Tasarımı, iki ortak dağıtım için verilerle sonuçlanır. İlk numuneden (X 1, Y 2) için birinciyi P (12) ile ve ikinci numuneden (X 2, Y 1) için ikinciyi P (21) ile gösteriyoruz. Hem P (12) hem de P (21), X ve Y için birleşik olasılıkların K matrislerine göre J’dir (SG Tasarımında P’ye benzer).
Sıcak nemli iklim bölgesi özellikleri
Nemli iklim
Ilıman nemli iklim özellikleri
Soğuk iklim mimarisi
İklime uyumlu dengeli tasarım nedir
İklimle dengeli tasarım
İklimle dengeli duyarlı tasarım nedir
İklim tiplerine göre mimari yapılar
İki numunenin her birindeki sınava giren her kişinin iki test puanı olduğundan, örnek veriler iki değişkenli (X, Y) -frekans, yani,
n (12) jk = X1 = xj ve Y 2 = yk ile sınava girenlerin sayısı ve
n (21) jk = X2 = xj ve Y 1 = yk ile sınava girenlerin sayısı.
Bu örnekte, xj ve yk değerlerix1 = 0, x2 = 1, …, x76 = 75 ve y1 = 0, y2 = 1,. . . , sırasıyla y77 = 76 olur.
Tablo 9.1 ve 9.2’deki özet istatistiklerden, ortalama 51.39 (± 1.0) olan Y1 testinin, ortalama 52.54 (± 1.0) olan test X1’den biraz daha zor olduğunu görebiliriz. Sıra etkilerine gelince, Y2’nin Y1 ile neredeyse aynı ortalamaya sahip olduğunu görüyoruz, 51.29 (± 0.9), oysa X2, X1’den neredeyse iki puan daha küçük olan 50.64 (± 1.2) ortalamaya sahip. Bu nedenle, X testi için küçük dereceli bir etkinin olduğu görülmektedir. Bu örnek için, X1 ve Y 2 ve X2 ile Y 1 arasındaki örnek korelasyonu 0.88’dir.
Tablo 9.1 ve 9.2’de takılan model (2, 2, 1) olarak adlandırdığımız şeydir (bkz. Aşağıda Bölüm 9.1).
Ham örnek oranları, n (12) jk / N (12) ve n (21) jk / N (21), popülasyon skor olasılıklarının düzleştirilmemiş tahminleridir, p (12) jk ve p (21) jk, X1 ve Y 2 ve X2 ve Y1’in iki ortak dağılımının (2.15) ‘den itibaren. Bu kadar küçük numuneler ve çok sayıda skor olasılığıyla, ham numune oranları bu popülasyon parametrelerinin çok yanlış tahminleridir ve ön düzeltme önemli bir adımdır.
Ön Yumuşatma
Bölüm 2, Bölüm 2.2’de dikkatlice açıkladığımız diziler için “vektörleştirme gösterimi” kullanıldığında, v (P (12)) ve v (P (21)) vektörlerinin log-lineer modelleri takip ettiği varsayılır. V (P (12)) ve v (P (21)) için log-lineer modeller forma sahiptir.
Bu örnekteki veriler çok seyrek. Hem P (12) hem de P (21) için yaklaşık 140 gözlem vardır ve her iki durumda da 76 katına 77 = 5852 XY skoru kombinasyonuna yayılmıştır. Öncelikle bu nedenle, bu iki veri dizisi için çok basit modellere dikkatimizi sınırladık. Özellikle bu verilere üç farklı model sığdırıyoruz. Aşağıdaki şekilde tanımlanmıştır.
Model (2, 2, 1). (9.1) ‘de, v (P (12)) için bu log-lineer model TX1 = TY2 = 2 ve I (12) = L (12) = 1 ile belirtilmiştir. Model (2, 2, 1), Yeterli istatistik olarak, X1 ve Y 2’nin ilk iki anı ve X1 ve Y 2’nin ilk çaprazı alınır.
Bu, X1 ve Y 2’nin ortak dağılımı için uydurulmuş skor olasılıklarının, ham verilerde gözlemlendiği gibi X1 ve Y 2 arasında aynı araçlara, aynı standart sapmalara ve aynı korelasyona sahip olacağı anlamına gelir. Model (2, 2, 1) ayrıca v (P (21)) için de kullanılır ve (9.2) açık bir şekilde kullanılır.
Model (3, 3, 1). (9.1) ‘de, bu model TX1 = TY2 = 3 ve I (12) = L (12) = 1 ile belirtilmiştir. Araçlara ek olarak, model (2, 2, 1) ile benzerdir. ve standart sapmalar, X1 ve Y 2’nin uydurulmuş çarpıklık değerleri ham verininkilerle de eşleşir.
