Veri Toplama Tasarımları – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma
F (x) ve G (y), ayrık puan dağılımlarının ilk iki momentini yeniden ürettiklerinde, bunlar diğer iki sürekli cdf, F0 (x) ve G0 (y) cinsinden uygun bir şekilde ifade edilebilir. ortalama 0 ve varyans 1 olacak şekilde standardize edilmiştir. Dolayısıyla,
F (x) = F0 ((x − μX) / σX) ve G (y) = G0 ((y − μY) / σY).
(1.13) ‘teki denklemler, genel N (μ, σ) cdf’nin N (0, 1) cdf cinsinden ifade edilme şekline benzer, yani Φ ((x – μ) / σ) olarak.
F0 (x) ve G0 (y) ‘yi sunduğumuzda, standartlaştırılmış cdf’ler, F0 (x) ve G0 (y) cinsinden G − 1 (F (x)) artı ortalamaları ve standart sapmaları hesaplayabiliriz. T üzerinden X ve Y. Sırada bunu göstereceğiz.
G’nin tersinin G0’ın tersi ile nasıl ilişkili olduğunu göstermeye ek olarak, biz
ayrıca “şekil farkı işlevi” ε (z) ‘nin tanımlanması gerekir.
ε (z) = G − 1 (F (z)) – z.
Ε (z) fonksiyonu, F (x) ve G (y) şekillerinin ne kadar farklı olduğunun bir ölçüsüdür. F (x) ve G (y) yalnızca konuma ve / veya ölçeğe göre farklılık gösteriyorsa, o zaman aynı şekle sahiptirler. F0 (x) ve G0 (y) bu durumda özdeştir, böylece ε (z) özdeş sıfırdır. F ve G’nin şekilleri farklı olduğunda, ε (z) aynı sıfır değildir.
Teorem 1.1, bu iki temel gözlenen skor eşitleme fonksiyonu arasındaki farkı ifade etmek için şekil farkı fonksiyonunu kullanarak LinY (x) ve EquiY (x) arasındaki bağlantıyı özetler. Teorem 1.1. Herhangi bir hedef popülasyon için T, LinY (x) ve EquiY (x) aşağıdaki denklemi sağlar:
Eşit (x) = LinY (x) + R (x).
(1.16) ‘daki kalan R (x) terimi, iki eşitleme fonksiyonu arasındaki farktır ve kendi başına yararlıdır. F0 (x) ve G0 (y) ‘nin her ikisi de ortalama 0 ve varyans 1’e sahip olduğundan, şekil farkı fonksiyonu 0 civarında dalgalanmalıdır. Bu, EquiY (x)’ in LinY (x) etrafında dolanması ve makul derecede yakın olması gerektiği anlamına gelir.
Şekil 1.1 doğrusal ve eş merkezli eşitleme fonksiyonlarının çok benzer sonuçlar verdiği iki testin bir eşitlemesi için kalan fonksiyonu, R (x) gösterir. Bölüm 7’de verilen verilere dayanmaktadır. Genel modeli görebiliriz. R (x) sıfır çizgisi etrafında dolanır ve bu örnekte, X ve Y puanlarının aralığı açısından küçüktür.
Verilen bir eşitleme probleminin doğrusal eşitleme fonksiyonunun yeterince iyi bir çözüm olması için yeterince basit olup olmadığını keşfetmek çoğu zaman ilgi çekicidir. (1.16) ‘daki kalan terim, tahmin etme doğruluğuna göre küçükse, yani Bölüm 5’te tartışılan Farkı Eşitleme Standart Hatası (SEED) ise, doğrusal eşitleme fonksiyonu için kabul edilebilir bir alternatif olabilir. Eşit merkezli yöntemle üretilen eğrisel çözümdür.
Teorem 1.1 hafif bir genellemedir ve iki puan dağılımının aynı şekle sahip olması durumunda eş merkezli ve doğrusal eşitleme fonksiyonlarının aynı olduğu iyi bilinen gerçeğinin daha kesin bir ifadesidir.
Nitel veri toplama araçları
Veri toplama Araçları
İkincil verilerin elde edildiği kaynaklar
Araştırma tasarımı aşamaları
Araştırma Tasarımı örnek
Tasarım araştırma yöntemleri
Araştırma tasarımları nelerdir
Veri toplama nedir
Veri Toplama Tasarımları
Test eşitlemesini gerçekleştirmek için verilerin toplanma şeklini çevreleyen konulara bütün bir bölüm ayırdık. Burada basitçe bazı temel konuları gösteriyoruz. Bölüm 1.1’de bahsedildiği gibi, mevcut test eşitleme uygulaması, iki testin zorluğundaki farklılıkların değerlendirilmesinden sınava giren yeteneğinin etkilerini ayırmak için açık yöntemler gerektirir.
Bunu başarmanın birincil yolu, test eşitleme sürecinde kullanılan verileri toplamanın özel yollarının kullanılmasıdır. Her test eşitlemesi, bir veri toplama tasarımını ve eşitleme işlevini tahmin etmek için verileri kullanmanın bir veya daha fazla yöntemini içerir. Veri toplama tasarımının sınava giren kişinin test eşitleme becerisini kontrol edebileceği veya hesaba katabileceği iki temel yol vardır.
Birincisi, “ortak sınava girenlerin” kullanılmasıdır, yani aynı (veya benzer) sınava girenlerin her iki testi de almasını sağlamaktır. Bu yaklaşımı kullanan veri toplama tasarımlarına burada “Eşdeğer Gruplar (EG)”, “Tek Grup (SG)” ve “Karşı Dengeli (CB)” Tasarımları denir. Bunlar muhtemelen en eski tasarımlar.
Sınava giren kişinin yeteneğini kontrol etmenin diğer bir yaklaşımı, sınava giren ortak kişilerden ziyade “ortak öğeleri” kullanmaktır. Bu yöntemi kullanan veri toplama tasarımları burada “Çapa Testi (NEAT) ile Eşdeğer Olmayan gruplar” Tasarımları olarak adlandırılır ve hem iç hem de dış çapa testleri olabilir. En azından 1940’lardan beri kullanılıyorlar.
Belirli bir veri toplama tasarımının kullanımı, genellikle mevcut örnek boyutları, test için uygun süre, test güvenliği sorunları, uygulama olasılığı veya diğer sipariş etkileri ve maliyetleri gibi birçok farklı faktörün sonucudur. Bu kitaba dahil ettiğimiz yöntemler, pratikte en yaygın kullanılanlardır.
Eşitleme Fonksiyonlarının Örnek Tahminleri ve Standart Eşitleme Hatası
Bu bölümde şimdiye kadarki tüm gelişimimiz nüfus düzeyinde olmuştur, ancak pratikte eşitleme fonksiyonları, örneklerden alınan veriler kullanılarak tahmin edilmelidir. Tahmini eşitleme fonksiyonları, popülasyon miktarlarının örnek tahminleridir ve bu nedenle, örnekleme değişkenliğine tabidir.
Eşitleme fonksiyonlarının örnekleme değişkenliğinin ölçülme şekli, Standart Eşitleme Hatası veya SEE ile ölçülür. Bu bölümde, eşitleme fonksiyonlarının tahmininde ve SEE’nin hesaplanmasında ortaya çıkan bazı konuları kısaca özetleyeceğiz.
T üzerinde X’i Y’ye eşitleyen bir eşitleme işlevi düşündüğümüzü varsayalım. (1.7) ‘deki LinY (x) tanımında açıkça görebileceğimiz gibi, bu tür popülasyon düzeyinde eşitleme fonksiyonları T popülasyonunun çeşitli parametrelerine bağlı olacaktır. 1.7) bu parametreler, X ve Y’nin T’ye göre ortalamaları ve standart sapmalarıdır. Diğer eşitleme fonksiyonları için diğer parametreler dahil edilir. Bunu yansıtmak için, genel bir popülasyonu eşitleyen işlevi, özellikle popülasyon parametrelerine bağımlılığını içerecek şekilde belirtiriz, yani,
eY (x; πT) = jenerik bir popülasyon eşitleme işlevi olur.
πT, popülasyon parametreleri vektörünü gösterir. Eşitleme fonksiyonunun yönünü tersine çevirmek ve Y’den X’e gitmek istiyorsak, bunu eX (y; πT) ile gösterebiliriz.
Araştırma tasarımı aşamaları Araştırma Tasarımı örnek Araştırma tasarımları nelerdir İkincil verilerin elde edildiği kaynaklar Nitel veri toplama araçları Tasarım araştırma yöntemleri Veri toplama Araçları Veri toplama nedir