MerQuR+Başvuru Kitabı

171. Genellenebilirlik kuramı: G ve D çalışmaları

Şablon kimliği: genellenebilirlik · Kategori: psikometri · Dil: R · Dosya: pro/sablonlar/psikometri/genellenebilirlik.R (satır 1–207; üstbilgi 1–69) · Örnek veri: _ornek/brennan_p_rt.csv · Paketler: lme4 2.0-6 (R 4.5.3) · Python eşi: Bölüm 172

171.1 Ne işe yarar

Bir ölçme sonucu (puan) birkaç hata kaynağından etkilenir: puanlayıcı, madde, görev, ölçüm zamanı. Genellenebilirlik kuramı (Cronbach ve ark., 1972; Brennan, 2001) puanların toplam varyansını bu kaynaklara bölüştürür ve şu soruyu yanıtlar: gözlenen puan, ölçmek istediğimiz kişi özelliğini hangi koşullarda ne kadar güvenilir temsil eder? Şablon iki aşama yürütür:

  • G çalışması (generalizability study): kişi (ölçme nesnesi, p), bir ya da iki yüzey (facet: madde, görev, puanlayıcı) ve etkileşimleri için varyans bileşenleri kestirilir. Veri uzun biçimdedir: bir satır bir puandır.
  • D çalışması (decision study): bileşenler, gelecekteki ölçümde yüzey düzeylerinin sayısı değiştirildiğinde (ör. 3 yerine 6 görev) göreli ve mutlak hata varyansları ile iki katsayıya çevrilir: genellenebilirlik katsayısı E\rho^2 (göreli karar, sıralama) ve güvenilirlik katsayısı \Phi (mutlak karar, kesme puanı).

Desenler: tek yüzeyli p\times i; iki yüzeyli çaprazlanmış p\times i\times o; ikinci yüzeyin birincinin içinde iç içe olduğu p\times(i{:}o). Varyans bileşenleri lme4 ile karma modelden (REML ya da ML) kestirilir; dengeli veride bu, klasik ANOVA (beklenen kareler ortalaması) kestirimiyle özdeştir (negatif kestirim yoksa). Dengesiz ve eksik hücreli veride karma model yine çalışır; ANOVA yaklaşımı çalışmaz.

Ne zaman kullanılır?

  • Puanlayıcı güvenirliği, madde ve görev çeşitliliğinin birlikte etkisi sorulacaksa (performans değerlendirmesi, sözlü sınav, portfolyo).
  • Kaç madde, kaç puanlayıcı gerektiğinin planlanması isteniyorsa (D çalışması).
  • Verinin dengesiz ya da eksik hücreli olması olasıysa (REML bunu kaldırır).

Ne zaman kullanılmaz?

  • Yalnız tek yüzeyli iç tutarlılık (Cronbach alfa) isteniyorsa ve karma model kurulacak veri yoksa: temel programdaki güvenirlik analizi (p\times i için E\rho^2, alfa'ya eşittir).
  • Üç ya da daha çok yüzey varsa: şablon en çok iki yüzey kabul eder.
  • Dengeli veri ve R'siz bir bilgisayar için Python karşılığı yeterliyse: Bölüm 172 (genellenebilirlik_py).
  • Maddelerin kişilerle etkileşiminden çok madde tepki modeli isteniyorsa (madde parametreleri, bilgi fonksiyonu): mirt_cok_boyutlu (Bölüm 174), cok_yuzeyli_rasch (Bölüm 169).
  • Puanlayıcılar arası uyum için yalnız tek bir uyum indeksi (ICC, kappa) isteniyorsa: temel programdaki uyum analizleri.

Temel programla ilişki. Temel programda genellenebilirlik kuramı yoktur; p\times i deseninde E\rho^2 Cronbach alfa'ya, sınıf içi korelasyon (ICC) analizindeki "tutarlılık" biçimine eşittir. Bu şablon yüzey sayısını ikiye çıkarır, iç içe desene izin verir ve D çalışmasını ekler.

171.2 Şablonun girdileri

Form, üstbilgideki 9 [[param]] bloğundan kurulur (genellenebilirlik.R:10–68). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Puan · puan sayısal sütun · Değişkenler boş sayısal sütun Yanıt değişkeni (10–14, 81).
Ölçme nesnesi · nesne kategorik sütun · Değişkenler boş herhangi sütun p (15–19, 82).
Yüzey 1 · yuzey1 kategorik sütun · Değişkenler boş herhangi sütun 1 (20–24, 82).
Yüzey 2 (isteğe bağlı) · yuzey2 kategorik sütun · Değişkenler boş boş ya da sütun 2; boşsa tek yüzey (25–30, 74).
İki yüzeyli desen · desen seçim · Model capraz capraz, ic_ice Yalnız yüzey 2 doluyken (31–37, 87).
D çalışması: yüzey 1 düzey sayısı · n1_d tamsayı · Seçenekler 0 0–1000 0 = G çalışmasındaki sayı (38–45, 150).
D çalışması: yüzey 2 düzey sayısı · n2_d tamsayı · Seçenekler 0 0–1000 0 = G çalışmasındaki sayı; iç içede yüzey 1 başına (46–53, 150).
Sabit yüzey · sabit_yuzey seçim · Model yok yok, 1, 2 Yalnız çaprazlanmış iki yüzeyde (54–61, 157–166).
Varyans bileşeni kestiricisi · kestirici seçim · Model REML REML, ML lmer(REML = …) (62–68, 126).

Şablonun kendi denetimleri (mq_hata; ileti özeti):

Koşul İleti Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 73
Puan, nesne, yüzey sütunlarından ikisi aynı "Puan, nesne ve yüzey sütunları birbirinden farklı olmalı." 76
Puan sayısal değil "Puan sayısal olmalı." 81
6'dan az tam satır ya da 3'ten az nesne "En az 3 ölçme nesnesi ve 6 tam satır gerekli." 84
Yüzey 1 tek düzeyli "Yüzey 1 en az 2 düzey içermeli." 85
Puanlar sabit "Puanlar sabit; varyans bileşeni kestirilemez." 86
Yüzey 2 tek düzeyli "Yüzey 2 en az 2 düzey içermeli." 89
İç içede yüzey 1'in bir düzeyinde yüzey 2 tek düzeyli (medyan) "İç içe desende yüzey 1'in her düzeyinde yüzey 2'nin en az 2 düzeyi olmalı." 97
desen = capraz seçili ama yüzey 2'nin her düzeyi yüzey 1'in yalnız bir düzeyinde "Yüzey 2'nin her düzeyi yüzey 1'in yalnız bir düzeyinde görülüyor: veri iç içe görünüyor. … 'İç içe' seçin …" 95–96
Model kurulamadı "Model kurulamadı: …" 129
Sabit yüzey, tek yüzeyli ya da iç içe desende "Sabit yüzey yalnız iki yüzeyli çaprazlanmış desende kullanılabilir." 158

Ek olarak şu bilgi ve uyarı notları (mq_metin) yazılır: puanı ya da etiketi eksik satırlar atılırsa "Not: N satır … çıkarıldı; kalan n = …" (konsol, 79–80); iç içe desende yüzey 1'in düzeylerinde yüzey 2 düzey sayısı farklıysa "yüzey 2 düzey sayısı farklı (…); D çalışmasında varsayılan olarak medyan (…) kullanılır" (92–93); boş hücre varsa "Not: boş hücreler var (dengesiz desen); REML kestirimi kullanılır." (her desende, 101); hücre başına birden çok puan varsa "Not: hücre başına birden çok puan var; artık bileşeni yinelemeleri de içerir." (102–103); lme4 uyarı verdiyse "Uyarı: model uydurma uyarı verdi; varyans bileşeni kestirimleri güvenilir olmayabilir: …" (131–132); kestirici = ML ise ML'nin aşağı yanlılığı notu (133–134); bir bileşen sıfır kestirildiyse "Not: bazı bileşenler sıfır kestirildi (REML sınırı; ANOVA kestirimi negatif olabilir). Python ikizi (ANOVA) negatif kestirimde aynı kısıtlı REML sınır çözümünü verir." (155). Desen alanı yüzey 2 boşken etkisizdir: tek yüzeyli desen kurulur.

Örnek ayar (ornek_param, 9): puan = puan, nesne = kisi, yuzey1 = gorev, yuzey2 = puanlayici, desen = ic_ice, n1_d = 3, n2_d = 4; sabit_yuzey = yok, kestirici = REML varsayılandır.

171.3 Örnek veri

brennan_p_rt.csv: Brennan'ın (2001) Sentetik Veri Seti No. 4 (kitapta Tablo 3.2; veri gtheory 0.1.2 paketinin Brennan.3.2 nesnesinden alınmıştır): 10 kişi (p), 3 görev (t) ve her görevde dört farklı puanlayıcı (r{:}t; toplam 12 puanlayıcı), hücre başına tek puan, 120 satır, eksik değer yok. Puanlar 1–9 arası tam sayıdır (ortalama 4,75; sd 2,04).

Değişken Rol Tür (veri sekmesi) Özet
kisi ölçme nesnesi kategorik 10 düzey (P1…P10).
gorev yüzey 1 (t) kategorik 3 düzey (T1, T2, T3).
puanlayici yüzey 2 (r) kategorik 12 düzey; T1'de R1–R4, T2'de R5–R8, T3'te R9–R12.
puan puan sayısal 1–9, ortalama 4,75.

Düzey sırası "ilk görülme" sırasıdır (Bölüm 1.3); hiçbir bileşen düzey sırasına bağlı değildir, düzey adları yalnız etiket olarak kullanılır. İç içe desen için puanlayıcı etiketlerinin görevler arasında yinelenmesi gerekmez: gorev:puanlayici etkileşimi her etiketi bir kez sayar.

Bölümde kullanılan çalıştırmalar (hepsi tohum 1; çıktılar dogrulama/cikti/p6_gen_*):

Ad Veri ve ayar
ornek örnek ayar: p\times(r{:}t), n'_t=3, n'_r=4.
ic_ice_ml örnek ayar, kestirici = ML.
ic_ice_varsayilan n1_d = 0, n2_d = 0 (G çalışmasındaki sayılar).
tek_yuzey g_pi.csv: T1'in dört puanlayıcısı (p\times i), n1_d = 2.
capraz, capraz_sabit1, capraz_sabit2 g_capraz.csv: bilinen bileşenlerle üretilmiş 20 kişi × 5 madde × 3 puanlayıcı (300 satır); n'_i=10,n'_o=2; sabit yüzey 1 (n'_i=5); sabit yüzey 2 (n'_o=3).
negatif g_negatif.csv: 8 kişi × 4 madde, kişi bileşeni negatif.
uç durumlar ic_ice_capraz_sec, capraz_eksik, ic_dengesiz, ic_eksik, ic_yarim, yineleme, sabit_puan, puan_eksik, yakinsama, sabit_ic_ice (veri dogrulama/genellenebilirlik/g_*.csv).

171.4 Yöntem: formüller ve hesap adımları

Şablon önce yüzey düzeylerini ve hücre sayılarını denetler, sonra tüm bileşenleri bir karma model olarak kurar (hepsi rastgele etki), lme4::lmer ile REML (ya da ML) kestirir, bileşenleri G çalışması tablosuna yazar; D çalışmasında bileşenleri düzey sayılarına bölüp hata varyanslarını ve katsayıları hesaplar.

171.4.1 Model ve bileşenler

Hücre başına tek puanlı desenler (puan X):

\text{p×i:}\ \ X_{pi}=\mu+\nu_p+\nu_i+\nu_{pi,e}
\text{p×i×o:}\ \ X_{pio}=\mu+\nu_p+\nu_i+\nu_o+\nu_{pi}+\nu_{po}+\nu_{io}+\nu_{pio,e}
\text{p×(i:o):}\ \ X_{pio}=\mu+\nu_p+\nu_i+\nu_{o:i}+\nu_{pi}+\nu_{p(o:i),e}
  • \mu: genel ortalama (tek sabit etki, ~ 1).
  • \nu_\bullet: ilgili etkiye ait rastgele etki; her biri bağımsız, ortalama 0 ve varyansı \sigma^2_\bullet olan kabul edilir.
  • \nu_{\bullet,e}: en yüksek derece etkileşim ile artığın ayrılamayan toplamı (hücre başına tek puan olduğundan etkileşim ve hata ayrılamaz).
  • İç içe desende ikinci yüzey (o) birinci yüzeyin (i) içindedir (o{:}i): her i düzeyinin kendi o düzeyleri vardır.

Neden hepsi rastgele?

Genellenebilirlik kuramında yüzeylerin düzeyleri, olası düzeylerin evreninden alınmış örnek sayılır; amaç belirli bir madde ya da puanlayıcı değil, evrene genelleme yapmaktır (Brennan, 2001). Sabit yüzey ayrı bir seçenektir (171.4.4).

Bileşen adları tabloda şunlardır: tek yüzeyde p, 1, p1,e; çaprazlanmış iki yüzeyde p, 1, 2, p1, p2, 12, p12,e; iç içede p, 1, 2:1, p1, p(2:1),e (105–123).

171.4.2 REML kestirimi ve ANOVA ile ilişkisi

Şablon modeli lmer(puan ~ 1 + (1|p) + (1|a) + …) ile kurar (125–129); bileşenler VarCorr tablosundan okunur (135–138).

Koddaki tercih

lmerControl(optimizer = "nloptwrap", optCtrl = list(xtol_abs = 1e-12, ftol_abs = 1e-14, xtol_rel = 1e-12, maxeval = 1e5), check.nobs.vs.nlev = "ignore", check.nobs.vs.nRE = "ignore", check.nlev.gtr.1 = "ignore"). lme4'ün varsayılan yakınsama ölçütü bileşenleri yaklaşık 10^{-4} içinde bırakır; şablon eniyileyiciyi sıkı toleransla çalıştırır ki dengeli veride sonuç ANOVA ile 10^{-7} içinde örtüşsün (171.6). Üç check.* ayarı, gözlem sayısı rastgele etki düzeylerine eşit ya da daha az olduğunda lme4'ün hata vermesini önler; hücre başına tek puanlı desende artık bileşeni zaten en yüksek etkileşimle özdeştir. Uyarılar withCallingHandlers ile toplanır ve model kurulduktan sonra tek "Uyarı: model uydurma uyarı verdi; …" satırı olarak yazılır (124–132).

Dengeli ve negatif kestirimsiz veride REML kestirimi, beklenen kareler ortalaması (EMS) denklemlerinin çözümüyle aynıdır. p\times(i{:}o) için (n_p,n_i,n_o: kişi, görev, görev içi puanlayıcı sayıları):

\begin{aligned} E(MS_{p(o:i)})&=\sigma^2_{p(o:i),e}\\ E(MS_{pi})&=\sigma^2_{p(o:i),e}+n_o\,\sigma^2_{pi}\\ E(MS_{o:i})&=\sigma^2_{p(o:i),e}+n_p\,\sigma^2_{o:i}\\ E(MS_{i})&=\sigma^2_{p(o:i),e}+n_o\,\sigma^2_{pi}+n_p\,\sigma^2_{o:i}+n_pn_o\,\sigma^2_{i}\\ E(MS_{p})&=\sigma^2_{p(o:i),e}+n_o\,\sigma^2_{pi}+n_in_o\,\sigma^2_{p} \end{aligned}
  • MS_\bullet: ilgili etkinin kareler ortalaması (kareler toplamı ÷ serbestlik derecesi).
  • Katsayı kuralı (Cornfield–Tukey): bir bileşenin E(MS) içindeki katsayısı, o bileşenin simgelerinde bulunmayan yüzeylerin ve p'nin düzey sayılarının çarpımıdır; yalnız o etkiyi içeren bileşenler toplama girer.

Çözüm: \hat\sigma^2_{p(o:i),e}=MS_{p(o:i)}; \hat\sigma^2_{pi}=(MS_{pi}-MS_{p(o:i)})/n_o; \hat\sigma^2_{o:i}=(MS_{o:i}-MS_{p(o:i)})/n_p; \hat\sigma^2_{p}=(MS_{p}-MS_{pi})/(n_in_o); \hat\sigma^2_{i}=(MS_{i}-MS_{o:i}-MS_{pi}+MS_{p(o:i)})/(n_pn_o). Bu dengeli çözümün kareler ortalaması bir bileşeni negatif bırakırsa REML, bileşeni sıfırda sınırlar ve öteki bileşenleri yeniden kestirir: ANOVA negatif kestirimi korurken REML sıfıra yapışır, bu nedenle iki yöntem bu durumda farklı sayılar verir (171.8). Şablon bu durumu "bazı bileşenler sıfır kestirildi" notuyla yazar.

ML seçeneği. kestirici = ML ise lmer(REML = FALSE) kullanılır. ML, bileşenleri dengeli veride aşağı yanlı kestirir (aşağı yanlılık, kestirimin serbestlik derecesini hesaba katmamasından gelir). Brennan verisinde ML bileşenleri 0{,}42904, 0{,}15608, 0{,}64753, 0{,}57302, 2{,}38025'tir (REML: 0{,}47315, 0{,}32515, 0{,}64753, 0{,}55957, 2{,}38025).

171.4.3 D çalışması: hata varyansları ve katsayılar

G çalışmasındaki bileşenler, ölçümde yüzey düzeyi sayıları n' iken şu büyüklüklere çevrilir. Evren puanı varyansı \sigma^2(\tau)=\sigma^2_p. Göreli hata varyansı \sigma^2(\delta) kişiyle etkileşen bileşenlerin, mutlak hata varyansı \sigma^2(\Delta) tüm hata bileşenlerinin toplamıdır; her bileşen, simgelerindeki yüzeylerin n' çarpımına bölünür:

\sigma^2(\delta)=\sum_{k\ni p,\ k\ne p}\frac{\sigma^2_k}{\prod_{f\in k}n'_f},\qquad \sigma^2(\Delta)=\sigma^2(\delta)+\sum_{k\not\ni p}\frac{\sigma^2_k}{\prod_{f\in k}n'_f}
E\rho^2=\frac{\sigma^2(\tau)}{\sigma^2(\tau)+\sigma^2(\delta)},\qquad \Phi=\frac{\sigma^2(\tau)}{\sigma^2(\tau)+\sigma^2(\Delta)}
  • k\ni p: simgesinde p olan bileşen (kişi × yüzey etkileşimleri ve artık); k\not\ni p: p içermeyen bileşen (yüzey ana etkileri ve yüzeyler arası etkileşimler).
  • \prod_{f\in k}n'_f: bileşenin simgesinde yer alan yüzeylerin D çalışması düzey sayılarının çarpımı (iç içe o{:}i bileşeni n'_in'_o ile bölünür).
  • E\rho^2: kişilerin sıralamasına dayanan göreli kararlar için; yüzey ana etkileri (zor madde, sert puanlayıcı) sıralamayı değiştirmediğinden hataya girmez.
  • \Phi: mutlak kararlar için (kesme puanı, geçti/kaldı); yüzeylerin ortalama düzeyi de hatadır.

Neden iki ayrı katsayı?

Bir puanlayıcının tüm kişilere 1 puan fazla vermesi sıralamayı değiştirmez (E\rho^2 etkilenmez) ama kesme puanını geçen kişi sayısını değiştirir (\Phi düşer). Bu yüzden \Phi\le E\rho^2 olur; fark yüzey ana etkilerinin büyüklüğünü gösterir.

Şablon ayrıca standart ölçme hatalarını verir: \sigma(\delta)=\sqrt{\sigma^2(\delta)} ve \sigma(\Delta)=\sqrt{\sigma^2(\Delta)}.

Düzey sayıları. n1_d ve n2_d boşsa (0) G çalışmasındaki sayılar kullanılır: yüzey 1 için düzey sayısı, yüzey 2 için çaprazlanmışta düzey sayısı, iç içede yüzey 1 başına yüzey 2 düzey sayılarının medyanı (88). Senaryo tablosu: yüzey 1 için \{1{,}2{,}3{,}4{,}5{,}6{,}8{,}10,n_1,n'_1{,}2n'_1\}\le\max(20{,}2n'_1), yüzey 2 için \{1{,}2{,}3{,}4{,}6,n_2,n'_2\} değerlerinin tüm bileşimleri (175–183). Şekil, yüzey 2'nin n'_2 değeri sabit tutularak yüzey 1 boyunca E\rho^2 ve \Phi eğrilerini çizer (186–192).

171.4.4 Sabit yüzey

Çaprazlanmış iki yüzeyde bir yüzey sabit (rastgele değil) alınabilir: evren, yalnız o yüzeyin gözlenen düzeylerinden oluşur (ör. sınavda yalnız bu üç görev ilgilidir). Sabit yüzey s, öteki yüzey o için (Brennan, 2001):

\sigma^2(\tau)=\sigma^2_p+\frac{\sigma^2_{ps}}{n'_s},\qquad \sigma^2(\delta)=\frac{\sigma^2_{po}+\sigma^2_{pso,e}/n'_s}{n'_o},\qquad \sigma^2(\Delta)=\sigma^2(\delta)+\frac{\sigma^2_o+\sigma^2_{so}/n'_s}{n'_o}
  • \sigma^2_{ps}/n'_s: kişi × sabit yüzey etkileşimi artık hata değil, evren puanının parçasıdır (kişinin sabit düzeylerdeki göreli konumu gerçek özelliktir).
  • Sabit yüzey ana etkisi \sigma^2_s mutlak hataya da girmez; E\rho^2 ve \Phi yalnız rastgele yüzeyden gelen hatayı ölçer.

Sabit yüzeyde n1_d/n2_d evrenin kapsadığı düzey sayısıdır; G çalışmasındaki sayıdan farklı girilirse evren tanımı değişir (Bulgu B7). Sabit yüzey tek yüzeyli ve iç içe desenlerde kullanılamaz (158).

171.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–69 Üstbilgi: 9 parametre, örnek veri ve ayar. Yan dosyalar (*.ceviri.json, *.tablo.json, .sas) kitap dışıdır (Bölüm 1.1).
70–72 Dil yardımcısı .m, library(lme4). lme4 yoksa şablon çalışmaz.
73–86 Veri, sütun, sayı denetimleri; complete.cases (atılan satır sayısı yazılır), droplevels.
87–103 İç içelik, n_1, n_2, capraz seçili iç içe veri denetimi, hücre tablosu, "dengeli" ve boş hücre notları. İç içede n_2 medyanın yuvarlanmışıdır; yüzey 2 düzey sayısı farklıysa desen "dengesiz" sayılır.
105–123 Bileşenlerin tanımı (terimler, bil) ve lmer formülü. Bileşenler her desende elle tanımlanır.
124–134 lmer (REML ya da ML), sıkı tolerans, uyarıları toplama ve yazma, ML notu. Yakınsama uyarısı yazılır.
135–148 VarCorr okuma; bileşen etiketleri. Bulunmayan bileşen sıfır alınır (137).
149–155 n, n', G çalışması tablosu, sıfır bileşen notu. Yüzde, toplamın payıdır (negatif olamaz).
157–174 Sabit yüzey notu ve dcalis(): \tau, \delta, \Delta, E\rho^2, \Phi. Sabit ve rastgele yüzey ayrı formüller.
175–186 D çalışması tablosu. Yedi satır.
188–197 Senaryo ızgarası ve tablo; konsol satırı (denge etiketi ile). n2 yuvarlandığından ızgarada vardır.
199–206 E\rho^2 ve \Phi eğrileri. Yüzey 2 sabit değerde; alt başlıkta n' değeri yazılır.

Süre: örnek ayarda çalıştırma 3,84 s sürmüştür.

171.6 Elle hesap: örnek veride bağımsız yeniden hesap

Hesap Brennan verisi, p\times(r{:}t) (n_p=10, n_t=3, n_r=4) için gösterilir. Bağımsız Python (statsmodels ardışık model karşılaştırması ve EMS sistemi) ve R (lm ardışık kareler toplamı) hesabı lme4 kullanmaz. Sayılar dogrulama/genellenebilirlik/elle_hesap.py ve r_dogrulama.R çıktısındandır.

Adım 1 — Kareler ortalamaları. Serbestlik dereceleri 9, 2, 9, 18 ve 81 olan etkiler için MS_p=10{,}296296, MS_t=24{,}100000, MS_{r:t}=8{,}855556, MS_{pt}=4{,}618519, MS_{pr:t,e}=2{,}380247.

Adım 2 — Bileşenler.

\hat\sigma^2_{pr:t,e}=2{,}380247,\qquad \hat\sigma^2_{pt}=\frac{4{,}618519-2{,}380247}{4}=0{,}559568,\qquad \hat\sigma^2_{r:t}=\frac{8{,}855556-2{,}380247}{10}=0{,}647531
\hat\sigma^2_{t}=\frac{24{,}1-8{,}855556-4{,}618519+2{,}380247}{40}=0{,}325154,\qquad \hat\sigma^2_{p}=\frac{10{,}296296-4{,}618519}{12}=0{,}473148

Bu değerler Brennan (2001) Tablo 3.2'de yayımlanan 0{,}4731, 0{,}3252, 0{,}6475, 0{,}5596, 2{,}3802 ile 6\cdot10^{-5} içinde uyuşur; şablonun REML kestirimiyle 10^{-7} içinde aynıdır.

Adım 3 — D çalışması (n'_t=3, n'_r=4).

\sigma^2(\delta)=\frac{0{,}559568}{3}+\frac{2{,}380247}{3\cdot4}=0{,}384877,\qquad \sigma^2(\Delta)=0{,}384877+\frac{0{,}325154}{3}+\frac{0{,}647531}{3\cdot4}=0{,}547222
E\rho^2=\frac{0{,}473148}{0{,}473148+0{,}384877}=0{,}551439,\qquad \Phi=\frac{0{,}473148}{0{,}473148+0{,}547222}=0{,}463702

Brennan (2001, s. 116) bu D çalışması için \sigma^2(\delta)=0{,}3849, \sigma^2(\Delta)=0{,}5472, E\rho^2=0{,}551 ve \Phi=0{,}464 bildirir.

Adım 4 — Çaprazlanmış desen ve sabit yüzey. g_capraz.csv (20 × 5 × 3) için yedi bileşen 0{,}87625, 0{,}36049, 0{,}13652, 0{,}53703, 0{,}30869, 0{,}07429, 0{,}71477; n'_i=10, n'_o=2 için E\rho^2=0{,}78234, \Phi=0{,}71352. Yüzey 1 sabit (n'_i=5) iken \tau=0{,}87625+0{,}53703/5=0{,}98365, E\rho^2=0{,}81329, \Phi=0{,}76539; yüzey 2 sabit (n'_o=3) iken \tau=0{,}97914, E\rho^2=0{,}92663, \Phi=0{,}89403. Üç durum bağımsız Python ve R hesaplarıyla 10^{-15} içinde aynıdır.

Adım 5 — REML ve ML'nin kendi olabilirlik kodumuzla doğrulanması. Gauss olabilirliği V=\sum_k\sigma_k^2Z_kZ_k' ile yazılıp scipy.optimize ile eniyilenmiştir: REML bileşenleri (0{,}47315, 0{,}32515, 0{,}64753, 0{,}55957, 2{,}38025) ve ML bileşenleri (0{,}42904, 0{,}15608, 0{,}64753, 0{,}57302, 2{,}38025) şablonun lme4 sonuçlarıyla 10^{-4} içinde aynıdır.

171.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark Ölçüt
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(p) 0,4731481 0,47314815 0,47314815 4,4e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(1) 0,32515422 0,32515432 0,32515432 1,0e−7 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(2:1) 0,64753087 0,64753086 0,64753086 5,8e−9 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(p1) 0,55956794 0,5595679 0,5595679 4,2e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(p(2:1),e) 2,38024691 2,38024691 2,38024691 8,5e−10 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\tau) 0,4731481 0,47314815 0,47314815 4,4e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\delta) 0,38487656 0,38487654 0,38487654 1,4e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\Delta) 0,5472222 0,54722222 0,54722222 1,9e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: E\rho^2 0,55143882 0,55143885 0,55143885 3,2e−8 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \Phi 0,46370234 0,46370236 0,46370236 1,4e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(p) 1,94999996 1,95 1,95 2,0e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(1) 0,0055556 0,00555556 0,00555556 4,3e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(p1,e) 2,81111108 2,81111111 2,81111111 1,0e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\tau) 1,94999996 1,95 1,95 2,0e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\delta) 1,40555554 1,40555556 1,40555556 1,0e−8 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\Delta) 1,40833334 1,40833333 1,40833333 5,4e−9 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: E\rho^2 0,58112583 0,58112583 0,58112583 2,4e−9 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \Phi 0,58064516 0,58064516 0,58064516 6,1e−9 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p) 0,87624731 0,87624736 0,87624736 4,8e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(1) 0,36049028 0,36049044 0,36049044 1,7e−7 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(2) 0,13652199 0,13652197 0,13652197 1,7e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p1) 0,53703061 0,53703059 0,53703059 2,5e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p2) 0,30869103 0,30869108 0,30869108 5,2e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(12) 0,074287 0,074287 0,074287 9,2e−9 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p12,e) 0,71477154 0,71477152 0,71477152 1,9e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\tau) 0,87624731 0,87624736 0,87624736 4,8e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\delta) 0,24378715 0,24378717 0,24378717 2,3e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\Delta) 0,35181152 0,35181156 0,35181156 3,1e−8 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: E\rho^2 0,7823396 0,78233959 0,78233959 6,5e−9 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \Phi 0,71352226 0,71352225 0,71352225 7,0e−9 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p) 0,87624731 0,87624736 0,87624736 4,8e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(1) 0,36049028 0,36049044 0,36049044 1,7e−7 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(2) 0,13652199 0,13652197 0,13652197 1,7e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p1) 0,53703061 0,53703059 0,53703059 2,5e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p2) 0,30869103 0,30869108 0,30869108 5,2e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(12) 0,074287 0,074287 0,074287 9,2e−9 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p12,e) 0,71477154 0,71477152 0,71477152 1,9e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\tau) 0,98365343 0,98365348 0,98365348 4,3e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\delta) 0,22582267 0,22582269 0,22582269 2,4e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\Delta) 0,30151236 0,30151238 0,30151238 1,7e−8 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): E\rho^2 0,81328886 0,81328885 0,81328885 9,6e−9 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \Phi 0,7653903 0,7653903 0,7653903 2,1e−9 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p) 0,87624731 0,87624736 0,87624736 4,8e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(1) 0,36049028 0,36049044 0,36049044 1,7e−7 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(2) 0,13652199 0,13652197 0,13652197 1,7e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p1) 0,53703061 0,53703059 0,53703059 2,5e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p2) 0,30869103 0,30869108 0,30869108 5,2e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(12) 0,074287 0,074287 0,074287 9,2e−9 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p12,e) 0,71477154 0,71477152 0,71477152 1,9e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\tau) 0,97914432 0,97914439 0,97914439 6,6e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\delta) 0,07752878 0,07752878 0,07752878 3,1e−9 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\Delta) 0,11605404 0,11605405 0,11605405 1,4e−8 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): E\rho^2 0,92662936 0,92662937 0,92662937 7,3e−9 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \Phi 0,89403377 0,89403377 0,89403377 4,9e−9 1e−6 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(p) = 0,4731 0,4731481 0,4731 — 4,8e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(t) = 0,3252 0,32515422 0,3252 — 4,6e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(r:t) = 0,6475 0,64753087 0,6475 — 3,1e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(pt) = 0,5596 0,55956794 0,5596 — 3,2e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(pr:t,e) = 2,3802 2,38024691 2,3802 — 2,0e−5 6e−5 ✓
Brennan (2001) s. 116, \sigma^2(\delta)=0{,}3849 0,38487656 0,3849 — 2,3e−5 6e−5 ✓
Brennan (2001) s. 116, \sigma^2(\Delta)=0{,}5472 0,5472222 0,5472 — 2,2e−5 6e−5 ✓
Brennan (2001) s. 116, E\rho^2=0{,}551 0,55143882 0,551 — 4,4e−4 6e−4 ✓
Brennan (2001) s. 116, \Phi=0{,}464 0,46370234 0,464 — 3,0e−4 6e−4 ✓
REML, kendi olabilirlik eniyilememiz: bileşen 1 0,4731481 0,47314796 — 1,4e−7 1e−4 ✓
REML, kendi olabilirlik eniyilememiz: bileşen 2 0,32515422 0,32515474 — 5,2e−7 1e−4 ✓
REML, kendi olabilirlik eniyilememiz: bileşen 3 0,64753087 0,64753071 — 1,6e−7 1e−4 ✓
REML, kendi olabilirlik eniyilememiz: bileşen 4 0,55956794 0,55956785 — 9,6e−8 1e−4 ✓
REML, kendi olabilirlik eniyilememiz: bileşen 5 2,38024691 2,38024668 — 9,7e−8 1e−4 ✓
ML (kestirici = ML), kendi olabilirlik eniyilememiz: bileşen 1 0,4290425 0,42904295 — 4,5e−7 1e−4 ✓
ML (kestirici = ML), kendi olabilirlik eniyilememiz: bileşen 2 0,15607958 0,15607978 — 2,1e−7 1e−4 ✓
ML (kestirici = ML), kendi olabilirlik eniyilememiz: bileşen 3 0,64753087 0,64753093 — 6,3e−8 1e−4 ✓
ML (kestirici = ML), kendi olabilirlik eniyilememiz: bileşen 4 0,57302001 0,57301993 — 7,8e−8 1e−4 ✓
ML (kestirici = ML), kendi olabilirlik eniyilememiz: bileşen 5 2,38024696 2,38024689 — 3,1e−8 1e−4 ✓
Negatif ANOVA durumu, REML sınırı: \hat\sigma^2(kişi) 0 0 — 0 1e−4 ✓
Negatif ANOVA durumu, REML sınırı: \hat\sigma^2(madde) 0,55948643 0,55948641 — 1,8e−8 1e−4 ✓
Negatif ANOVA durumu, REML sınırı: \hat\sigma^2(kişi × madde, e) 1,34455206 1,34455207 — 1,0e−8 1e−4 ✓

Ölçütü karşılayan: 76/76. Python ve R sütunları, kareler toplamından beklenen kareler ortalaması sistemini çözen kodlardır (lme4 ve şablon kodu kullanılmaz); dengeli desenlerde REML ile eşit olmaları beklenir. Brennan (2001) satırlarında ölçüt yayımlanan basamak sayısıyla (bileşenler 4 ondalık, katsayılar 3 ondalık) sınırlıdır. REML/ML ve negatif durum satırlarında Python sütunu kendi olabilirlik eniyilememizdir (ölçüt 10^{-4}).

171.7 Çıktıyı okuma

Örnek ayarın konsol satırı:

Eρ² = 0,5514; Φ = 0,4637 (dengeli desen)

Tablo 1. G çalışması: varyans bileşenleri (REML)

kaynak aciklama varyans yuzde
p kisi 0.47315 10.78856
1 gorev 0.32515 7.41405
2:1 puanlayici:gorev 0.64753 14.76477
p1 kisi × gorev 0.55957 12.75907
p(2:1),e kisi × (puanlayici:gorev), e 2.38025 54.27355

Tablo 2. D çalışması (n'gorev = 3, n'puanlayici = 4)

olcut deger
Evren puanı varyansı σ²(τ) 0.473148
Göreli hata varyansı σ²(δ) 0.384877
Mutlak hata varyansı σ²(Δ) 0.547222
Göreli ÖSH σ(δ) 0.620384
Mutlak ÖSH σ(Δ) 0.739745
Genellenebilirlik katsayısı Eρ² 0.551439
Güvenilirlik (dependability) katsayısı Φ 0.463702

Tablo 3. D çalışması senaryoları (40 satır; ilk ve seçili satırlar)

n_gorev n_puanlayici delta Delta Erho2 Phi
1 1 2.93981 3.91250 0.13863 0.10789
3 1 0.97994 1.30417 0.32562 0.26622
3 4 0.38488 0.54722 0.55144 0.46370
6 4 0.19244 0.27361 0.71087 0.63360
10 6 0.09563 0.13894 0.83187 0.77301

Şekil 171.1. Şablonun çizdiği D çalışması eğrileri (yüzey 2: 4 puanlayıcı sabit). Yatay eksen görev sayısıdır; E\rho^2 (mor, daire) her zaman \Phi'nin (mavi, üçgen) üstündedir.

Öğe Ne yazar Nasıl yorumlanır
kaynak, aciklama Bileşen kodu ve adı. p: kişi; 1, 2: yüzeyler; p1: etkileşim; ,e: artık dahil.
varyans \hat\sigma^2. Sıfır bileşen REML sınırında olabilir (not satırı).
yuzde Toplam varyanstaki pay. Kişi payı küçükse (burada \%10{,}8) güvenirlik düşük olur; asıl hata artıktır (\%54{,}3).
\sigma^2(\tau) Evren puanı varyansı. Kişiler arası gerçek varyans.
\sigma^2(\delta), \sigma^2(\Delta) Göreli, mutlak hata varyansı. \Delta\ge\delta.
ÖSH \sigma(\delta), \sigma(\Delta) Ölçmenin standart hatası. Puan ölçeğinde (burada 0,62 ve 0,74 puan).
E\rho^2, \Phi Katsayılar. 0{,}80 ve üstü genelde yeterli sayılır; kesme puanı varsa \Phi'ye bakın.
Senaryo tablosu Başka n' için \delta, \Delta, E\rho^2, \Phi. n'_t=6, n'_r=4: E\rho^2=0{,}711; 0,80'e 10 görevle ulaşılır (8 görevde 0{,}766, 10 görevde 0{,}804).

Okuma. Kişi varyansı toplam varyansın yalnız \%10{,}8'idir; \%54{,}3'ü kişi × puanlayıcı × görev etkileşimi ve artıktır. 3 görev ve görev başına 4 puanlayıcı ile E\rho^2=0{,}551 ve \Phi=0{,}464'tür: güvenirlik düşüktür. Görev sayısını 10'a çıkarmak E\rho^2'yi 0{,}804'e (\Phi=0{,}742) yükseltir; görev sayısını artırmak (3\to6: 0{,}551\to0{,}711), görev başına puanlayıcı sayısını artırmaktan (4\to6: 0{,}597) daha etkilidir; çünkü kişi × görev bileşeni yalnız görev sayısına bölünür.

Rapor cümlesi (örnek ayar): Puanların varyans bileşenleri, görevleri rastgele ve puanlayıcıları görev içinde iç içe alan bir p\times(r{:}t) deseninde REML ile kestirilmiştir (lme4 2.0-6; Brennan, 2001). Kişi varyansı 0{,}473 (\%10{,}8), görev 0{,}325, görev içi puanlayıcı 0{,}648, kişi × görev 0{,}560 ve artık 2{,}380 olarak bulunmuştur. Üç görev ve her görevde dört puanlayıcı için genellenebilirlik katsayısı E\rho^2=0{,}551, güvenilirlik katsayısı \Phi=0{,}464'tür; E\rho^2\ge0{,}80 için görev sayısı 10'a çıkarılmalıdır.

171.8 Sık hatalar ve tuzaklar

  • Desen seçimini veriye uydurmamak. İç içe veride (her puanlayıcı yalnız bir görevde) desen = capraz seçilirse çaprazlanmış model bu veriye uymaz (E\rho^2 yanlış çıkardı: 0{,}406; doğru ic_ice değeri 0{,}551). Şablon bu durumu tanır ve "veri iç içe görünüyor … 'İç içe' seçin" iletisiyle durur (ic_ice_capraz_sec).
  • Dengesiz iç içe desen. Görevlerde puanlayıcı sayısı farklıysa konsol "(dengesiz desen)" yazar ve düzey sayılarını bildirir (ic_dengesiz: T3'te 3, ötekilerde 4 puanlayıcı; E\rho^2=0{,}7066). n2_d = 0 iken D çalışması yüzey 2 düzey sayılarının medyanının yuvarlanmışını kullanır (ic_yarim: 4 ve 3 puanlayıcı, medyan 3,5, yuvarlanmış 4); isterseniz n2_d değerini kendiniz yazın.
  • Yakınsama uyarılarını okumamak. Küçük ve dengesiz veride lme4 yakınsama ya da dejenerelik uyarısı verir; şablon bunu "Uyarı: model uydurma uyarı verdi; …" satırıyla yazar (yakinsama: 8 satır, "degenerate Hessian"). Sıfır bileşen ve E\rho^2=0 gibi uç sonuçları yine sorgulayın.
  • ML ile REML'i karıştırmak. ML bileşenleri aşağı yanlıdır (kişi 0{,}429, görev 0{,}156; REML 0{,}473, 0{,}325) ve E\rho^2'yi 0{,}524'e çeker. Varsayılan REML'i kullanın.
  • Negatif bileşen. ANOVA yaklaşımı negatif kestirim verebilir; REML sıfırda sınırlar ve öteki bileşenleri yeniden kestirir (negatif: REML 0, 0{,}559, 1{,}345; ANOVA -0{,}115, 0{,}545, 1{,}460). Python eşi de aynı sınır çözümünü verir (\sigma^2(\delta)=0{,}336; Bölüm 172).
  • Eksik satırlar. Puanı ya da etiketi eksik satırlar atılır, sayıları konsola yazılır ve desen dengesizleşir (puan_eksik: 2 eksik, E\rho^2=0{,}5361).
  • Hücre başına birden çok puan. Yinelenmiş puanlar artık bileşenine karışır (not satırı); kişi × yüzey ve hata ayrılamaz. Yineleme gerçek bir yüzeyse (zaman) onu yüzey olarak ekleyin.
  • Sabit yüzeyde n'. Sabit yüzeyde D çalışması düzey sayısı evrenin kapsadığı düzey sayısıdır; G çalışmasından farklı girmek evren tanımını değiştirir (B7).
  • E\rho^2'yi mutlak karar için kullanmak. Kesme puanı varsa \Phi raporlanır; örnekte \Phi=0{,}464<E\rho^2=0{,}551.
  • Tek bir ölçüm örneği. G çalışmasındaki bileşenler tek bir örneklemden gelir; şablon bileşenlerin standart hatalarını ya da güven aralıklarını vermez. Küçük n'de bileşenler çok belirsizdir (Brennan, 2001, Böl. 6).

171.9 Uzman soruları

S1. Dengeli veride REML neden ANOVA ile aynıdır ve şablon neden sıkı tolerans kullanıyor?

Dengeli, hücre başına tek puanlı karışık-etkili modelde, kareler ortalamalarından çözülen kapalı formüllü kestirimler (EMS) olabilirliğin sıfır gradyan noktasıdır; kestirimler parametre uzayının içindeyse (negatif yoksa) REML aynı noktaya yakınsar. lme4'ün varsayılan ölçütü \sim10^{-4} içinde durduğundan şablon nloptwrap toleransını 10^{-12}–10^{-14} yapar; sonuç 10^{-7} içinde ANOVA'ya örtüşür (171.6.1).

S2. Varyans bileşenleri negatif çıkarsa ne yapılır?

Brennan (2001) küçük, negatif kestirimleri D çalışmasında sıfır almayı önerir. Şablon REML kullandığından bileşeni sınırda sıfır tutar ve öteki bileşenleri yeniden kestirir; bu, ANOVA bileşenini sıfıra ayarlamak değildir. negatif çalıştırmasında \sigma^2(\delta) REML'de 0{,}336, yalnız sıfır ayarlamasıyla 0{,}365 olurdu; Python eşi de aynı REML sınır çözümünü (R ile aynı sayılar) verir ve ham ANOVA kestirimini notta bildirir. Her iki durumda da E\rho^2=0'dır.

S3. Sabit yüzey ne zaman seçilmeli?

Evren yalnız gözlenen düzeylerden oluşuyorsa (ör. sınavın yalnız üç görevi var ve başka görev düşünülmüyorsa). O zaman kişi × yüzey etkileşimi evren puanına katılır (\tau büyür) ve yüzey ana etkisi hataya girmez; E\rho^2 ve \Phi rastgele alınan duruma göre yükselir (örnekte 0{,}782\to0{,}813 ve 0{,}927). Karar kuramsaldır; katsayıyı şişirmek için seçilmez.

S4. İç içe ve çaprazlanmış desen nasıl ayırt edilir?

Yüzey 2'nin her düzeyi yüzey 1'in yalnız bir düzeyinde görülüyorsa (her puanlayıcı yalnız bir görevi puanlıyorsa) iç içedir; her düzeyi her düzeyle birlikte görülüyorsa çaprazlanmıştır. Şablon bunu veriden denetlemez (171.8); veri tablosunu çaprazlayarak kendiniz bakın.

S5. Eksik hücrelerde D çalışması hangi düzey sayısını kullanır?

Çaprazlanmışta düzey sayısı (nlevels); iç içede yüzey 1 başına yüzey 2 düzey sayılarının medyanının yuvarlanmışı (90–91). Dengesiz desende Brennan (2001) harmonik ortalama gibi n' tanımlarını da tartışır; şablon yalnız medyanı kullanır, kesin düzey sayısını n1_d ve n2_d ile yazabilirsiniz.

S6. Cronbach alfa ile ilişkisi nedir?

p\times i desende E\rho^2=\sigma^2_p/(\sigma^2_p+\sigma^2_{pi,e}/n'_i) ve n'_i=n_i iken Cronbach alfa'ya eşittir. tek_yuzey çalıştırmasında (p\times i, 10 kişi × 4 puanlayıcı) n'=4 için senaryo tablosu E\rho^2=0{,}73508 verir; alfa (MS_p-MS_{pi,e})/MS_p=(10{,}61111-2{,}81111)/10{,}61111=0{,}73508'dir. \Phi ise yüzey ana etkisini de hataya kattığı için biraz düşüktür (0{,}73469).

S7. Tohum sonucu etkiler mi?

Hayır. Şablon rastgele sayı kullanmaz; lme4 eniyilemesi deterministiktir. Bölüm 1.3'teki Tohum alanı sonucu değiştirmez.

S8. Başka bir paketle fark nerede?

gtheory (R) ve G_string/EduG gibi programlar da bileşenleri ANOVA ile ya da lme4 ile kestirir; dengeli veride aynı sonucu verirler. Farklar: (i) negatif bileşenin işlenişi (sıfır ayarlama ve REML sınırı), (ii) iç içe dengesiz desende n' tanımı (medyan, harmonik ortalama), (iii) sabit yüzeyin tanımı. Brennan verisinde şablon Brennan (2001) Tablo 3.2 ile 6\cdot10^{-5} içinde uyuşur.

171.10 Kaynaklar

  • Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  • Brennan, R. L. (1992). Generalizability theory. Educational Measurement: Issues and Practice, 11(4), 27–34. https://doi.org/10.1111/j.1745-3992.1992.tb00260.x
  • Brennan, R. L. (2001). Generalizability theory. Springer. https://doi.org/10.1007/978-1-4757-3456-0
  • Cronbach, L. J., Gleser, G. C., Nanda, H., & Rajaratnam, N. (1972). The dependability of behavioral measurements: Theory of generalizability for scores and profiles. Wiley.
  • Cronbach, L. J., Rajaratnam, N., & Gleser, G. C. (1963). Theory of generalizability: A liberalization of reliability theory. British Journal of Statistical Psychology, 16(2), 137–163. https://doi.org/10.1111/j.2044-8317.1963.tb00206.x
  • Shavelson, R. J., & Webb, N. M. (1991). Generalizability theory: A primer. Sage.