MerQuR+Başvuru Kitabı

172. Genellenebilirlik kuramı (Python, ANOVA)

Şablon kimliği: genellenebilirlik_py · Kategori: psikometri · Dil: Python · Dosya: pro/sablonlar/psikometri/genellenebilirlik_py.py (satır 1–264; üstbilgi 1–63) · Örnek veri: _ornek/brennan_p_rt.csv · Paketler: numpy 2.4.6, pandas 2.3.3, matplotlib 3.10.9 (Python 3.13.1) · R eşi: Bölüm 171

172.1 Ne işe yarar

Şablon, Bölüm 171'deki genellenebilirlik şablonunun Python karşılığıdır ve aynı soruyu yanıtlar: bir ölçme sonucunun (puanın) varyansı kişiden, yüzeylerden (madde, görev, puanlayıcı) ve etkileşimlerinden gelen bileşenlere ayrılır (G çalışması); sonra bileşenler, yüzey düzeyi sayıları değiştirildiğinde göreli ve mutlak hata varyanslarına, genellenebilirlik katsayısı E\rho^2 ve güvenilirlik katsayısı \Phi'ye çevrilir (D çalışması). Genellenebilirlik kuramının kavramları, E\rho^2 ile \Phi ayrımı, D çalışması formülleri ve sabit yüzey Bölüm 171.4'te ayrıntılı anlatılır; bu bölüm kendi başına okunabilsin diye formülleri kısaca yeniden verir ve Python uygulamasının farkına odaklanır.

Fark: kestirici. R eşi bileşenleri lme4 ile karma modelden (REML, isteğe bağlı ML) kestirir; bu şablon yalnız dengeli desende çalışır ve bileşenleri klasik ANOVA beklenen kareler ortalaması (EMS) denklemlerinden çözer (Brennan, 2001, Böl. 3). Kareler ortalamalarını numpy ile marjinal ortalamalardan hesaplar; gerçek bir en çok olabilirlik eniyilemesi yoktur.

Konu R eşi (Bölüm 171) Bu şablon
Kestirici REML ya da ML (kestirici alanı) ANOVA/EMS (alan yok)
Eksik hücre, yineleme, dengesizlik Çalışır (REML, not satırı) Hata verir: "R sürümünü (REML) kullanın"
Negatif bileşen REML sınırı sıfır, öteki bileşenler yeniden kestirilir Aynı: negatif bileşen sıfır, öteki bileşenler kısıtlı REML ile yeniden kestirilir (R ile aynı sayılar); ham ANOVA kestirimi notta
G tablosu kaynak, aciklama, varyans, yuzde ek olarak sd ve KO
Senaryo tablosu sırası yüzey 1 hızlı değişir yüzey 2 hızlı değişir (aynı 40 satır)
Dengeli veride sonuç — R eşiyle 2\cdot10^{-7} içinde aynı

Ne zaman kullanılır?

  • R'nin kurulu olmadığı ya da lme4 kurulamadığı bilgisayarlarda.
  • Veri dengeliyse ve hücre başına tek puan varsa; sonuçta klasik ANOVA tablosu (serbestlik dereceleri, kareler ortalaması) görülmek isteniyorsa.
  • Negatif bir bileşenin G tablosunda olduğu gibi görülmesi (REML sınırına yapışmadan) isteniyorsa.

Ne zaman kullanılmaz?

  • Veri eksik hücreli, dengesiz ya da hücre başına birden çok puanlı ise: Bölüm 171 (genellenebilirlik, REML).
  • ML kestirimi ya da lme4 uydurma ayrıntıları isteniyorsa: Bölüm 171.
  • Üç ya da daha çok yüzey varsa: şablon en çok iki yüzey kabul eder.
  • Madde parametreleri ve madde bilgisi isteniyorsa: cok_yuzeyli_rasch (Bölüm 169), mirt_cok_boyutlu (Bölüm 174).
  • Tek yüzeyli iç tutarlılık isteniyorsa ve veri dengeliyse: temel programdaki güvenirlik analizi (Cronbach alfa, p\times i için E\rho^2'ye eşittir).

Temel programla ilişki. Temel programda genellenebilirlik kuramı yoktur; p\times i deseninde E\rho^2 (n'=n_i iken) Cronbach alfa'ya eşittir.

172.2 Şablonun girdileri

Form, üstbilgideki 8 [[param]] bloğundan kurulur (genellenebilirlik_py.py:11–62); alanlar R eşiyle özdeştir, yalnız kestirici yoktur. 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 (11–15, 80–82).
Ölçme nesnesi · nesne kategorik sütun · Değişkenler boş herhangi sütun p (16–20, 86–87).
Yüzey 1 · yuzey1 kategorik sütun · Değişkenler boş herhangi sütun 1 (21–25, 86–87).
Yüzey 2 (isteğe bağlı) · yuzey2 kategorik sütun · Değişkenler boş boş ya da sütun 2; boşsa tek yüzey (26–31, 75).
İki yüzeyli desen · desen seçim · Model capraz capraz, ic_ice Yalnız yüzey 2 doluyken (32–38, 88).
D çalışması: yüzey 1 düzey sayısı · n1_d tamsayı · Seçenekler 0 0–1000 0 = G çalışmasındaki sayı (39–46, 238).
D çalışması: yüzey 2 düzey sayısı · n2_d tamsayı · Seçenekler 0 0–1000 0 = G çalışmasındaki sayı (47–54, 239).
Sabit yüzey · sabit_yuzey seçim · Model yok yok, 1, 2 Yalnız çaprazlanmış iki yüzeyde (55–62, 216–235).

Şablonun kendi denetimleri (mq.hata; ileti özeti):

Koşul İleti Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 72–73
Puan, nesne, yüzey sütunları ortak "Puan, nesne ve yüzey sütunları birbirinden farklı olmalı." 76–77
6'dan az tam satır ya da 3'ten az nesne "En az 3 ölçme nesnesi ve 6 tam satır gerekli." 84–85
Bir yüzey tek düzeyli "Her yüzey en az 2 düzey içermeli." 86–87
Puanlar sabit "Puanlar sabit; varyans bileşeni kestirilemez." 88–89
İç içede yüzey 1 düzeylerinde farklı sayıda yüzey 2 "Dengesiz iç içe desen: … R sürümünü (REML) kullanın." 97–98
Eksik ya da yinelenen hücre "ANOVA kestirimi dengeli ve hücre başına tek puanlı desen ister (eksik ya da yinelenen hücre var). R sürümünü (REML) kullanın." 109–111
Sabit yüzey, tek yüzeyli ya da iç içe desende "Sabit yüzey yalnız iki yüzeyli çaprazlanmış desende kullanılabilir." 181–182

İki bilgi notu yazılır: negatif kestirim varsa "Not: ANOVA (beklenen kareler ortalaması) kestirimi negatif çıkan bileşen: … kısıtlı REML (sınır) çözümüyle yeniden kestirildi" (207–212) ve sabit yüzeyde "Not: '…' yüzeyi sabit kabul edildi; nesneyle etkileşimi evren puanına katıldı." (219–221). Puan sayıya çevrilemeyen ya da eksik olan satırlar atılır ve sayıları konsola yazılır (83–85); ardından eksik hücre varsa dengesizlik hatası görülür. Desen alanı yüzey 2 boşken etkisizdir (88).

Örnek ayar (ornek_param, 10): puan = puan, nesne = kisi, yuzey1 = gorev, yuzey2 = puanlayici, desen = ic_ice, n1_d = 3, n2_d = 4.

172.3 Örnek veri

Veri, Bölüm 171.3'teki ile aynıdır: brennan_p_rt.csv, Brennan'ın (2001) Sentetik Veri Seti No. 4: 10 kişi, 3 görev, görev başına 4 farklı puanlayıcı (p\times(r{:}t); 120 satır, puanlar 1–9). Veri sekmesi kisi, gorev, puanlayici sütunlarını kategorik, puan sütununu sayısal algılar.

Düzey sırası. Python şablonu düzeyleri astype(str) ile metne çevirir ve sorted() ile metin sırasında dizer (86–87, 100–101); Veri sekmesinin düzey sırası kullanılmaz. Bu yalnız satır sırasını etkiler: bileşenlerin değeri düzey sırasına bağlı değildir. Metin sırasında "10", "2"den önce gelir (örnekte R10, R11, R12, R1'den sonra); iç içe desende yüzey 2'nin düzeyleri yüzey 1 içinde sıra numarasına çevrilir (103) ve bu da bileşenleri değiştirmez (Bulgu B5).

Bölümde kullanılan çalıştırmalar (hepsi tohum 1; çıktılar dogrulama/cikti/p6_genpy_*): ornek (örnek ayar), ic_ice_varsayilan, ic_ice_ml (R eşinde ML; bu şablonda kestirici alanı yoktur, çıktı ornek ile aynıdır), tek_yuzey, capraz, capraz_sabit1, capraz_sabit2, negatif ve hata veren uç durumlar ic_ice_capraz_sec, capraz_eksik, ic_dengesiz, ic_eksik, yineleme, sabit_puan, puan_eksik, sabit_ic_ice. Veriler dogrulama/genellenebilirlik/g_*.csv (R eşiyle ortak).

172.4 Yöntem: formüller ve hesap adımları

Şablon veriyi bir n_p\times n_a\times n_b dizisine yerleştirir, marjinal ortalamalardan kareler toplamlarını ve kareler ortalamalarını hesaplar, beklenen kareler ortalaması denklemlerini çözerek bileşenleri bulur, bileşenlerden D çalışmasının büyüklüklerini kurar.

172.4.1 Dengeli dizi ve marjinal ortalamalar

Kişi, yüzey 1 ve yüzey 2 düzeyleri sıralanır; X_{pab} dizisine puanlar yerleştirilir (120–125). Tek yüzeyde üçüncü eksen tek düzeyli, iç içe desende b yüzey 1 içindeki sıra numarasıdır (99–115). Her hücrede tam bir puan bulunması ve bütün hücrelerin dolu olması gerekir (116–119). Marjinal ortalamalar (126–129):

\bar X,\quad \bar X_{p},\ \bar X_{a},\ \bar X_{b},\quad \bar X_{pa},\ \bar X_{pb},\ \bar X_{ab}
  • \bar X: genel ortalama; \bar X_p: kişi ortalaması (diğer iki eksen üzerinden); \bar X_{pa}: kişi × yüzey 1 hücre ortalaması (yüzey 2 üzerinden).

172.4.2 Kareler toplamları ve kareler ortalamaları

Tek yüzey p\times i (n_a: yüzey 1 sayısı; 124–127):

SS_p=n_a\sum_p(\bar X_p-\bar X)^2,\quad SS_a=n_p\sum_a(\bar X_a-\bar X)^2,\quad SS_{pa,e}=\sum_{p,a}(X_{pa}-\bar X_p-\bar X_a+\bar X)^2

Çaprazlanmış p\times a\times b (143–150): SS_p=n_an_b\sum(\bar X_p-\bar X)^2, SS_a, SS_b benzer biçimde; etkileşimler çift yönlü artıklardan, örn.

SS_{pa}=n_b\sum_{p,a}(\bar X_{pa}-\bar X_p-\bar X_a+\bar X)^2,\qquad SS_{pab,e}=\sum(X-\bar X)^2-\text{(öteki altı toplam)}

İç içe p\times(b{:}a) (160–164): SS_{b:a}=n_p\sum_{a,b}(\bar X_{ab}-\bar X_a)^2 ve SS_{pa} yukarıdaki gibi; artık, toplam kareler toplamından beş toplamın çıkarılmasıyla bulunur. Serbestlik dereceleri n-1 kalıbıyla (144–149, 164–165): ör. iç içe için p: n_p-1; a: n_a-1; b{:}a: n_a(n_b-1); pa: (n_p-1)(n_a-1); artık: (n_p-1)n_a(n_b-1). Her kareler ortalaması MS=SS/sd'dir.

172.4.3 Beklenen kareler ortalaması ve bileşenler

EMS denklemleri R eşinin bölümünde (171.4.2) yazılıdır; çözüm (örn. p\times(b{:}a), 157–160):

\hat\sigma^2_{pb:a,e}=MS_{pb:a},\quad \hat\sigma^2_{pa}=\frac{MS_{pa}-MS_{pb:a}}{n_b},\quad \hat\sigma^2_{b:a}=\frac{MS_{b:a}-MS_{pb:a}}{n_p},\quad \hat\sigma^2_{p}=\frac{MS_{p}-MS_{pa}}{n_an_b}
\hat\sigma^2_{a}=\frac{MS_a-MS_{b:a}-MS_{pa}+MS_{pb:a}}{n_pn_b}

Çaprazlanmış desenin yedi bileşeni (152–155): artık MS_{pab}; \hat\sigma^2_{pa}=(MS_{pa}-MS_{pab})/n_b, \hat\sigma^2_{pb}=(MS_{pb}-MS_{pab})/n_a, \hat\sigma^2_{ab}=(MS_{ab}-MS_{pab})/n_p; \hat\sigma^2_p=(MS_p-MS_{pa}-MS_{pb}+MS_{pab})/(n_an_b), \hat\sigma^2_a=(MS_a-MS_{pa}-MS_{ab}+MS_{pab})/(n_pn_b), \hat\sigma^2_b=(MS_b-MS_{pb}-MS_{ab}+MS_{pab})/(n_pn_a). Tek yüzeyde: \hat\sigma^2_{pa,e}=MS_{pa,e}, \hat\sigma^2_p=(MS_p-MS_{pa,e})/n_a, \hat\sigma^2_a=(MS_a-MS_{pa,e})/n_p (136–138).

Neden kapalı formül?

Dengeli, hücre başına tek puanlı desende EMS sistemi bileşenlere göre üçgensel ve doğrudan çözülür; eniyileme gerekmez. Bu yüzden şablon ağır bir paket (lme4) çağırmadan Python'un temel kütüphanesiyle çalışır ve sonuç, hesabın her adımında (serbestlik dereceleri, kareler ortalaması) görülebilir.

172.4.4 Negatif kestirimler

Kareler ortalaması farkları negatif bileşen verebilir. Bu durumda şablon R eşiyle aynı sonucu verir: negatif bileşen 0 alınır ve öteki bileşenler kısıtlı REML ile yeniden kestirilir (175–194). Dengeli desende -2\ln L_{REML}=\sum_k sd_k\,(\ln\theta_k+KO_k/\theta_k) ifadesi, \theta_k = beklenen kareler ortalaması (Cornfield–Tukey kuralı), bileşenler \ge0 koşuluyla en küçüklenir; negatif kestirim yoksa çözüm ANOVA çözümüdür ve bu adım çalışmaz. Ham ANOVA kestirimi notta yazılır; tabloda ve D çalışmasında negatif değer kalmaz (yuzde 201–205, vd = max(v, 0), 213).

Python ve R aynı veride farklı \sigma^2(\delta) verebilir

Negatif kestirimde iki şablon da aynı sınır çözümünü verir (171.4.2). negatif çalıştırmasında ham ANOVA kestirimleri -0{,}11528, 0{,}54508, 1{,}45984; iki şablonda da bileşenler 0, 0{,}55949, 1{,}34455 ve \sigma^2(\delta)=0{,}33614, E\rho^2=0. Bu, kapalı biçimle de elde edilir: kişi bileşeni 0 iken kalan bileşen (SS_p+SS_{pi})/(sd_p+sd_{pi})'dir.

172.4.5 D çalışması ve sabit yüzey

D çalışması R eşiyle aynı formüllerdir (171.4.3, 171.4.4): \sigma^2(\tau)=\sigma^2_p; \sigma^2(\delta) ve \sigma^2(\Delta) bileşenlerin simgelerindeki yüzeylerin n' çarpımına bölünmesiyle; E\rho^2=\sigma^2(\tau)/(\sigma^2(\tau)+\sigma^2(\delta)) ve \Phi=\sigma^2(\tau)/(\sigma^2(\tau)+\sigma^2(\Delta)) (224–235). Sabit yüzeyde kişi × sabit yüzey bileşeni evren puanına katılır (228–231). n1_d ve n2_d 0 ise G çalışmasındaki düzey sayıları kullanılır (238–239). Senaryo ızgarası R eşiyle aynıdır (249–255), yalnız satır sırası farklıdır (itertools.product: ikinci yüzey hızlı).

172.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–63 Üstbilgi: 8 parametre, örnek veri ve ayar. Yan dosyalar kitap dışıdır (Bölüm 1.1).
64–69 itertools, matplotlib; _m dil yardımcısı.
73–95 Veri, sütun ve düzey sayısı denetimleri; dropna, to_numeric, astype(str). Eksik satırlar atılır, sayısı yazılır.
99–119 Düzeyleri sıralama, iç içede sıra numarası, dengeli hücre denetimi. Dengesiz ya da yinelenen hücrede hata.
120–129 X_{pab} dizisi ve marjinal ortalamalar. Dizi dolu olmalı.
131–172 Üç desen için SS, sd, MS ve bileşenler. Üç ayrı blok; EMS kapalı formülleri.
175–213 Negatif ANOVA kestiriminde kısıtlı REML, G çalışması tablosu (sd, KO, varyans, yuzde), negatif notu, v_d. Negatif kalmaz; R eşiyle aynı sonuç.
216–221 Sabit yüzey denetimi ve notu. İç içede ve tek yüzeyde hata.
224–235 dcalis(n1, n2): \tau, \delta, \Delta, E\rho^2, \Phi. Sabit ve rastgele yüzey ayrı.
238–248 D çalışması tablosu. Yedi satır.
249–256 Senaryo tablosu ve konsol satırı. Satır sırası R eşinden farklı; denge etiketi yok.
258–264 E\rho^2 ve \Phi eğrileri (matplotlib). Yüzey 2 sabit değerde.

Süre: örnek ayarda çalıştırma 3,52 s sürmüştür (R eşi 3,84 s).

172.6 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 hesap kareler toplamlarını marjinal ortalamalarla değil, ardışık doğrusal modellerin artık kareler toplamı farkıyla (Python: statsmodels; R: lm) bulur ve EMS sistemini genel Cornfield–Tukey katsayı kuralıyla (bileşenin simgelerinde bulunmayan yüzeylerin düzey sayılarının çarpımı) bir doğrusal sistem olarak çözer; şablonun elle yazılmış formülleri kullanılmaz. Sayılar dogrulama/genellenebilirlik/elle_hesap.py ve r_dogrulama.R çıktısındandır.

Adım 1 — Kareler toplamları ve serbestlik dereceleri.

Kaynak SS sd MS
p 92,666667 9 10,296296
t 48,200000 2 24,100000
r{:}t 79,700000 9 8,855556
pt 83,133333 18 4,618519
pr{:}t,e 192,800000 81 2,380247

Toplam: 496{,}5=119\cdot\operatorname{var}(\text{puan})=119\cdot4{,}172269.

Adım 2 — Bileşenler.

\hat\sigma^2_{pr:t,e}=2{,}380247,\ \ \hat\sigma^2_{pt}=\frac{4{,}618519-2{,}380247}{4}=0{,}559568,\ \ \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

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

\sigma^2(\delta)=\frac{0{,}559568}{3}+\frac{2{,}380247}{12}=0{,}384877,\qquad \sigma^2(\Delta)=0{,}384877+\frac{0{,}325154}{3}+\frac{0{,}647531}{12}=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

Adım 4 — Tek yüzey ve çaprazlanmış desen. p\times i (g_pi.csv, 10 kişi × 4 puanlayıcı): MS=(10{,}61111;\ 2{,}86667;\ 2{,}81111), bileşenler 1{,}95000, 0{,}00556, 2{,}81111; n'=2 için E\rho^2=0{,}58113, \Phi=0{,}58065. Çaprazlanmış p\times i\times o (g_capraz.csv, 20 × 5 × 3): 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) için 0{,}81329 ve 0{,}76539; yüzey 2 sabit (n'_o=3) için 0{,}92663 ve 0{,}89403.

Adım 5 — R eşiyle karşılaştırma. Aynı veri ve ayarda iki şablonun senaryo tablolarının (45 satır çaprazlanmış, 40 satır iç içe) \delta, \Delta, E\rho^2 ve \Phi sütunları en çok 1{,}7\cdot10^{-7} farklıdır; fark, lme4'ün eniyileme toleransındandır.

172.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ (Python) Python (bağımsız) R (bağımsız) En büyük fark Ölçüt
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(p) 0,47314815 0,47314815 0,47314815 1,3e−15 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(1) 0,32515432 0,32515432 0,32515432 1,1e−15 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(2:1) 0,64753086 0,64753086 0,64753086 1,2e−15 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \hat\sigma^2(p1) 0,5595679 0,5595679 0,5595679 6,7e−16 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 1,3e−15 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\tau) 0,47314815 0,47314815 0,47314815 1,3e−15 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\delta) 0,38487654 0,38487654 0,38487654 5,0e−16 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \sigma^2(\Delta) 0,54722222 0,54722222 0,54722222 4,4e−16 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: E\rho^2 0,55143885 0,55143885 0,55143885 3,3e−16 1e−6 ✓
Brennan p\times(r{:}t), n'_t=3, n'_r=4: \Phi 0,46370236 0,46370236 0,46370236 5,0e−16 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(p) 1,95 1,95 1,95 2,3e−16 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(1) 0,00555556 0,00555556 0,00555556 1,6e−15 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \hat\sigma^2(p1,e) 2,81111111 2,81111111 2,81111111 6,3e−16 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\tau) 1,95 1,95 1,95 2,3e−16 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\delta) 1,40555556 1,40555556 1,40555556 3,2e−15 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \sigma^2(\Delta) 1,40833333 1,40833333 1,40833333 2,4e−15 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: E\rho^2 0,58112583 0,58112583 0,58112583 5,6e−16 1e−6 ✓
p\times i (T1, dört puanlayıcı), n'_i=2: \Phi 0,58064516 0,58064516 0,58064516 4,4e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p) 0,87624736 0,87624736 0,87624736 5,6e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(1) 0,36049044 0,36049044 0,36049044 1,4e−15 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(2) 0,13652197 0,13652197 0,13652197 1,4e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p1) 0,53703059 0,53703059 0,53703059 1,7e−15 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p2) 0,30869108 0,30869108 0,30869108 1,0e−15 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(12) 0,074287 0,074287 0,074287 3,3e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \hat\sigma^2(p12,e) 0,71477152 0,71477152 0,71477152 2,8e−15 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\tau) 0,87624736 0,87624736 0,87624736 5,6e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\delta) 0,24378717 0,24378717 0,24378717 3,9e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \sigma^2(\Delta) 0,35181156 0,35181156 0,35181156 4,4e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: E\rho^2 0,78233959 0,78233959 0,78233959 3,3e−16 1e−6 ✓
çaprazlanmış p\times i\times o, n'_i=10, n'_o=2: \Phi 0,71352225 0,71352225 0,71352225 4,4e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p) 0,87624736 0,87624736 0,87624736 5,6e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(1) 0,36049044 0,36049044 0,36049044 1,4e−15 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(2) 0,13652197 0,13652197 0,13652197 1,4e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p1) 0,53703059 0,53703059 0,53703059 1,7e−15 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p2) 0,30869108 0,30869108 0,30869108 1,0e−15 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(12) 0,074287 0,074287 0,074287 3,3e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \hat\sigma^2(p12,e) 0,71477152 0,71477152 0,71477152 2,8e−15 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\tau) 0,98365348 0,98365348 0,98365348 3,3e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\delta) 0,22582269 0,22582269 0,22582269 5,0e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \sigma^2(\Delta) 0,30151238 0,30151238 0,30151238 3,9e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): E\rho^2 0,81328885 0,81328885 0,81328885 3,3e−16 1e−6 ✓
çaprazlanmış, yüzey 1 sabit (n'_i=5, n'_o=2): \Phi 0,7653903 0,7653903 0,7653903 2,2e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p) 0,87624736 0,87624736 0,87624736 5,6e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(1) 0,36049044 0,36049044 0,36049044 1,4e−15 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(2) 0,13652197 0,13652197 0,13652197 1,4e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p1) 0,53703059 0,53703059 0,53703059 1,7e−15 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p2) 0,30869108 0,30869108 0,30869108 1,0e−15 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(12) 0,074287 0,074287 0,074287 3,3e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \hat\sigma^2(p12,e) 0,71477152 0,71477152 0,71477152 2,8e−15 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\tau) 0,97914439 0,97914439 0,97914439 2,2e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\delta) 0,07752878 0,07752878 0,07752878 9,7e−17 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \sigma^2(\Delta) 0,11605405 0,11605405 0,11605405 3,1e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): E\rho^2 0,92662937 0,92662937 0,92662937 3,3e−16 1e−6 ✓
çaprazlanmış, yüzey 2 sabit (n'_i=10, n'_o=3): \Phi 0,89403377 0,89403377 0,89403377 3,3e−16 1e−6 ✓
Brennan p\times(r{:}t): serbestlik derecesi, bileşen 1 9 9 9 0 1e−6 ✓
Brennan p\times(r{:}t): serbestlik derecesi, bileşen 2 2 2 2 0 1e−6 ✓
Brennan p\times(r{:}t): serbestlik derecesi, bileşen 3 9 9 9 0 1e−6 ✓
Brennan p\times(r{:}t): serbestlik derecesi, bileşen 4 18 18 18 0 1e−6 ✓
Brennan p\times(r{:}t): serbestlik derecesi, bileşen 5 81 81 81 0 1e−6 ✓
Brennan p\times(r{:}t): kareler ortalaması, bileşen 1 10,2962963 10,2962963 10,2962963 1,7e−16 1e−6 ✓
Brennan p\times(r{:}t): kareler ortalaması, bileşen 2 24,1 24,1 24,1 1,2e−15 1e−6 ✓
Brennan p\times(r{:}t): kareler ortalaması, bileşen 3 8,85555556 8,85555556 8,85555556 1,4e−15 1e−6 ✓
Brennan p\times(r{:}t): kareler ortalaması, bileşen 4 4,61851852 4,61851852 4,61851852 5,8e−16 1e−6 ✓
Brennan p\times(r{:}t): kareler ortalaması, bileşen 5 2,38024691 2,38024691 2,38024691 1,3e−15 1e−6 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(p) = 0,4731 0,47314815 0,4731 — 4,8e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(t) = 0,3252 0,32515432 0,3252 — 4,6e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(r:t) = 0,6475 0,64753086 0,6475 — 3,1e−5 6e−5 ✓
Brennan (2001) Tablo 3.2, \hat\sigma^2(pt) = 0,5596 0,5595679 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 0,38487654 0,3849 — 2,3e−5 6e−5 ✓
Brennan (2001) s. 116, \sigma^2(\Delta)=0{,}5472 0,54722222 0,5472 — 2,2e−5 6e−5 ✓
Brennan (2001) s. 116, E\rho^2=0{,}551 0,55143885 0,551 — 4,4e−4 6e−4 ✓
Brennan (2001) s. 116, \Phi=0{,}464 0,46370236 0,464 — 3,0e−4 6e−4 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 1: Python şablonu ↔ R şablonu (REML) 0,87624736 0,87624731 — 4,8e−8 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 2: Python şablonu ↔ R şablonu (REML) 0,36049044 0,36049028 — 1,7e−7 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 3: Python şablonu ↔ R şablonu (REML) 0,13652197 0,13652199 — 1,7e−8 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 4: Python şablonu ↔ R şablonu (REML) 0,53703059 0,53703061 — 2,5e−8 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 5: Python şablonu ↔ R şablonu (REML) 0,30869108 0,30869103 — 5,2e−8 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 6: Python şablonu ↔ R şablonu (REML) 0,074287 0,074287 — 9,2e−9 1e−6 ✓
Çaprazlanmış desen \hat\sigma^2, bileşen 7: Python şablonu ↔ R şablonu (REML) 0,71477152 0,71477154 — 1,9e−8 1e−6 ✓
Negatif durum: ANOVA \hat\sigma^2(kişi) (negatif kalır) −0,11528487 −0,11528487 −0,11528487 5,0e−16 1e−6 ✓
Negatif durum: \sigma^2(\delta) (negatif bileşen 0 alınarak) 0,36495923 0,36495923 0,36495923 2,2e−16 1e−6 ✓

Ölçütü karşılayan: 82/82. Kareler ortalaması ve bileşenler statsmodels ardışık model karşılaştırmasıyla (Python) ve lm ardışık kareler toplamıyla (R) ayrı ayrı hesaplanıp beklenen kareler ortalaması sistemi çözülmüştür; şablonun elle yazılmış formülleri kullanılmaz. "Python şablonu ↔ R şablonu" satırlarında ikinci sütun R şablonunun REML tablosudur.

Tabloda dört bölüm vardır: (i) beş desen ve ayar için bileşenler ve D çalışması katsayıları, bağımsız Python ve R ile 10^{-6} içinde; (ii) Brennan (2001) Tablo 3.2 ve s. 116 değerleri, yayımlanan basamak sayısı kadar; (iii) Python şablonu ↔ R şablonu satırları; (iv) negatif durum.

172.7 Çıktıyı okuma

Örnek ayarın konsol satırı:

Eρ² = 0,5514; Φ = 0,4637

Tablo 1. G çalışması: varyans bileşenleri (ANOVA/EMS)

kaynak aciklama sd KO varyans yuzde
p kisi 9 10.29630 0.47315 10.78856
1 gorev 2 24.10000 0.32515 7.41405
2:1 puanlayici:gorev 9 8.85556 0.64753 14.76477
p1 kisi × gorev 18 4.61852 0.55957 12.75907
p(2:1),e kisi × (puanlayici:gorev), e 81 2.38025 2.38025 54.27355

Tablo 2. D çalışması (n'gorev = 3, n'puanlayici = 4) R eşiyle aynıdır: \sigma^2(\tau)=0{,}47315; \sigma^2(\delta)=0{,}38488; \sigma^2(\Delta)=0{,}54722; \sigma(\delta)=0{,}62038; \sigma(\Delta)=0{,}73974; E\rho^2=0{,}55144; \Phi=0{,}46370.

Tablo 3. D çalışması senaryoları (40 satır; iç içede yüzey 1 yavaş, yüzey 2 hızlı değişir; ilk satırlar)

n_gorev n_puanlayici delta Delta Erho2 Phi
1 1 2.93981 3.91250 0.13863 0.10789
1 2 1.74969 2.39861 0.21286 0.16476
1 3 1.35298 1.89398 0.25910 0.19988
1 4 1.15463 1.64167 0.29067 0.22373
1 6 0.95628 1.38935 0.33101 0.25404

Şekil 172.1. Şablonun çizdiği D çalışması eğrileri (matplotlib; yüzey 2: 4 puanlayıcı sabit). E\rho^2 her zaman \Phi'nin üstündedir.

Öğe Ne yazar Nasıl yorumlanır
sd, KO Serbestlik derecesi ve kareler ortalaması. ANOVA tablosu; bileşenler bunlardan EMS ile bulunur.
varyans Bileşen kestirimi. Negatif olabilir (not satırı).
yuzde Toplam (negatifler 0 sayılarak) içindeki pay. Negatif bileşen \%0 görünür.
D tablosu, senaryo tablosu \sigma^2(\tau), hata varyansları, ÖSH, E\rho^2, \Phi. Bölüm 171.7'deki gibi okunur.

Rapor cümlesi (örnek ayar): Puanların varyans bileşenleri, görevleri rastgele ve puanlayıcıları görev içinde iç içe alan bir p\times(r{:}t) deseninde ANOVA beklenen kareler ortalaması denklemleriyle kestirilmiştir (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.

172.8 Sık hatalar ve tuzaklar

  • Dengesiz ya da eksik veride bu şablonu denemek. Tek eksik hücre yeter: "ANOVA kestirimi dengeli ve hücre başına tek puanlı desen ister… R sürümünü (REML) kullanın." (capraz_eksik, ic_eksik, puan_eksik). Yüzey 1'in düzeylerinde farklı sayıda yüzey 2 varsa ayrı hata verir (ic_dengesiz).
  • Hücre başına iki puan. Yinelenmiş puanlar hata verir (yineleme); R eşi bunları artık bileşenine katar. Yinelemeyi önceden hücre ortalamasına çevirin ya da R eşini kullanın.
  • Veri iç içeyken çaprazlanmış desen seçmek. Şablon durumu tanır ve "veri iç içe görünüyor … 'İç içe' seçin" iletisiyle durur (ic_ice_capraz_sec); R eşi de aynı iletiyle durur.
  • Negatif bileşen. Negatif ANOVA kestirimi sıfırlanır ve öteki bileşenler yeniden kestirilir; ham değer notta yazılır. R eşiyle aynı sonuç çıkar (negatif: \sigma^2(\delta)=0{,}336).
  • Sabit puanlar ve küçük örnek. "Puanlar sabit" ya da "En az 3 ölçme nesnesi ve 6 tam satır gerekli" hatası (sabit_puan). Küçük n'de bileşenler çok belirsizdir; şablon standart hata vermez.
  • Eksik puanı olan satırlar. dropna satırı atar; atılan satır sayısı konsola yazılır ve ardından dengesizlik hatası görülür.
  • Sabit yüzeyde n'. Sabit yüzeyde D çalışması düzey sayısı evrenin kapsadığı düzey sayısıdır; G çalışmasından farklı girmek evren tanımını değiştirir (R eşi B7).
  • Düzey sırası. Düzeyler metin sırasında dizilir ("10", "2"den önce gelir); bileşenler ve tablolar etkilenmez; yalnız iç içe desende yüzey 2'nin sıra numarası bu sıraya bağlıdır ve sonucu değiştirmez (Bulgu B5).

172.9 Uzman soruları

S1. Bu şablon neden lme4 gibi bir karma model kullanmıyor?

Kod yorumu yoktur; gerekçe kodda yazılı değildir. Gözlemlenen sonuç, dengeli desende EMS kapalı formülleriyle bileşenlerin lme4 REML kestirimiyle 2\cdot10^{-7} içinde aynı çıkması ve R kurulu olmayan bir bilgisayarda aynı analizin çalışmasıdır. Bedeli, eksik ve dengesiz veride çalışmamasıdır.

S2. Dengeli veride ANOVA ve REML neden aynıdır?

Dengeli, hücre başına tek puanlı rastgele etkili modelde kareler ortalamalarından çözülen kapalı formüllü kestirimler olabilirliğin sıfır gradyan noktasıdır; negatif kestirim yoksa REML aynı noktaya gelir. capraz çalıştırmasında yedi bileşenin hepsi iki şablonda en çok 1{,}7\cdot10^{-7} farklıdır.

S3. Negatif bir bileşen çıkarsa hangi sayıya güvenilmeli?

ANOVA'nın negatif kestirimi ham bir kestirimdir; yalnız sıfırlamak (\sigma^2(\delta)=0{,}365) öteki bileşenleri değiştirmez ve hiçbir modelin kestirimi olmaz. REML ise sınırlı parametre uzayında en olası bileşenleri bulur ve öteki bileşenleri değiştirir (0{,}336). İki şablon da bu ikinci çözümü kullanır. Raporda kestiricinin adı ve negatif bileşenin işlenişi yazılmalıdır.

S4. Python şablonunda ML seçilebilir mi?

Hayır. Şablonun formunda kestirici alanı yoktur; ML için R eşi (Bölüm 171) kullanılır.

S5. Senaryo tablosunun satır sırası neden R eşinden farklı?

Python itertools.product(s1, s2) yüzey 2'yi hızlı değiştirir; R expand.grid yüzey 1'i hızlı değiştirir. Satır kümeleri ve değerler aynıdır (iç içede 40 satır, en çok 5{,}7\cdot10^{-8} fark).

S6. Hücre başına birden çok puan neden hata veriyor?

Yinelenmiş hücrede kişi × yüzey etkileşimi ile hata ayrılabilir; ama şablonun EMS denklemleri tek puanlı hücreyi varsayar ve artığı en yüksek etkileşimle özdeş tutar. Yineleme ayrı bir yüzey olarak (zaman, oturum) eklenmeli ya da hücre ortalamasına indirilmelidir.

S7. Tohum sonucu etkiler mi?

Hayır. Şablon rastgele sayı kullanmaz. Bölüm 1.3'teki Tohum alanı sonucu değiştirmez.

S8. Başka bir paketle fark nerede?

gtheory (R) ve G_string/EduG gibi programlar da ANOVA/EMS ile aynı bileşenleri verir; fark negatif bileşenin işlenişinde (sıfır ayarlama ya da REML sınırı) ve dengesiz desendeki n' tanımındadır. Brennan verisinde bu şablon Brennan (2001) Tablo 3.2 ile 6\cdot10^{-5} içinde uyuşur.

172.10 Kaynaklar

  • 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
  • Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
  • McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a