MerQuR+Başvuru Kitabı

176. Gözlenen puan test eşitleme

Şablon kimliği: test_esitleme · Kategori: psikometri · Dil: R · Dosya: pro/sablonlar/psikometri/test_esitleme.R (satır 1–247; üstbilgi 1–136) · Örnek veri: _ornek/kbneat.csv · Paketler: equate 2.0.9 (R 4.5.3)

176.1 Ne işe yarar

Aynı yapıyı ölçmek üzere hazırlanmış iki test formunun ham puanları doğrudan karşılaştırılamaz, çünkü formların zorluğu farklıdır. Şablon şu soruyu cevaplar: "Yeni formda (X) alınan her puan, referans formun (Y) ölçeğinde kaç puana karşılık gelir?" Eşitleme, iki formun puan dağılımlarını uyumlayan bir dönüşüm e_Y(x) kestirir. Girdi, bir satırı bir sınava girene karşılık gelen form göstergesi, toplam puan ve isteğe bağlı ortak (çapa) test puanıdır. Ortak test seçilmezse eşdeğer gruplar (EG) deseni, seçilirse ortak maddeli eşdeğer olmayan gruplar (NEAT) deseni uygulanır. Eşitleme türleri ortalama, doğrusal, eşit yüzdelik ve daire yayıdır; NEAT için Tucker, nominal ağırlıklar, Levine (gözlenen ve gerçek puan), Braun/Holland, sıklık kestirimi ve zincirleme yöntemleri sunulur. İsteğe bağlı olarak sıklıklar log-doğrusal, tümsek ya da ortalamalı yöntemle önceden düzgünleştirilir (Kolen ve Brennan, 2014; Albano, 2016).

Ne zaman kullanılır?

  • Aynı sınavın paralel formlarının puanlarının karşılaştırılabilir hâle getirilmesi gerekiyorsa ve puanlar tam sayı doğru-sayısı puanıysa.
  • Formlar rastgele atanmış eşdeğer gruplara verildiyse (EG) ya da iki formda ortak maddeler varsa (NEAT).
  • Eşitleme fonksiyonunun biçimi (doğrusal mı, eğrisel mi) karşılaştırılacaksa.

Ne zaman kullanılmaz?

  • Maddelerin parametrik olarak kalibre edilmiş olduğu ve parametrelerin ortak ölçeğe taşınacağı durumda: bu kitabın irt_baglama şablonu (Bölüm 173) madde parametrelerini bağlar ve gerçek puan eşitleme yapar.
  • Puanlar tam sayı değilse (ağırlıklı ya da dönüştürülmüş puanlar): şablon durur (176.2).
  • Gruplar eşdeğer olmadığı hâlde ortak test yoksa: EG desenine zorlanır ve gruplar arası yetenek farkı eşitleme farkı sanılır (176.8). Bu durumda ortak maddeli bir tasarım gerekir.
  • Standart hata yalnız EG'de ve bazı türlerde yazılır; NEAT için standart hata isteniyorsa bootstrap kullanılır (176.4.7).

Temel programla ilişki. Temel programda test eşitleme yoktur; bu şablon ham puanlarla çalışır. Madde düzeyinde ve MTK tabanlı eşitleme için Bölüm 173 ve 174'e bakınız.

176.2 Şablonun girdileri

Alanlar üstbilgideki [[param]] bloklarından gelir. Türlerin anlamı ve formun denetimi Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Form göstergesi · form sütun · Değişkenler — tam iki düzeyli sütun Formları ayırır (148–152, 10–14).
Yeni form (X) düzeyi · x_duzey metin · Seçenekler boş form düzeylerinden biri Boşsa sıralamada (tümü sayıysa sayısal, değilse harf sırası) ilk düzey X'tir (153, 15–20).
Toplam puan · toplam sayısal sütun · Değişkenler — tam sayı Eşitlenen puan (157–158, 21–25).
Ortak test puanı · ortak_test sayısal sütun · Değişkenler boş tam sayı, isteğe bağlı Doluysa NEAT, boşsa EG (141, 166, 26–31).
Eşitleme türü · tur seçim · Model linear mean, linear, equip, circle equate(type = …) (184, 32–38).
NEAT yöntemi · yontem seçim · Model tucker tucker, nominal weights, levine, levine_lts, braun/holland, frequency estimation, chained Yalnız NEAT'te (167–178, 39–45).
Ön düzgünleştirme · duzgunlestirme seçim · Model yok yok, loglinear, bump, average (186–194, 46–52).
Log-doğrusal derece: toplam puan · derece_toplam tamsayı · Model 4 1–8 degrees listesinin 1. öğesi (188, 53–60).
Log-doğrusal derece: ortak test · derece_ortak tamsayı · Model 2 1–8 degrees listesinin 2. öğesi (188, 61–68).
Log-doğrusal derece: etkileşimler · derece_etkilesim tamsayı · Model 2 0–4 degrees listesinin 3. öğesi (188, 69–76).
Ölçek en küçük · olcek_en_az tamsayı · Seçenekler 0 −1000…100000 Puan ölçeğinin alt sınırı (162, 77–84).
Ölçek en büyük · olcek_en_cok tamsayı · Seçenekler 0 0…100000 0: verideki en büyük (163, 85–92).
Ortak test ölçeğinin en büyüğü · ortak_en_cok tamsayı · Seçenekler 0 0…100000 0: verideki en büyük; en küçük 0 (170, 93–100).
Ön düzgünleştirme alt sınırı · jmin ondalık · Gelişmiş 0 0–10 0: paket varsayılanı (bump 1e-6, average 1) (193, 101–109).
Sentetik topluluk ağırlığı · sentetik_agirlik ondalık · Seçenekler −1 −1…1 −1: n_X/(n_X+n_Y) (196, 110–118).
Sentetik ağırlığın uygulanışı · agirlik_olcegi seçim · Seçenekler paket paket, olasilik Yalnız sıklık kestirimi ve Braun/Holland: paket ağırlığı sıklık ölçeğinde uygular (etkin olasılık ağırlığı çıktıda yazılır); olasilik etkin ağırlığı w_X yapar (120–127).
Bootstrap yineleme sayısı · bootstrap tamsayı · Seçenekler 0 0–5000 > 0 ise dönüşüm tablosuna se.b (201, 128–136).

Şablona özgü denetimler, hepsi mq_hata ile çalışmayı durdurur:

  • Veri açık değilse "Önce Veri sekmesinde bir veri açın." (140). Form, toplam ve ortak test sütunları birbirinden farklı değilse "Form, toplam puan ve ortak test sütunları birbirinden farklı olmalı." (143).
  • Seçilen sütunlarda eksik değeri olmayan satırlar kalır (146). Form göstergesinin tam iki düzeyi yoksa "Form göstergesinin tam iki düzeyi olmalı." (152); x_duzey düzeyler arasında yoksa "'…' form düzeyi bulunamadı; düzeyler: …" (154).
  • Puanlar tam sayı değilse "Puanlar tamsayı olmalı (sayı-doğru puanı)." (158); her formda 10'dan az sınava giren varsa "Her formda en az 10 sınava giren gerekli." (160); bir formda toplam puan sabitse "Bir formda toplam puan sabit; eşitleme yapılamaz." (161).
  • Toplam puanlar [olcek_en_az, olcek_en_cok] dışındaysa "Toplam puanlar ölçeğin [a, b] dışında; ölçek sınırlarını düzeltin." (164); ölçek 3'ten az değer içeriyorsa "Puan ölçeği en az 3 değer içermeli." (165).
  • NEAT'te ortak test puanları [0, ortak_en_cok] dışındaysa (171) ya da bir formda sabitse (172) hata verilir. Seçilen tür ile yöntem uyuşmuyorsa "Bu eşitleme türüyle kullanılabilecek NEAT yöntemleri: …" (173–177): ortalama, doğrusal ve daire yayı için tucker, nominal weights, levine, braun/holland, chained; eşit yüzdelik için frequency estimation, chained. levine_lts yalnız doğrusal ve ortalama türlerde (178).
  • Ortalamalı düzgünleştirme NEAT'te seçilirse "Ortalamalı düzgünleştirme (average) yalnız tek değişkenli sıklıklarda, yani eşdeğer gruplar deseninde … kullanılabilir …" (191).
  • equate hata verirse "Eşitleme yapılamadı: …" ve paketin iletisi (204).

Örnek ayar varsayılandan şu noktalarda ayrılır: form = form, x_duzey = X, toplam = total, ortak_test = anchor, tur = equip, yontem = frequency estimation, duzgunlestirme = loglinear, derece_toplam = 4, derece_ortak = 2, derece_etkilesim = 2, olcek_en_az = 0, olcek_en_cok = 36, ortak_en_cok = 12.

176.3 Örnek veri

kbneat.csv, Kolen ve Brennan (2014) NEAT örneğinin (equate paketindeki KBneat verisi) satır biçimidir: X formu 1655, Y formu 1638 sınava giren; toplam puan 0–36 (36 maddelik form), ortak test puanı 0–12 (12 maddelik çapa). Eksik değer yoktur. Veri sekmesi form'u "ikili" (metin), total ve anchor'ı sayısal algılar.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
form form göstergesi ikili (metin) X (1655), Y (1638)
total toplam puan sayısal X: ort. 15,821, SS 6,530; Y: ort. 18,673, SS 6,881
anchor ortak test sayısal X: ort. 5,106, SS 2,377; Y: ort. 5,863, SS 2,452

Ortak testte Y grubu 0,756 puan öndedir (X'e göre); toplam puanda fark 2,852'dir. Bu fark gruplar arası yetenek farkını gösterir, yani veri EG değil NEAT desenidir. Kategorik düzey sırası: form iki metin düzeyli olduğundan düzeyler sıralamada X, Y'dir; x_duzey boşsa ilk düzey metin sıralamasına göre alınır (176.8).

Bölümde kullanılan çalıştırmalar (hepsi aynı veri, aksi söylenmedikçe olcek_en_cok = 36, ortak_en_cok = 12):

  1. Örnek ayar: eşit yüzdelik, sıklık kestirimi, log-doğrusal (4, 2, 2).
  2. Doğrusal: Tucker, Levine, Levine gerçek puan, nominal ağırlıklar, Braun/Holland, zincirleme; ortalama Tucker.
  3. Eşit yüzdelik: sıklık kestirimi (düzgünleştirmesiz, w_X=0{,}5, tümsek ekleme, log-doğrusal (4, 2, 1), (4, 3, 2), (4, 1, 2), (3, 2, 2)), zincirleme.
  4. Daire yayı: Tucker, zincirleme.
  5. Ortak test seçilmeden (EG): ortalama, doğrusal, eşit yüzdelik (düzgünleştirmesiz, log-doğrusal 4, tümsek, ortalamalı), daire yayı; doğrusal EG için 100 yinelemeli bootstrap (tohum 1 ve 2).
  6. Kenar durumlar: n_Y=400'e indirilmiş Y grubu, sayısal form kodları (10 ve 2), eksik ortak puan, ölçek sınırı ihlali (176.8).

176.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) sütunlar alınır, eksik satırlar atılır, form düzeyleri ayrılır, girdi denetlenir; (2) iki forma ait sıklık tabloları kurulur (EG: tek boyutlu; NEAT: toplam × ortak test); (3) isteğe bağlı ön düzgünleştirme; (4) equate ile seçilen tür ve yöntemle eşitleme; (5) betimleyici istatistikler, doğrusal türlerde katsayılar, dönüşüm tablosu; (6) e_Y(x)-x grafiği.

176.4.1 Ortalama ve doğrusal eşitleme

m_Y(x)=x-\mu(X)+\mu(Y),\qquad l_Y(x)=\mu(Y)+\frac{\sigma(Y)}{\sigma(X)}\big(x-\mu(X)\big)
  • \mu(\cdot), \sigma(\cdot): ilgili topluluktaki (EG'de gözlenen gruplar; NEAT'te sentetik topluluk) ortalama ve standart sapma.

Neden bu denklem?

Doğrusal eşitleme X ve Y puanlarının standart puanlarını eşler: (x-\mu_X)/\sigma_X=(y-\mu_Y)/\sigma_Y. Ortalama eşitleme yalnız ortalamayı eşitler ve standart sapma farkını yok sayar (eğim 1).

Koddaki tercih

equate(type = "mean"|"linear"). Varyanslar n-1 paydalıdır (var.freqtab: \big(\sum x^2f-(\sum xf)^2/n\big)/(n-1)). Dönüşümün değer aralığı sınırlanmaz; örnek EG verisinde en büyük puan 36 iken eşdeğeri 39,94 olur.

176.4.2 NEAT: sentetik topluluk, Tucker, Levine ve nominal ağırlıklar

NEAT'te X ve Y farklı toplulukların örneğidir; iki formun puanları w_1+w_2=1 ağırlıklı bir sentetik topluluk için tanımlanır (Braun ve Holland, 1982). w_1, X topluluğunun ağırlığıdır (sentetik_agirlik; −1 iken n_X/(n_X+n_Y), örnekte 0,5025812). Ortak test V'nin her gruptaki momentleri \mu_1(V),\sigma_1^2(V) ve \mu_2(V),\sigma_2^2(V) olsun:

\mu_s(X)=\mu_1(X)-w_2\gamma_1\big[\mu_1(V)-\mu_2(V)\big],\qquad\mu_s(Y)=\mu_2(Y)+w_1\gamma_2\big[\mu_1(V)-\mu_2(V)\big]
\sigma_s^2(X)=\sigma_1^2(X)-w_2\gamma_1^2\big[\sigma_1^2(V)-\sigma_2^2(V)\big]+w_1w_2\gamma_1^2\big[\mu_1(V)-\mu_2(V)\big]^2
\sigma_s^2(Y)=\sigma_2^2(Y)+w_1\gamma_2^2\big[\sigma_1^2(V)-\sigma_2^2(V)\big]+w_1w_2\gamma_2^2\big[\mu_1(V)-\mu_2(V)\big]^2
  • \gamma_1,\gamma_2: toplam puanın ortak test üzerindeki regresyon ağırlığı (aşağıdaki yönteme göre).
  • w_1= sentetik_agirlik (ya da n_X/(n_X+n_Y)); w_2=1-w_1.
  • İndis 1: X grubu, 2: Y grubu.
Yöntem \gamma_1 \gamma_2
Tucker \sigma_1(X,V)/\sigma_1^2(V) \sigma_2(Y,V)/\sigma_2^2(V)
Levine (gözlenen puan, iç çapa) \sigma_1^2(X)/\sigma_1(X,V) \sigma_2^2(Y)/\sigma_2(Y,V)
Nominal ağırlıklar k_X/k_V k_Y/k_V

k_X, k_V: toplam puan ile ortak test ölçeklerinin en büyük değerleri; örnekte 36/12=3. Gözlenen puan doğrusal eşitleme l_Y(x)=\mu_s(Y)+\sigma_s(Y)/\sigma_s(X)\,(x-\mu_s(X)) ile yapılır.

Levine gerçek puan yönteminde eğim \gamma_2/\gamma_1'dir ve gözlenen puan Levine ile aynı \gamma'lar kullanılır:

l_Y^{\text{GP}}(x)=\mu_s(Y)+\frac{\gamma_2}{\gamma_1}\big(x-\mu_s(X)\big)

Bu dönüşüm w_1'den bağımsızdır (kesişim: \mu_2(Y)+\gamma_2[\mu_1(V)-\mu_2(V)]-\tfrac{\gamma_2}{\gamma_1}\mu_1(X)).

Koddaki tercih

synthetic() ve linear() (paket kaynağı). Tucker için \gamma lm(total ~ ., weights = sıklık) eğimidir, ağırlıklı en küçük kareler olduğundan \sigma(X,V)/\sigma^2(V)'ye eşittir. Levine her zaman iç çapa varsayımıyla (\gamma=\sigma^2(X)/\sigma(X,V)) hesaplanır; dış çapalı Levine formülü (\gamma=[\sigma^2(X)+\sigma(X,V)]/[\sigma^2(V)+\sigma(X,V)]) şablondan seçilemez (internal hiç verilmez, 172). Gerçek puan yönteminde lts = TRUE verilir (185).

176.4.3 Braun/Holland ve sıklık kestirimi

Sıklık kestirimi ortak testin koşulunda X'in toplam puan dağılımının Y topluluğunda nasıl olacağını kestirir:

f_s(x)=w_1f_1(x)+w_2\sum_vf_1(x\mid v)\,h_2(v),\qquad g_s(y)=w_1\sum_vg_2(y\mid v)\,h_1(v)+w_2g_2(y)
  • f_1(x,v), g_2(y,v): X ve Y gruplarının toplam × ortak puan ortak dağılımları; h_1(v), h_2(v) ortak testin marjinalleri.
  • f_1(x\mid v)=f_1(x,v)/h_1(v) ve g_2(y\mid v)=g_2(y,v)/h_2(v): koşullu dağılımlar (iki grupta da aynı koşullu dağılımın geçerli olduğu varsayımı).

Braun/Holland sıklık kestirimiyle bulunan sentetik dağılımların ortalama ve standart sapmasından doğrusal dönüşüm kurar.

Sentetik toplulukta ağırlık, örneklem büyüklükleriyle çarpılır

Paketin pse() işlevi f_s ve g_s'yi sıklıklarla kurar: x_s=w_1x+w_2\,x\,h_2/h_1 ve y_s=w_1\,y\,h_1/h_2+w_2y (sıklık, olasılık değil). Bu toplamlar w_1n_X+w_2n_Y'dir ve bölünerek göreli sıklık alınır; sonuçta olasılık ağırlığı w_1 değil w_1n_X/(w_1n_X+w_2n_Y) olur ve yalnız n_X=n_Y iken yukarıdaki formülle çakışır. Örnek veride (n_X=1655, n_Y=1638) etkin ağırlık 0{,}50516'dır (w_1=0{,}50258); n_Y=400'e indirgenince etkin ağırlık 0{,}94481 olur ve konsolun yazdığı w_X=0{,}8053528 ile uyuşmaz. Etki 176.6.1 ve 176.8'de sayılarla verilmiştir. Braun/Holland aynı yolu kullanır.

176.4.4 Zincirleme eşitleme

Zincirli doğrusal eşitleme X'i ortak teste, ortak testi Y'ye iki adımda eşler (Kolen ve Brennan, 2014):

l_V(x)=\mu_1(V)+\frac{\sigma_1(V)}{\sigma_1(X)}\big(x-\mu_1(X)\big),\qquad l_Y(v)=\mu_2(Y)+\frac{\sigma_2(Y)}{\sigma_2(V)}\big(v-\mu_2(V)\big),\qquad l_Y^{\text{zincir}}(x)=l_Y\big(l_V(x)\big)

Zincirleme eşit yüzdelik aynı mantığı yüzdelik sıralarla yürütür: X'in toplam puanı X grubunda ortak test ölçeğine, sonra Y grubunda ortak testin yüzdelik sırası üzerinden Y'nin toplam puan ölçeğine eşlenir.

176.4.5 Eşit yüzdelik eşitleme

Her tam puan x için yüzdelik sıra (sürekli hâle getirme, her puan [x-\tfrac12,x+\tfrac12) üzerinde düzgün):

P_X(x)=F_X(x-1)+\tfrac12f_X(x),\qquad e_Y(x)=P_Y^{-1}\big(P_X(x)\big)
  • F_X(x-1): x'ten küçük puanların birikimli oranı; f_X(x): x puanının oranı.
  • P_Y^{-1}: Y'nin yüzdelik sıra işlevinin tersi; y puanının aralığı içinde doğrusal ara değerlenir.

Koddaki tercih

equip(): P_X=0 ise sonuç y_{\min}-0{,}5, P_X=1 ise y_{\max}+0{,}5 (örnekte -0{,}5 ve 36{,}5 sınırları). Y'nin sıklığı sıfır olan puanları varsa (Y toplam puanda 0, 1, 2 gözlenmemiştir) ters işlev düz bölgelerde alt ve üst tersin ortalamasıdır (paket kaynağı if (any(y == 0))). Bu nedenle düzgünleştirmesiz eşit yüzdelik dönüşüm tablosunun alt ucu -0{,}5 ve 36{,}09 gibi uç değerler içerir.

176.4.6 Daire yayı

Daire yayı eşitleme (Livingston ve Kim, 2009) uç noktaları sabit tutan düzgün bir eğri kurar: (x_{\min},y_{\min}), (x_{\max},y_{\max}) ve orta nokta (\mu_s(X),\mu_s(Y)) (EG'de (\mu_X,\mu_Y)). Uç noktaların doğrusu a+bx olsun; \varepsilon=\mu_s(Y)-(a+b\mu_s(X)) orta noktanın bu doğrudan sapmasıdır. Sapma düzleminde (x,d) üç noktadan, (x_{\min},0), (\mu_s(X),\varepsilon) ve (x_{\max},0)'dan geçen çemberin merkezi (x_c,y_c) ve yarıçapı r ise

e_Y(x)=a+bx+y_c\mp\sqrt{r^{2}-(x-x_c)^{2}},\qquad x_{\min}\le x\le x_{\max}

dir; üst işaret \varepsilon<0, alt işaret \varepsilon>0 içindir (\varepsilon=0 ise doğru). Yay uçlarda e_Y(x_{\min})=y_{\min} ve e_Y(x_{\max})=y_{\max}'ı sağlar (örnekte 0 ve 36).

Koddaki tercih

equate(type = "circle") kısa yazımla çağrılır; yay simple = TRUE biçimindedir. NEAT'te orta nokta, seçilen yöntemin ortalama eşitlemesinin sentetik ortalamalarından (\mu_s(X), \mu_s(Y)) ya da zincirlemede \mu_2(Y)+[\mu_1(V)-\mu_2(V)]'dan alınır.

176.4.7 Ön düzgünleştirme ve standart hata

Log-doğrusal: sıklıklar Poisson dağılımlı sayımlar olarak \log m_{x}=\beta_0+\sum_{c=1}^{C}\beta_cx^c ile modellenir ve uydurulan sıklıklar ilk C momenti korur (Holland ve Thayer, 2000). NEAT'te iki değişkenli log-doğrusal model kullanılır. Tümsek ekleme (bump): \tilde f(x)=\dfrac{f(x)/N+j_{\min}}{\sum_x\{f(x)/N+j_{\min}\}}N. Ortalamalı (average): sıklığı j_{\min}'den küçük ardışık puanlar komşu dolu puanlarla bir blok oluşturur ve blok toplamı eşit paylaştırılır; yalnız tek değişkenli sıklıklarda çalışır.

Koddaki tercih

NEAT'te degrees = list(derece_toplam, derece_ortak, derece_etkilesim) verilir (188). Paketin sf() işlevi bu listeyi şöyle okur: birinci öğe, iki değişkenin ikisi için de tek değişkenli terimlerin en yüksek kuvvetidir (x^1\ldots x^{C} ve v^1\ldots v^{C}); ikinci öğe çarpım terimlerinin (x^iv^j, 1\le i,j\le ikinci öğe) en yüksek kuvvetidir; üçüncü öğe iki değişkenli tabloda kullanılmaz. Bu yüzden örnek ayarda ortak testin tek değişkenli derecesi 2 değil 4'tür, derece_ortak aslında çarpım terimi derecesidir ve derece_etkilesim hiçbir etki yapmaz (176.6; 176.8). EG'de yalnız derece_toplam kullanılır (degrees tek sayı).

Standart hata: EG'de eşit yüzdelik ve doğrusal türlerde analitik standart hata se sütunu olarak yazılır; NEAT'te eşit yüzdelik için analitik standart hata yoktur. bootstrap > 0 ise se.b sütunu eklenir: her yinelemede iki formun sıklık tabloları örneklenip eşitleme yinelenir; sonuç tohuma bağlıdır (Bölüm 1.3).

176.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
129–137 Çevirici, equate'i yükler; sütunlar birbirinden farklı mı; eksik değeri olmayan satırlar Atılan satır sayısı yazılmaz (176.8).
138–143 Form düzeyleri, X ve Y Düzeyler tümü sayıysa sayısal, değilse harf sırasıyla (sort(method = "radix")) sıralanır; x_duzey boşsa ilk düzey X ve çıktı bunu not eder.
144–152 Tamsayı puan, en az 10 kişi, sabit olmama, ölçek sınırları olcek_en_cok = 0 ise verideki en büyük; sınırlar toplam puanı kapsamalı.
153–170 NEAT mi EG mi; tür–yöntem uyumu; freqtab (iki değişkenli ya da tek değişkenli) Ortak test ölçeği [0, v_{\max}].
171–183 equate argümanları: tür, yöntem, düzgünleştirme, derece, jmin, ağırlık, bootstrap levine_lts için levine + lts = TRUE.
184–187 equate çağrısı; uyarıların toplanması Uyarılar konsola "Uyarılar:" satırıyla, İngilizce yazılır.
189–198 Başlık satırı ve betimleyici istatistik tablosu X'in eşitlenmiş puanlarının ortalaması ve SS'si de yazılır.
200–209 Doğrusal katsayı tablosu (\gamma, sentetik moment) Yalnız mean ve linear türlerinde.
210–212 Dönüşüm tablosu Paketin concordance tablosu; se sütunu varsa yazılır.
215–219 e_Y(x)-x grafiği Özdeşlik doğrusundan fark.

Kritik satırlar:

d <- d[stats::complete.cases(d), , drop = FALSE]
duz <- sort(unique(f))
e <- withCallingHandlers(tryCatch(do.call(equate, arg), …), warning = …)

176.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/test_esitleme/elle_hesap.py (numpy, pandas; equate paketi ve şablon kullanılmadan; Poisson IRLS, yüzdelik sıra ters işlevi, doğrusal formüller ve daire yayı kendi uygulamasıdır) ve dogrulama/test_esitleme/r_dogrulama.R (taban R; doğrusal yöntemler ve eşdeğer gruplar) ile hesaplanmıştır.

Adım 1 — Betimleyici momentler (n-1 paydalı). X: \mu(X)=15{,}820544, \sigma(X)=6{,}529799; \mu_1(V)=5{,}106344, \sigma_1(V)=2{,}376742. Y: \mu(Y)=18{,}672772, \sigma(Y)=6{,}880541; \mu_2(V)=5{,}862637, \sigma_2(V)=2{,}452243.

Adım 2 — Tucker. \gamma_1=2{,}375138, \gamma_2=2{,}456028; w_1=1655/3293=0{,}502581. \mu_s(X)=16{,}714057, \mu_s(Y)=17{,}739239, \sigma_s(X)=6{,}668433, \sigma_s(Y)=6{,}862876. Eğim 6{,}862876/6{,}668433=1{,}029159; kesişim 17{,}739239-1{,}029159\cdot16{,}714057=0{,}537821.

Adım 3 — Levine. \gamma_1=3{,}177948, \gamma_2=3{,}205419; sentetik moment (17{,}016070;\ 17{,}454396;\ 6{,}775985;\ 6{,}850425); eğim 1{,}010986, kesişim 0{,}251391. Gerçek puan: eğim 3{,}205419/3{,}177948=1{,}008644, kesişim 0{,}291237.

Adım 4 — Nominal ağırlıklar, Braun/Holland, zincirleme. Nominal: \gamma=36/12=3; eğim 1{,}015489, kesişim 0{,}320821. Zincirleme: \sigma(Y)/\sigma_2(V)=2{,}805815 ve \sigma_1(V)/\sigma(X)=0{,}363984 çarpımından eğim 1{,}021272, kesişim 0{,}393680. Braun/Holland: sıklık kestirimi sentetik dağılımları (16{,}732789;\ 17{,}743343) ortalama, (6{,}758843;\ 6{,}804601) SS verir; eğim 1{,}006770, kesişim 0{,}897270.

Adım 5 — Log-doğrusal düzgünleştirme ve eşit yüzdelik (örnek ayar). X ve Y tabloları 37×13 hücrelik Poisson modelleriyle (tek değişkenli terimler 1–4, çarpım terimleri 1\le i,j\le2; 10^{-12} yakınsama ölçütüyle IRLS) uydurulur, sentetik sıklıklar kurulur, yüzdelik sıralar bulunup ters işlev uygulanır. 37 puanın tümünde şablonla fark 5\cdot10^{-14}'tür: e_Y(0)=0{,}042883, e_Y(10)=10{,}875928, e_Y(36)=36{,}289847.

Adım 6 — Daire yayı. Tucker ile: uç noktalar (0{,}0) ve (36{,}36), orta nokta (\mu_s(X),\mu_s(Y))=(16{,}714057;\ 17{,}739239); yay e(10)=10{,}8274, e(20)=21{,}0184.

176.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Eşit yüzdelik, sıklık kestirimi, log-doğrusal (4, 2, 2): dönüşüm tablosu eY(x), x = 0…36 0,04288325 … 36,28984674 0,04288325 … 36,28984674 — 4,0e−15 ✓
Doğrusal Tucker: kesişim 0,53782102 0,53782102 0,53782102 3,7e−15 ✓
Doğrusal Tucker: eğim 1,02915872 1,02915872 1,02915872 2,8e−15 ✓
Doğrusal Tucker: sentetik ortalama ve SS (X, Y) 16,71405708 … 6,86287641 16,71405708 … 6,86287641 16,71405708 … 6,86287641 1,7e−15 ✓
Doğrusal Tucker: γX, γY 2,37513767 … 2,45602847 2,37513767 … 2,45602847 2,37513767 … 2,45602847 4,1e−15 ✓
Doğrusal Levine (gözlenen puan): kesişim 0,25139064 0,25139064 0,25139064 3,0e−15 ✓
Doğrusal Levine (gözlenen puan): eğim 1,01098585 1,01098585 1,01098585 2,6e−15 ✓
Doğrusal Levine (gözlenen puan): sentetik ortalama ve SS (X, Y) 17,01606976 … 6,85042461 17,01606976 … 6,85042461 17,01606976 … 6,85042461 6,1e−16 ✓
Doğrusal Levine (gözlenen puan): γX, γY 3,17794803 … 3,2054187 3,17794803 … 3,2054187 3,17794803 … 3,2054187 3,0e−15 ✓
Doğrusal Levine (gerçek puan): dönüşüm tablosu eY(x), x = 0…36 0,29123706 … 36,60242665 0,29123706 … 36,60242665 0,29123706 … 36,60242665 8,5e−15 ✓
Doğrusal Levine (gerçek puan): kesişim 0,29123706 0,29123706 0,29123706 7,2e−15 ✓
Doğrusal Levine (gerçek puan): eğim 1,00864416 1,00864416 1,00864416 1,1e−15 ✓
Doğrusal nominal ağırlıklar: dönüşüm tablosu eY(x), x = 0…36 0,3208206 … 36,8784318 0,3208206 … 36,8784318 0,3208206 … 36,8784318 5,7e−15 ✓
Doğrusal nominal ağırlıklar: kesişim 0,3208206 0,3208206 0,3208206 3,0e−15 ✓
Doğrusal nominal ağırlıklar: eğim 1,0154892 1,0154892 1,0154892 2,6e−15 ✓
Doğrusal nominal ağırlıklar: sentetik ortalama ve SS (X, Y) 16,94912673 … 6,85416816 16,94912673 … 6,85416816 16,94912673 … 6,85416816 2,9e−15 ✓
Doğrusal nominal ağırlıklar: γX, γY 3 … 3 3 … 3 3 … 3 0 ✓
Doğrusal Braun/Holland: dönüşüm tablosu eY(x), x = 0…36 0,89727043 … 37,14099594 0,89727043 … 37,14099594 — 2,1e−14 ✓
Doğrusal Braun/Holland: kesişim 0,89727043 0,89727043 — 2,1e−14 ✓
Doğrusal Braun/Holland: eğim 1,00677015 1,00677015 — 5,7e−15 ✓
Doğrusal Braun/Holland: sentetik ortalama ve SS (X, Y) 16,73278896 … 6,80460113 16,73278896 … 6,80460113 — 1,9e−15 ✓
Doğrusal zincirleme: kesişim 0,39367984 0,39367984 0,39367984 7,0e−15 ✓
Doğrusal zincirleme: eğim 1,02127169 1,02127169 1,02127169 2,4e−15 ✓
Ortalama Tucker: dönüşüm tablosu eY(x), x = 0…36 1,02518151 … 37,02518151 1,02518151 … 37,02518151 1,02518151 … 37,02518151 2,3e−15 ✓
Ortalama Tucker: kesişim 1,02518151 1,02518151 1,02518151 2,2e−15 ✓
Ortalama Tucker: eğim 1 1 1 0 ✓
Ortalama Tucker: sentetik ortalama ve SS (X, Y) 16,71405708 … 6,86287641 16,71405708 … 6,86287641 — 1,7e−15 ✓
Ortalama Tucker: γX, γY 2,37513767 … 2,45602847 2,37513767 … 2,45602847 — 2,4e−15 ✓
Eşit yüzdelik zincirleme: dönüşüm tablosu eY(x), x = 0…36 −0,5 … 36,09375 −0,5 … 36,09375003 — 1,3e−8 ✓
Eşit yüzdelik sıklık kestirimi: dönüşüm tablosu eY(x), x = 0…36 −0,5 … 36,09375003 −0,5 … 36,09375003 — 3,0e−15 ✓
Eşit yüzdelik sıklık kestirimi, wX = 0,5: dönüşüm tablosu eY(x), x = 0…36 −0,5 … 36,09375003 −0,5 … 36,09375003 — 3,0e−15 ✓
Daire yayı Tucker: dönüşüm tablosu eY(x), x = 0…36 0 … 36 0 … 36 — 3,2e−15 ✓
Daire yayı zincirleme: dönüşüm tablosu eY(x), x = 0…36 0 … 36 0 … 36 — 3,2e−15 ✓
Log-doğrusal (4, 2, 1): dönüşüm tablosu eY(x), x = 0…36 0,04288325 … 36,28984674 0,04288325 … 36,28984674 — 4,0e−15 ✓
Log-doğrusal (4, 3, 2): dönüşüm tablosu eY(x), x = 0…36 −0,07497852 … 36,20036085 −0,07497852 … 36,20036085 — 1,9e−10 ✓
Log-doğrusal (4, 1, 2): dönüşüm tablosu eY(x), x = 0…36 −0,01367177 … 36,26671482 −0,01367177 … 36,26671482 — 3,1e−15 ✓
Log-doğrusal (3, 2, 2): dönüşüm tablosu eY(x), x = 0…36 −0,12018121 … 36,11615389 −0,12018121 … 36,11615389 — 3,3e−15 ✓
Eşit yüzdelik sıklık kestirimi, tümsek ekleme: dönüşüm tablosu eY(x), x = 0…36 0,03417263 … 36,0932614 0,03417263 … 36,0932614 — 3,9e−15 ✓
EG ortalama: dönüşüm tablosu eY(x), x = 0…36 2,85222787 … 38,85222787 2,85222787 … 38,85222787 2,85222787 … 38,85222787 4,6e−15 ✓
EG ortalama: kesişim 2,85222787 2,85222787 2,85222787 7,8e−16 ✓
EG ortalama: eğim 1 1 1 0 ✓
EG doğrusal: dönüşüm tablosu eY(x), x = 0…36 2,00244096 … 39,93615 2,00244096 … 39,93615 2,00244096 … 39,93615 5,9e−15 ✓
EG doğrusal: kesişim 2,00244096 2,00244096 2,00244096 5,1e−15 ✓
EG doğrusal: eğim 1,05371414 1,05371414 1,05371414 3,2e−15 ✓
EG eşit yüzdelik: dönüşüm tablosu eY(x), x = 0…36 −0,5 … 36,25256797 −0,5 … 36,25256797 — 2,8e−15 ✓
EG eşit yüzdelik, log-doğrusal (4): dönüşüm tablosu eY(x), x = 0…36 0,08291801 … 36,34816132 0,08291801 … 36,34816132 — 2,4e−10 ✓
EG eşit yüzdelik, tümsek ekleme: dönüşüm tablosu eY(x), x = 0…36 0 … 36,2523613 0 … 36,2523613 — 2,4e−15 ✓
EG eşit yüzdelik, ortalamalı: dönüşüm tablosu eY(x), x = 0…36 0,1598183 … 36,25256797 0,1598183 … 36,25256797 — 2,8e−15 ✓
EG daire yayı: dönüşüm tablosu eY(x), x = 0…36 0 … 36 0 … 36 — 3,9e−15 ✓
Sıklık kestirimi, nY = 400: dönüşüm tablosu eY(x), x = 0…36 −0,5 … 35,45825901 −0,5 … 35,45825901 — 3,4e−15 ✓
Sıklık kestirimi, olasılık tabanlı sentetik topluluk (nX = 1655, nY = 1638) −0,5 … 36,09375003 −0,5 … 36,09375003 — 1,2e−5 ✗
Sıklık kestirimi, olasılık tabanlı sentetik topluluk (nX = 1655, nY = 400) −0,5 … 35,45825901 −0,5 … 35,45940722 — 3,0e−2 ✗

Ölçütü karşılayan: 50/52. Vektör satırlarında ilk ve son değer gösterilir; fark tüm öğeler üzerinden en büyüğüdür. Tucker, Levine (gözlenen puan) ve zincirleme doğrusal çalıştırmalarında şablon dönüşüm tablosunu yazmaz (176.8); bu çalıştırmalarda kesişim ve eğim karşılaştırılmıştır. Son iki satır, sentetik topluluk olasılıklarının Kolen ve Brennan (2014) tanımıyla (olasılık ağırlıklı) hesaplandığı bağımsız bir uygulamayla farkı gösterir: equate'in sayım tabanlı sıklık kestirimi (n_X\ne n_Y iken) bu tanımdan ayrılır (176.8, 176.6.1). R sütunu yalnız doğrusal yöntemler ve eşdeğer gruplar için vardır; eşit yüzdelik, daire yayı ve düzgünleştirme Python'da bağımsız yeniden kurulmuştur. Analitik standart hatalar bağımsız olarak yeniden hesaplanmamıştır.

176.7 Çıktıyı okuma

Örnek ayarın (Çalıştırma 1) konsol çıktısı:

Eşitleme: X → Y; tür: equip; desen: NEAT (ortak maddeli eşdeğer olmayan gruplar); yöntem: frequency estimation; sentetik ağırlık w_X = 0,5025812
Uyarılar: glm.fit: fitted rates numerically 0 occurred

Betimleyici istatistikler:

                                   dagilim     n   ortalama        SS  en_kucuk   en_buyuk
0                            X (X): toplam  1655  15.820544  6.529799   2.00000  36.000000
1                            Y (Y): toplam  1638  18.672772  6.880541   3.00000  36.000000
2                            X (X): ortak   1655   5.106344  2.376742   0.00000  12.000000
3                            Y (Y): ortak   1638   5.862637  2.452243   0.00000  12.000000
4  X puanlarının Y ölçeğindeki eşdeğerleri  1655  16.833614  6.593766   2.18987  36.289847

Dönüşüm tablosu (kısaltılmış):

    puan_x  esdeger_y
0        0   0.042883
1        1   1.111093
2        2   2.189870
...
10      10  10.875928
...
20      20  21.196761
...
35      35  35.575097
36      36  36.289847

Tucker doğrusal çalıştırması için katsayı tablosu (Çalıştırma 2):

    kesisim      egim  sentetik_ort_X  sentetik_ort_Y  sentetik_SS_X  sentetik_SS_Y   gamma_X   gamma_Y
0  0.537821  1.029159       16.714057       17.739239       6.668433       6.862876  2.375138  2.456028

Yöntemler X = 10 için şu Y eşdeğerlerini verir (aynı veri; Tucker ve zincirleme için dönüşüm tablosu yazılmadığından kesişim ve eğimle hesaplanmıştır): Tucker 10,829; Levine 10,361; Levine gerçek puan 10,378; nominal ağırlıklar 10,476; Braun/Holland 10,965; zincirleme 10,606; ortalama Tucker 11,025; eşit yüzdelik sıklık kestirimi (düzgünleştirmesiz) 10,813 ve log-doğrusal 10,876; zincirleme eşit yüzdelik 10,591; daire yayı Tucker 10,827.

Şekil 176.1. Eşitleme fonksiyonu: e_Y(x)-x (örnek ayar). Kesikli çizgi özdeşliktir; eğri her puan için X'te alınan puana eklenmesi gereken miktarı gösterir.

Öğe Ne yazar Nasıl yorumlanır
kesisim, egim l_Y(x)=\text{kesişim}+\text{eğim}\cdot x Eğim 1'e yakınsa iki formun standart sapması yakındır; kesişim formun göreli zorluğudur.
sentetik_* Sentetik topluluktaki ortalama ve SS NEAT yöntemleri farklı sentetik momentler üretir; farkı büyükse yöntemlerin varsayımları ayrışır.
gamma_X, gamma_Y Regresyon ağırlıkları Tucker için ortak test puanının toplam puana regresyonu; Levine ve nominal için güvenirlik odaklı katsayılar.
puan_x, esdeger_y Dönüşüm X'te x puanı alan kişinin Y ölçeğindeki karşılığı; sürekli değerdir ve tam puanlara yuvarlama ayrıca yapılmalıdır.
se, se.b Analitik ve bootstrap standart hata EG'de; uçlarda büyüktür (eşit yüzdelik EG'de x=36 için 0{,}39).

Rapor cümlesi: Ortak maddeli eşdeğer olmayan gruplar deseninde (X: n = 1655; Y: n = 1638; ortak test 12 madde) X formunun puanları, log-doğrusal ön düzgünleştirmeyle (4, 2, 2) sıklık kestirimli eşit yüzdelik yöntemiyle Y ölçeğine taşınmıştır. X formundaki 10 puan Y formunda 10,88 puana karşılık gelir; eşitlenmiş X puanlarının ortalaması 16,83 (SS = 6,59), Y formunun gözlenen ortalaması 18,67'dir (SS = 6,88).

176.8 Sık hatalar ve tuzaklar

  • Tucker, Levine (gözlenen puan) ve zincirleme doğrusal için standart hata iki sütundur. Bu üç NEAT doğrusal yönteminde paketin dönüşüm tablosundaki se bir veri çerçevesidir; şablon onu se_n ve se_g sütunlarına açar ve dönüşüm tablosu yazılır. Katsayılar kesişim ve eğimle elle hesaplanabilir (Tucker örnek veride e_Y(10)=0{,}537821+1{,}029159\cdot10=10{,}8294).
  • Log-doğrusal derece alanları paketin tanımıyla adlandırılmıştır. Form etiketleri koda göre yazılmıştır: birinci derece iki değişkenin tek değişkenli terimlerini, ikinci derece çarpım terimlerinin en yüksek kuvvetini belirler, üçüncü alan kullanılmaz ve çıktıya bu not yazılır. NEAT'te derece_etkilesim hiçbir etki yapmaz: (4, 2, 1) ile (4, 2, 2) birebir aynı tabloyu verir (en büyük fark 0); derece_ortak ise çarpım terimlerinin en yüksek kuvvetidir ve ortak testin tek değişkenli derecesi her zaman derece_toplam'a eşittir. (4, 3, 2), (4, 1, 2) ve (3, 2, 2) örnek ayardan sırasıyla en çok 0,268, 0,062 ve 0,359 puan ayrılır. Kolen ve Brennan'ın (C_x,C_v,C_{xv}) gösterimini bu alanlara birebir aktarmayın.
  • Sentetik ağırlık sıklık tabanlı çarpılır; etkin ağırlık yazılır. "Sentetik ağırlığın uygulanışı" alanı Paket (varsayılan) ise sonuç aşağıdaki gibidir ve çıktı etkin olasılık ağırlığını not eder; Olasılık seçilirse ağırlık, etkin olasılık ağırlığı w_X olacak biçimde ayarlanır (x=33 için 33,493). n_X\ne n_Y iken sıklık kestirimi ve Braun/Holland yöntemlerinde etkin ağırlık ekranda yazılan w_X'ten farklıdır (176.4.3). Y grubu 400 kişiye indirilince (w_X=0{,}8054 yazılır, etkin 0,9448) sıklık kestirimli eşit yüzdelik eşdeğeri x=33 için 34,517 çıkar; olasılık ağırlıklı tanımla 33,493'tür (fark 1,02 puan). Örnek verideki küçük örneklem farkında (n_X=1655, n_Y=1638) en büyük fark 0,0002 puandır. Sıklık kestirimi kullanacaksanız n_X\approx n_Y olmasına dikkat edin ya da w_1'i bu etkiyi hesaba katarak seçin.
  • x_duzey boşsa X, sıralamadaki ilk düzeydir. Form düzeyleri tümü sayıysa sayısal, değilse harf sırasına dizilir; formlar 10 ve 2 olarak kodlanınca ilk düzey 2'dir ("Eşitleme: 2 → 10") ve çıktı hangi düzeyin X alındığını yazar. Yine de hangi formun yeni, hangisinin referans olduğunu x_duzey ile açıkça yazın.
  • Eksik değerli satırlar atılır, sayısı yazılır. complete.cases yalnız seçilen üç sütuna bakar; ortak testi %5 eksik yapılan veride X grubu 1655'ten 1564'e, Y grubu 1638'den 1562'ye iner (167 satır) ve çıktı "eksik değeri olan 167 satır çözümlemeden çıkarıldı" notunu yazar.
  • Ölçek sınırları. olcek_en_cok = 0 iken verideki en büyük puan alınır; hiç kimse formun tam puanını almadıysa ölçek kısalır, eşit yüzdelik uç değerleri ve nominal ağırlık oranı (k_X/k_V) değişir. Gerçek ölçek sınırlarını yazın: 30 yazınca "Toplam puanlar ölçeğin [0, 30] dışında" hatası alınır.
  • Gruplar eşdeğer değilken EG kullanmak. Örnek veri NEAT desenidir; ortak test seçilmeden ortalama eşitleme X puanlarına 2,852 ekler (NEAT Tucker kesişimi 1,03). Gruplar arası yetenek farkı eşitleme farkı olarak okunur.
  • Levine yalnız iç çapayı destekler. Ortak test toplam puanın bir parçasıysa (iç çapa) uygundur; dış çapa için yöntem seçilemez ve çapa toplam puanın parçası değilse sonuç yanlıdır. Ortak testin toplam puana dahil olup olmadığı kontrol edilmez.
  • Eşit yüzdelik ve ayrık puanlar. Sıklığı sıfır olan puanlarda dönüşüm düz bölgeler içerir; düzgünleştirmesiz eşit yüzdelik alt uçta -0{,}5 verir. Log-doğrusal düzgünleştirmede glm.fit: fitted rates numerically 0 uyarısı (İngilizce) çıkar; örnek ayarda uyarı çıkması beklenir ve uç hücrelerde uydurulan sıklık sıfırdır.
  • Doğrusal dönüşüm ölçek dışına çıkabilir. Örnek EG doğrusal dönüşümde 36 puan 39,94'e gider; şablon sonucu kırpmaz.
  • Standart hata. EG eşit yüzdelik standart hatası uçlarda büyür (düzgünleştirmesiz x=0'da 0; log-doğrusal düzgünleştirmeyle 3,81; tümsek eklemeyle 21,32). se sütunu bu bölümde bağımsız olarak yeniden hesaplanmamıştır. Bootstrap standart hata tohuma bağlıdır: tohum 1 ile x=36 için 0,5634, tohum 2 ile 0,6060 (100 yineleme).
  • Ondalık virgül ve sütun türü. total ve anchor sayısal rol olduğundan veri sekmesinde "kategorik" olsalar da sayı olarak aktarılır. form sütunu iki düzeyli metin ya da sayıdır; sayısal formda düzey sırası yukarıdaki gibi metin sıralamasıdır.

176.9 Uzman soruları

S1. EG ve NEAT arasındaki fark nedir ve şablon hangisini nasıl seçer?

EG'de iki form rastgele atanmış eşdeğer gruplara verilir; yetenek farkı yoktur, bu yüzden puan dağılımları doğrudan eşlenir. NEAT'te gruplar farklı yetenektedir ve ortak test yetenek farkını ayırmak için kullanılır. Şablon ortak_test boşsa EG, doluysa NEAT sayar (166); eşdeğerlik varsayımını sınamaz.

S2. Tucker, Levine ve zincirleme hangi varsayımlara dayanır?

Tucker iki grupta toplam puanın ortak test üzerindeki regresyonunun aynı olduğunu, Levine ise gerçek puanların ortak testle doğrusal ilişkili ve ölçüm hatalarının ilişkisiz olduğunu varsayar (iç çapa). Zincirleme, ortak test ölçeğinde X'ten V'ye ve V'den Y'ye eşlemelerin her grupta ayrı kurulabilmesine dayanır ve sentetik topluluk gerektirmez. Örnek veride x=10 için sonuçlar 10,36 (Levine) ile 11,03 (ortalama Tucker) arasındadır; yöntem seçimi gruplar arasındaki farkın büyüklüğüne duyarlıdır.

S3. Neden doğrusal eşitleme yerine eşit yüzdelik seçilir?

Doğrusal eşitleme yalnız ortalama ve standart sapmayı eşler; formların dağılım biçimleri (çarpıklık, basıklık) farklıysa eğrisel dönüşüm gerekir. Eşit yüzdelik tüm dağılımı eşler ama örnekleme hatasına daha duyarlıdır ve uçlarda dalgalıdır; bu yüzden ön düzgünleştirme önerilir. Örnek veride düzgünleştirmesiz ve log-doğrusal düzgünleştirmeli eşit yüzdelik arasındaki fark x=10'da 0,063 puandır.

S4. Log-doğrusal düzgünleştirmede derece nasıl seçilir?

Derece arttıkça daha çok moment korunur ama modelin parametre sayısı artar. Paketin loglinear() işlevi derece karşılaştırması ve seçimi için compare ve choose seçenekleri sunar; şablon bunları kullanmaz ve dereceyi sabit alır. Şablonda NEAT için (4, 2, 2) varsayılanı korunsa da derece_ortak çarpım derecesi olduğundan (176.4.7) ortak test dağılımının derecesi 4'tür.

S5. Sentetik topluluk ağırlığı sonucu nasıl etkiler?

Doğrusal yöntemlerde w_1 sentetik ortalama ve standart sapmaları değiştirir ama Levine gerçek puan dönüşümü w_1'den bağımsızdır. Örnekte Tucker için w_1=0{,}5 ve 0{,}5026 arasındaki fark çok küçüktür; ağırlık uç değerlere (w_1=1 ya da 0) çekilirse hedef topluluk X ya da Y olur. Sıklık kestirimi ve Braun/Holland'da ağırlık n_X\ne n_Y iken dolaylı olarak değişir (176.4.3).

S6. Daire yayı ne zaman tercih edilir?

Livingston ve Kim (2009) küçük örneklemde eşit yüzdelik eşitlemenin gürültülü, doğrusal eşitlemenin ise uçlarda kısıtlayıcı olduğu durumlar için uç noktaları sabit tutan düzgün bir eğri önerir. Şablonda uç noktalar (x_{\min},y_{\min}) ve (x_{\max},y_{\max})'dir; yani 0 puan 0'a, 36 puan 36'ya gider. Orta nokta sentetik ortalamadan gelir. Bu bölümde yöntemin doğruluğu bağımsız bir veriyle karşılaştırılmamış, yalnız paketin tanımı yeniden uygulanmıştır.

S7. Dönüşüm tablosundaki değerler neden tam sayı değil?

Eşit yüzdelik sürekli hâle getirme kullandığından eşdeğerler sürekli değerdir ve ölçek sınırlarının (y_{\min}-0{,}5, y_{\max}+0{,}5) dışına çıkabilir. Rapor için yuvarlama ve sınırlama kararı kullanıcıya bırakılmıştır; şablon sonucu yuvarlamaz ve kırpmaz.

S8. Bootstrap standart hatası nasıl yorumlanır?

se.b iki formun sıklık tablolarını yeniden örnekleyerek eşitlemeyi yineleyen bir standart sapmadır; örnekleme hatasının kestirimidir ve eşitlemenin sistematik hatasını (varsayım ihlali) içermez. 100 yinelemede x=10 için 0{,}2397 ve 0{,}2422 (iki tohum) analitik 0{,}2338 ile uyumludur. Yineleme sayısı arttıkça tohum farkı azalır.

176.10 Kaynaklar

  • Albano, A. D. (2016). equate: An R package for observed-score linking and equating. Journal of Statistical Software, 74(8), 1–36. https://doi.org/10.18637/jss.v074.i08
  • Braun, H. I., & Holland, P. W. (1982). Observed-score test equating: A mathematical analysis of some ETS equating procedures. In P. W. Holland & D. B. Rubin (Eds.), Test equating (pp. 9–49). Academic Press.
  • Holland, P. W., & Thayer, D. T. (2000). Univariate and bivariate loglinear models for discrete test score distributions. Journal of Educational and Behavioral Statistics, 25(2), 133–183. https://doi.org/10.3102/10769986025002133
  • Kolen, M. J., & Brennan, R. L. (2014). Test equating, scaling, and linking: Methods and practices (3rd ed.). Springer. https://doi.org/10.1007/978-1-4939-0317-7
  • Livingston, S. A., & Kim, S. (2009). The circle-arc method for equating in small samples. Journal of Educational Measurement, 46(3), 330–343. https://doi.org/10.1111/j.1745-3984.2009.00084.x
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/