Değerlendirici Tutarlılığı – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

info@akademidelisi.com * 0 (312) 276 75 93 * Her bölümden, Ödev Yazdırma, Proje Yaptırma, Tez Yazdırma, Rapor Yazdırma, Makale Yazdırma, Araştırma Yazdırma, Tez Önerisi Yazdırma talepleriniz için iletişim adreslerini kullanın. Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

Değerlendirici Tutarlılığı – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

3 Şubat 2022 Akredite olmayan ÜNİVERSİTELER MÜDEK değerlendirici Müdek hangi ülkelerde gecerli MÜDEK Öğrenci Değerlendirici 0
Betik Düzenleyici

Güvenilirlik Analizi: Değerlendirici Tutarlılığının Değerlendirilmesi

Değerlendiricileri veya yargıçları bireylerin veya diğer kuruluşların performansını değerlendirmeye veya sınıflandırmaya çağırdığımız çok sayıda durum vardır. Örneğin, potansiyel iş başvurusunda bulunanların mülakat performansını, bir dizi semptomun ciddiyetini, genç suçluların belirli bir tedavi programına yerleştirilmek üzere aday olup olmadıklarını veya birinin sözlü bir sınavı geçip geçmediğini nicel olarak değerlendirmemiz gerekebilir. 

Tüm bu durumlarda, normalde tek bir değerlendiriciye güvenmiyoruz ve derecelendirme sistemi konusunda dikkatli bir şekilde eğitilmiş biri için bile kendine özgü değerlendirmeler alma riskiyle karşı karşıyayız. Bunun yerine, iki veya daha fazla değerlendiriciden oluşan bir panel toplar ve değerlendirmelerinde kabul edilebilir bir tutarlılık düzeyi sergiledikleri ölçüde bu tür değerlendiricilerin yargılarına güveniriz.

Değerlendirici tutarlılığını değerlendirmek için iki prosedüre odaklanıyoruz. Nicel bir ölçüm ölçeğinde (genellikle 5 veya 7 noktalı özet yanıt ölçekleri) yapılan derecelendirmeler için, normalde IBM SPSS® Güvenilirlik prosedüründe bulunan bir istatistik olan sınıf içi korelasyonu (ICC) kullanırız. ayrıca çok seviyeli modellemede de kullanılır.

Yalnızca iki puanlayıcımız olduğunda kategorik bir derecelendirme sistemi için, IBM SPSS’nin Çapraz Tablolar prosedüründe bulunan bir istatistik olan kappa katsayısını kullanırız; ikiden fazla değerlendiriciyle, kappa’nın bir uzantısı Fleiss (1971) tarafından sağlanmıştır, ancak bu hesaplama IBM SPSS’de mevcut değildir. Kategorilerden biri için derecelendirmelerin yaygınlığını ve değerlendiriciler arasındaki önemli farklılıkları ele almak için birkaç başka kappa varyasyonu Di Eugenio ve Glass (2004) tarafından gözden geçirilmiştir, ancak bunlar IBM SPSS’de de mevcut değildir.

ICC

ICC, oda arkadaşlarını yaşam alanlarını derecelendirirken Pearson’a (1901a) kadar uzanabilir, ancak Shrout ve Fleiss (1979) bunu değerlendirici güvenilirliğini değerlendirmenin bir yolu olarak popüler hale getirdi. Değerlendiricilerin denek içi değişkeni temsil ettiği ve değerlendirilmekte olan vakaların denekleri temsil ettiği tek yönlü bir denek içi ANOVA’dan hesaplanabilir. Değerlendirici tutarlılığı açısından ICC’nin büyüklüğünü yorumlamak için kesin kurallar yoktur, ancak genel olarak, .70 veya daha yüksek bir ICC değerinin elde edilmesi arzu edilir.

IBM SPSS veri dosyasının, değişkenler (sütunlar veya Tedavi etkisi) olarak değerlendiricilerle ve satırlar olarak değerlendirilen vakalarla yapılandırılması gerekir. Bu nedenle, puanlayıcı çiftleri arasındaki Pearson korelasyonlarını hesaplayabiliriz, ancak bu, puanlayıcı tutarlılığını değerlendirmek için yeterli bir yol olmaz.

Pearson korelasyonları, değerlendiriciler arasındaki herhangi bir büyüklük farkıyla ilgilenmeden yalnızca kovaryasyonu değerlendirir; bu nedenle, iki puanlayıcının derecelendirmeleri önemli bir korelasyon verebilir, ancak derecelendirmelerinin büyüklüklerinde büyük mutlak farklılıklar gösterebilir. ICC, derecelendirmelerin ortak değişkenliğinin yanı sıra mutlak anlaşma düzeylerini de hesaba katar (IBM SPSS bize bu konuda bir seçenek sunar). ICC’nin hesaplanmasında farklı ANOVA modelleri kullanmak mümkündür.


MÜDEK değerlendirici
MÜDEK Öğrenci Değerlendirici
MÜDEK iletişim
MÜDEK yüksek lisans
Müdek hangi ülkelerde gecerli
Akredite olmayan ÜNİVERSİTELER
Müdek nedir
ABET Akreditasyon Listesi 2020


İşte bu seçeneklerin kısa bir özeti:

• Veri dosyasındaki durumları farklı değerlendiriciler değerlendirdiğinde tek yönlü rastgele etkiler modeli kullanılır. Bu model nispeten seyrek kullanılır; genellikle değerlendirilecek çok sayıda vaka olduğunda ve tek bir puanlayıcı grubu tüm değerlendirmeleri yapamadığında devreye girer.

• Tüm değerlendiriciler her durumu değerlendirdiğinde iki şekilde rastgeleetki modeli kullanılır. Bu modeli kullanma kararı, değerlendiricilerin tüm olası yargıçların rastgele bir örneği olarak görülmesine bağlıdır. Çoğu yazar, bu modelin çoğu duruma uygulanabilir olduğunu öne sürmektedir. Teorik olarak, puanlayıcıları rastgele bir etki olarak ele alarak, ICC’yi daha genel bir puanlayıcı popülasyonuna genelleyebiliriz.

• Tüm puanlayıcılar her durumu değerlendirdiğinde iki yönlü sabit etki modeli kullanılır. Bu modeli kullanma kararı, puanlayıcıların benzersiz olarak kabul edilmesine veya ilgili olan tek yargıç grubu olmalarına bağlıdır. Teorik olarak, puanlayıcıları sabit bir etki olarak ele alarak, ICC’yi daha genel bir puanlayıcı popülasyonuna genelleyemeyiz, ancak çalışmadaki puanlayıcıların davranışını basitçe tanımlıyoruz.

İki yönlü rastgele ve iki yönlü sabit etki arasında karar vermek bazen nispeten basittir ve bazen o kadar kolay değildir. Örneğin, puanlayıcıların öğrenci veya personel olabileceği temel araştırma çalışmalarında (örneğin, ebeveyn-çocuk etkileşimlerinin derecelendirilmesi videoları), bunların bir (belki de tamamen rastgele değil) bir örneklemden oluştuğu ve dolayısıyla (bir şekilde) aşağıdakileri karşıladığı açıktır. 

Bazı uygulamalı ortamlarda (örneğin, Sınav Geliştirme biriminde, işi istihdam başvurularını değerlendirmek olan yalnızca üç personel analisti vardır), ICC’nin belirli puanlayıcılar grubunu açıklayıcı olması gerektiği argümanı ikna edici görünmektedir ve bu nedenle bu durum, sabit etki modelini karşılar.

Bu iki uç nokta arasında, araştırmacıların hangi modeli kullanacakları konusunda dikkatli bir şekilde düşünmelerini gerektiren bir dizi durum yer almaktadır. Rastgele etkiler modeli bazen sabit etki modelinden biraz daha düşük ICC değerleri verir ve bu nedenle daha muhafazakar yaklaşımı temsil edebilir. IBM SPSS, ICC’nin iki sürümünü üretir ve bunlar arasındaki fark, kişisel deneyimimize göre, bazı karışıklıkların temeli olmuştur.

Bu iki versiyon ve ne zaman kullanılmaları gerektiği aşağıdaki gibidir:

•Veri dosyalarındaaraştırma yapılırken tek ölçülerICC kullanılmalıdır, puanlayıcı tarafından seçilen ölçek değerini temsil eder. Bu, hemen her zaman geçerli olacak bir durumdur ve bu nedenle, neredeyse her zaman tek ölçü ICC kullanılmalıdır.
• Ortalama ölçümler ICC, veri dosyasındaki derecelendirmeler bir dizi değerlendiricinin ortalama değerlerini temsil ettiğinde kullanılmalıdır. Bu nadiren geçerli olacak bir durumdur.

Hipotezleri test etmek için puanlayıcıların ortalaması kullanılacaksa, ICC ortalama ölçümlerinin kullanılabileceği öne sürülmüştür. Bununla birlikte, ortalama derecelendirmenin istikrarını değerlendirmek, puanlayıcıların ne ölçüde tutarlılık sergilediğini tanımlamaktan oldukça farklıdır.

Ortalama ölçümler için ICC’nin değeri her zaman tek ölçüm hesaplaması için elde edilenden daha yüksek olacaktır. Bunun nedeni, ortalama ölçüm ICC’nin, tek ölçüm ICC’yi, orijinal olarak Brown (1910) ve Spearman (1910) tarafından tam test korelasyonunun bir bölünmeye dayalı olabileceğini yansıtmak için tasarlanan Spearman-Brown kehanet formülüne yerleştirerek hesaplanmasıdır. 

Tutarlılık ve mutlak uyum hesaplaması arasında seçim yapmak da mümkündür. Tutarlılık hesaplaması, puanlayıcılar arasındaki farkları dikkate almaz ve bu nedenle, puanlayıcılar arasındaki ikili korelasyonların ortalamasına çok yakın bir ICC değeri sağlar. Mutlak anlaşma seçeneği, puanlayıcılar arasındaki farklılıkları dikkate alır. Bir ICC kullanmanın avantajlarından biri, puanlayıcı farklılıklarının yanı sıra puanlayıcı kovaryansını da hesaba katması olduğundan, neredeyse her zaman mutlak anlaşma seçeneğini seçiyoruz.

 

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir