Örtük Sınıf Analiziyle Yapılan Ölçme Eşdeğerliği Çalışmalarında Model Seçimi.
Bildiriler > Özet Bildiri · 2014
Yazarlar: Duygu Güngör Culha, Mediha KORKMAZ
IV. Eğitimde ve Psikolojide Ölçme Ve Değerlendirme Kongresi, Türkiye, Ankara, Ulusal, Sözlü Sunum, Özet Bildiri, 2014-2014, ss 107-107
Özet
<p>Örtük Sınıf Analiziyle Yapılan Ölçme Eşdeğerliği Çalışmalarında Model Seçimi</p><p>Duygu GÜNGÖR1, Mediha KORKMAZ2</p><p>Özet</p><p>Bu çalışmanın amacı örtük sınıf analiziyle ölçme eşdeğerliğinin farklı koşullarda incelenmesidir. Örtük</p><p>sınıf analizi gözlenen ve örtük değişkenlerin süreksiz yapıda olduğu ya da sürekli ölçekleme düzeyinde</p><p>olup normal dağılım, homojenlik, tekboyutluluk gibi varsayımların ihlal edildiği koşullarda kullanmaya</p><p>uygun güçlü bir alternatiftir. Çalışma kapsamında örneklem büyüklüğü (100 ve 500), madde sayısı(5 ve 10),</p><p>yanlılığın olduğu parametre (eğim ve sabit, sadece sabit), eşdeğer olmayan madde sayıları değişimlenerek</p><p>(0,1,3, 5 ya da 10) 28 farklı koşul oluşturulmuştur. BIC, CAIC, AIC ve AIC3 kullanılarak yapılan model</p><p>seçimlerinde hem koşulların hem de kullanılan bilgi kriterinin etkileri araştırılmıştır. Ölçek ve madde</p><p>düzeyinde yapılan analizler sonucunda doğru, yanlış pozitif ve yanlış negatif kararlar incelenmiştir.</p><p>Örneklem büyüklüğünün etkisi incelendiğinde genel olarak tüm bilgi kriterlerinin büyüklük arttığında</p><p>doğru karar oranlarının arttığı gözlemlenmiştir. Bu oran BIC ve CAIC kullanıldığında oldukça yüksektir</p><p>ve söz konusu bilgi kriterlerinin küçük örneklemlerde kullanılmasının uygun olmadığı düşünülmektedir.</p><p>Madde sayısı doğru karar oranında bir değişikliğe neden olmamıştır. Eşdeğer olmayan madde sayısı</p><p>arttığında ise ölçek düzeyindeki analizlerde doğru karar oranının da arttığı söylenebilir. Yanlılığın olduğu</p><p>parametrelerin hem eğim hem sabit olduğu koşullarda, sadece sabit olduğu koşullara oranla daha çok doğru</p><p>karar alınmıştır. Genel olarak değerlendirildiğinde BIC ve CAIC’nin yanlış negatif, AIC’nin yanlış pozitif</p><p>karar eğilimi olduğu, AIC3’ün ise daha tutarlı sonuçlar verdiği söylenebilir.</p><p>Anahtar Kelimeler</p><p>Örtük sınıf analizi, Ölçme eşdeğerliği, Model seçimi, Bilgi kriteri, Simülasyon</p><p>1 İzmir Üniversitesi Fen-Edebiyat Fakültesi Psikoloji Bölümü. İletişim: duygu.gungor@izmir.edu.tr</p><p>2 Ege Üniversitesi Edebiyat Fakültesi Psikoloji Bölümü. İletişim:mediha.korkmaz@ege.edu.tr</p><p>IV. Ulusal Eğitimde ve Psikolojide Ölçme ve Değerlendirme Kongresi (Uluslararası Katılımlı) 9 - 13 Haziran 2014</p><p>108</p><p>Model Selection in Mesaurement Equivalence Studies With Latent Class Analysis</p><p>Abstract</p><p>Purpose of this study is to investigate measurement equivalence with latent class analysis in different</p><p>conditions. Latent class analysis is an alternative method when both observed and latent variables are</p><p>discrete, or continuous but assumptions like normal distribution, homogeneity, unidimentionality are</p><p>violated. Within the study 28 different conditions were simulated; sample size (100 and 500), number of items</p><p>( 5 and 10), inequivalence type (both in slope and intercept and only in intercept), number of inequivalent</p><p>items (0,1,3 5 or 10). BIC, CAIC, AIC and AIC3 were used for model selection. The effects of information</p><p>criteria used and conditions were investigated. Analyses were done both in scale and item levels and true,</p><p>false positive and false negative selections were examined. Generally for all information criteria increasing</p><p>in sample size induced increasing in true decision rate. While using BIC, CAIC it is recommended not to</p><p>use small sample sizes. Number of items did not cause any alteration in true decision rates. In scale level</p><p>analysis true decision rates increase parallel with the number of inequivalent items. Also inequivalence both</p><p>in slope and intercept parameters had affirmative effect on choosing true models relatively inequivalence in</p><p>only intercept parameter. In conclusion BIC and CAIC tend to select false negative, AIC tends to select false</p><p>positive models hence AIC3 seems to be more consistent.</p><p>Key Words</p><p>Latent class analysis, Measurement equivalence, Model selection, Information criteria, Simülation</p>