Bağımsız ve Bağımlı Değişkenlerde Eksik Yapı Geçerliliği
Bir ölçümün yapı geçerliliğini, ölçmesi gereken gerçek yapı veya özellik ile gerçek puan korelasyonu olarak tanımlarız. Yapı geçerliliği durumu, yol analizi basit bir çarpımsal zayıflamaya izin veriyorsa, ölçüm hatası durumuna benzer.
Ölçüm hatası ayrı olarak ele alınırsa, o zaman kusurlu yapı geçerliliğinin etkisi, gerçek popülasyon korelasyonunu, değişkenin yapı geçerliliğine eşit bir zayıflama faktörü ile çarpmaktır. Her iki değişkende de kusurlu yapı geçerliliği varsa ve her iki vekil değişken de yol analizi gereksinimlerini karşılıyorsa, etki çift zayıflama, yani iki yapı geçerliliğinin çarpımıdır.
Zayıflatma etkisi sistematik olduğu için cebirsel olarak tersine çevrilebilir. Korelasyonu bir sabitle çarpmanın etkisini tersine çevirmek için korelasyonu aynı sabite böleriz. Bu nedenle, korelasyonu, değişkenler mükemmel yapı geçerliliği ile ölçülmüş olsaydı ne olacağına geri döndürmek için, çalışma korelasyonunu iki yapı geçerliliğinin ürününe böleriz. Mükemmel yapı geçerliliği için korelasyonu değiştirmeden 1.00’a böldüğümüze dikkat edin. Bu nedenle, mükemmel yapı geçerliliği, kusurlu yapı geçerliliğinin özel bir durumudur.
Örneğin, bağımsız değişkenin yapı geçerliliği a1 ve bağımlı değişkenin yapı geçerliliği a2 olsun. Kusurlu yapı geçerliliğinin etkisi, gerçek korelasyonu a1a2 çarpımı ile çarpmaktır.
Kusurlu yapı geçerliliğinin zayıflatıcı etkisi, diğer yapay yapıların zayıflatıcı etkisiyle birleşir. Başka bir örnek düşünün:
a1 = .90 = X’in güvenilirliğinin karekökü; rXX = .81, a2 = .90 = Y’nin güvenilirliğinin karekökü; rYY = .81, a3 = .90 = X’in yapı geçerliliği,
a4 = .90 = Y’nin yapı geçerliliği,
a5 = .80 = ortancada X’i bölmek için zayıflama faktörü, a6 = .80 = ortancada Y’yi bölmek için zayıflama faktörü.
Yıpratma Eserleri
Bölüm 2’de belirtildiği gibi, yıpranma artefaktları genellikle bağımlı değişken üzerindeki aralık değişimi olarak ele alınabilir. Bağımlı değişkende aralık varyasyonu varsa, ancak bağımsız değişkende değilse, matematiksel işlem, bağımsız değişken üzerindeki aralık varyasyonunun tedavisiyle aynıdır; biz sadece X ve Y değişkenlerinin rolünü değiştiririz.
Bildiğimiz kadarıyla, hem bağımsız hem de bağımlı değişkenlerde aralık kısıtlamasını düzelten meta-analiz yöntemi yoktur. Bununla birlikte, Bölüm 2’de belirtildiği gibi, bunu yapmak için Alexander, Carson, Alliger ve Carr (1987) tarafından geliştirilen yaklaşım yöntemleri oldukça doğrudur ve meta-analizde kullanım için uyarlanabilir. Bugüne kadar bu yapılmadı. Dolaylı menzil kısıtlama düzeltmeleri ve Alexander ve ark. (1987) yöntemleri, özellikle geçerlilik genellemesi alanında önemli olabilir. Daha doğru geçerlilik tahminlerinin önemli ölçüde daha büyük olması muhtemeldir.
Yabancı Faktörler
Tartışıldığı gibi, araştırma ortamındaki kolayca düzeltilebilir yabancı faktörler, genellikle araştırma tasarımı için nedensel modele, bağımlı değişken için bir vekil değişkenin ölçümündeki yabancı faktörlerle hemen hemen aynı biçimde girer.
Çalışma düzeyinde, yabancı faktörün parçalanmasıyla çalışma etkisi korelasyonunu düzeltmek mümkün olacaktır. Yabancı faktör orijinal analizde kontrol edilmemişse, o zaman zayıflama faktörü, ρEY’nin yabancı faktör ile bağımlı değişken arasındaki korelasyon olduğu yerdir. Çalışma etkisi korelasyonu üzerindeki etki, nüfus korelasyonunu çarpma faktörü ile azaltmaktır.
Örnekleme hatası aynı faktöre bölünür ve buna bağlı olarak artar. Aksi takdirde matematik, ölçüm hatası nedeniyle zayıflama için olanla aynıdır. Yabancı faktörlerin etkisi, diğer artefaktların etkisiyle birleşebilir. Bileşik etki, zayıflama faktörlerinin çarpılmasıdır.
Yapı geçerliliği nedir
Kapsam geçerliliği nedir
Eş zaman geçerliliği nedir
Yapı geçerliği ve kapsam geçerliliği arasındaki fark
Yapı geçerliliği Psikoloji
Ölçüt geçerliliği nedir
Görünüş geçerliliği
Yapı geçerliliği örnek
Korelasyonda Önyargı
Belirtildiği gibi, popülasyon korelasyonunun bir tahmini olarak örnek korelasyonundaki tamamen istatistiksel sapma normalde büyüklük olarak önemsizdir ve bunun düzeltilmesi nadiren değerlidir. Bu yanlılığın listelenmemesinin nedeni budur. Ancak, herhangi bir uygulamadaki sapmanın boyutunu kontrol etmek için hesaplamaları sağlıyoruz. Önyargının etkisi sistematiktir ve bir zayıflama çarpanı ile yakın bir tahminle yakalanabilir. Popülasyon korelasyonları .70’den küçükse (genellikle durum), o zaman meta-analiz için en iyi zayıflama çarpanı lineer zayıflama faktörüdür.
Bu zayıflama faktörü en çok meta-analizde faydalıdır çünkü popülasyon korelasyonu ρ’dan bağımsızdır. .70’den büyük popülasyon korelasyonlarına sahip uygulamalar için (nadir bir durum), daha doğru zayıflama faktörüdür.
Eğer önceki doğrusal olmayan zayıflatıcı kullanılıyorsa, yabancı bir değişkenden kaynaklanan sapma düzeltmesinin her zaman düzeltilen son artefakt olması gerektiğine dikkat edin. Birden fazla artefakt olması durumunda, zayıflama formülündeki “ρ”, diğer tüm artefaktlar için halihazırda zayıflatılmış popülasyon korelasyonu olacaktır.
Çoklu Eşzamanlı Artefaktlar
Çarpımsal artefakt zayıflama faktörlerinin kullanımıyla potansiyel olarak düzeltilebilir olan 11 artefaktı listeler. Diğer iki artefakt, farklı bir strateji ile düzeltilen örnekleme hatası ve yalnızca hatalı veri tanımlanıp düzeltilebilir veya atılabilirse düzeltilebilen hatalı verilerdir.
Bu bölüm, tüm çarpımsal artefaktların bileşimini ele almaktadır. Hem bağımsız hem de bağımlı değişken üzerindeki aralık varyasyonunun aynı anda dikkate alınmadığı üstü kapalı olarak anlaşılmaktadır. Böylece, analiz en fazla sekiz çarpımsal yapı içerecektir. Artefakt zayıflamasının çalışma tasarımının gerçek kusurlarından kaynaklandığına tekrar dikkat edin.
Gerçek korelasyonun zayıflaması, düzeltip düzeltmesek de gerçekleşecektir. Yapı geçerliliği bölümündeki altı yapı örneğini tekrar düşünün.
Artefakt zayıflama faktörleri
a1 = .90 = X’in güvenilirliğinin karekökü; rXX = .81, a2 = .90 = Y’nin güvenilirliğinin karekökü; rYY = .81, a3 = .90 = X’in yapı geçerliliği,
a4 = .90 = Y’nin yapı geçerliliği,
a5 = .80 = ortancada X’i bölmek için zayıflama faktörü, a6 = .80 = ortancada Y’yi bölmek için zayıflama faktörü.
Yukarıdaki örnek uç bir durumdur, ancak gerçekçi değildir. Tüm yapay değerler ampirik literatürden türetilmiştir. Bu örnek, en iyi küçük örnek çalışmalarda yalnızca sınırlı bilgi olduğunu göstermektedir. Bu bilgi büyük metodolojik eserlerle sulandırıldığında, çalışmada neredeyse hiç bilgi olmayabilir.
İdeal olarak, yaklaşık olarak mükemmel metodolojiye sahip çalışmalar, bu artefaktları önemli ölçüde ortadan kaldıracak ve dolayısıyla istatistiksel düzeltme ihtiyacını ortadan kaldıracaktır. Bununla birlikte, çoğu metodolojik eser değeri, saha araştırmasının fizibilite sınırlamaları tarafından belirlenir. Bu nedenle, araştırmacılar genellikle iyileştirme için çok az boş alana sahiptir. Bu, neredeyse her zaman istatistiksel düzeltmeye ihtiyaç olacağı ve bu nedenle, neredeyse her zaman örnekleme hatasını büyük ölçüde azaltma ihtiyacı olacağı anlamına gelir.