Bağımlı değişkenin ölçümünde sistematik bir hata olduğunu varsayalım; yani, amaçlanan bağımlı değişkenden bir dereceye kadar farklı olan bir bağımlı değişkeni ölçeriz. Bunun efekt boyutu üzerinde nasıl bir etkisi olacak ve düzeltilebilir mi? Bu sorunun tam olarak ele alınması, önemli bir yol analizi bilgisi ve bağımlı değişkenin doğası ve diğer değişkenlerle ilişkileri hakkında bilgi gerektirir. Bununla birlikte, nispeten basit olan bazı yaygın durumlar vardır.

En yaygın durum, istenen bağımlı değişkenin dolaylı bir ölçüsü olan bir bağımlı değişkenin kullanılmasıdır. Örneğin, bir çocuk suçluluğu tedavi programının iyi bir değerlendirmesi, danışanların sonraki davranışlarının nesnel bir değerlendirmesini gerektirir. Bunun yerine, müfettişler genellikle müteakip tutuklama kaydı gibi dolaylı önlemlere güvenmelidir. Şekil 6.2, iki davranış ölçüsü ve tedavi değişkeni arasındaki ilişkilerin varsayılan yol modelini göstermektedir.

Y müşterinin fiili suçlu davranışının ölçüsü olsun ve Y ‘ tutuklama kaydı olsun. İstenen tedavi etkisi korelasyonu, çarpım kuralına göre gözlemlenen tedavi korelasyonu ile ilgilidir.

Bu durumda, kusurlu yapı geçerliliğini düzeltmek için gözlemlenen korelasyonun üç katından fazla olması gerekir. Gözlenen d istatistiği dY ′ = .12 ise, o zaman rTY′ = .06, bu da rTY = .06/.30 = .20 ve dolayısıyla dY = .40 olarak düzeltilir.

Tedavi korelasyonu veya d istatistiği, kusurlu yapı geçerliliği tarafından üretilen korelasyondaki sistematik azalmayı ortadan kaldırmak için düzeltilebilse de, artan örnekleme hatasının etkisi düzeltilemez. Düzeltilmiş korelasyon etrafındaki güven aralığı, korelasyonun neden olduğu artan örnekleme hatasını yansıtan, düzeltilmemiş korelasyon için olanın 1/.30 = 3.33 katıdır. Düzeltilmiş etki büyüklüğü için anlamlılık testi, düzeltilmemiş etki büyüklüğü için anlamlılık testine cebirsel olarak eşdeğerdir ve dolayısıyla aynı p değerine sahiptir.

Kusurlu yapı geçerliliği, etki boyutunun boyutunu her zaman azaltmaz. Denetçiler için sosyal beceri eğitimini düşünün. Eğitim programının değerlendirilmesi ideal olarak kursiyerin programdan sonra interaktif becerilerinin ölçülmesini gerektirir. Bunun yerine, mevcut tek ölçü, kişinin eğitim programında ne kadar ustalaştığının bir ölçüsü olabilir. Bununla birlikte, malzemeye hakim olmak, davranış değişikliğinden yalnızca önce gelir; kursiyerin bu öğrenmeyi uygulamaya koyması zaman alabilir veya özel bir deneyim gerektirebilir. Bu hipotez için yol modeli Şekil 6.3’te gösterilmiştir.

İstenen tedavi korelasyonu rTY ve gözlemlenen tedavi korelasyonu rTY′, ürün kuralıyla ilişkilidir. Bilişsel öğrenme ölçüsü ile sonraki sosyal davranış arasındaki korelasyon sadece rY’Y = .30 olsaydı, o zaman arzu edilen korelasyon rTY gözlemlenen korelasyon rTY’den daha düşük olurdu.

Bu çarpım kuralının kendisi, tedavi korelasyonu için düzeltme formülüdür. d istatistiği için düzeltme, düzeltilmiş tedavi korelasyonunun bir d değerine dönüştürülmesiyle elde edilir.

Yapı geçerliliği nedir
İçerik geçerliliği nedir
Yapı geçerliliği faktör analizi
SPSS geçerlilik analizi
Madde toplam korelasyonu SPSS
Güvenilirlik Analizi Nedir
İkinci düzey doğrulayıcı faktör analizi nedir
Yapı geçerliliği için doğrulayıcı faktör analizi uygulamalı bir

Tedavi Değişkeninde Kusurlu Yapı Geçerliliği

Tedavi değişkenindeki kusurlu yapı geçerliliği, amaçlanan tedavi etkisinin başka bir nedensel etkene bağlı etkiyle karıştırılmasıdır. Bu soruna yol analizi kullanılarak saldırılabilir ve belirli koşullar altında meta-analizde kullanılabilecek bir şekilde düzeltilebilir. Karıştırıcılığın düzeltilmesi, karıştırıcı nedensel etken tarafından indüklenen süreci ölçen bir araya giren değişkenin gözlemlendiği çok sayıda bağımlı değişken tasarımının kullanılmasını gerektirir.

Arzu edilen korelasyon daha sonra tedavi değişkeni ile bağımlı değişken arasındaki kısmi korelasyon ve aradaki değişken sabit tutulur. Bu yaklaşım, eşlik eden değişken olarak kullanılan araya giren değişkenle kovaryans analizi yapmak için titiz, nicel bir ikamedir. Bu yöntemin ayrıntılı tedavisi bu çalışmanın kapsamı dışındadır.

Etki Büyüklüğünde Sapma (d İstatistik)

Etki büyüklüğü istatistiği, yasaklayıcı “yanlılık” başlığıyla bilinen istatistiksel bir olguya tabidir. 20’den büyük numune boyutları için yanlılık, büyüklük olarak önemsizdir. Bununla birlikte, meta-analiz ile ilgili büyük bir sorunun “önyargılı yöntemlerin” kullanılması olduğunu savunan makaleler bulunmaktadır. Bölümün birincil amacı önyargının önemsiz büyüklükte olduğunu göstermek olsa da, bu bölüm önyargı için bir düzeltme sunacaktır.

Tamamı aynı örneklem büyüklüğüne ve aynı popülasyon etki büyüklüğüne sahip, mükemmel şekilde kopyalanmış bir dizi çalışma düşünün. Ortalama örnek etki büyüklüğü, popülasyon etki büyüklüğünden biraz farklı olacaktır. Bu tutarsızlık, istatistiksel tahmin literatüründe “yanlılık” olarak adlandırılır. Önyargı boyutu, örnek boyutuna bağlıdır. Etki büyüklüğü istatistiği d ve tedavi korelasyonu r için sapma farklı yönlerdedir. Ortalama d, δ’den biraz daha büyükken, ortalama korelasyon ρ’dan biraz daha küçüktür.

Tedavi korelasyonunda yanlılığın tam bir tedavisi Hunter, Schmidt ve Coggin (1996) tarafından verilmiştir ve bu yanlılığın çok küçük örneklemli çalışmalarda önemsiz olduğunu ve küçük örneklemli çalışmalar için küçük olduğunu göstermiştir. Bazı yazarlar, yanlılığı azaltmak için Fisher’s z dönüşümünü kullanmayı önerdiler, ancak Fisher’s z’yi kullanan sapma, ters yönde olmasına rağmen daha da büyük çıktı. Tedavi korelasyonundaki yanlılık ile verilir.

Bu önyargı ne kadar küçük? Nüfus korelasyonu ρ = .20 ve örneklem büyüklüğü N = 100 olan mükemmel şekilde kopyalanmış çalışmaları düşünün. Ortalama gözlemlenen korelasyon çarpanı a = 1 − .00485 = .995 olacaktır. Ortalama korelasyon .200 yerine .199 olacaktır. Korelasyondaki önyargının önemsiz boyutu, önyargının geleneksel olarak göz ardı edilmesinin nedenidir. Ancak, çok küçük örneklem boyutu meta-analizleri için (ortalama örneklem boyutu 10’dan az) veya çok titiz analistler için, yanlılık için gözlenen tedavi korelasyonunu düzeltmek mümkündür. Önceki denkleme karşılık gelen doğrusal olmayan düzeltme olacaktır.

Doğrusal düzeltme, meta-analizden sonra uygulanabilmesi avantajına sahiptir. Nüfus korelasyonlarının hem tahmini ortalamasını hem de tahmini standart sapmasını, ortalama örneklem büyüklüğünde N seti ile hesaplanan çarpana bölün. Düzeltilmiş korelasyonun, düzeltilmemiş korelasyondan önemsiz derecede daha büyük olacağına dikkat edin.

d istatistiğindeki yanlılığın tam bir tedavisi Hedges ve Olkin’de (1985) verilmiştir. Önyargı, çok küçük örneklem çalışmaları hariç tümü için önemsiz olsa da, bu önyargı için rutin düzeltmeyi önerirler. Gerçekten de, d simgesini yalnızca düzeltilmiş istatistik için kullanırlar.

Bu önyargı ne kadar büyük? N = 100’lük bir örneklem büyüklüğüne dayalı olarak ders kitabı boyutunda d = .40 etkisi olan bir çalışma düşünün. Çarpan a = 1 + .0077 = 1.0077’dir. Ortalama çalışma etki büyüklüğü .400 yerine .403 olacaktır. Öte yandan, örneğin N = 10 (her grupta beş denek) gibi son derece küçük bir örneklem büyüklüğü ile yapılan bir çalışmayı düşünün. Çarpan a = 1 + .107 = 1.107 olur ve ortalama etki büyüklüğü .400 yerine .443 olur. Düzeltme basittir; sadece a’ya bölün.

Bunun doğrusal bir düzeltme olduğuna dikkat edin. Böylece meta-analizden sonra uygulanabilir. Düzeltilmiş d değerlerinin hem tahmini ortalamasını hem de tahmini standart sapmasını çarpan a’ya bölmeniz yeterlidir. Yine, kullanılan N, ortalama N olmalıdır. Düzeltilmiş efekt boyutları, düzeltilmemiş efekt boyutlarından biraz daha küçük olacaktır.

The post Kusurlu Yapı Geçerliliği – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).

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.

The post Eksik Yapı Geçerliliği – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).

Tibet İstihdam Hizmetindeki yetkililer, insanları çeşitli işlere yönlendirmek için birkaç yıldır bilişsel yetenek testi kullanıyor. Bu tür ödevler için içerik geçerliliğine güvenmelerine rağmen, içerik geçerlilik sistemlerini test etmek için ölçütle ilgili geçerlilik verileri de toplamaktadırlar.

Kapsam geçerlilik sistemlerinde, test geliştirme analistleri, her mesleği, yüksek bilişsel yetenek gerektirdiği ölçüde 1 = düşük ile 3 = yüksek arasında derecelendirerek derecelendirir. Kapsam geçerliliği sürekliliğinin tamamını katmanlaştırmak için seçilen altı meslek üzerinde eşzamanlı geçerlilik çalışmaları vardır. Bu veriler gösterilir.

Çalışma, örnekleme hatası için düzeltme yapıldıktan sonra bile geçerlilikte çok büyük farklılıklar buldu. Derecelendirme ile gözlemlenen korelasyon arasındaki korelasyon .72 idi ve örnekleme hatası düzeltmesinden sonra .79’a yükseldi. Bu durumda, korelasyonların varyansının sadece %17’si artefaktlardan kaynaklanıyordu, bu nedenle çalışma korelasyonlarının güvenilirliği .83 idi (yani, 1 – .17). Normalde, güvenilirlik çok daha düşük olur ve dolayısıyla düzeltme çok daha büyük olur. Örneğin, varyansın %70’i yapaylıklardan kaynaklanıyorsa, güvenilirlik yalnızca 1 − .70 = .30 olacaktır. Düzeltme faktörü 1/(.30)1/2 = 1.83 olacaktır.

Bu örnekte, yalnızca bağımlı değişkendeki (geçerlilik korelasyonları) güvenilmezliği düzelttik. Ancak tüm çalışmalarda olduğu gibi, bağımsız değişken de ölçüm hatası içerir ve bu nedenle Orwin ve Cordray’in (1985) belirttiği gibi, işlerin bilişsel gereksinimlerinin derecelendirmelerindeki güvenilmezliği de düzeltmemiz gerekir. Bu özel durumda, bu derecelendirmelerin güvenilirliğinin .75 olarak bulunduğunu varsayalım. O zaman derecelendirmeler ve test geçerliliği arasındaki gerçek puan korelasyonu olacaktır.

Dolayısıyla, bu türden gerçek bir analizde, her iki ölçümde de ölçüm hatasını düzeltmenin kritik önem taşıdığı açıktır. Aksi takdirde, yapı düzeyindeki ilişkiler hafife alınacaktır.

Örnekleme Hatası Dışındaki Artefaktlar

Zayıflama için Ölçüm ve Düzeltme Hatası

Bilimdeki değişkenler asla tam olarak ölçülemez. Gerçekten de, bazen ölçüm çok kabadır. 1890’ların sonlarından beri, ölçüm hatasının korelasyon katsayısını azalttığını biliyoruz. Yani, ölçüm hatası, değişkenlerin kendi aralarındaki korelasyona kıyasla ölçümler arasındaki korelasyonu sistematik olarak düşürür.

Bu sistematik hata daha sonra örnekleme hatasının sistematik olmayan çarpıtmalarıyla abartılır. Bu bölümde, ölçüm hatası teorisini gözden geçireceğiz ve zayıflama düzeltmesi için klasik formülü türeteceğiz. Ölçüm hatası, sistematik artefaktlar arasında özel bir konuma sahiptir: Bir meta-analizde her çalışmada her zaman mevcut olan tek sistematik artefakttır.

Daha sonra ölçüm hatasının örnekleme hatası ve güven aralıkları üzerindeki etkisine bakacağız. Özellikle, bireysel düzeltilmiş korelasyonlar için güven aralığını türeteceğiz. Bu temelden yola çıkarak, miktar olarak bir çalışmadan diğerine değişiklik gösterdiğinden ölçüm hatasının etkisini daha sonra ele alacağız.

Bağımsız değişkeni mükemmel bir şekilde ölçebilseydik, bağımsız değişkende gözlenecek olan gerçek puanı T ile gösterelim.
burada E1, bağımsız değişkendeki ölçüm hatasıdır. Bağımlı değişkeni mükemmel bir şekilde ölçebilseydik, gözlemlenecek olan gerçek puanı U ile gösterelim.

Kapsam geçerlik indeksi nasıl hesaplanır
Kapsam geçerliliği Davis tekniği
Kapsam Geçerlik indeksi
Ölçek geliştirme çalışmalarında kapsam geçerliği için kapsam Geçerlik indekslerinin kullanılması
Yapı geçerliliği nedir
Kapsam geçerliliği nasıl ölçülür
Lawshe tekniği
Kapsam geçerliği uzman görüşü

İstenen korelasyon, mükemmel bir şekilde ölçülen değişkenler arasındaki popülasyon korelasyonudur, yani ρTU, ancak gözlenen korelasyon, gözlemlenen puanlar arasındaki örnek korelasyondur rxy. Birini diğeriyle ilişkilendirmede iki adım vardır: nüfus korelasyonunun ölçüm hatasıyla sistematik olarak azaltılması ve örnekleme hatasıyla üretilen sistematik olmayan varyasyon.

Sistematik zayıflama, x’ten T’ye ve U’dan y’ye nedensel yollar dikkate alınarak hesaplanabilir. Yol analizi kurallarına göre, ρxy, x’ten y’ye giden üç yolun çarpımıdır.

Burada ec, düzeltilmiş korelasyon rc’deki örnekleme hatasıdır ve burada popülasyon değeri ρc = ρTU. Düzeltilmiş korelasyon için hata varyansı daha sonra düzeltilmemiş korelasyonlar için hata varyansından ve iki değişkenin güvenilirliklerinden hesaplanabilir.

Bu nedenle, zayıflama için gözlemlenen korelasyonu düzeltirsek, buna bağlı olarak örnekleme hatasını da artırırız. Özellikle, düzeltilmiş bir korelasyonun güven aralığını oluşturmak için, düzeltilmemiş korelasyon için güven aralığının iki uç noktasına düzeltme formülünü uygularız. Diğer bir deyişle, zayıflama düzeltmesi durumunda, korelasyonun nokta tahminini güvenilirliklerin kareköklerinin çarpımına böldüğümüz gibi, güven aralığının her uç noktasını aynı ürüne böleriz.

Zayıflama için Düzeltme Örneği

Kurumsal bağlılık ve iş tatmini mükemmel bir şekilde ölçülseydi, gerçek puanlar arasındaki korelasyonun ρTU = .60 olacağını varsayalım. Bunun yerine kurumsal bağlılığı rxx = .45 güvenilirlik ile ve iş memnuniyetini ryy = .55 güvenilirlik ile ölçtüğümüzü varsayalım. O zaman gözlemlenen puanlar arasındaki popülasyon korelasyonu olacaktır.

Yani, bu örnekteki ölçüm hatasının etkisi, gerçek puanlar arasındaki korelasyonu %50 oranında azaltmaktır, gerçek puan popülasyon korelasyonu .60’dan, gözlemlenen puanlar arasındaki .30 çalışma popülasyon korelasyonuna bakılır.

Diğer bir deyişle, zayıflama için düzeltme, popülasyon korelasyonları için mükemmel şekilde çalışır; örnek boyutu sonsuz olduğunda tamamen doğrudur. Örnekleme hatasının etkisini düşünün. Çalışma için örneklem büyüklüğü N = 100 ise, gözlemlenen korelasyonun standart hatası (ρxy = .30’dan) (1 − .302 )/√99 = .091’dir. Bu nedenle, gerçek çalışmada .20’lik bir korelasyon gözlemlemek alışılmadık bir şey değildir. .20’lik gözlemlenen korelasyonu, istenen .60’lık korelasyonla karşılaştırırsak, büyük bir hata olduğunu görürüz.

Ancak bu hata iki bileşene ayrılabilir: sistematik zayıflama hatası ve örnekleme hatasından kaynaklanan sistematik olmayan hata. Sistematik hata, korelasyonu .60’tan .30’a düşürdü. Sistematik olmayan hata, gözlemlenen .20 r ile popülasyon zayıflatılmış korelasyon .30 arasındaki farktır. Zayıflamayı düzeltelim ve düzeltilmiş korelasyondaki hataya bakalım.

Bu nedenle, zayıflatılmamış korelasyonu tahmin etmek için gözlemlenen zayıflatılmış korelasyonu iki katına çıkarırken, örnekleme hatasını da iki katına çıkardık. Öte yandan sistematik hatayı .30’dan 0’a düşürdük. Her iki hata türünü de birleştirip toplam hataya bakabiliriz. Toplam hata %50 oranında azaltıldı.

Gözlenen korelasyon için %95 güven aralığı, r ± 1.96σe = .20 ± 1.96(.096) veya .01 ≤ ρ ≤ .39 olarak verilir ve bu, ρxy = .30’un gerçek değerini içermez. Daha sonra elde edilecek güven aralığının her uç noktasını düzeltiriz.

The post Kapsam Geçerlilik – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).