Boylamsal Genelleme Kuramı
Longitudinal Generalizability Theory · Ayrıca şöyle bilinir: longitudinal G-theory, longitudinal GT, repeated-measures generalizability theory, G-theory for longitudinal designs
Boylamsal genelleme kuramı, klasik G-kuramını tekrarlanan ölçümler ve boylamsal tasarımlar için genişletir, puan varyansını kişiler, ölçüm vesileleri, değerlendiriciler ve maddeler arasında eş zamanlı olarak ayrıştırır. Puanların zaman noktaları, değerlendiriciler ve koşullar boyunca ne kadar güvenilir bir şekilde genellenebileceğini nicelleştirir — bu bilgi, kesitsel güvenilirlik indeksleri tarafından görülmez.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Puanlar birden fazla zaman noktasında toplandığında ve ölçümün vesileler, değerlendiriciler, maddeler veya bunların hepsinin aynı anda tutarlı olup olmadığını bilmeniz gerektiğinde boylamsal G-kuramını kullanın. Özellikle öğrenci büyümesini izleyen eğitimsel değerlendirmelerde, semptom değişimini izleyen klinik çalışmalarda ve zaman içinde performans değerlendirmelerini inceleyen örgütsel araştırmalarda değerlidir. Amacınız bireysel büyüme yörüngelerini tahmin etmek veya değişim öngörücülerini test etmekse, gizil büyüme eğrisi modellemesinin yerine kullanmayın — G-kuramı güvenilirlik sorularını yanıtlar, yapısal olanları değil. Ayrıca, her kişinin yalnızca bir kez ölçüldüğü (kesitsel veri) durumlarda veya tahmin etmek istediğiniz herhangi bir boyutta iki seviyeden az olduğunuzda uygun değildir.
Güçlü yönler & sınırlılıklar
- Kesitsel güvenilirlik indekslerinin karıştırdığı birden fazla ölçüm hatası kaynağını — kişiler, vesileler, değerlendiriciler, maddeler — eş zamanlı olarak tahmin eder.
- D-çalışması çerçevesi, araştırmacıların veri toplama öncesinde gelecekteki ölçüm tasarımlarını optimize etmelerine, maliyet ve güvenilirliği dengelemelerine olanak tanır.
- Hem göreceli (E-rho-kare) hem de mutlak (Phi) güvenilirlik tahminleri üretir, hem sıralama hem de ustalık tipi kararları kapsar.
- Kişi-vesile etkileşimlerini resmi olarak modeller, bireylerin yörüngelerinde farklılık gösterip göstermediğini yakalar — önemli bir boylamsal içgörü.
- Hem tam çaprazlanmış hem de kısmen iç içe geçmiş boylamsal tasarımlara uygulanabilir, gerçek dünya veri toplama kısıtlamalarına uyar.
- Kararlı ANOVA tabanlı varyans bileşeni tahmini için yeterince büyük, dengeli veya tama yakın dengeli örneklemler gerektirir; büyük ölçüde dengesiz tasarımlar standart tahmini karmaşıklaştırır.
- Varyans bileşenlerinin zaman noktaları boyunca homojen olduğunu varsayar; ölçüm özellikleri önemli ölçüde değişirse (örn. ölçek yeniden yapılandırması), tek bir G-çalışması yanıltıcı olabilir.
- Doğrusal olmayan büyüme yörüngelerini modellemez veya değişim öngörücülerini test etmez — bu sorular gizil büyüme eğrisi veya çok düzeyli modelleme gerektirir.
- Etkileşim varyans bileşenlerinin (özellikle üçlü etkileşimlerin) yorumlanması, dikkatli tasarım planlaması olmadan belirsiz olabilir.
SSS
Boylamsal G-kuramı standart (kesitsel) G-kuramından nasıl farklıdır?
Standart G-kuramı, tüm boyutları potansiyel olarak değiştirilebilir hata kaynakları olarak ele alır. Boylamsal G-kuramı, vesileleri açıkça önemli bir boyut olarak içerir, analistin gerçek puan değişimini zamana göre (anlamlı bir boylamsal sinyal) rastgele ölçüm hatasından ayırmasına olanak tanır. Ayrıca yalnızca değerlendiricileri veya maddeleri değil, vesilelerin sayısını da optimize eden D-çalışmalarını mümkün kılar.
Boylamsal G-kuramını dengesiz tasarımlarla kullanabilir miyim?
Standart beklenen ortalama kareler tahmini, dengeli veya tama yakın dengeli verileri varsayar. Önemli ölçüde dengesiz boylamsal veriler (örn. bırakma, eksik vesileler) için, varyans bileşenlerinin kısıtlı maksimum olabilirlik (REML) veya Bayesçi tahmini önerilir; bu, GENOVA, urGENOVA veya R paketi gtheory gibi yazılımlarda uygulanır.
Boylamsal G-kuramı analizlerini hangi yazılımlar çalıştırır?
GENOVA ve urGENOVA (Brennan ve meslektaşları tarafından), çok çeşitli G-kuramı tasarımlarını ele alır. R paketleri gtheory ve lme4 (REML tabanlı varyans bileşeni tahmini için) yaygın alternatiflerdir. İç içe geçmiş boylamsal tasarımlar, çaprazlanmış-iç içe geçmiş yapıyı tanımlamak için dikkatli sözdizimi gerektirir.
Yüksek bir genelleme katsayısı iyi boylamsal ölçüm için yeterli kanıt mıdır?
Tek başına değil. Yüksek bir E-rho-kare, puanların kişileri tutarlı bir şekilde sıraladığını gösterir, ancak vesileler boyunca ölçüm değişmezliğini garanti etmez. Öğelerinizin her zaman noktasında aynı yapıyı ölçtüğünden emin olmak için boylamsal onaylayıcı faktör analizi ile yapısal ve metrik değişmezliği de test etmelisiniz.
Ne kadar örneklem büyüklüğü gereklidir?
Tek bir kural yoktur, çünkü gerekli örneklem boyutları boyutların ve seviyelerin sayısına bağlıdır. Kaba bir kılavuz olarak, kararlı varyans bileşeni tahminleri için en az 30-50 kişi ve her boyutta en az iki seviye gereklidir. Simülasyon çalışmaları (örn. R'deki bootG fonksiyonunu kullanarak) belirli bir planlanmış tasarım için tahmin hassasiyetini değerlendirebilir.
Kaynaklar
- Webb, N. M., Shavelson, R. J., & Harrigan, E. H. (2007). Generalizability theory: Overview. In C. R. Rao & S. Sinharay (Eds.), Handbook of Statistics, Vol. 26: Psychometrics (pp. 1–43). Elsevier. link ↗
- Brennan, R. L. (2001). Generalizability Theory. Springer. ISBN: 978-0387952826
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Longitudinal Generalizability Theory. ScholarGate. https://scholargate.app/tr/psychometrics/longitudinal-generalizability-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Genelleştirilebilirlik Kuramı (G-Kuramı)Psikometri↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır