Çok Düzeyli Madde İşlev Farklılığı (Çok Düzeyli MİF)
Multilevel Differential Item Functioning Analysis · Ayrıca şöyle bilinir: multilevel DIF, hierarchical DIF analysis, cross-level DIF, ML-DIF
Çok düzeyli MİF analizi, bireysel test veya anket maddelerinin, yanıtlayıcıların daha üst düzey birimler - örneğin okullara yerleştirilmiş öğrenciler, organizasyonlardaki çalışanlar veya kliniklerdeki hastalar - içinde kümelendiği durumlarda gruplar arasında farklı işlev görüp görmediğini tespit eder. Hiyerarşik veri yapısını hesaba katarak, kümelenmeyi göz ardı etmekten kaynaklanan yapay MİF sinyallerini gerçek madde yanlılığından ayırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz kümelenmiş veya iç içe geçmiş bir yapıya sahip olduğunda ve madde adilliğini veya gruplar arası karşılaştırılabilirliği araştırdığınızda çok düzeyli MİF analizi kullanın. Özellikle öğrenciler okullara yerleştirildiğinde büyük ölçekli eğitim değerlendirmelerinde, çalışanlar departmanlara yerleştirildiğinde organizasyonel anketlerde veya hastalar kliniklere yerleştirildiğinde klinik çalışmalarda gereklidir. Açıkça kümelenmiş verilere standart (çok düzeyli olmayan) MİF yöntemlerini uygulamayın - bunu yapmak Tip I hata oranını şişirecek ve yanlış MİF işaretleri üretebilir. ICC ihmal edilebilir düzeydeyse ve küme boyutları küçük ve homojense, standart MİF prosedürleri yeterli kalır ve uygulanması daha basittir.
Güçlü yönler & sınırlılıklar
- Gözlemler kümeler içine yerleştirildiğinde, tek düzeyli MİF yöntemlerinin aksine, MİF tespitinde Tip I hatasını uygun şekilde kontrol eder.
- Kişi düzeyindeki madde yanlılığını küme düzeyindeki grup farklılıklarından ayırarak, yanlı maddelerin daha doğru bir şekilde tanımlanmasını sağlar.
- Birden fazla kümelenme düzeyini eş zamanlı olarak modelleyebilir ve MİF kaynaklarını açıklamak için küme düzeyindeki kovaryantları içerebilir.
- Lojistik ve ÖTÖ modellerinin çok düzeyli uzantıları aracılığıyla hem ikili hem de polikotomik maddelere uygulanabilir.
- Tek düzeyli yöntemlerden daha zengin bilgi sağlar, MİF büyüklüğünün kümeler arasında ne kadar değiştiğini ölçerek.
- Yeterli istatistiksel gücü elde etmek için tek düzeyli MİF'ten önemli ölçüde daha büyük örneklemler gerektirir, hem küme sayısı hem de küme boyutu açısından.
- Model belirlemesi daha karmaşıktır ve 2. düzey yapının yanlış belirlenmesi MİF parametre tahminlerini yanlı hale getirebilir.
- Yakınsama sorunları ve hesaplama talepleri, belirtilen madde, düzey ve rastgele etki sayısıyla artar.
- Standart MİF yöntemlerine kıyasla daha az erişilebilir yazılım uygulaması, rutin benimsemeyi sınırlayabilir.
SSS
Verilerim kümelenmiş olduğunda neden sadece standart MİF yöntemlerini kullanamıyorum?
Standart MİF yöntemleri gözlemlerin bağımsızlığını varsayar. Yanıtlayıcılar bir kümeyi paylaştığında - aynı okuldaki öğrenciler gibi - yanıtları korelasyonludur ve bu varsayımı ihlal eder. Sonuç, Tip I hatanın şişmesidir: maddeler nominal orandan daha sık yanlı olarak işaretlenir, bu da geçerli maddelerin yanlış kaldırılmasına yol açar. Çok düzeyli MİF yöntemleri kümelenmeyi açıkça modeller ve uygun hata kontrolünü yeniden sağlar.
Çok düzeyli MİF analizi için ne kadar örneğe ihtiyacım var?
Kaba bir kılavuz olarak, istikrarlı rastgele etki tahminleri elde etmek için en az 30 kümeye ve küme başına en az 30 yanıtlayıcıya ihtiyacınız vardır; ancak, gerekli örneklem büyüklüğü beklenen MİF etki büyüklüğüne, ICC'ye ve madde sayısına bağlıdır. Tasarımınıza özgü simülasyon çalışmaları, yeterli güce sahip bir çalışmayı planlamak için en güvenilir rehberdir.
Çok düzeyli bir çerçevede düzgün ve düzgün olmayan MİF arasındaki fark nedir?
Düzgün MİF, bir maddenin gizli özelliklerin tüm düzeylerinde bir grup için tutarlı bir şekilde daha kolay (veya daha zor) olduğu anlamına gelir - bu, 2. düzey modeldeki grup üyeliğinin ana etkisiyle yakalanır. Düzgün olmayan MİF, madde avantajının yetenek düzeyleri boyunca tersine döndüğü veya değiştiği anlamına gelir - bu, grup üyeliği ve yetenek eğimi arasındaki çapraz düzey etkileşimiyle yakalanır. Her iki tür de çok düzeyli MİF modellerinde test edilmelidir.
Çok düzeyli MİF analizi için hangi yazılımları kullanabilirim?
Çok düzeyli MİF, R'de lme4 (çok düzeyli lojistik regresyon MİF için) gibi paketler kullanılarak veya hiyerarşik modelleri destekleyen ÖTÖ yazılımları içinde uygulanabilir. Mplus, çok düzeyli faktör modellerini destekler ve MİF testi için uyarlanabilir. R'deki HLM veya MDIFpack gibi özel çok düzeyli ÖTÖ yazılımları daha hedeflenmiş işlevsellik sağlar.
Her iç içe geçmiş veri kümesi üzerinde çok düzeyli MİF analizi yapmalı mıyım?
Gerekli değil. Önce sınıflararası korelasyonu (ICC) tahmin edin. ICC çok küçükse - diyelim ki 0.02'nin altındaysa - kümelenmenin ihmal edilebilir bir etkisi vardır ve standart MİF yöntemleri yeterli olacaktır. Çok düzeyli MİF analizi karmaşıklık katar ve daha büyük örneklemler gerektirir; bunu yalnızca ICC ve kuramsal teorinin anlamlı kümelenmeyi gösterdiği veri kümeleri için saklayın.
Kaynaklar
- French, B. F., & Finch, W. H. (2008). Multigroup confirmatory factor analysis: Locating the invariant referent sets. Structural Equation Modeling: A Multidisciplinary Journal, 15(1), 96–113. DOI: 10.1080/10705510701758349 ↗
- Kamata, A. (2001). Item analysis by the hierarchical generalized linear model. Journal of Educational Measurement, 38(1), 79–93. DOI: 10.1111/j.1745-3984.2001.tb01117.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multilevel Differential Item Functioning Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/multilevel-differential-item-functioning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ayırt Edici Madde Fonksiyonu (DIF)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Çok Düzeyli Doğrulayıcı Faktör Analizi (ÇD-DFA)Psikometri↔ karşılaştır
- Çok Düzeyli Ölçme DeğişmezliğiPsikometri↔ karşılaştır