Çok Düzeyli Genellenebilirlik Kuramı
Multilevel Generalizability Theory · Ayrıca şöyle bilinir: multilevel G-theory, ML-GT, hierarchical generalizability theory, multilevel G-study
Çok düzeyli genellenebilirlik kuramı, klasik G-kuramını, gözlemlerin daha üst düzey birimler içine iç içe geçtiği ölçüm tasarımlarına genişletir — örneğin, puanlayıcılara iç içe geçmiş maddeler veya sınıflara iç içe geçmiş öğrenciler. Puan varyansını kişiler, boyutlar ve hiyerarşik düzeylerdeki etkileşimlerine atfedilebilen bileşenlere ayırır, bu da karmaşık, gerçek dünya değerlendirme ortamlarında ölçüm hassasiyetinin kesin olarak tahmin edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ölçüm tasarımınızda gerçek bir hiyerarşik yapı — sınıflara iç içe geçmiş öğrenciler, test kitapçıklarına iç içe geçmiş maddeler, puanlama sitelerine iç içe geçmiş puanlayıcılar — olduğunda ve ölçüm güvenilirliğinin veya ölçüm hatası kaynaklarının doğru tahminlerine ihtiyaç duyduğunuzda çok düzeyli genellenebilirlik kuramını kullanın. Özellikle büyük ölçekli eğitim değerlendirmelerinde, birden fazla iç içe geçmiş puanlayıcının olduğu işyeri değerlendirmelerinde ve kümelenmiş verilerle klinik ölçümlerde değerlidir. Tasarım tam çaprazlanmış ve dengeli olduğunda (standart G-kuramı yeterlidir), daha üst düzeydeki örneklem boyutları çok küçük olduğunda (varyans bileşeni tahminleri kararsız hale gelir) veya araştırma sorusu ölçüm hassasiyeti yerine tahmin veya gizil yapı ile ilgili olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Veriler hiyerarşik bir yapıya sahip olduğunda varyansı doğru bir şekilde böler, iç içe geçme göz ardı edildiğinde ortaya çıkan yanlı tahminlerden kaçınır.
- D-çalışmaları aracılığıyla eyleme geçirilebilir rehberlik sağlar: hangi boyutların ölçüm hatasına neden olduğunu ve tasarım değişikliklerinin güvenilirliği nasıl iyileştireceğini gösterir.
- Tüm boyutların tam çaprazlanmasının pratik olmadığı veya imkansız olduğu karmaşık gerçek dünya değerlendirme tasarımlarını barındırır.
- Göreli hatayı (norm-referanslı kararlarla ilgili) mutlak hatadan (ölçüt-referanslı kararlarla ilgili) E-rho ve fi katsayıları aracılığıyla ayırt eder.
- İyi test edilmiş tahmin algoritmalarından yararlanmak için çok düzeyli modelleme yazılımlarıyla (örneğin, R'de lme4) entegre edilebilir.
- Hiyerarşinin her düzeyinde büyük örneklemler gerektirir; küçük küme boyutları kararsız varyans bileşeni tahminleri, bazen negatif tahminler dahil, verir.
- Tamamen iç içe geçmiş tasarımlar belirli karışmış varyans bileşenlerini ayıramaz, çaprazlanmış tasarımlara kıyasla yorumlanabilirliği sınırlar.
- Çerçeve, varyans için doğrusal bir toplamsal model varsayar; uzantılar olmadan doğal olarak doğrusal olmayan etkileşimleri veya normal olmayan yanıt dağılımlarını barındırmaz.
- Yazılım desteği, klasik güvenilirlik indeksleri için olduğu kadar tak-çalıştır değildir; analistler hiyerarşik modeli dikkatlice belirtmeli ve iç içe geçme yapısının doğru kodlandığını doğrulamalıdır.
SSS
Çok düzeyli G-kuramı standart genellenebilirlik kuramından nasıl farklıdır?
Standart G-kuramı, tüm boyutların (puanlayıcılar, maddeler, durumlar) kişilerle tam olarak çaprazlandığı veya tam olarak iç içe geçtiği düz bir tasarım varsayar. Çok düzeyli G-kuramı, boyutların veya kişilerin kendilerinin sınıflar veya puanlama siteleri gibi daha üst düzey birimler içinde kümelenmesi ek karmaşıklığını ele alır ve varyansı düzeyler arasında çökertmek yerine hiyerarşinin her düzeyinde böler.
Çok düzeyli G-kuramını standart istatistiksel yazılımlarda çalıştırabilir miyim?
Evet, çok düzeyli modelleme rutinlerini (örneğin, R'de lme4 veya SAS'ta PROC MIXED) kullanarak bir dizi varyans bileşeni modeli uyarlayarak. Analist, kişiler, boyutlar ve iç içe geçme birimlerine karşılık gelen rastgele etkileri belirtir, ardından G ve fi katsayılarını hesaplamak için elde edilen varyans bileşeni tahminlerini çıkarır ve birleştirir.
Hiyerarşinin daha üst düzeyinde ne kadar örneklem büyüklüğü gereklidir?
Kararlı varyans bileşeni tahminleri için en üst düzeyde en az 30 birim yaygın bir kılavuzdur, ancak daha fazlası her zaman daha iyidir. 10'dan az küme ile küme içi varyans bileşeni ciddi şekilde yanlı olabilir ve negatif tahminler yaygın hale gelir.
Fi katsayısını G-katsayısı yerine ne zaman kullanmalıyım?
Kararınız ölçüt-referanslı olduğunda — yani, bireyleri birbirlerine göre sıralamaktan ziyade sabit bir standarda (geçme/kalma, standardı karşılama) göre sınıflandırdığınızda — fi (mutlak) katsayısını kullanın. Fi daha katıdır çünkü paydasına yalnızca sıralamayı etkileyen göreli hatayı değil, mutlak hata varyansını da içerir.
Çok düzeyli G-kuramı, çok düzeyli onaylayıcı faktör analizi ile aynı mıdır?
Hayır. Her ikisi de hiyerarşik verileri hesaba katar, ancak farklı soruları yanıtlarlar. Çok düzeyli CFA, gizil faktör yüklerini tahmin eder ve her düzeyde yapılar arasındaki yapısal ilişkileri test eder. Çok düzeyli G-kuramı, özellikle ölçüm hatasını nicelleştirmeye, güvenilirliği tahmin etmeye ve verimli değerlendirme tasarımları planlamaya odaklanır — gizil faktörleri modellemez veya yapısal hipotezleri test etmez.
Kaynaklar
- Briggs, D. C. & Wilson, M. (2003). An introduction to multidimensional measurement using Rasch models and generalizability theory. Journal of Applied Measurement, 4(1), 1–19. link ↗
- Webb, N. M., Shavelson, R. J. & Haertel, E. H. (2006). Reliability coefficients and generalizability theory. Handbook of Statistics, 26, 81–124. DOI: 10.1016/S0169-7161(06)26004-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multilevel Generalizability Theory. ScholarGate. https://scholargate.app/tr/psychometrics/multilevel-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
- Genelleştirilebilirlik Kuramı (G-Kuramı)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Çok Düzeyli ModellemeAraştırma istatistiği↔ karşılaştır