Sıralı Genelleştirilebilirlik Kuramı
Ordinal Generalizability Theory · Ayrıca şöyle bilinir: Ordinal G-theory, G-theory for ordinal data, ordinal variance component analysis, G-study for ordered categorical data
Sıralı genelleştirilebilirlik kuramı, klasik G-kuramını, madde yanıtlarının sürekli olmaktan ziyade sıralı kategorik (örneğin, Likert tipi) olduğu durumlarda güvenilirlik ve ölçüm hatası analizine genişletir. Bu kuram, puan varyansını kişilere, boyutlara ve bunların etkileşimlerine atfedilebilen bileşenlere ayırırken, sıralı derecelendirme ölçeklerinin ayrık ve sınırlı doğasını da hesaba katar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Özellikle ölçek ortalamalarının uçlara yakın olduğu (tavan veya taban etkileri), maddelerin az sayıda yanıt kategorisine sahip olduğu (4 veya daha az) veya aracın güvenilirlik katsayıları gerektiren yüksek riskli kararlar için kullanıldığı durumlarda, Likert veya derecelendirme ölçeği maddelerine sahip araçların puanlarının güvenilirliğini ve genelleştirilebilirliğini tahmin etmeniz gerektiğinde sıralı G-kuramını kullanın. Verilerin gerçekten sürekli olduğu, örneklem büyüklüğünün varyans bileşenlerini istikrarlı bir şekilde tahmin etmek için çok küçük olduğu (kabaca n < 100 kişi ve boyut başına en az 5–6 madde önerilir) veya araştırmanın amacı için polikorik alfa veya sıralı omega gibi daha basit bir katsayının yeterli olduğu durumlarda uygun değildir.
Güçlü yönler & sınırlılıklar
- Ölçüm hatasının farklı boyut kaynaklarına ilkeli bir ayrışmasını sağlar ve hangi boyutun güvensizliğe en çok katkıda bulunduğunu ortaya çıkarır.
- Araştırmacılara hedef bir güvenilirlik düzeyine ulaşmak için kaç madde, puanlayıcı veya durum gerektiğini söyleyen D-çalışması projeksiyonlarını destekler.
- Klasik güvenilirlik indekslerinin karıştırdığı göreli güvenilirliği (kişileri sıralama) mutlak güvenilirlikten (sabit kesme puanı kararları) ayırt eder.
- Tek katsayı güvenilirlik yöntemlerinin başa çıkamayacağı karmaşık çapraz ve iç içe tasarımları barındırır.
- Sıralı uygun tahmin ile birleştirildiğinde, varyans bileşenleri ölçek sınırlarından klasik ANOVA tabanlı G-kuramından daha az yanlıdır.
- Sıralı varyans bileşeni tahmini hesaplama açısından yoğundur ve özel yazılım veya dikkatli manuel uygulama gerektirir.
- Kabul edilebilir hassasiyetle varyans bileşenlerini tahmin etmek için klasik güvenilirlik yöntemlerinden daha büyük örneklemler gerektirir.
- Birden fazla varyans bileşeninin ve iki genelleştirilebilirlik indeksinin (E-rho-kare ve Phi) yorumlanması, tek bir alfa veya omega katsayısının raporlanmasından daha karmaşıktır.
- Sıralı tahmin yönteminin (polikorik tabanlı, MCMC, marjinal ML) seçimi sonuçları etkileyebilir ve en iyi uygulama konusunda henüz bir fikir birliği oluşmamıştır.
- IRT'nin yaptığı gibi madde düzeyindeki parametreleri (zorluk, ayırt edicilik) doğrudan modellemez, bu da bireysel maddeler hakkındaki tanılayıcı bilgileri sınırlar.
SSS
Sıralı G-kuramı standart (klasik) G-kuramından nasıl farklıdır?
Klasik G-kuramı, puanları sürekli ve normal dağılımlı olarak ele alan ANOVA ortalama karelerini kullanarak varyans bileşenlerini tahmin eder. Sıralı G-kuramı, polikorik kovaryans matrisleri veya IRT tabanlı gizil değişken ayrıştırması gibi sıralı kategorik verilere uygun tahmin yöntemleri kullanır — böylece elde edilen varyans bileşenleri ve genelleştirilebilirlik katsayıları, Likert derecelendirmelerinin sınırlı, ayrık doğası tarafından yanlı olmaz.
Ne zaman E-rho-kare yerine Phi'yi kullanmalıyım?
Puanlar hakkında mutlak kararlar verdiğinizde — örneğin, yanıtlayıcıları sabit bir kesme noktasının üstünde veya altında sınıflandırmak gibi — her zaman güvenilirlik katsayısı Phi'yi kullanın. E-rho-kare yalnızca göreli (norm-referanslı) yorumlar için uygundur, örneğin kişileri bir grup içinde sıralamak gibi. Phi, ek mutlak hata varyansını içerdiği için her zaman E-rho-kare'ye eşit veya ondan küçüktür.
Sadece iki yanıt kategorisi (ikili maddeler) ile sıralı G-kuramını kullanabilir miyim?
Evet, ancak maddeler ikili olduğunda, sıralı özgü varyans ayarlamaları IRT tabanlı güvenilirlik tahmini (örneğin, Rasch veya 2PL modelinden marjinal güvenilirlik) ile önemli ölçüde örtüşür. İkili veriler için, araştırmacılar genellikle Rasch tabanlı marjinal güvenilirliğin veya bir phi-katsayısı yaklaşımının daha bilgilendirici olduğunu bulurlar. Sıralı G-kuramı, üç ila yedi sıralı kategori ile en belirgin şekilde kullanışlıdır.
Sıralı G-kuramı analizleri için hangi yazılımı kullanabilirim?
Standart ANOVA tabanlı G-kuramı GENOVA, R paketleri (gtheory, polikorik girdi tabanlı CFA ayrıştırması için lavaan) veya SPSS'te çalıştırılabilir. Sıralı uzantı tipik olarak önce polikorik korelasyonları hesaplamayı (R'nin psych veya lavaan paketlerinde) ve ardından bunları girdi olarak kullanmayı gerektirir. Tamamen Bayesçi MCMC yaklaşımları, daha karmaşık tasarımlar için Stan veya brms'te mevcuttur.
Ne kadar örnekleme ihtiyacım var?
Kaba bir minimum olarak, istikrarlı varyans bileşeni tahminleri elde etmek için en az 100–150 kişi ve boyut başına beş veya daha fazla madde tavsiye edilir. Daha küçük örneklemler, genelleştirilebilirlik katsayısı etrafında geniş güven aralıkları üretir ve hatta küçük boyutlar için negatif varyans bileşenleri üretebilir, bunlar tipik olarak sıfıra ayarlanır ancak kararsızlığı işaret eder.
Kaynaklar
- Brennan, R. L. (2001). Generalizability Theory. Springer. ISBN: 978-0387952826
- Mushquash, C., & O'Connor, B. P. (2006). SPSS and SAS programs for generalizability theory analyses. Behavior Research Methods, 38(3), 542–547. DOI: 10.3758/BF03192810 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ordinal Generalizability Theory. ScholarGate. https://scholargate.app/tr/psychometrics/ordinal-generalizability-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilebilirlik Kuramı (G-Kuramı)Psikometri↔ karşılaştır
- Çok Düzeyli Güvenilirlik AnaliziPsikometri↔ karşılaştır
- Sırasal Doğrulayıcı Faktör AnaliziPsikometri↔ karşılaştır
- Sıralı Madde Yanıt KuramıPsikometri↔ karşılaştır
- Sıralı Güvenilirlik AnaliziPsikometri↔ karşılaştır