Bilgi

İyi yazılmış demografik öğeler nasıl elde edilir?

İyi yazılmış demografik öğeler nasıl elde edilir?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Yıllar boyunca öğrenci projelerini denetlerken, iyi demografik öğeler yazmanın aslında şaşırtıcı derecede zor olduğunu fark ettim. Spesifik olarak cinsiyet, yaş, ilişki durumu, çalışma durumu, eğitim durumu, doğduğu ülke/vatandaşlık/ikametgah, çalışma alanı, İngilizce dil deneyimi, konuşulan dil vb. ile ilgili soruları düşünüyorum.

Çok çeşitli iyi yazılmış demografik öğeler sağlayan iyi kaynaklar var mı?


Bu yüzden arada bir bu soruyu tekrar ziyaret ediyorum, sürekli olarak bazı kaynaklarla yanıt vermeye başlıyorum ve sonra onu siliyorum. Uzun lafın kısası: Bu tür öğelerin bulunabileceği birkaç yer olduğunu düşünüyorum, ancak "iyi"yi tanımlamanın zor olabileceğini düşünüyorum (çok durumsal olduğu için)!

Öncelikle, burada tanımladığınız bağlamların çoğu için birkaç seçenek sunan bir bağlantı var. Her soru sınıfı için birden fazla seçeneği açıkladığı için (bazen ayırt edilecek çok az şey olsa da) bu özel listeyi seviyorum. Belki de bu kullanılabilecek bir kaynaktır.

Vurgulamama izin verin, deneyimlerime göre demografik sorular çok bağlama özel. Örneğin: soruları neden kullanıyorsunuz? Numunenin popülasyon değerleriyle eşleşmesini istediğiniz yer, numune ağırlıklandırma amaçları için mi? Eğer öyleyse, kullanılacak "doğru" demografi, sağlanan nüfus bilgileriyle en iyi eşleşenler olacaktır. Bir tür analize dahil edilecek mi? Eğer öyleyse, araştırma sorularınız nelerdir? Yaş ve kilo arasındaki ilişkiyi soran bir soru, üniversite yaşı (18-22) ve yaşlı (65+) arasındaki bir psişik değerlendirmenin farklı işleyişine odaklanan bir sorudan çok farklı bilgiler ister. İlkinde, cevabı yazılı olan bir demografik soru muhtemelen en uygun (belki de önyargılı olsa da), ikinci kategorilerde en iyi sonucu verir (kategoriler soruya bağlı olarak: yani 18-22 ve 65+ olmalıdır) kategorilerden ikisi).

Bunların durumla çok bağlantılı olduğuna inandığım için, ICPSR'yi birden fazla anketten gelen soruların yan yana bakılabileceği bir yer olarak da önereceğim. Bunu karşılaştırmak için kullandım birçok hangisinin duruma en uygun olduğunu görmek için demografik soruların farklı versiyonları (yine de, hiçbirinin bağlam dışında "iyi" olduğunu söyleyemem). Aynı soru sınıfının birden çok versiyonunu karşılaştıran bu özellik, verebileceğim en iyi tavsiye olabilir. Ölçüm aracının kullanımı bağlamında profesyonel yargıya yer bırakırken birden fazla seçenek sunar.

Son bir düşünce. Demografik bilgilerin kullanımı için belirli bir amaç yoksa, kesinlikle dikkate alınız. Olumsuz bu tür soruları ölçümünüze dahil edin. Araştırmacılar genellikle her türlü bilgiyi isterler ("ya daha sonra ihtiyacım olursa?" gibi), ancak bunun bazı olumsuz etkileri olabilir: yorgunluğu artırır, katılımcılar için geçen süreyi artırır ve bireyleri bilgiye dayalı olarak tanımlama yeteneğini artırabilir. bilgilerin dışında (potansiyel olarak anonimden gizliye, hatta açıktan değiştirme!). Bir bireyin öğrettiği sınıf, okul ve konuya ek olarak bir dizi demografik bilgi edinmek isteyen öğretmenleri inceleyen bir araştırmacı hayal etmek zor değil. Bu demografiden elde edilen özgüllük derecesi, katılımcıları kolayca tanımlanabilir hale getirebilir. Bütün bunlar söylenecek: onlara ihtiyacınız yoksa, kullanmayın!

Kapanışta, yalnızca araştırmanız için gerekli olan demografik soruları kullanmanızı öneririm (buna keşif araştırmaları dahildir). Belirli bir amaç için kullanılırsa, amacın genellikle kullanılacak demografik sorunun yapısını (nüfus gibi) dikte ettiğini iddia ediyorum. Amaç ve nüfus durumdan duruma çok farklı olabileceğinden, ihtiyaç duyduğunuz demografik öğe(ler)in sınıf(lar)ının birden çok versiyonunu karşılaştırmanızı ve bunlardan amacınıza en uygun olanı seçmenizi öneririm. Bu amaçla, geniş bir kitleye hitap eden (ve iyi tasarlanmış) anketlere bakmak için harika bir yer olarak ICPSR'yi öneriyorum.


Kağıdı Yazmak

Konu seçimi. Profesörünüz size önerilen konuların bir listesini verdiyse, elbette bu önerileri ciddiye alın. Bununla birlikte, çoğu zaman, kendi başınıza bir konu seçmeniz istenir. Bunu yapmanın bir yolu, günlük kursa dalmaktan geri adım atmak ve kurs içeriği, kapsanan konuların genişliği, sizin için anlamı ve deneyiminize uygulanması hakkında geniş bir bakış açısına sahip olmak veya sizi ilgilendiren “gerçek dünya” durumlarına. Ders kitabınızı bu açıdan incelemek, içindekiler, dizin ve bölüm alt başlıklarını (özellikle henüz okumadığınız bölümleri) gözden geçirmek çok yardımcı olabilir ve ilginizi ve coşkunuzu sürdürecek bir konuya karar vermenize yardımcı olabilir. . Bu aşamada, belki de sınıf derslerinden veya metninizden bildiğiniz, tartışma veya ilginç sorular ortaya çıkaran veya problem çözmeye katılmanız için yer bırakan bir konu aramak da yararlıdır.

Bazı ön fikirlere sahip olduğunuzda, metninizde veya kitaplığınızda konuyla ilgili kolayca bulunabilecekleri okuyun. Diğer öğrencilerle ve profesörünüzle konuşun. Profesörün önemli bir kaynak olabileceğini ve seçiminizi netleştirmenize yardımcı olması için sürecin başlarında ona yaklaşılması gerektiğini unutmayın. Ancak profesörünüzün “Üzerine kağıt yazacak bir şey bulamıyorum” diye başlayan bir ziyareti hoş karşılamasını beklemeyin. Profesörler, düşüncenizi yönlendirmeyi sizin için yapmayı tercih ediyor!

Zorluk düzeyine uygun bir konu seçmek önemlidir. Çok geniş bir konu, yeterli odaklanma olmaksızın yüzeysel bir makaleye yol açacaktır. Çok dar bir konu, yeterince alakalı materyal bulmanızı zorlaştırabilir veya keşfettikleriniz sizin için çok karmaşık olabilir. Neyin uygun olduğu, kursunuzun seviyesine de bağlı olacaktır. Bazı örnekler bu sorunu açıklayacaktır.

Çok Geniş: Duygusal rahatsızlıklar şizofreni

Çok dar: Çocuklarda alışkanlık bozukluğu Çocukluk şizofrenisinde konuşma sorunları

Daha iyi: Duygusal rahatsızlıklarda şizofrenide nedensel faktörlerin davranışsal modelleri

Konunuzun uygunluğunun bir testi, kütüphanede bulabileceğiniz ilgili materyal miktarı olacaktır. Çok az bulursanız, mevcut miktardan bunalmış hissediyorsanız konu çok dar olabilir, çok geniş olabilir.

Literatürü araştırmak. Seçtiğiniz konuyla elde etmeyi umduğunuz karmaşıklık düzeyini erkenden belirleyin. Bu alandaki en son bilgilerle gerçekten ilgileniyorsanız veya elde etmeyi umuyorsanız, erken başlamanız ve literatürü sistematik olarak araştırmanız gerekecektir. Sıklıkla, profesörler, belirtilen minimum kitap, dergi veya dergi sayısı için kriterler belirler. "Kaç tane referansa ihtiyacım var?" veya "Makalem ne kadar uzun olmalı?" gibi sorular sormanın, "Bir ip parçası ne kadar uzun?" Öğretmenler, yalnızca yeterli çalışmayı sağlamak ve gereksiz uzun kağıtlara sahip olmaktan kaçınmak için cevaplar verir. Mevcut bilgi miktarı ve bunun makalenizin hedefleriyle ilgisi, referans listenizin uzunluğunu daha uygun bir şekilde belirleyecektir.

Nasıl devam edeceğinize dair bazı ipuçları almak için bu kılavuzun kitaplıkla ilgili bölümüne bakın. Kitap varlıkları için konu kataloğuna bir ön bakışla başlayın ve en azından bir miktar literatür olup olmadığını görmek için konunuzu kapsaması en muhtemel dizinlerin ve özetlerin son sayılarını kontrol edin. Kütüphane bulgularının kütüphaneler arası ödünç vermelerle desteklenmesi gerektiğini görebilirsiniz. Malzemelerin bulunması ve gönderilmesi için yeterli zaman tanırsanız, bu büyük bir zorluğa neden olmaz.

Okumak ve düzenlemek. Konunuzla ilgili literatürü okurken, sistematik olarak notlar alarak ilerleyin, önemli olduğunu düşündüğünüzü kaydettiğinizden emin olun. Okumaya dalmak ve not almak için duraklamadan diğer materyallere geçmek kolaydır. Ancak, her iyi yazarın bir makale yazmaya başlamadan önce dikkatli bir şekilde not toplaması gerekir. Daha sonraki bir tarihte yeniden sıralanabilmeleri için dizin kartlarına notlar yazmak çok yararlıdır. Bir çalışmayı veya makaleyi özetleyen önemli notlar, makalenizde kullanılabilecekleri biçimde yazılabilir. Örneğin, bir dergide 10 sayfalık bir araştırma raporunu okuduktan sonra, notunuz şöyle başlayan bir paragraftaki kilit noktaları özetleyebilir:

Throckmorton ve Doe (1979), küçük bir Ortabatı liberal sanatlar kolejinin kampüsündeki büyük bir yemek salonunda kahvaltı sırasında erken Candid Camera TV programlarının video kasetlerini göstererek mizahın sınav öncesi kaygıyı azaltma üzerindeki etkisini test etti. Denekler, 215 genç ve yaşlı, bildirdi….

Makalenizde yer alma olasılığı yüksek olan materyallerle bunu yapmak için sürekli zaman ayırarak, makaleyi yazmak için oturduğunuzda literatür incelemeniz büyük ölçüde yapılacaktır. Bununla birlikte, bir uyarı kelimesi yerindedir. Bazı detay odaklı öğrenciler not alma konusunda tuzağa düşerler. Okuduklarını önem veya alaka düzeyi açısından taramayı zor bulduklarını ve sonuç olarak okudukları her şeyi yazdıklarını bildirdiler. Bazıları ayrıca okumalarını ve çalışmalarını tek bir alana odaklamayı zor buluyor, ancak bir yerine birkaç makale için yeterli materyal buluyorlar. Tüm okuma ve not alma işlemleriniz, kağıt için sürekli gelişen bir oyun planı ve hedef tarafından yönlendirilmelidir.

Bir konuya karar verdikten, ilgili araştırmayı topladıktan ve notlar aldıktan sonra, makaleyi yazmayı düşünmelisiniz. Aşağıda, yazmaya başlarken göz önünde bulundurmanız gereken bazı noktalar bulunmaktadır.

Seyirci. Yazmaya başlamadan önce kendinize “Bu makaleyi kimin için yazıyorum?” Diye sorun. Bu soruya vereceğiniz yanıt, makaledeki ayrıntı miktarını ve yazının karmaşıklığını belirleyecektir. Örneğin, herhangi bir konuyu ilkokulda olan küçük erkek veya kız kardeşinize, bir öğrenci arkadaşınıza, kıdemli bir psikoloji öğrencisine, profesörünüze veya konunuzdaki ana araştırmacıya nasıl sunacağınızı düşünün. Açıkçası, büyük araştırmacı için yazsaydınız, küçük erkek veya kız kardeşiniz ne hakkında yazdığınızla ilgili hiçbir ipucuna sahip olmayacaktı. Benzer şekilde, küçük erkek veya kız kardeşiniz için yazsaydınız, baş araştırmacıya hakaret edilirdi. Okuyucuyu aşağılayacak veya kafası karışacak şekilde yazmamanız önemlidir. Eğitmeniniz size aksini söylemedikçe, hedef kitlenizin psikolojideki temel kavram ve fikirlere aşina olan başka bir öğrenci olduğunu varsayın. Başka bir deyişle, kurstaki bir öğrenci, makalenizi okuyabilmeli, neyi tartıştığınızı anlayabilmeli ve yazdıklarınızı size doğru bir şekilde rapor edebilmelidir.

Açılış Paragrafı. Açılış paragrafı, okuyucuya makalede ele alınacak sorun veya konuyu tanıtır, makalenin neleri kapsayacağını sınırlar ve makale için merkezi bir tez sağlar. Genellikle bir açılış paragrafında bulunan belirsiz, genel atılmış cümleleri düzenleyin. Aşağıdakiler bu cümlelere örnektir:

İnsanlar sosyal varlıklar olduğu için hepimiz çevremizdeki insanlardan etkileniriz. Harvard'da ders veren ve edimsel koşullanmayı incelemek için kullanılan Skinner kutusunu icat eden ünlü bir psikolog olan B. F. Skinner, psikolojide tartışmalı bir figürdür.

Açılış paragrafı, okuyucunun aşağıdaki makaleyi okumasını sağlamalıdır. Birinin dikkatini çekmeli ve makalenin ne hakkında olduğunu hızlı ve net bir şekilde tanımlamalıdır. Bir sorunu ele alıyorsanız, sorunun neden önemli olduğunu not edin. Bazı değişkenleri analiz ediyorsanız, okuyucuya makalede hangi değişkenlerin dikkate alınacağını bildirin. En önemlisi, açılış paragrafı açık, özlü bir tez cümlesine gitmeli ve bununla bitmelidir.

Tez Açıklaması. Tez ifadesi okuyucuya makalenizin ne hakkında olduğunu söyler. Bir pozisyon alır. Okuyucuya gazetede göstermeyi planladığınız şeyi söyler. Bir makale yazmak, bir seyahate çıkmakla karşılaştırılabilir. Nereye varmak istediğinizi bilmek, net bir tez cümlesine sahip olmak gibidir. Okuyucuyu sonuca götürmek için argümanlarınızı düzenleyebilirsiniz. Net bir tez cümlesine sahip olmamak, nereye varmak istediğinizi bilmemek gibidir. Hemen hemen her bilgi alakalı ve makaleniz karıştı. Aşağıda, belirsiz tez ifadelerinin bazı örnekleri verilmiştir:

Erkekler ve kadınlar kullandıkları etki stratejilerinde farklılık gösterir. Bu makale davranışsal ve bilişsel terapiler arasındaki farkları araştırıyor.

Gruplar arası temas hipotezi, ırksal önyargı dışındaki önyargıları azaltmak için kullanılabilir.

Yukarıdaki tez ifadelerini aşağıdakilerle karşılaştırın. Aşağıdaki ifadelerin neden daha net ve daha odaklı olduğunu görebiliyor musunuz?

Kadınlar dolaylı, erkekler ise doğrudan güç kullandığı sürece kadınlara karşı ayrımcılık devam edecektir. Bilişsel terapiler davranışçı terapilerden üstündür çünkü hem davranışı hem de müşterinin düşünce süreçlerini dikkate alırlar.

Gruplar arası temas hipotezinin kullanılması, engelli insanlara karşı önyargıyı azaltabilir

Net, odaklanmış bir teziniz olduğunda, gazetede neyi göstermeniz gerektiğini bilirsiniz. İlk örnekte, güçteki cinsiyet farklılıklarının nasıl ayrımcılığa yol açtığını göstermeniz gerekir. İkincisinde, müşterinin düşüncesini değiştirmenin neden sadece uygunsuz davranışı değiştirmekten daha önemli olduğunu göstermeniz gerekir. Üçüncüsü, engellilere karşı önyargıyı azaltmak için gruplar arası temas hipotezinin nasıl kullanılabileceğini göstermeniz gerekir.

Yazdığınız makalenin türü ne olursa olsun, ilginç bir açılış paragrafının ve net bir tez ifadesinin önemli olduğunu unutmayın. Ancak kağıdın gövdesi, kağıt türünün bir işlevi olarak farklılık gösterebilir. Bir raporda, makalenin gövdesi, okuduğunuz kitap veya makaledeki temel fikirleri aktarır. Bir incelemede, makalenin gövdesi, makale veya kitapla neden aynı fikirde olduğunuza veya katılmadığınıza ilişkin nedenleri ve destekleyici kanıtları sunar. Bir literatür taramasında, makalenin gövdesi, bu argümanlara destek sağlamak için araştırmayı/teoriyi yorumlayarak, yapmaya çalıştığınız argümanları veya noktaları sunar. Bir araştırma önerisinde, makalenin gövdesi, hipotezin neden meşru olduğunu göstermek için araştırmayı/teoriyi yorumlar.


Demografi

Demografi, işletmelerin müşterilerin ürün tercihlerini ve satın alma davranışlarını belirlemek için kullandığı bir popülasyonun sosyo-ekonomik özelliklerini ifade eder. Şirketler, hedef pazar özellikleriyle müşteri tabanları için bir profil oluşturabilir. Anahtar müşterilerini veya hedef pazarlarını belirleyebilirler ve pazarlama materyalleri oluşturabilirler Walmart Pazarlama Karması Walmart bir işletmenin güç merkezidir ve en güçlü yönlerinden biri de pazarlama karmasıdır. Perakende pazarında hayatta kalmak şanstan fazlasını gerektirir.

Demografi ayrıca fiyatlandırma, paketleme ve hizmet teklifleri gibi diğer iş faktörlerini de etkiler. Pazarlama kampanyaları, müşterilerin demografisiyle uyumlu hale getirildiğinde, satışların artması muhtemeldir.

Demografik Değişkenler

Bir iş stratejisini etkileyen özellikler nelerdir? Sektörden bağımsız olarak işletmeler tarafından kullanılan demografik değişkenlerden bazıları şunlardır:

1. Satın Alma Gücü

Genel olarak, farklı ürün ve hizmetler farklı gelir gruplarına hitap eder ve değer, hangi ürünlerin satın alınacağı veya hizmetlerden yararlanılacağı konusunda kritik bir karar verme faktörüdür. Üst düzey yemek işletmeleri, daha yüksek gelirli müşterilere hizmet verirken, daha düşük gelirli ve dolayısıyla daha az harcanabilir gelire sahip olanlar büyük olasılıkla uygun fiyatlı restoranlara gitmektedir.

İşletmeniz bütçeye uygun giyim ürünleri satıyorsa, indirim mağazaları ve toptancılar aracılığıyla daha düşük gelire sahip kişileri hedeflemek en iyisidir. İşiniz, daha yüksek gelirli kişilerin gittiği butiklere ve özel perakende mağazalarına satış yapmak kadar başarılı olmayacaktır.

2. Coğrafi Bölge

Coğrafya, müşterilerin satın alma tercihlerini ve davranışlarını da etkiler. Satışlarını ve karlarını artırmak isteyen şirketler, coğrafi bölgelerin tüketici tercihini nasıl etkilediğini anlamalıdır.

Örneğin, bir yokuş aşağı kayak ve snowboard perakendecisi, yerel müşterilerin ihtiyaçlarını karşılamak için mağazaların yerlerini dağların ve tepelerin yakınına ve daha soğuk iklimlere yerleştirmelidir. Bir mağazayı veya ürünlerini Singapur veya Dallas gibi sıcak şehirlerdeki mağazalara koymak daha az satış sağlayacaktır.

3. Yaş

Ürün ve hizmetler farklı yaş gruplarına hitap etmektedir. Örneğin, Y kuşağı veya 35 yaş ve altı kişiler, en yeni telefon ve dizüstü bilgisayar modelleri gibi yeni gadget'ları erken benimseyen kişilerdir.

1946-1964 yılları arasında doğan insanları ifade eden baby boomer kuşağı, hayatın farklı bir evresindedir ve paralarını daha çok tatil ve sağlık hizmetlerine harcama eğilimindedir. Ürünleriniz Y kuşağı için tasarlandıysa, onları çok sayıda gencin bulunduğu topluluklarda veya bölgelerde sunduğunuzdan emin olun.

4. Aile Durumu

Topluluk, çocuklu çok sayıda aileden mi yoksa henüz evli olmayan genç profesyonellerden mi oluşuyor? Aile durumu, bir iş stratejisi üzerinde önemli bir etkisi olan kritik bir demografik değişkendir. Şirketler, ürün veya hizmetlerinin kendilerine çekici gelip gelmeyeceğini belirlemek için belirli bir bölgedeki nüfusun genel durumunu anlamalıdır.

Demografik Bilgiler Nasıl Elde Edilir

Demografi, bir işletmenin başarısında önemli bir rol oynar, ancak ilgili bilgileri nasıl elde edebilirsiniz? En iyi yollardan biri pazar araştırması anketleri yapmaktır. E-posta, telefon veya yüz yüze toplantılar yoluyla olsun, bir pazar araştırması anketi, mümkün olduğunca fazla demografik veri elde etmek için harika bir araçtır. Demografik bilgilerle ilgili sorular genellikle kurumlarda ve çevrimiçi satış sonrası geri bildirim formlarında yer alır. Sorulardan elde edilen veriler, işletmelerin müşterileri hakkında daha fazla bilgi sahibi olmasına yardımcı olur.

Daha fazla demografik verilere ihtiyacınız varsa, eyalet veya ilçe düzeyinde müşteriler hakkında bilgi bulabileceğiniz Sayım Bürosunun web sitesini ziyaret edebilirsiniz. Farklı sektörlerin ticaret birlikleri ve yerel şubeleri de iş stratejiniz için kullanabileceğiniz demografik veriler sağlar.

İlgili Okumalar

CFI, Finansal Modelleme ve Değerleme Analisti (FMVA)®'in resmi sağlayıcısıdır. Sertifikalı Finansal Modelleme ve Değerleme Analisti (FMVA) Olun® CFI'nin Finansal Modelleme ve Değerleme Analisti (FMVA)® sertifikası, finansınızda ihtiyaç duyduğunuz güveni kazanmanıza yardımcı olacaktır. kariyer. Bugün kaydolun! Herkesi birinci sınıf bir finansal analist haline getirmek için tasarlanmış sertifika programı.

Finansal analiz bilginizi öğrenmeye ve geliştirmeye devam etmek için aşağıdaki ek CFI kaynaklarını şiddetle tavsiye ediyoruz:

  • Pazarlamanın 5 P&rsquo'su Pazarlamanın 5 P'si Pazarlamanın 5 P'si &ndash Ürün, Fiyat, Promosyon, Yer ve İnsanlar &ndash, bir işletmeyi stratejik olarak konumlandırmak için kullanılan temel pazarlama öğeleridir. 5 P'si
  • AIDA Modeli AIDA Modeli Dikkat, İlgi, Arzu ve Eylem modelinin kısaltması olan AIDA modeli, bireyin yaşadığı aşamaları tanımlayan bir reklam etkisi modelidir.
  • Kapsam Ekonomileri Kapsam Ekonomileri, bir ürün yelpazesi ayrı ayrı değil birlikte üretildiğinde toplam üretim maliyetindeki düşüşü ifade eden ekonomik bir kavramdır.
  • Pazar Planlaması Pazar Planlaması Pazar planlaması, bir şirketin pazarlama amaçlarını organize etme ve tanımlama ve bunlara ulaşmak için stratejiler ve taktikler toplama sürecidir. Bir katı

Finansal Analist Sertifikası

Sertifikalı bir Finansal Modelleme ve Değerleme Analisti (FMVA) olun ve Sertifikalı Finansal Modelleme ve Değerleme Analisti (FMVA) olun ve CFI'nin Finansal Modelleme ve Değerleme Analisti (FMVA)® sertifikası, finans kariyerinizde ihtiyacınız olan güveni kazanmanıza yardımcı olacaktır. Bugün kaydolun! CFI&rsquos çevrimiçi finansal modelleme derslerini tamamlayarak!


Bir sağlık araştırması için katılımcı seçimi ile ilgili temel konular şunlardır: 1) Örneklemlerle çalışılıp çalışılmayacağı veya tüm referans popülasyonun çalışmaya dahil edilip edilmeyeceği (nüfus sayımı) 2) Örneklem temeli 3) Örnekleme süreci ve 4) Potansiyel etkiler Yanıt vermeyenlerin çalışma sonuçlarında olabilir. İlerleyen bölümlerde daha iyi anlaşılması için bu yönlerin her birine teorik ve pratik örneklerle değineceğiz.

ÖRNEK ALMAK VEYA ÖRNEK ALAMAMAK

Önceki bir makalede, örnek boyutunu tahmin etmek için gerekli parametreleri tartışmıştık. 1 Örneği, hedef popülasyondan alınan katılımcıların sonlu bir parçası veya alt kümesi olarak tanımlarız. Buna karşılık, hedef popülasyon, özellikleri araştırma ekibinin ilgisini çeken konuların tamamına karşılık gelir. Araştırmacılar, bir örneklemden elde edilen sonuçlara dayanarak, istatistiksel çıkarım adı verilen bir süreci izleyerek, belirli bir güven düzeyi ile hedef kitle hakkında sonuçlar çıkarabilirler. Örnek, gereken minimum sayıdan daha az birey içerdiğinde, ancak temsil özelliği korunduğunda, kesinlik (yaygınlık çalışmaları) ve/veya ilgilenilen ilişkileri saptamak için istatistiksel güç açısından istatistiksel çıkarım tehlikeye girebilir. 1 Öte yandan, örneklem büyüklüğü gerekli katılımcı sayısına ulaşsa bile, temsili olmayan örnekler, referans popülasyon hakkında sonuçlar çıkarmak için güvenilir bir kaynak olmayabilir (yani istatistiksel çıkarım mümkün görülmez). Temsil eksikliği, hatalı seçim prosedürlerinin (örnekleme yanlılığı) veya araştırmaya katılmama/katılmama olasılığının araştırmanın amacı ile ilgili olması (yanıt vermeme yanlılığı) sonucunda ortaya çıkabilir. 1,2

Çoğu çalışma, herhangi bir hedef popülasyonu temsil etsin veya etmesin, örnekler kullanılarak gerçekleştirilse de, mümkün olduğunda nüfus sayımına dayalı tahminler tercih edilmelidir. 3,4 Örneğin, ulusal veya bölgesel bir veri tabanında tüm melanom vakaları mevcutsa ve potansiyel risk faktörlerine ilişkin bilgiler de mevcutsa, bir örnek araştırmak yerine bir nüfus sayımı yapılması tercih edilir.

Ancak, nüfus sayımına dayalı anketler yapmamızı engelleyen birkaç teorik ve pratik neden vardır:

Etik konular: Etkili bir şekilde gerekli olandan daha fazla sayıda kişiyi dahil etmek etik değildir.

Bütçe kısıtlamaları: Bir nüfus sayımı anketinin yüksek maliyetleri, genellikle bir çalışma için katılımcıları seçmek için bir strateji olarak kullanımını sınırlar.

Lojistik: sayımlar genellikle, çalışmayı yürütmek için gerekli personel, ekipman vb. açısından büyük zorluklar getirir.

Zaman kısıtlamaları: Nüfus sayımına dayalı bir araştırmayı planlamak ve yürütmek için gereken süre aşırı olabilir ve,

Bilinmeyen hedef popülasyon büyüklüğü: Çalışmanın amacı, yasadışı uyuşturucu kullanıcılarında premalign deri lezyonlarının varlığını araştırmaksa, mevcut tüm kullanıcılar hakkında bilgi eksikliği, nüfus sayımına dayalı bir çalışma yürütmeyi imkansız hale getirir.

Tüm bu nedenler, örneklerin neden daha sık kullanıldığını açıklamaktadır. Ancak araştırmacılar, örneklem sonuçlarının rastgele hatadan (veya örnekleme hatasından) etkilenebileceğinin farkında olmalıdır. 3 Bu kavramı örneklendirmek için, belirli bir şehirde (hedef popülasyon) ikamet eden 㸘 yaşındaki bireyler arasında premalign deri lezyonlarının (sonuç) prevalansını tahmin etmeyi amaçlayan bir araştırma çalışmasını ele alacağız. Şehrin toplam nüfusu 4.000 yetişkindir, ancak araştırmacı, premalign deri lezyonlarının %8 prevalansını saptayarak, 400 katılımcıdan oluşan temsili bir örneklem hakkında veri toplamaya karar vermiştir. Bir hafta sonra, araştırmacı sonuçları doğrulamak için aynı hedef popülasyondan 400 katılımcıdan oluşan başka bir örnek seçer, ancak bu sefer premalign deri lezyonlarının prevalansı %12'dir. Bu bulgulara dayanarak lezyon prevalansının birinci haftadan ikinci haftaya kadar arttığını varsaymak mümkün müdür? Cevap büyük ihtimal ile hayır. Her yeni bir örnek seçtiğimizde, farklı bir sonuç almamız çok olasıdır. Bu dalgalanmalar "rastgele hata" ile ilişkilendirilir. Aynı hedef popülasyondan seçilmiş olmalarına rağmen farklı örnekleri oluşturan bireylerin aynı olmaması nedeniyle oluşurlar. Bu nedenle, ilgilenilen parametreler bir numuneden diğerine rastgele değişebilir. Bu dalgalanmaya rağmen, aynı popülasyondan 100 farklı örnek elde etmek mümkün olsaydı, bunların yaklaşık 95'i hedef popülasyondaki gerçek tahmine çok yakın prevalans tahminleri sağlardı - 4.000 yetişkinin tamamını araştırırsak gözlemleyeceğimiz değer. şehirde ikamet ediyor. Bu nedenle, örneklem büyüklüğü tahmini sırasında araştırmacı, çalışmadaki en yüksek veya maksimum kabul edilebilir rastgele hata değerini önceden belirtmelidir. Nüfusa dayalı çalışmaların çoğu, yüzde 2 ila 5 puan arasında değişen rastgele bir hata kullanır. Bununla birlikte, araştırmacı, çalışmada dikkate alınan rastgele hata ne kadar küçükse, gerekli örneklem boyutunun o kadar büyük olduğunun farkında olmalıdır. 1

ÖRNEK ÇERÇEVE

Örneklem çerçevesi, çalışmada kullanılan örnekleme süreci göz önüne alındığında hedef evrenden seçilebilecek bireyler grubudur. Örneğin, kutanöz melanom vakalarını belirlemek için araştırmacı, ulusal kanser kayıt sistemini veya deri biyopsilerinin anatomopatolojik kayıtlarını örnek çerçeve olarak kullanmayı düşünebilir. Örneklemin hedef kitlenin yalnızca bir bölümünü temsil edebileceği göz önüne alındığında, araştırmacının seçilen örneklem çerçevesinin çalışma amaçlarına veya hipotezlerine uyup uymadığını ve özellikle örnek çerçeve sınırlamalarının üstesinden gelmek için stratejiler olup olmadığını dikkatlice incelemesi gerekir (örnekler için Tablo 1'e bakınız). ve olası sınırlamalar).

Grafik 1

Örnek çerçeve örnekleri ve temsil edilebilirliğe ilişkin potansiyel sınırlamalar

Örnek çerçevelersınırlamalar
Nüfus sayımı•  Son yıllarda nüfus sayımı yapılmamışsa, göçün yoğun olduğu bölgeler eskimiş olabilir
• ਎vsiz veya gezgin kişiler temsil edilemez
 
Hastane veya Sağlık Hizmetleri kayıtları•  Genellikle yalnızca etkilenen kişilerin verilerini içerir (bu, çalışma hedeflerine bağlı olarak bir sınırlamadır)
•  Hizmete bağlı olarak veriler eksik ve/veya eski olabilir
•  Listeler genel birimlerden ise, sonuçlar özel hizmet arayanlardan farklı olabilir.
 
Okul listeleri• Okul listeleri şu anda yalnızca kamu sektöründe mevcuttur
• Okula gitmeyen çocuklar/gençler temsil edilmeyecektir.
•  Listeler hızla güncelliğini yitiriyor
• Okula devamsızlığın yüksek olduğu alanlarda sorunlar yaşanacak
 
Telefon numaralarının listesi• Birkaç nüfus grubu temsil edilmemektedir: evde telefon hattı olmayan bireyler (düşük gelirli aileler, sadece cep telefonu kullanan gençler), evde daha az zaman geçirenler vb.
 
Posta listeleri• Birden fazla e-posta adresi olan, seçilme şansını artıran kişiler com�tek adresli kişilere uyarlanmıştır
• ਎-posta adresi olmayan kişiler, bu adrese sahip olanlardan yaş, eğitim vb. nedenlerle farklı olabilir.

ÖRNEKLEME

Örnekleme, örneklem çerçevesinden bireylerin veya örnekleme birimlerinin seçildiği süreç olarak tanımlanabilir. Örnekleme yönteminin örneklem büyüklüğü tahminini etkileyebileceği göz önüne alındığında, örnekleme stratejisinin önceden belirtilmesi gerekir. 1,5 Sıkı bir örnekleme planı olmadan, çalışmadan elde edilen tahminler yanlı olabilir (seçim yanlılığı). 3

NUMUNE TÜRLERİ

Şekil 1'de ana örnekleme türlerinin bir özetini gösteriyoruz. İki ana örnekleme türü vardır: olasılıklı ve olasılıksız.

Bilimsel çalışmalarda kullanılan örnekleme türleri

OLASILIKSIZ NUMUNE ALMA

Olasılıklı olmayan örnekleme bağlamında, hedef popülasyondan bazı bireylerin seçilme olasılığı sıfırdır. Bu tür örnekleme temsili bir örnek oluşturmaz, bu nedenle gözlemlenen sonuçlar genellikle hedef popülasyona genellenemez. Yine de, temsili olmayan örnekler bazı spesifik araştırma hedefleri için faydalı olabilir ve belirli araştırma sorularının yanıtlanmasına yardımcı olabilir ve yeni hipotezlerin oluşturulmasına katkıda bulunabilir. 4 Olasılığa dayalı olmayan örneklemenin farklı türleri aşağıda ayrıntılı olarak açıklanmıştır.

Kolayda örnekleme: katılımcılar, uygun erişilebilirliklerine göre görünüm sırasına göre ardışık olarak seçilir (ardışık örnekleme olarak da bilinir). Toplam katılımcı sayısına (örnek doygunluğu) ve/veya zaman sınırına (zaman doygunluğu) ulaşıldığında örnekleme süreci sona erer. Randomize klinik deneyler genellikle kolayda örneklemeye dayanır. Örneklemeden sonra, katılımcılar genellikle müdahale veya kontrol grubuna rastgele atanır (randomizasyon). 3 Randomizasyon, karşılaştırılabilir iki grup (tedavi ve kontrol) elde etmek için olasılıklı bir süreç olmasına rağmen, bu çalışmalarda kullanılan örnekler genellikle hedef popülasyonu temsil etmez.

Amaçlı örnekleme: bu, çeşitli bir örneklem gerektiğinde veya belirli bir alandaki uzmanların görüşü ilgi konusu olduğunda kullanılır. Bu teknik, Roubille ve arkadaşlarının romatoid artrit, psoriazis ve psoriatik artritli hastalarda komorbiditelerin tedavisine yönelik önerilerin bir grup uzmanın görüşüne dayalı olarak sunulduğu çalışmada kullanılmıştır. 6

Kota örnekleme: bu örnekleme tekniğine göre, evren öncelikle cinsiyet, yaş vb. özelliklere göre sınıflandırılır. Ardından her bir kotayı tamamlamak için örnekleme birimleri seçilir. Örneğin, Larkin ve arkadaşları tarafından yapılan çalışmada, vemurafenib ve kobimetinib ile plasebo kombinasyonu, BRAF mutasyonlu, lokal olarak ilerlemiş melanom, evre IIIC veya IV olan hastalarda test edilmiştir. 7 Çalışmaya çeşitli ülkelerde bulunan 135 sağlık merkezinden 495 hasta alındı. Bu tür bir çalışmada, her merkezin bir hasta "kotası" vardır.

"Kartopu" örneklemesi: bu durumda, araştırmacı bir ilk birey grubunu seçer. Daha sonra bu katılımcılar, benzer özelliklere sahip diğer potansiyel üyeleri çalışmada yer alacaklarını belirtirler. Bu, Gon'x000e7alves ve arkadaşlarının esrar ile birlikte 27 kokain ve crack kullanıcısını değerlendiren çalışmasında olduğu gibi, örneğin yasadışı uyuşturucu kullanıcıları dahil olmak üzere özel popülasyonları araştıran çalışmalarda sıklıkla kullanılmaktadır. 8

OLASILIKLI ÖRNEKLEME

Olasılıksal örnekleme bağlamında, hedef popülasyonun tüm birimlerinin çalışmaya katılma olasılığı sıfırdan farklı bir olasılıktır. Tüm katılımcıların çalışmada seçilme olasılığı eşitse, eşit olasılıklı örnekleme kullanılır ve araştırma ekibi tarafından seçilme olasılığı şu formülle ifade edilebilir: P=1/N, burada P, katılma olasılığına eşittir. çalışmada ve N, hedef popülasyonun büyüklüğüne karşılık gelir. Olasılıksal örneklemenin ana türleri aşağıda açıklanmıştır.

Basit rastgele örnekleme: bu durumda, örnek birimlerin veya katılımcıların tam bir listesine sahibiz (örnek bazında) ve bir rasgele sayılar tablosu kullanarak rasgele bireyler seçiyoruz. Bir örnek, yazarların, Aile Sağlığı Stratejisine kayıtlı tüm yaşlıların Sağlık Departmanından bir listesini aldığı ve basit rastgele örnekleme yoluyla 449 katılımcıdan oluşan bir örnek seçtiği Pimenta ve arkadaşlarının çalışmasıdır. 9

Sistematik rastgele örnekleme: bu durumda, katılımcılar, sıralanmış bir katılımcı listesinden önceden tanımlanmış sabit aralıklarla seçilir. Örneğin, Kelbore ve arkadaşlarının çalışmasında, Pediatrik Dermatoloji Servisinde yardım alan çocuklar, atopik dermatit ile ilişkili faktörleri değerlendirmek için seçildi ve danışma sırasına göre her zaman ikinci çocuk seçildi. 10

Tabakalı örnekleme: bu tür örneklemede hedef kitle ilk olarak ayrı katmanlara ayrılır. Daha sonra, basit ya da sistematik örnekleme yoluyla her tabakadan örnekler seçilir. Her tabakada seçilecek toplam birey sayısı sabit veya her tabakanın büyüklüğü ile orantılı olabilir. Her bireyin araştırmaya katılmak üzere seçilme olasılığı eşit olabilir. Bununla birlikte, sabit yöntem genellikle istatistiksel analizde örnekleme ağırlıklarının kullanılmasını içerir (seçim olasılığının veya 1/P'nin tersi). Bir örnek, okul öncesi çocuklarda D vitamini eksikliği ile ilişkili faktörleri araştırmak için Güney Avustralya'da yürütülen çalışmadır. Örneklem çerçevesi olarak ulusal nüfus sayımı kullanılarak, her tabakada rastgele haneler seçilmiş ve seçilen hanelerde belirlenen ilgili yaş grubundaki tüm çocuklar araştırılmıştır. 11

Küme örneklemesi: bu tür olasılıklı örneklemede sağlık tesisleri, okullar vb. gruplar örneklenir. Yukarıda bahsedilen çalışmada, hane seçimi küme örneklemine bir örnektir. 11

Karmaşık veya çok aşamalı örnekleme: Bu olasılıksal örnekleme yöntemi, örnek birimlerinin seçiminde farklı stratejileri birleştirir. Bir örnek Duquia ve arkadaşlarının çalışmasıdır. yetişkinlerde güneş koruyucu kullanımı ile ilişkili prevalansı ve faktörleri değerlendirmek. Örnekleme süreci iki aşamadan oluşuyordu. 12 Örnekleme çerçevesi olarak 2000 Brezilya nüfus sayımını kullanarak, Pelotas'tan (Güney Brezilya) 404 nüfus sayımının tamamı artan aile geliri sırasına göre listelenmiştir. 120 bölgeden oluşan bir örnek sistematik olarak seçildi (ilk örnekleme aşaması birimleri). İkinci aşamada, bu sayım yollarının her birinde (ikinci örnekleme aşaması birimleri) 12 hane sistematik olarak çizilmiştir. Bu hanelerdeki tüm yetişkin sakinler çalışmaya dahil edilmiştir (üçüncü örnekleme aşaması birimleri). Doğru tahminler sağlamak için tüm bu aşamalar istatistiksel analizde dikkate alınmalıdır.

CEVAP VERMEYENLER

Olası yanıtsızlıkları (reddetmeler/kayıplar) telafi etmek için genellikle örnek boyutları %10 oranında artırılır. 1 Premalign deri lezyonlarının prevalansını değerlendirmek için yapılan bir çalışmada, erkekler arasında (%10) kadınlardan (%1) daha yüksek oranda yanıt vermediğini düşünelim. En yüksek yanıtsızlık yüzdesi, bu erkeklerin planlanan ziyaretler sırasında evde olmaması ve bu katılımcıların güneşe maruz kalma olasılıklarının daha yüksek olması nedeniyle ortaya çıkarsa, cilt lezyonlarının sayısı hafife alınacaktır. Bu nedenle, sonuçların bu sistematik hatadan etkilenip etkilenmediğini değerlendirmek için yanıt vermeyenlerin bazı temel özelliklerinin (cinsiyet, yaş vb.) toplanması ve tanımlanması şiddetle tavsiye edilir.

Çoğu zaman, çalışma protokollerinde, katılmayı reddetmek veya bilgilendirilmiş oluru imzalamak bir "dışlama kriteri" olarak kabul edilir. Ancak, bu kişiler çalışma için uygun olduklarından ve "yanıt vermeyen" olarak rapor edilmeleri gerektiğinden bu doğru değildir.

ÇALIŞMA TÜRÜNE GÖRE NUMUNE ALMA YÖNTEMİ

Genel olarak, klinik araştırmalar, herhangi bir hedef popülasyonu temsil etmesi gerekmeyen homojen bir örneklem elde etmeyi amaçlar. Klinik denemeler genellikle müdahaleden en çok fayda sağlayacak katılımcıları işe alır. 3 Bu nedenle, klinik araştırmalarda deneklerin dahil edilmesi ve hariç tutulması için daha katı kriterler, genellikle katılımcıların yerini belirlemeyi zorlaştırır: uygunluk kriterlerinin doğrulanmasından sonra, on olası adaydan sadece biri çalışmaya girecek. Bu nedenle, klinik araştırmalar genellikle, sonuçları hastalığa sahip tüm hasta popülasyonuna, ancak yalnızca çalışmaya dahil edilen örneklemle benzer özelliklere sahip olanlara genellemek için sınırlamalar gösterir. Klinik araştırmalardaki bu özellikler, işe alım oranını hızlandırmak ve çalışma için gereken hasta sayısına daha kısa sürede ulaşmak için çok merkezli ve/veya küresel bir çalışma yapılması gerekliliğini haklı çıkarmaktadır. 13

Buna karşılık, gözlemsel çalışmalarda, genellikle hedef popülasyonda gözlenen büyük heterojenlik nedeniyle sağlam bir örnekleme planı oluşturmak önemlidir. Dolayısıyla bu heterojenliğin örneğe de yansıması gerekir. Hastalık tahminlerini değerlendirmeyi veya risk faktörlerini belirlemeyi amaçlayan kesitsel popülasyona dayalı bir çalışma, örneğin temsil edilebilirliği çok önemli olduğu için genellikle karmaşık olasılıklı örnekleme kullanır. Ancak, bir vaka kontrol çalışmasında, aynı çalışma için iki farklı örnek seçme zorluğuyla karşı karşıyayız. İlgilenilen hastalığın teşhisine dayalı olarak belirlenen vakalardan bir örnek oluşturulur. Diğeri, vakaları oluşturan nüfusu temsil etmesi gereken kontrollerden oluşur. Kontrol bireylerinin yanlış seçimi, sonuçlarda seçim yanlılığına neden olabilir. Bu nedenle, bu tür bir çalışmada temsiliyetle ilgili endişe, vakalar ve kontroller arasındaki ilişkiye (karşılaştırılabilirlik) dayalı olarak kurulmuştur.

Kohort çalışmalarında, bireyler maruziyete göre (maruz kalan ve maruz kalmayan denekler) işe alınır ve ilgilenilen sonucun oluşumunu değerlendirmek için zaman içinde takip edilirler. Başlangıçta, örnek temsili bir örneklemden (nüfusa dayalı kohort çalışmaları) veya temsili olmayan bir örneklemden seçilebilir. Bununla birlikte, kohort üyesinin ardışık takiplerinde, çalışma katılımcıları, temel çizgiye dahil edilenlerin temsili bir örneği olmalıdır. 14,15 Bu tür bir çalışmada zaman içindeki kayıplar, takip yanlılığına neden olabilir.


Avantajlar

Psikolojik araştırmalarda anket kullanmanın en büyük faydalarından biri, araştırmacıların büyük miktarda veriyi nispeten hızlı ve ucuz bir şekilde toplamasına izin vermesidir.Anket, yapılandırılmış görüşme veya öz bildirim ölçüsü olarak uygulanabilir ve veriler şahsen, telefonla veya bilgisayar üzerinden toplanabilir.

  • Anketler, araştırmacıların nispeten kısa bir sürede büyük miktarda veri toplamasına olanak tanır.
  • Anketler, diğer birçok veri toplama tekniğinden daha ucuzdur.
  • Anketler hızlı bir şekilde oluşturulabilir ve kolayca yönetilebilir.
  • Anketler, kişisel gerçekler, tutumlar, geçmiş davranışlar ve görüşler dahil olmak üzere çok çeşitli şeyler hakkında bilgi toplamak için kullanılabilir.

İstatistiksel Verilerin Sunum Yöntemleri | İstatistikler | Psikoloji

Bu yazımızda istatistiksel verilerin sunum yöntemlerini tartışacağız.

Tablolar, basitçe istatistiksel veri yığınlarından veri sunmak için kullanılan araçlardır. Tablolama, verilerin analiz için kullanılmasından önceki ilk adımdır. Tablolama, Basit Tablolar veya Frekans dağılım tablosu şeklinde olabilir (yani, veriler uygun gruplara bölünür).

2. Grafikler ve Diyagramlar:

Basit istatistiksel verilerin sunulmasında faydalı yöntemlerdir. Diyagramlar, istatistiksel tablolardan daha iyi bellekte tutulur.

Bunlar sadece bir dizi sayıyı bir çubuğun uzunluğuna göre sunmanın bir yoludur. Çubuk grafik basit, çoklu veya bileşen tipi olabilir.

Frekans dağılımının resimli bir diyagramıdır. Bir dizi bloktan oluşur. Sınıf aralıkları yatay eksende, frekanslar dikey eksende verilmiştir.

(C) Frekans Poligonu:

Bir frekans dağılımı­bution, frekans poligonu ile şematik olarak temsil edilebilir. Histogram bloklarının orta noktalarının birleştirilmesiyle elde edilir.

Çizgi diyagramı, zamanın geçişiyle olayların eğilimini göstermek için kullanılır.

Bir çubuğun uzunluğunu karşılaştırmak yerine, bir dairenin bölümlerinin alanları karşılaştırılır. Her parçanın alanı açıya bağlıdır.

Piktogram, "sokaktaki adam"a ve ortodoks çizelgeleri anlayamayanlara veri sunmanın popüler bir yöntemidir. Verileri sunmak için küçük resimler veya semboller kullanılır.

3. İstatistiksel Haritalar:

İstatistiksel veriler coğrafi veya idari bölgelere atıfta bulunduğunda, uygunluk durumuna göre “Gölgeli Haritalar” veya “Noktalı Haritalar” olarak sunulur.

4. İstatistiksel Ortalamalar:

“ortalama” terimi, dağılımda diğer değerlerin etrafında dağıtıldığı bir değeri ifade eder. Merkezi değerin zihinsel bir resmini verir.

Kullanılan ortalama türleri şunlardır:

(ben) Ortalama (Aritmetik Ortalama):

Ortalamayı elde etmek için, önce bireysel gözlemler toplanır, toplama veya ‘S’ olarak adlandırılır ve ardından gözlem sayısına bölünür. Araçlar, X̅ işaretiyle gösterilir (“X çubuğu” olarak adlandırılır).

Toplama ve öğe sayısına bağlı olmayan farklı türden bir ortalamadır. Medyanı elde etmek için, veriler önce 0 büyüklük sırasına göre artan veya azalan bir düzende düzenlenir ve ardından ortadaki gözlemin değeri bulunur.

Bir dizi gözlemde en sık görülen öğedir.

5. Dağılım Ölçüleri:

Aralık açık farkla en basit dağılım ölçüsüdür. Belirli bir örnekteki en yüksek ve en düşük rakamlar arasındaki fark olarak tanımlanır. Verileri gruplandırdıysak, aralık, uç kategorilerin orta noktaları arasındaki fark olarak alınır.

(B) Ortalama Sapma:

Aritmetik ortalamadan sapmaların ortalamasıdır.

(C) Standart sapma:

En sık kullanılan sapma ölçüsüdür. Basit bir ifadeyle, “Kök-Ortalama- Kare-Sapma” olarak tanımlanır. Yunan harfi 6 ile gösterilir.

Şu formülle hesaplanır:

Örnek boyutu 30'dan fazla olduğunda, yukarıdaki temel formül değiştirilmeden kullanılabilir. Daha küçük örnekler için, yukarıdaki formül standart sapmayı hafife alma eğilimindedir ve bu nedenle düzeltme gerektirir, yani n yerine n-1 kullanın.

Standart sapmanın anlamı, ancak onu “normal eğri” referans alınarak incelendiğimizde tam olarak anlaşılabilir. Standart sapma ne kadar büyük olursa, değerlerin ortalamaya göre dağılımı o kadar büyük olur.

(NS) Normal dağılım:

Normal dağılım veya normal eğri, istatistiksel teoride önemli bir kavramdır. Eğrinin şekli ortalamaya ve standart sapmaya bağlı olacaktır, bu da sırasıyla gözlemin sayısına ve doğasına bağlı olacaktır.

Şunu vurgulamakta yarar var:

ben. Bir S.D. ortalamanın her iki tarafında, dağılımdaki değerlerin yaklaşık %68'ini içerecektir.

ii. İki S.D. arasındaki alan ortalamanın her iki tarafında, değerlerin çoğunu, yani değerlerin yaklaşık %95'ini kapsayacaktır.

iii. Üç S.D. arasındaki alan. değerlerin %99,7'sini içerecektir. Ortalamanın her iki tarafındaki bu sınırlara “güven sınırları” denir.

(e) Standart Normal Eğri:

Ortalamaya ve SD'ye bağlı olarak sonsuz sayıda normal eğri olmasına rağmen, yalnızca standart normal eğri vardır. Sonsuz sayıda gözleme dayanan pürüzsüz, çan şeklinde mükemmel simetrik bir eğridir. Eğrinin toplam alanı 1, ortalaması 0 ve S.D. 1'dir. Ortalama, medyan ve modun tümü çakışır. Bir değerin (x) eğrinin ortalamasından (X̅) S.D birimi cinsinden uzaklığı. “göreli sapma veya standart normal değişken” olarak adlandırılır ve genellikle Z ile gösterilir.

Standart normal sapma veya Z, aşağıdaki formülle verilir:

Bireylerin veya öğelerin veya birimlerin büyük bir kısmı çalışıldığında bir örnek alırız.

Yaygın olarak kullanılan örnekleme yöntemleri şunlardır:

(a) Basit rastgele örnek:

Bu, örnekleme çerçevesindeki birimlerin (bireylerin) her birine bir sayı atanarak yapılır. Rastgele sayılar, numuneyi çıkarırken kişisel bilinçsiz önyargı seçimini ortadan kaldırmak için düzenli bir şekilde düzenlenmiş belirli sayıların gelişigüzel bir koleksiyonudur. Bu teknik, mümkün olan en fazla sayıda numuneyi sağlar.

(B) Sistematik Rastgele Örnek.

Bu, düzenli aralıklarla her 5 veya 10'uncu birimi seçerek yapılır. Bu yöntemle, her birim örnekleme çerçevesi aynı seçilme şansına sahip olur, ancak olası örnek sayısı büyük ölçüde azalır.

(C) Tabakalı Rastgele Örnek:

Numune, kasıtlı olarak sistematik bir şekilde çizilir, böylece numunenin her bir parçası, evrenin karşılık gelen bir katmanını temsil eder. Bu yöntem, özellikle Hindular, yaş grupları vb. gibi nüfusun belirli bir özelliğine göre verilerin analiz edilmesiyle ilgilenildiğinde kullanışlıdır.

Aynı popülasyondan veya evrenden tekrarlanan örnekler alırsak, bir örnekten elde edilen sonuçlar başka bir örneğin sonuçlarından bir dereceye kadar farklı olacaktır. Bir örnekten diğerine bu tür varyasyona örnekleme hatası denir. Bunun nedeni, verilerin ilgili popülasyonun tamamından ziyade bir örneklemden toplanmasıdır. Örnekleme hatasını etkileyen faktörler, bireysel okumaların boyutu ve değişkenliğidir.

Yetersiz kalibre edilmiş araçlardan, gözlemci varyasyonundan ve seçilen konuların incelenmesinde elde edilen eksik kapsama ve kavramsal hatalar nedeniyle hatalar meydana gelebilir.

Popülasyondan rastgele bir örnek ve benzer örnekleri tekrar tekrar alırsak, her örneğin farklı bir ortalamaya sahip olacağını görürüz. S.D. ortalamanın bir ölçüsü, örnek hatanın bir ölçüsüdür ve standart hata veya ortalamanın standart hatası olarak adlandırılan σ√n formülü ile verilir.

7. Önem Testleri:

(a) Ortalamanın Standart Hatası:

SD. ortalamanın yüzdesine standart hata ve evrenin gerçek ortalamasına ilişkin örnek ortalamaların dağılımı da denir. Bu, güven sınırlarını belirlemek ve önem düzeyini bulmak için çağrılır.

(B) Standart Oran Hatası:

Bunda bir örneklemde ortalamalar yerine oranlar ve evreni kullanılır.

Bu, aşağıdaki formülle hesaplanır:

burada p ve q oranlardır ve n = numunenin boyutudur.

(c) İki Ortalama Arasındaki Farkın Standart Hatası:

İki grup (örneğin, kontrol grubu ve deney grubu) arasındaki sonuçları karşılaştırmak için, örneklerin iki farklı evreni temsil ettiğini göstermek için iki grubun ortalamaları arasındaki fark karşılaştırılır. Bu, iki araç arasındaki farkın standart hatası hesaplanarak yapılır.

(d) Oranlar Arasındaki Farkın Standart Hatası:

Araçlar yerine, bazen iki oran veya oran arasındaki farkın tesadüfen oluşup oluşmadığını anlamak için iki oran veya oran arasındaki farkın önemini test etmek gerekir.

Bu durumda, iki oran arasındaki farkın standart hatasını hesaplarız:

Ki-kare (x 2 ) testi, iki oran arasındaki farkın önemini test etmek için alternatif bir yöntem sunar. İkiden fazla grup karşılaştırılacağı zaman kullanılabilmesi avantajına sahiptir.

(i) ‘Boş Hipotezi’'yi test edin:

İlk olarak, iki grubun bulguları arasında hiçbir fark olmadığına dair Sıfır Hipotezi adı verilen bir hipotez kurulmalıdır.

(ii) χ 2 Testinin Uygulanması:

(iii) Serbestlik Derecesini Bulmak:

(c = sütun sayısı, r = satır sayısı)

(iv) Olasılık Tabloları:

χ 2 ve d.f'yi bilerek değeri, yayınlanan tablolardan bir olasılık öğrenin.

(f) Korelasyon ve Regresyon:

Çıkarımsal istatistik:

Bunlar verilerin anlamını değerlendirir;

ben. Korelasyon katsayısı:

Bağımlı veya bağımsız olduğunu varsaymadan iki değişken grubu arasındaki istatistiksel ilişkiyi ölçer. CC 1.0 tam benzerlik ve C.C. 0.0, ilişki olmadığı anlamına gelir.

ii. Regresyon Katsayısı:

İki değişken grubu arasındaki ilişkiyi ve çekingenliği ölçer, ancak birinin bağımlı, diğerinin bağımsız olduğunu varsayar.

iii. Parametrik İstatistikler:

Normal bir dağılım varsayın (örneğin, öğrencinin testi). Parametrik olmayan istatistikler, normal olarak dağılmayan verileri kullanır (örneğin, ki kare testi).

Bir grubu tanımlamak için kullanılabilecek minimum boyut sayısını arar. Bu, boyut&uyanıklıklar üretecektir (örneğin, psikotik nevrotik). Faktörler, bireyler arasındaki değil, nitelikler arasındaki ilişkinin bir ifadesidir.

Boyut değil, yalnızca kümeler oluşturabilir.

Bir kişinin puanının veya diğer bir test sonucunun tekrarlanabilirliğinin derecesi.

Aşağıdaki türlerdendir:

(a) Test Tekrar Test Güvenilirliği:

Aynı testte iki kez verilen puanlar arasında yüksek korelasyon.

(B) Alternatif Form Güvenilirliği:

Aynı testin iki formu arasında yüksek korelasyon.

(C) Bölünmüş Yarı Güvenilirlik:

Aynı testin iki yarısı arasında yüksek korelasyon.

(NS) Değerlendiriciler Arası Güvenilirlik:

Aynı testin iki veya daha fazla puanlayıcısının sonuçları arasında yüksek korelasyon.

Bir testin ölçmek için tasarlandığını ölçme derecesi:

(a) Öngörülü Geçerlilik:

Testin sonucu tahmin etme yeteneği.

(B) İçerik Geçerliliği:

Testin, o değişken için toplam testlerin temsili bir örneğini seçip seçmediği.

(C) Yapı geçerliliği:

Deney, altında yatan hipotezi ne kadar iyi test ediyor.

Çok güvenilir bir testin geçerliliği tam olarak düşük olabilir, çünkü sonuçları değişmez, yani gerçek değişiklikleri ölçmez.

Psikiyatrik Araştırmalarda Ölçüm:

ben. Psikiyatrik vakaları belirlemek için

ii. Psikiyatrik bozukluğu doğru teşhis etmek için

iii. Şiddeti ve ciddiyetteki değişimi değerlendirmek.

Bilgi, belge çalışmaları (vaka notları, dergi makaleleri, nüfus sayımı vb.), posta anketleri (ucuz ve kolay ancak düşük yanıt oranı, dolayısıyla örnek yanlılığı), kendi kendini değerlendirme anketleri yanlış yanıtlanır) ve gözlemci puanlı görüşme (yapılandırılmış, yarı yarıya) ile çağrılır. yapılandırılmış veya gayri resmi, büyük esneklik ve doğruluk sağlar, ancak pahalıdır ve eğitim gerektirir).

Konu her zaman sorulara katılma veya katılmama eğilimindedir.

(B) Merkeze Önyargı:

Denek orta tepkiyi seçme ve aşırı uçlardan kaçınma eğilimindedir.

(C) Sosyal Kabul Edilebilirlik:

Denek, doğru cevap yerine kabul edilebilir cevabı seçer.

Yanıtlar, önceden seçilen yanıtlara ‘uygun’ olarak seçilir ve yanıtlar, gözlemcinin beklediği gibi olur.


Ömrü Boyunca

Beck Depresyon Envanteri (BDI)

Beck Depresyon Envanteri (BDI), depresyonu taramak ve davranışsal belirtileri ve depresyonun şiddetini ölçmek için yaygın olarak kullanılmaktadır. BDI, 13 ila 80 yaşları için kullanılabilir. Envanter, bireylerin çoktan seçmeli yanıt formatlarını kullanarak tamamladığı 21 öz bildirim maddesi içerir. BDI'nin tamamlanması yaklaşık 10 dakika sürer. BDI'nin geçerliliği ve güvenilirliği dünya çapında popülasyonlar arasında test edilmiştir.

Beck, A.T., Ward, C.H., Mendelson, M., Mock, J. ve Erbaugh, J. (1961). Depresyonu ölçmek için bir envanter. Genel Psikiyatri Arşivi, 4(6), 561-571. http://dx.doi.org/10.1001/archpsyc.1961.01710120031004

Beck, A.T., Steer, R.A., & Brown, G.K. (1996). Beck Depresyon Envanteri-II Kılavuzu. San Antonio: Psikolojik Şirketi.

Osman, A., Kopper, B.A., Barrios, F., Gutierrez, P.M., & Bagge, C.L. (2004). Yatan ergen psikiyatri hastalarında Beck Depresyon Envanteri-II'nin güvenirliği ve geçerliliği. Psikolojik Değerlendirme, 16(2), 120-132. http://dx.doi.org/10.1037/1040-3590.16.2.120

Daha fazla bilgi

Nasıl Erişilir

Epidemiyolojik Araştırmalar Merkezi Depresyon Ölçeği (CES-D)

Epidemiyolojik Araştırmalar Merkezi Depresyon Ölçeği (CES-D) genel popülasyonda kullanılmak üzere tasarlanmıştır ve şu anda birinci basamak ortamlarında depresyon için bir tarama aracı olarak kullanılmaktadır. Geçen hafta yaşanan depresyonun ana boyutlarını ölçen 4 puanlık bir ölçekte puanlanan 20 öz bildirim maddesi içerir. CES-D, 6 yaşından küçük ve daha büyük yetişkinliğe kadar olan çocuklar için kullanılabilir. Cinsiyet ve kültürel popülasyonlar arasında test edilmiştir ve tutarlı geçerlilik ve güvenilirlik sağlar. Ölçeğin uygulanması puanlama dahil yaklaşık 20 dakika sürmektedir.


Radloff, L.S. (1977). CES-D Ölçeği: Genel popülasyonda araştırma için bir öz-bildirim raporu depresyon ölçeği. Uygulamalı Psikolojik Ölçüm, 1(3), 385-401. http://dx.doi.org/10.1177/014662167700100306

Saracino, R.M., Cham, H., Rosenfeld, B. ve Nelson, C.J. (2018). Epidemiyolojik Araştırmalar Merkezi Depresyon Ölçeği'nin onkolojide genç ve yaşlı hastalar arasındaki değişmezliğin incelenmesiyle doğrulayıcı faktör analizi. Avrupa Psikolojik Değerlendirme Dergisi. Gelişmiş çevrimiçi yayın. http://dx.doi.org/10.1027/1015-5759/a000510

Daha fazla bilgi

Nasıl Erişilir

EQ-5D, sağlıkla ilgili yaşam kalitesini tanımlamak ve değerlendirmek için standart, hastalığa özgü olmayan bir araçtır. Araç, yaşam kalitesini beş boyutta ölçer: hareketlilik, öz bakım, olağan aktiviteler, ağrı/rahatsızlık ve kaygı/depresyon. EuroQol Group adlı bir grup Avrupalı ​​araştırmacı tarafından sağlıkla ilgili bir yaşam kalitesi ölçüsü olarak tanıtıldı. Katılımcılar anketi beş dakikadan kısa sürede tamamlayabilirler. Yetişkinler (16 yaş ve üstü) için bir versiyonu ve çocuklar/ergenler (8 ila 15 yaş arası) için EQ-5D-Y vardır. EQ-5D çok çeşitli dillerde mevcuttur ve dünya çapında kullanılmaktadır.


EuroQol Grubu (1990) EuroQol — Sağlıkla ilgili yaşam kalitesinin ölçümü için yeni bir tesis. Sağlık Politikası, 16(3), 199-208. https://doi.org/10.1016/0168-8510(90)90421-9

Brooks, R., & EuroQol Group (1996).EuroQol: Mevcut durum. Sağlık Politikası, 37(1), 53-72. http://dx.doi.org/10.1016/0168-8510(96)00822-6

Devlin, N.J. ve & Brooks, R. (2017). EQ-5D ve EuroQol grubu: Geçmiş, şimdi ve gelecek. Uygulamalı Sağlık Ekonomisi ve Sağlık Politikası, 15(2), 127-137. https://doi.org/ 10.1007/s40258-017-0310-5

Daha fazla bilgi

Nasıl Erişilir

Hamilton Depresyon Derecelendirme Ölçeği (HAM-D)

Hamilton Depresyon Derecelendirme Ölçeği, kısaltılmış HDRS, HRSD veya HAM-D, bireylerde tedaviden önce, tedavi sırasında ve sonrasında depresyonu ölçer. Ölçek bir sağlık profesyoneli tarafından uygulanır ve 21 madde içerir, ancak 5 puanlık veya 3 puanlık ölçeklerde ölçülen ilk 17 maddeye göre puanlanır. Tamamlanması ve puanlanması 15 ila 20 dakika sürer.


Hamilton, M. (1960). Depresyon için bir derecelendirme ölçeği. Nöroloji, Nöroşirürji ve Psikiyatri Dergisi, 23, 56-61. http://dx.doi.org/0.1136/jnnp.23.1.56

Trajković, G., Starcevic, V., Latas, M., Leštarević, M., Ille, T., Bukumirić, Z., & Marinković, J. (2011). Hamilton Depresyon Derecelendirme Ölçeğinin Güvenilirliği: 49 yıllık bir süreyi kapsayan bir meta-analiz. Psikiyatri Araştırması, 189(1), 1-9. http://dx.doi.org/10.1016/j.psychres.2010.12.007

Daha fazla bilgi

Nasıl Erişilir

Montgomery-Åsberg Depresyon Derecelendirme Ölçeği (MADRS)

10 maddelik Montgomery-Åsberg Depresyon Derecelendirme Ölçeği (MADRS), 18 yaş ve üzeri bireylerde depresyonun şiddetini ölçer. Her madde 7 puanlık bir ölçekte derecelendirilir. Ölçek, Hamilton Depresyon Derecelendirme Ölçeği'nin bir uyarlamasıdır ve zamanla değişime karşı daha duyarlıdır. Ölçek 20 ila 30 dakika arasında tamamlanabilir.


Montgomery, S.A. ve Åsberg, M. (1979). Değişime duyarlı olacak şekilde tasarlanmış yeni bir depresyon ölçeği. İngiliz Psikiyatri Dergisi, 134, 382-389. http://dx.doi.org/0.1192/bjp.134.4.382

Davidson, J., Turnbull, C.D., Strickland, R., Miller, R., & Graves, K. (1986). Montgomery-Åsberg Depresyon Ölçeği: Güvenilirlik ve geçerlilik. Acta Psychiatrica Scandinavica, 73(5), 544-548. https://doi.org/10.1111/j.1600-0447.1986.tb02723.x

Daha fazla bilgi

Nasıl Erişilir

Tüm geliştirmeler ve çeviriler dahil olmak üzere ölçeğin telif hakkı vardır: © Stuart Montgomery 1978, Measures of Depression, Fulcrum Press, Londra.

Sosyal Problem Çözme Envanteri-Revize (SPSI-RTM)

Gözden Geçirilmiş Sosyal Problem Çözme Envanteri (SPSI-RTM), 13 yaş ve üzerindeki bireylerin sosyal problem çözme güçlü ve zayıf yönlerinin öz bildirim ölçüsüdür. Revize edilmiş versiyonun hem uzun formu (52 soru) hem de kısa formu (25 soru) vardır. Tamamlanması 10 ila 20 dakika sürer.


D'Zurilla, T.J., & Nezu, A.M. (1990). Sosyal Problem Çözme Envanteri'nin geliştirilmesi ve ön değerlendirmesi. Psikolojik Değerlendirme: Danışmanlık ve Klinik Psikoloji Dergisi, 2(2), 156-163. http://dx.doi.org/10.1037/1040-3590.2.2.156

D'Zurilla, T.J., Nezu, A.M. ve Maydeu-Olivares, A. (2002). Sosyal problem çözme envanteri - revize edildi (SPSI-R). Kuzey Tonawanda, New York: Çoklu Sağlık Sistemleri.

Daha fazla bilgi

Nasıl Erişilir


İçindekiler

Madde yanıt fonksiyonu kavramı 1950'den önceydi. Bir teori olarak MTK'nın öncü çalışması 1950'ler ve 1960'larda gerçekleşti. Öncülerden üçü Educational Testing Service psikometristi Frederic M. Lord, [4] Danimarkalı matematikçi Georg Rasch ve bağımsız olarak paralel araştırmalar yürüten Avusturyalı sosyolog Paul Lazarsfeld idi.IRT'nin ilerlemesini ilerleten kilit isimler arasında Benjamin Drake Wright ve David Andrich yer alıyor. IRT, bir yandan uygulayıcılara IRT'nin "yararlılığı" ve "avantajları"nın söylendiği ve diğer yandan kişisel bilgisayarların birçok araştırmacıya IRT için gerekli bilgi işlem gücüne erişmesini sağladığı 1970'lerin ve 1980'lerin sonlarına kadar yaygın olarak kullanılmadı.

Diğer şeylerin yanı sıra, IRT'nin amacı, değerlendirmelerin ne kadar iyi çalıştığını ve değerlendirmelerdeki bireysel öğelerin ne kadar iyi çalıştığını değerlendirmek için bir çerçeve sağlamaktır. IRT'nin en yaygın uygulaması, psikometristlerin bunu sınavları geliştirmek ve tasarlamak, sınavlar için madde bankalarını korumak ve sınavların ardışık versiyonları için maddelerin zorluklarını eşitlemek (örneğin, zaman içinde sonuçlar arasında karşılaştırmalara izin vermek için) için kullandığı eğitimdir. . [5]

IRT modelleri genellikle şu şekilde adlandırılır: gizli özellik modelleri. Dönem gizli ayrık madde yanıtlarının alındığını vurgulamak için kullanılır. gözlemlenebilir belirtiler doğrudan gözlemlenmeyen, ancak açık yanıtlardan çıkarılması gereken varsayımsal özellikler, yapılar veya nitelikler. Gizli özellik modelleri sosyoloji alanında geliştirilmiştir, ancak IRT modelleriyle hemen hemen aynıdır.

IRT'nin genellikle klasik test teorisine (CTT) göre bir gelişme olduğu iddia edilir. CTT kullanılarak gerçekleştirilebilecek görevler için, IRT genellikle daha fazla esneklik sağlar ve daha karmaşık bilgiler sağlar. Bilgisayarlı uyarlamalı testler gibi bazı uygulamalar, IRT tarafından etkinleştirilir ve yalnızca klasik test teorisi kullanılarak makul şekilde gerçekleştirilemez. IRT'nin CTT'ye göre bir başka avantajı, IRT'nin sağladığı daha karmaşık bilgilerin, bir araştırmacının bir değerlendirmenin güvenilirliğini geliştirmesine izin vermesidir.

IRT üç varsayımı gerektirir:

Özelliğin ayrıca bir ölçekte ölçülebilir olduğu varsayılır (sadece bir testin varlığı bunu varsayar), tipik olarak ortalama 0.0 ve standart sapma 1.0 ile standart bir ölçeğe ayarlanır. Tek boyutluluk, homojenlik, belirli bir amaç veya kullanımla ilgili olarak tanımlanması veya ampirik olarak gösterilmesi gereken, ancak ölçülebilen bir nicelik olmayan bir kalite olarak yorumlanmalıdır. 'Yerel bağımsızlık', (a) bir öğenin kullanılma şansının, kullanılan diğer öğe(ler) ile ilgili olmadığı ve (b) bir öğeye verilen yanıtın her bir test katılımcısının bağımsız kararı olduğu anlamına gelir, yani, hile, çift veya grup çalışması yoktur. Boyutluluk konusu genellikle faktör analizi ile araştırılırken, IRF, IRT'nin temel yapı taşıdır ve araştırma ve literatürün çoğunun merkezidir.

IRF, belirli bir yetenek seviyesine sahip bir kişinin doğru cevap verme olasılığını verir. Yeteneği düşük olan kişilerin şansı daha azken, yüksek yeteneği olan kişilerin doğru cevap verme olasılığı çok yüksektir, örneğin matematik becerisi yüksek olan öğrencilerin bir matematik öğesini doğru bulma olasılığı daha yüksektir. Olasılığın tam değeri, yeteneğe ek olarak, bir dizi öğe parametreleri IRF için.

Üç parametreli lojistik model

Örneğin, üç parametreli lojistik model (3PL), ikili bir öğeye doğru yanıt verme olasılığı ben, genellikle çoktan seçmeli bir sorudur:

Öğe parametreleri, standart lojistik işlevin şeklini değiştiriyor olarak yorumlanabilir:

Kısaca, parametreler aşağıdaki gibi yorumlanır (okunabilirlik için abonelikler düşürülür) B en temeldir, bu nedenle ilk olarak listelenir:

IRT modelleri, puanlanan yanıtların sayısına göre de kategorize edilebilir. Tipik çoktan seçmeli öğe, ikili dört veya beş seçenek olsa da yine de sadece doğru/yanlış (doğru/yanlış) şeklinde puanlanır. Başka bir model sınıfı için geçerlidir çok eşli her yanıtın farklı bir puan değerine sahip olduğu sonuçlar. [7] [8] Bunun yaygın bir örneği Likert tipi maddelerdir, örneğin, "1'den 5'e kadar bir ölçekte derecelendirin."

IRT parametresi sayısı Düzenle

1PL, sadece tahminin mevcut olmadığını (veya alakasız olduğunu) değil, aynı zamanda tüm maddeler için aynı yüklere sahip ortak bir faktör analizine benzer şekilde, tüm maddelerin ayrım açısından eşdeğer olduğunu varsaymaktadır. Bireysel öğeler veya bireyler ikincil faktörlere sahip olabilir, ancak bunların karşılıklı olarak bağımsız ve toplu olarak dik olduğu varsayılır.

Lojistik ve normal IRT modelleri Düzenle

Alternatif bir formülasyon, IRF'leri normal olasılık dağılımına dayalı olarak oluşturur ve bunlara bazen denir. normal oje modelleri. Örneğin, iki parametreli normal bir IRF formülü şu şekildedir:

nerede Φ standart normal dağılımın kümülatif dağılım fonksiyonudur (CDF).

Öğeler arasındaki bir tetrakorik korelasyon matrisini faktör analizi yaparak normal-give gizli bir özellik modeli tahmin edilebilir. [10] Bu, genel amaçlı istatistiksel yazılım kullanarak basit bir IRT modelini tahmin etmenin teknik olarak mümkün olduğu anlamına gelir.

Yetenek parametresinin yeniden ölçeklendirilmesiyle, 2PL lojistik modelinin kümülatif normal değere yakın bir şekilde yaklaşmasını sağlamak mümkündür. Tipik olarak, 2PL lojistik ve normal-give IRF'leri, fonksiyon aralığı boyunca olasılık bakımından 0,01'den fazla olmayan farklılık gösterir. Fark, ancak sonuçlar üzerinde daha fazla etkiye sahip olma eğiliminde olan dağıtım kuyruklarında en fazladır.

Gizli özellik/IRT modeli orijinal olarak normal ogiveler kullanılarak geliştirildi, ancak bunun o zamanlar (1960'lar) bilgisayarlar için hesaplama açısından çok zorlayıcı olduğu düşünülüyordu. Lojistik model daha basit bir alternatif olarak önerildi ve o zamandan beri geniş bir kullanımdan keyif aldı. Ancak daha yakın zamanlarda, normal CDF'ye standart polinom yaklaşımlarının kullanılmasının,, [11] normal-ogive modeli, lojistik modellerden daha fazla hesaplama gerektirmemektedir. [12]

Rasch modeli Düzenle

Rasch modeli genellikle 1PL IRT modeli olarak kabul edilir. Bununla birlikte, Rasch modellemenin savunucuları, onu veri ve teori arasındaki ilişkiyi kavramsallaştırmaya yönelik tamamen farklı bir yaklaşım olarak görmeyi tercih ederler. [13] Diğer istatistiksel modelleme yaklaşımları gibi, IRT de bir modelin gözlemlenen verilere uygunluğunun önceliğini vurgularken, [14] Rasch modeli temel ölçüm için gereksinimlerin önceliğini vurgularken, yeterli veri-model uyumu önemli ancak bir özelliği ölçmek için bir test veya araştırma aracından önce karşılanması gereken ikincil gereksinimdir. [15] Operasyonel olarak bu, IRT yaklaşımlarının verilerde gözlemlenen kalıpları yansıtmak için ek model parametreleri içerdiği anlamına gelir (örneğin, öğelerin gizil özellik ile korelasyonlarının değişmesine izin verilmesi), oysa Rasch yaklaşımında, Gizli bir özellik, yalnızca (a) veriler Rasch modeline uyduğunda ve (b) test öğeleri ve incelenenler modele uyduğunda geçerli kabul edilebilir. Bu nedenle, Rasch modelleri altında, uyumsuz yanıtlar, uyumsuzluğun nedeninin teşhisini gerektirir ve gizli özelliği neden ele almadıklarını önemli ölçüde açıklayabilirse, veri kümesinden çıkarılabilir. [16] Böylece, Rasch yaklaşımı, gözlemlenen verileri modellemeye çalışan keşfedici yaklaşımların aksine, doğrulayıcı bir yaklaşım olarak görülebilir.

Bir tahmin veya sözde şans parametresinin varlığı veya yokluğu, önemli ve bazen tartışmalı bir ayrımdır. IRT yaklaşımı, çoktan seçmeli incelemelerde tahmin etmeyi hesaba katan bir sol asimptot parametresi içerirken, Rasch modeli, tahminin verilere rastgele dağıtılmış gürültü eklediğini varsaydığı için içermez. Gürültü rastgele dağıtıldığından, yeterli sayıda öğenin test edilmesi koşuluyla, kişilerin gizli özellik boyunca ham puana göre sıralamasının değişmeyeceği, ancak doğrusal bir yeniden ölçeklendirmeye tabi tutulacağı varsayılır. Buna karşılık, üç parametreli IRT, belirli nesnellikten ödün verme pahasına, verilere uyan bir model seçerek [17] veri-model uyumuna ulaşır.

Uygulamada, Rasch modelinin IRT yaklaşımına kıyasla en az iki temel avantajı vardır. İlk avantaj, (karşılandığında) sağlayan Rasch'ın özel gereksinimlerinin [18] önceliğidir. temel kişisiz ölçüm (kişilerin ve öğelerin aynı değişmez ölçekte haritalanabildiği yer). [19] Rasch yaklaşımının bir başka avantajı, Rasch modellerinde, yeterli istatistiklerin bulunması nedeniyle parametrelerin tahmin edilmesinin daha kolay olmasıdır; bu uygulamada, ham sayı-doğru puanların Rasch'a bire bir eşlenmesi anlamına gelir θ < displaystyle < heta >> tahminler. [20]

Matematiksel modellerin herhangi bir kullanımında olduğu gibi, verilerin modele uygunluğunu değerlendirmek önemlidir. Maddenin herhangi bir modele uymaması, örneğin çoktan seçmeli bir testte kafa karıştırıcı çeldiriciler gibi düşük madde kalitesi nedeniyle teşhis edilirse, maddeler o test formundan çıkarılabilir ve gelecekteki test formlarında yeniden yazılabilir veya değiştirilebilir. Bununla birlikte, belirgin bir uyumsuzluk nedeni olmaksızın çok sayıda uyumsuz öğe meydana gelirse, testin yapı geçerliliğinin yeniden gözden geçirilmesi ve test özelliklerinin yeniden yazılması gerekebilir. Böylece, misfit, test geliştiricileri için paha biçilmez tanılama araçları sağlayarak, test spesifikasyonlarının dayandığı hipotezlerin verilere karşı ampirik olarak test edilmesine olanak tanır.

Ki-kare istatistiği veya bunun standart bir versiyonu gibi uyumu değerlendirmek için çeşitli yöntemler vardır. İki ve üç parametreli IRT modelleri, öğe ayrımını ayarlayarak gelişmiş veri modeli uyumu sağlar, bu nedenle uyum istatistikleri, idealleştirilmiş modelin önceden belirtildiği tek parametreli modellerde bulunan doğrulayıcı tanı değerinden yoksundur.

Veriler, modele uyumsuzluk temelinde değil, daha çok, anadili İngilizce olmayan birinin İngilizce yazılmış bir bilim sınavına girmesi gibi, yapıyla ilgili bir uyumsuzluk nedeni teşhis edildiğinden kaldırılmalıdır. Böyle bir adayın, testin boyutuna bağlı olarak aynı popülasyona ait olmadığı iddia edilebilir ve bir parametre IRT ölçümlerinin örneklemden bağımsız olduğu iddia edilse de, bunlar popülasyondan bağımsız değildir, bu nedenle uyumsuzluk şu şekildedir: uygun inşa eder ve testi veya modeli geçersiz kılmaz. Böyle bir yaklaşım, araç doğrulamasında önemli bir araçtır. Psikometrik modelin verilere uyacak şekilde ayarlandığı iki ve üç parametreli modellerde, her uygulamadan alınan puanların genelleştirildiği hipotezini doğrulamak için testin gelecekteki uygulamalarının ilk doğrulamada kullanılan aynı modele uygunluğu kontrol edilmelidir. diğer yönetimlere. Veri-model uyumunu sağlamak için her uygulama için farklı bir model belirtilirse, farklı bir gizli özellik ölçülmekte ve test puanlarının uygulamalar arasında karşılaştırılabilir olduğu söylenemez.

Madde yanıt teorisinin en önemli katkılarından biri, güvenirlik kavramının genişletilmesidir. Geleneksel olarak güvenilirlik, ölçümün kesinliği anlamına gelir (yani, ölçümün hatasız olma derecesi). Geleneksel olarak, gerçek ve gözlemlenen puan varyansının oranı gibi çeşitli şekillerde tanımlanan tek bir endeks kullanılarak ölçülür. Bu indeks, örneğin iki testi karşılaştırmak için bir testin ortalama güvenilirliğini karakterize etmede yardımcı olur. Ancak IRT, kesinliğin tüm test puanları aralığında tek tip olmadığını açıkça ortaya koymaktadır. Örneğin, test aralığının kenarlarındaki puanlar, genellikle, aralığın ortasına yakın puanlardan daha fazla hataya sahiptir.

Madde yanıt teorisi, güvenilirliğin yerini almak için madde ve test bilgisi kavramını ilerletir. Bilgi aynı zamanda bir işlev model parametrelerinin Örneğin, Fisher bilgi teorisine göre, ikili yanıt verileri için 1PL durumunda sağlanan öğe bilgisi, basitçe doğru yanıtın olasılığı ile yanlış yanıtın olasılığı çarpımıdır veya,

Standart tahmin hatası (SE), belirli bir özellik düzeyindeki test bilgilerinin karşılığıdır,

Böylece daha fazla bilgi, daha az ölçüm hatası anlamına gelir.

İki ve üç parametreli modeller gibi diğer modeller için, ayrım parametresi fonksiyonda önemli bir rol oynar. İki parametreli model için öğe bilgisi işlevi,

Üç parametreli model için öğe bilgisi işlevi,

Genel olarak, madde bilgi işlevleri çan şeklinde görünme eğilimindedir. Yüksek düzeyde ayırt edici öğeler, büyük ölçüde katkıda bulundukları ancak dar bir aralıkta oldukları uzun, dar bilgi işlevlerine sahiptir. Daha az ayırt edici öğeler daha az bilgi sağlar, ancak daha geniş bir aralıkta.

Bir maddenin ne kadar bilgiye katkıda bulunduğunu ve ölçek puan aralığının hangi kısmına katkıda bulunduğunu görmek için madde bilgisi grafikleri kullanılabilir. Yerel bağımsızlık nedeniyle, ürün bilgisi işlevleri toplamsaldır. Bu nedenle, test bilgisi işlevi, sınavdaki öğelerin bilgi işlevlerinin toplamıdır. Bu özelliği büyük bir madde bankası ile kullanarak, ölçüm hatasını çok hassas bir şekilde kontrol etmek için test bilgi fonksiyonları şekillendirilebilir.

Test puanlarının doğruluğunu karakterize etmek belki de psikometrik teorideki temel konudur ve IRT ile CTT arasındaki temel farktır. IRT bulguları, CTT güvenilirlik kavramının bir basitleştirme olduğunu ortaya koymaktadır. Güvenilirlik yerine IRT, farklı teta değerlerinde, θ kesinlik derecesini gösteren test bilgisi fonksiyonunu sunar.

Bu sonuçlar, psikometristlerin (potansiyel olarak) dikkatle seçilmiş öğeleri dahil ederek farklı yetenek aralıkları için güvenilirlik seviyesini dikkatlice şekillendirmelerine izin verir. Örneğin, bir testin yalnızca geçilebileceği veya başarısız olabileceği, yalnızca tek bir "kesme puanı"nın olduğu ve gerçek geçme puanının önemsiz olduğu bir sertifikasyon durumunda, yalnızca en iyi puana sahip maddeler seçilerek çok verimli bir test geliştirilebilir. kesme puanına yakın yüksek bilgi. Bu maddeler genellikle zorluğu kesme puanınınkiyle hemen hemen aynı olan maddelere karşılık gelir.

Kişi parametresinin tahmini - IRT ile bir testteki "puan" - sayı veya doğru yüzde gibi geleneksel puanlara kıyasla çok farklı bir şekilde hesaplanır ve yorumlanır. Bireyin toplam sayı-doğru puanı gerçek puan değil, daha çok IRF'lere dayanmaktadır ve model madde ayırt edicilik parametreleri içerdiğinde ağırlıklı bir puana yol açmaktadır. Aslında, bir sonuç elde etmek için her bir madde için madde yanıt fonksiyonunun çarpılmasıyla elde edilir. olasılık fonksiyonu, en yüksek noktası olan maksimum olabilirlik tahmini of θ > . Bu en yüksek nokta tipik olarak Newton–Raphson yöntemi kullanılarak IRT yazılımıyla tahmin edilir. [23] IRT ile puanlama çok daha karmaşık olsa da, çoğu test için teta tahmini ile geleneksel puan arasındaki (doğrusal) korelasyon çok yüksektir ve genellikle .95 veya daha fazladır. Geleneksel puanlara karşı IRT puanlarının bir grafiği, IRT'nin aralığın sınırlarındaki ayrı bireyleri ortada olduğundan daha fazla tahmin ettiğini ima eden bir ogive şekli gösterir.

CTT ve IRT arasındaki önemli bir fark, standart ölçüm hatasıyla endekslenen ölçüm hatasının işlenmesidir. Tüm testler, anketler ve envanterler, bir kişinin ne anlama geldiğini asla bilemeyeceğimiz kesin olmayan araçlardır. gerçek puan, ancak bunun yerine yalnızca bir tahmine sahip olmak, gözlemlenen puan Gözlemlenen puanı gerçek puandan daha yükseğe veya aşağıya itebilecek bir miktar rastgele hata vardır. CTT, her sınav katılımcısı için hata miktarının aynı olduğunu varsayar, ancak IRT bunun değişmesine izin verir. [24]

Ayrıca, IRT ile ilgili hiçbir şey insani gelişmeyi veya gelişmeyi reddetmez veya bir özellik seviyesinin sabit olduğunu varsaymaz. Bir kişi, becerileri, bilgileri ve hatta daha yüksek bir gerçek puana dönüşebilecek "test yapma becerileri" olarak adlandırılan becerileri öğrenebilir. Aslında, IRT araştırmasının bir kısmı, özellik düzeyindeki değişimin ölçümüne odaklanır. [25]

Klasik test teorisi (CTT) ve IRT, büyük ölçüde aynı problemlerle ilgilidir, ancak farklı teori yapılarıdır ve farklı yöntemler gerektirir. İki paradigma genel olarak tutarlı ve tamamlayıcı olsa da, birkaç farklı nokta vardır:

  • IRT, CTT'den daha güçlü varsayımlarda bulunur ve çoğu durumda buna uygun olarak öncelikle hata karakterizasyonları olan daha güçlü bulgular sağlar. Tabii ki, bu sonuçlar yalnızca IRT modellerinin varsayımları gerçekten karşılandığında geçerlidir.
  • CTT sonuçları önemli pratik sonuçlara izin vermiş olsa da, IRT'nin model tabanlı yapısı, benzer CTT bulgularına göre birçok avantaj sağlar.
  • CTT test puanlama prosedürlerinin hesaplanması (ve açıklaması) basit olma avantajına sahipken, IRT puanlaması genellikle nispeten karmaşık tahmin prosedürleri gerektirir.
  • IRT, öğelerin ve kişilerin ölçeklenmesinde çeşitli iyileştirmeler sağlar. Ayrıntılar, IRT modeline bağlıdır, ancak çoğu model, öğelerin zorluğunu ve insanların yeteneklerini aynı metriğe göre ölçeklendirir. Böylece bir öğenin zorluğu ile bir kişinin yeteneği anlamlı bir şekilde karşılaştırılabilir.
  • IRT tarafından sağlanan bir başka gelişme, IRT modellerinin parametrelerinin genellikle numuneye veya teste bağlı olmaması, buna karşın gerçek puanın CTT'de belirli bir test bağlamında tanımlanmasıdır. Böylece IRT, farklı numunelerin veya test formlarının kullanıldığı durumlarda önemli ölçüde daha fazla esneklik sağlar. Bu IRT bulguları, bilgisayarlı uyarlanabilir testler için temel niteliğindedir.

CTT ve IRT arasındaki, kavramlar arasındaki uyumu anlamaya yardımcı olan bazı özel benzerliklerden de bahsetmeye değer. İlk olarak Lord [26], θ 'nın normal dağıldığı varsayımı altında, 2PL modelindeki ayrımcılığın nokta-çift seri korelasyonunun yaklaşık olarak monotonik bir fonksiyonu olduğunu gösterdi. Özellikle:

Diğer bir benzerlik, IRT'nin her tahmin için standart bir hata ve bir bilgi fonksiyonu sağlamasına rağmen, bir bütün olarak bir test için doğrudan Cronbach alfasına benzeyen bir indeks elde etmenin de mümkün olmasıdır. ayırma indeksi. Bunu yapmak için, gözlemlenen bir puanın CTT'deki gerçek puan ve hataya ayrıştırılmasına benzer şekilde, bir IRT tahmininin gerçek bir konum ve hataya ayrıştırılmasıyla başlamak gerekir. İzin vermek

IRT bazen denir güçlü gerçek puan teorisi veya modern zihinsel test teorisi çünkü daha yeni bir teori bütünüdür ve CTT içinde örtük olan hipotezleri daha açık hale getirir.

  1. ^ Eğitimde Ölçüm Ulusal Konseyi http://www.ncme.org/ncme/NCME/Resource_Center/Glossary/NCME/Resource_Center/Glossary1.aspx?hkey=4bb87415-44dc-4088-9ed9-e8515326a061#anchorIArchived 2017-07-22 Wayback Machine'de
  2. ^ A. van Alphen, R. Halfens, A. Hasman ve T. Imbos. (1994). Likert mi Rasch mı? Hiçbir şey iyi teoriden daha uygulanabilir değildir. İleri Hemşirelik Dergisi. 20, 196-201
  3. ^ Embretson, Susan E. Reise, Steven P. (2000). Psikologlar için Madde Tepki Kuramı. Psikoloji Basın. ISBN9780805828191 .
  4. ^ETS Araştırmasına Genel Bakış
  5. ^ Hambleton, R.K., Swaminathan, H. ve Rogers, H.J. (1991). Madde Tepki Teorisinin Temelleri. Newbury Park, CA: Adaçayı Basın.
  6. ^
  7. Bock, R.D. Aitkin, M. (1981). "Öğe parametrelerinin marjinal maksimum olabilirlik tahmini: bir EM algoritmasının uygulanması". psikometrik. 46 (4): 443–459. doi:10.1007/BF02293801.
  8. ^
  9. Ostini, Remo Nering, Michael L. (2005). Politomlu Madde Tepki Kuramı Modelleri. Sosyal Bilimlerde Nicel Uygulamalar. 144. ADAÇAYI. ISBN978-0-7619-3068-6 .
  10. ^
  11. Nering, Michael L. Ostini, Remo, ed. (2010). Çok eşli madde tepki teorisi modelleri el kitabı. Taylor ve Francis. ISBN978-0-8058-5992-8 .
  12. ^ Thissen, D. & Orlando, M. (2001). İki kategoride puanlanan maddeler için madde yanıt teorisi. D. Thissen & Wainer, H. (Ed.), Test Puanlaması (s. 73-140). Mahwah, NJ: Lawrence Erlbaum Associates, Inc.
  13. ^K.G. Jöreskog ve D. Sörbom(1988). PRELIS 1 kullanıcı kılavuzu, sürüm 1. Chicago: Bilimsel Yazılım, Inc.
  14. ^ Abramowitz M., Stegun I.A. (1972). Matematiksel Fonksiyonlar El Kitabı. Washington DC: ABD Hükümeti Basım Ofisi.
  15. ^
  16. Ubersax, J.S. (Aralık 1999). "İki veya sıralı kategori ölçümleriyle gizli sınıf analizini yasaklayın: koşullu bağımsızlık/bağımlılık modelleri". Uygulamalı Psikolojik Ölçüm. 23 (4): 283–297. doi:10.1177/01466219922031400.
  17. ^ Andrich, D (1989), Sosyal bilimlerde ölçümde varsayımlar ve gereksinimler arasındaki ayrımlar", içinde Keats, J.A, Taft, R., Heath, R.A, Lovibond, S (Eds), Matematiksel ve Teorik Sistemler, Elsevier Science Publishers, Kuzey Hollanda, Amsterdam, s.7-16.
  18. ^ Steinberg, J. (2000). Test Ölçütünü Tasarlayan Frederic Lord, 87 Yaşında Öldü. New York Times, 10 Şubat 2000
  19. ^
  20. Andrich, D. (Ocak 2004). "Tartışma ve Rasch modeli: uyumsuz paradigmaların bir özelliği mi?". Tıbbi bakım. 42 (1): I–7. doi:10.1097/01.mlr.0000103528.48582,7c. PMID14707751.
  21. ^
  22. Smith, R.M. (1990). "Teori ve uyum pratiği". Rasch Ölçüm İşlemleri. 3 (4): 78.
  23. ^
  24. Zwick, R. Thayer, D.T. Wingersky, M. (Aralık 1995). "Bilgisayar uyarlamalı testlerde Rasch kalibrasyonunun yetenek ve DIF tahmini üzerindeki etkisi". Eğitim Ölçümü Dergisi. 32 (4): 341-363. doi:10.1111/j.1745-3984.1995.tb00471.x.
  25. ^ Rasch, G. (1960/1980). Bazı zeka ve kazanım testleri için olasılık modelleri. (Kopenhag, Danimarka Eğitim Araştırmaları Enstitüsü), genişletilmiş baskı (1980), B.D. Wright. Chicago: Chicago Press Üniversitesi.
  26. ^
  27. Wright, B.D. (1992). "1990'larda IRT: Hangi Modeller En İyi Çalışır?". Rasch Ölçüm İşlemleri. 6 (1): 196–200.
  28. ^ Fischer, G.H. & Molenaar, I.W. (1995). Rasch Modelleri: Temeller, Son Gelişmeler ve Uygulamalar. New York: Springer.
  29. ^ de Ayala, R.J. (2009). Madde Tepki Teorisi Teorisi ve Uygulaması, New York, NY: Guilford Press. (6.12), s.144
  30. ^ Lazarsfeld P.F ve Henry N.W. (1968). Gizli Yapı Analizi. Boston: Houghton Mifflin.
  31. ^
  32. Thompson, NA (2009). "IRT ile yetenek tahmini" (PDF) .
  33. ^
  34. Kolen, Michael J. Zeng, Lingjia Hanson, Bradley A. (Haziran 1996). "IRT Kullanarak Ölçek Puanları için Koşullu Standart Ölçüm Hataları". Eğitim Ölçümü Dergisi. 33 (2): 129–140. doi:10.1111/j.1745-3984.1996.tb00485.x.
  35. ^ Hall, L.A. ve McDonald, J.L. (2000). Öğretmenlerin Kadro Gelişiminin Öğretim Üzerindeki Etkisine İlişkin Algılarındaki Değişimin Ölçülmesi. American Educational Research Association'ın Yıllık Toplantısında sunulan bildiri (New Orleans, LA, 24-28 Nisan 2000).
  36. ^ Tanrım, F.M. (1980). Madde yanıt teorisinin pratik test problemlerine uygulamaları. Mahwah, NJ: Lawrence Erlbaum Associates, Inc.
  37. ^
  38. Andrich, D. (1982). "Gizli özellik teorisinde, geleneksel KR.20 endeksinde ve Guttman ölçeği yanıt modelinde bir kişi ayrımı endeksi". Eğitim Araştırmaları ve Perspektifler. 9: 95–104.

Madde yanıt teorisini ele alan veya IRT veya IRT benzeri modeller içeren birçok kitap yazılmıştır. Bu, daha fazla derinlik sağlayan metinlere odaklanan kısmi bir listedir.


Demografik anketler nasıl kullanılır?

SurveyMonkey demografik anketleri, kamu ve özel sektördeki sektörlerdeki kullanıcılara herhangi bir hedef kitle hakkında alakalı bilgiler sağlayabilir. Ayrıca, gelir, cinsiyet, konum ve diğer faktörlere göre farklı ihtiyaçları olan kitleleri segmentlere ayırmanıza yardımcı olabilir. İşte demografik araştırmanın büyük bir fark yaratabileceği birkaç alan:

Pazar araştırması

Demografik ve psikografik veriler, ürün ve hizmet tekliflerini şekillendirmenize, promosyonları ve fiyatlandırmayı belirlemenize ve müşteri gruplarını ihtiyaç ve ilgi alanlarına göre sıralamanıza yardımcı olabilir. Genç, bekar erkekler ve kadınlar, örneğin evli erkekler ve genç aileleri olan kadınlardan farklı ilgi alanlarına ve daha fazla harcanabilir gelire sahip olma eğilimindedir. Sizinki bir tuğla-harç kuruluşuysa, komşularınızı tanımak özellikle iyidir. İşletmenizi çevrimiçi olarak yürütüyorsanız, meslek, eğitim geçmişi ve dil yeterliliği gibi diğer demografik bilgiler daha önemli olacaktır. (Daha fazlası için, kendin yap pazar araştırması için nihai kılavuzumuza göz atın.)

Akademik araştırma

Belirli popülasyonlara odaklanan araştırma projeleri oluştururken, hedef kitlelerinizi doğru bir şekilde tanımladığınızı doğrulamak için demografik anketleri kullanın. Belirli bir demografiye ulaşmak için yardıma ihtiyacınız varsa, SurveyMonkey Audience araştırmanız için doğru yanıtlayanları bulmanıza yardımcı olabilir. Demografik ve psikografik anket sorularını daha geniş araştırmanıza dahil edin, "kontrol" popülasyonları ve temel veriler oluşturun. Araştırma tekliflerinde ve hibe başvurularında ilgili demografik verileri kullanın.

Sağlık hizmeti

Hastalarınız ortak sağlık sorunları olan bir etnik gruba mı ait? Hangi sosyo-ekonomik faktörler hastalarınızın sağlığını ve esenliğini etkileyebilir? Daha geniş bir topluluk veya çevre bağlamında kimi tedavi ettiğinizi anlamak için demografik anketleri ve sağlık anketlerini kullanın. Hassas sağlık bilgileri toplamak istiyorsanız, anketlerinizin HIPAA ile uyumlu olduğundan emin olun.

Eğitim

Cinsiyet, gelir, ırk, öğrenci ilişkisi ve daha fazlası hakkında demografik sorularla okul topluluğunuzun yapısını keşfedin. Okul bölgenizdeki eğitim ihtiyaçları hakkında bilgi edinin ve okul programlarının ve finansmanın tüm öğrencilerinizi desteklediğinden emin olun.

Toplum ve inanç temelli kurumlar

Topluluğunuzun nasıl çalıştığını daha iyi anlamak için demografik anketleri kullanın. Daha fazla ambulansa veya ev içi hizmetlere ihtiyaç duyabilecek birçok yaşlı insanla birlikte topluluğunuzun bir kısmı daha mı yaşlı? İlkokul çağında çocukları olan genç ailelerinizin çoğu nerede yaşıyor ve güvenli bisiklet yolları ve yakınlarda halka açık parklar var mı? Kiliseniz veya sinagogunuz sizi çevreleyen toplumun ihtiyaçlarını karşılıyor mu? Ortak normlara karşı etik tutumlarını anlayın. Belirli mahalle bilgileri için anonimleştirilmiş yanıtlarla demografik anketleri kullanın.

Kar amacı gütmeyen programlar

Kâr amacı gütmeyen programınızdan en fazla yararlanabilecek kişileri tanıyın. Demografi bilgileri, doğal afetlerden etkilenen bölgelerdeki insanlara yardım sağlamanıza, kaynakları yetersiz hizmet alan kişilere dağıtmanıza veya ciddi sağlık sorunları olan aileler için programlar yürütmenize yardımcı olabilir. Birçok kar amacı gütmeyen program, belirli demografik popülasyonların ihtiyaçlarına yöneliktir. seninkini anlıyor musun Değişiyor mu? Yaşlanmak mı? Hareketli? Programlarınızın hizmet verdiğiniz kişilerin gelişen ihtiyaçlarına uygun olduğundan emin olmak için zaman zaman demografik anketleri kullanın.


İyi yazılmış demografik öğeler nasıl elde edilir? - Psikoloji

İstatistiğin amacı, verileri kolay tanımlamalara veya çıkarımlara izin verecek şekilde özetlemektir.

Öğrenme hedefleri

Merkezi eğilim ve değişkenliği ölçmek için kullanılan tanımlayıcı istatistikleri açıklayın

Önemli Çıkarımlar

Anahtar noktaları

  • Ortalama, bir veri setinin ortalama değeridir. Veri setinde (1, 3, 3, 4, 5, 6) ortalama, veri setinin (1+3+3+4+5+6 = 22) tüm değerlerinin toplamı, bölünmüş olacaktır. bu veri seti için ortalama 3.66 veren toplam değer sayısı (6) ile.
  • Medyan, sıralı bir veri kümesinin ortasında bulunan değerdir. Küçükten büyüğe doğru sıralanan veri kümesinde (1, 3, 3, 4, 5, 6) medyan, 3 ve 4 kümesinin ortadaki iki sayısı arasında bulunan değer olacaktır. veri seti 3.5'tir.
  • Mod, bir veri kümesindeki en yaygın değerdir. Veri setinde (1, 3, 3, 4, 5, 6) 3 moddur çünkü en çok görünen değerdir.
  • Aralık, genellikle bulunan en yüksek değerden en küçüğü çıkarılarak bulunan bir veri kümesinin en yüksek ve en düşük değerleri arasındaki farktır. Veri setinde (1, 3, 3, 4, 5, 6) aralık 6-1 = 5'tir.
  • Varyans, bir veri setinin ortalama sapma karesidir, yani toplam popülasyona bölünen ortalama sapmalarının karelerinin toplamıdır.
  • Standart sapma, varyansın karekökü olarak hesaplanır. Ortaya çıkan bu miktar, varyansı yorumlamak için belirli sınırlamaların üstesinden gelen orijinal değerlerle aynı birimlerdedir.

Anahtar terimler

  • standart sapma: Matematiksel olarak varyansın karekökü olarak tanımlanan, veri değerlerinin ortalama etrafında nasıl dağıldığının bir ölçüsü.
  • oran: Genellikle kesir, yüzde veya ondalık olarak gösterilen iki miktarın karşılaştırmasını temsil eden bir sayı.
  • sıralı: Birinci, ikinci veya üçüncü gibi bir dizide bir sayının göründüğü konum.

İstatistik, sayısal verilerin toplanması, analizi, yorumlanması ve sunumu ile ilgilenir. Deneysel bir çalışmadan veriler toplandıktan sonra, analiz edilmek üzere bir tür -genellikle sayısal- biçime sokulmalıdır. İstatistiğin amacı, verileri kolay tanımlamalara veya çıkarımlara izin verecek şekilde özetlemektir.

Tanımlayıcı istatistikler, verilerin iki ana yönünü içerir: merkezi eğilim ve varyans. Verilerin anlamını ve değerini yorumlamak için merkezi eğilim ve değişkenlik ölçüleri kullanılır. Bu önlemler belirlendikten sonra, verilerin sonuçlarını açık ve özlü bir şekilde göstermek için genellikle grafikler ve çizelgeler kullanılır.

Merkezi Eğilim

Merkezi eğilim, en yaygın olarak veri kümesinin sayısal merkezi olarak adlandırılır: bir grup sayıyı temsil etmek için kullanılan tek bir sayıdır. Merkezi eğilimin üç yaygın temsili vardır: ortalama, medyan ve mod.

NS kastetmek bir veri kümesinin ortalama değeridir. Veri setinde (1, 3, 3, 4, 5, 6) ortalama, veri setinin (22) tüm değerlerinin toplamının, toplam değer sayısına (6) bölünmesiyle elde edilen değer olacaktır. bu veri seti için ortalama 3.66. Ortalama sadece aralık ve oran verileri ile hesaplanabilir. Ortalamanın bir sınırlaması, aykırı değerlerden (veri kümesinin medyanının çok uzağına düşen sayılar) önemli ölçüde etkilenmesidir, bu gerçekleştiğinde medyan, veri kümesinin merkezinin daha iyi bir ölçüsü haline gelir.

NS medyan sıralı bir veri kümesinin ortasında bulunan değerdir (veri kümesinin en düşükten en yükseğe sıralandığı yer). Veri seti çift sayıda değerden oluşuyorsa, medyanı bulmak için ortadaki iki değerin ortalaması alınmalıdır. Veri setinde (1, 3, 3, 4, 5, 6) medyan, set 3 ve 4'ün ortadaki iki sayısı arasında bulunan değer olacaktır. Dolayısıyla bu veri setinin medyanı 3.5'tir. Medyan, sıra, aralık ve oran verileri için hesaplanabilir.

NS mod bir veri setinde en sık görülen değeri ifade eder. Veri setinde (1, 3, 3, 4, 5, 6) 3 moddur çünkü tek mod olduğu için en sık görünen değerdir, mod olarak kabul edilir. tek mod değeri. Benzer bir veri setinde (1, 3, 3, 4, 5, 5, 6) mod, hem 3 hem de 5 değerleri olacaktır. çok modlu değer Mod, merkezi eğilimin en az etkili ölçüsüdür, çünkü hesaplamasından çok az içgörü elde edilir.

Değişkenlik Ölçüleri

Bir veri seti bir dizi değer içerir. Standart sapma ve varyans birbiriyle ilişkilidir ve bireysel verilerin veri kümesinin ortalamasından ne kadar farklı olduğunu içerir. Bir veri kümesinin üç değişkenlik ölçüsü vardır: aralık, standart sapma ve varyans.

NS Aralık bir değişkenin en yüksek ve en düşük değerleri arasındaki farktır ve genellikle bulunan en yüksek değerden en küçüğü çıkarılarak bulunur. Aralık, genellikle tek bir aykırı değerden aşırı derecede etkilenebileceğinden değişkenliğin kararsız bir tanımlayıcısıdır ve daha temsili sonuçlar sağlamak için genellikle bu aykırı değerler veri kümesinden kaldırılır.

NS varyans bir veri setinin ortalama sapma karesidir, yani toplam popülasyona bölünen ortalama sapmalarının karelerinin toplamıdır. Sapmanın karesinin toplamının değer sayısına bölünmesiyle elde edilen değerdir - dolayısıyla, bir değerin ortalamadan ortalama uzaklığıdır.

Standart sapma, varyansın karekökü olarak hesaplanır. Ortaya çıkan bu miktar, orijinal değerlerle aynı birimlerde olup, varyansın yorumlanmasındaki sınırlamanın üstesinden gelir.

Verilerin değişkenliğini ölçmenin bir başka yolu da çarpıklıktır. İdeal olarak, bir değişken normal olarak dağıtılacaktır, yani ortalama, medyan ve mod tamamen aynıdır. Ortalama medyandan büyükse ve medyan moddan büyükse, dağılım pozitif olarak çarpık olacaktır. Ancak, ortalama medyandan küçükse ve medyan moddan küçükse, dağılım negatif çarpık olacaktır.

çarpıklık: Ortalama, medyan ve mod eşit olmadığında, normal eğri birbirine göre değerlerine bağlı olarak negatif veya pozitif yönde çarpık hale gelebilir. Yukarıdaki panellerin her birinde, noktalı çizgi normal bir dağılımın nasıl şekilleneceğini gösterir (eğer ortalama ve medyan eşit olsaydı). Sol panelde negatif çarpıklık gösteren ortalama, sağ paneldeki medyandan küçük, pozitif çarpıklık gösteren ortalama medyandan büyüktür.

Tanımlayıcı İstatistikleri Görselleştirme

Bir araştırmacı tanımlayıcı istatistikleri hesapladığında, genellikle verilerini daha iyi anlamalarına yardımcı olmak için görsel temsiller oluşturmak isteyecektir. Bu daha çok “keşifsel veri analizi” olarak bilinir. Araştırmacılar genellikle, her bir değerin kaç kez meydana geldiğini sayabilmeleri için verileri mantıksal bir sırayla düzenleyen bir tablo olan bir sıklık dağılımı ile başlamak isteyeceklerdir. Örneğin, bir uyarana tepki veren insanların tepki sürelerini toplarsak, bir frekans dağılımı her olası tepki süresinin kaç kez gerçekleştiğini görmemizi sağlar.

Gövde ve Yaprak Grafiği

Bir sap-yaprak grafiği, frekansları görselleştirmenin bir yoludur. Kök-yaprak grafikleri, bireysel değerleri ve bu değerlerin frekanslarını korur ve ayrıca verilerin dağılımının şekli hakkında bir fikir verir.

Kök-yaprak arsa: “Baştaki sayılar”, “sap” (soldaki sütun) içinde, “sondaki sayılar” ise “yapraklar”'de (sağdaki listeler) gösterilir. el tarafı). Bu örnekte, ilk satır 1, 1, 2, 2 vb. sayıları temsil eder. ikinci satır 10, 10, 10, 11, 11, 13 vb. sayıları temsil eder.

Histogram

Bir histogram, araştırmacıların verilerinin dağılımını görselleştirmelerine yardımcı olur. Her histogram, her aralıktaki veya “bin” içindeki veri noktalarının sayısını temsil etmek için kullanılan sütunları içerir.

histogram: Bu histogram normal olarak dağıtılmış verileri görüntüler (simetrik bir çan şeklindedir, yani medyan kabaca ortalamaya eşittir). Her sütun, o aralıktaki gözlemlerin veri noktalarının sayısını temsil eder veya “bin.” Örneğin, ilk iki aralık veya “bins” x eksenindedir ve frekanslar x eksenindedir. y ekseni.

Kutu grafiği

Bir araştırmacı ayrıca bir örnekteki değişkenliği daha iyi anlamak için bir kutu grafiği kullanmak isteyebilir. Kutu grafiği, verilerin dağılımının grafiksel bir temsilidir. Bir kutu grafiği, medyan değer, veri ve aralığın dağılımı ve istatistiksel aykırı değerler hakkında bilgi sağlar.

kutu grafiği: Bir kutu grafiği, verilerin üst ve alt çeyreğinin yanı sıra üst ve alt çeyreği ve medyanını belirtmek için işaretlere sahiptir.


Videoyu izle: หลกฐานทางประวตศาสตร มกประเภท?แบงอยางไรบาง?มาทำความเขาใจกนงายๆแค5นาท I Khunkru Junior (Temmuz 2022).


Yorumlar:

  1. Bron

    Bu kadar kolay

  2. Everet

    Beni gerçekten memnun ediyor.

  3. Tulmaran

    Şimdi konuşamayacağım üzücü - toplantıya geç kaldım. Ama geri döneceğim - bu konuda kesinlikle düşündüğümü yazacağım.

  4. Aleeyah

    Olağanüstü bir fikirle ziyaret edildin

  5. Vayle

    Yanlış olduğuna inanıyorum. Bana PM'de e -posta gönderin, tartışacağız.



Bir mesaj yaz