معلومة

كيف تفسر درجات اختبار الذكاء للفرد الذي أجرى الاختبار عدة مرات في تتابع سريع؟

كيف تفسر درجات اختبار الذكاء للفرد الذي أجرى الاختبار عدة مرات في تتابع سريع؟


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.

سياق محدد: خضع أحد الأشخاص للاختبار نفس اختبار Raven القياسي لمصفوفات الذكاء المتقدم ثلاث مرات وسجل لأول مرة 115 درجة ، ثم 107 ، وأخيراً 143. تم إجراء الاختبار نفسه ثلاث مرات خلال 3 ساعات ونصف. نظرًا لأن جميع الدرجات الثلاثة مختلفة وتظهر بشكل عشوائي ، فكيف يمكن تقييم هذه النتائج؟ أي بافتراض أن الفرد لم يغش ، فماذا يمكن أن يقال عن ذكاء موضوع الاختبار؟

بشكل عام:

كيف يجب أن يفسر المرء درجات اختبار الذكاء للفرد الذي أخذ نفس الشكل من نفس الاختبار عدة مرات في تتابع سريع؟


نقاط عامة حول تأثيرات الممارسة

تختلف اختبارات الذكاء في مدى تعرضها لتأثيرات الممارسة.

يمكن أيضًا تمييز تأثيرات الممارسة:

  • الوقت بين إجراء الاختبار: كلما كان الإطار الزمني أقصر ، زادت احتمالية أن ترى ممارسة التحسين ذات الصلة.
  • ممارسة عامة في اختبارات مماثلة وعناصر مماثلة مقابل ممارسة على نفس مجموعة العناصر. بشكل عام ، ستكون تأثيرات الممارسة أكبر عندما تكون العناصر متطابقة بين جلسات الاختبار. يجب أن يُظهر الاختبار التكيفي حيث تتغير العناصر في كل مرة تأثيرات تدريب أقل.
  • ما إذا كانت التعليقات موجودة. بشكل عام ، لا يحصل المشاركون على ملاحظات حول ما كان أو لم يكن الإجابة الصحيحة ، ولكن إذا تلقوا هذه التعليقات ، فستكون تأثيرات الممارسة أكبر بكثير ، خاصة بالنسبة لنقل عنصر معين.

اختبار إعادة الاختبار

نقطة عامة أخرى هي أن اختبارات الذكاء لها مستوى من الموثوقية بحيث تكون النتيجة في الاختبار مجرد تقدير للموقف الحقيقي للفرد على السمة الكامنة التي يتم قياسها. لذلك من الواضح أن بعض الاختلافات بين الإدارات يمكن توقعها بناءً على الخطأ المعياري في القياس.

ومع ذلك ، يفترض النموذج العام لموثوقية الاختبار-إعادة الاختبار ظروف اختبار خاضعة للتحكم بشكل معقول وأن أحد المشاركين يبذل جهدًا معقولاً. عندما لا يتم استيفاء هذه الشروط ، قد ترى المزيد من الاختلاف:

  • إذا بذل المتقدم في الاختبار الحد الأدنى من الجهد أو كان مشتتًا ، فقد يحصل على درجات أقل بكثير من مستواه الحقيقي.
  • إذا غش المتقدم في الاختبار بطريقة ما ، فقد يحصل على درجة أعلى بكثير من مستواه الحقيقي.

من المرجح أن تكون مشكلات الإدارة في بيئة الإنترنت خاصةً حيث لا توجد عواقب (أ) لعدم بذل جهد كامل ، أو (ب) حافز للغش.

تفسير درجات شخص خضع للاختبار عدة مرات

بشكل عام ، إذا كنت تحاول قياس الذكاء ، فيجب عليك إجراء الاختبار مرة واحدة وسيكون هذا المقياس الأول هو مقياس ذكائهم.

إدارات الاختبار التي تتبع مباشرة بعد ذلك ستكون ملوثة بتأثيرات الممارسة. ما لم يكن لديك فهم جيد جدًا لكيفية عمل تأثيرات الممارسة وكيف يمكن التحكم فيها ، فسيكون من الصعب دمج المعلومات من هذه الإدارات اللاحقة.

ومع ذلك ، إذا كانت لديك معلومات إضافية تفيد بأن المشارك في الإدارة الأولى لم يكن يركز أو فشل بشكل أساسي في فهم الاختبار ، فقد ترغب في الاعتماد مبدئيًا على النتيجة من إدارة مختلفة.

بالإضافة إلى ذلك ، قد يشير نمط الدرجات الذي يختلف بثلاثة انحرافات معيارية (على سبيل المثال ، 100 ، 115 ، 145) إلى أن الاختبار به مشكلات تتعلق بالموثوقية أو أن شيئًا غريبًا يحدث لهذا الفرد المعين الذي تريد النظر فيه.


تفسير نتائج الاختبار

هناك طريقتان متميزتان يستخدمهما أصحاب العمل لتفسير درجاتك:

1. التفسير المرجعي للمعيار

في الاختبارات المعيارية، تشير درجة اختبارك إلى مقدار المهارة أو المعرفة التي لديك في مجال موضوع معين.

لا تُستخدم درجة الاختبار للإشارة إلى مدى جودة مقارنتك بالآخرين - إنها تتعلق فقط ببرنامجك درجة الكفاءة في المنطقة المحددة التي تم تقييمها.

يرتبط التقييم المرجعي بالمعيار عمومًا باختبار الإنجاز وإصدار الشهادات.

يتم اختيار درجة اختبار معينة باعتبارها الحد الأدنى المقبول من مستوى الكفاءة.

يمكن تعيين ذلك بواسطة ناشر الاختبار الذي سيحول درجات الاختبار إلى معايير الكفاءة ، أو قد تستخدم الشركة خبرتها الخاصة للقيام بذلك.

على سبيل المثال ، افترض أن شركة ما تحتاج إلى موظفين كتابيين يتقنون معالجة الكلمات.

قد يوفر ناشر الاختبار جدول تحويل يتعلق بمهارة معالجة الكلمات بمستويات مختلفة من الكفاءة ، أو قد تساعدهم خبرة الشركات الخاصة مع الموظفين الكتابيين الحاليين في تحديد درجة النجاح.

قد يقررون أن ما لا يقل عن 50 كلمة في الدقيقة مع عدم وجود أكثر من خطأين لكل 100 كلمة كافٍ لوظيفة ذات واجبات معالجة كلمات عرضية.

بدلاً من ذلك ، إذا كان لديهم وظيفة تتطلب إنتاجية عالية ، فيمكنهم تعيين الحد الأدنى على 100 كلمة في الدقيقة مع عدم وجود أكثر من خطأ واحد لكل 100 كلمة.

التفسير المعياري المرجعي

في تفسير الاختبار المعياري، تتم مقارنة درجاتك بأداء الاختبار لمجموعة مرجعية معينة تسمى مجموعة القاعدة.

تتكون المجموعة المعيارية عادةً من عينات تمثيلية كبيرة لأفراد من مجموعات سكانية معينة أو طلاب جامعيين أو كبار المديرين أو عمال كتابيين.

إن متوسط ​​الأداء وتوزيع درجاتهم هو الذي يصبح معايير اختبار المجموعة.

يوضح هذا الرسم التوضيحي التوزيع والمتوسط ​​الدرجات لمجموعة متنوعة من المجموعات لاختبار معين.

ستكون درجة 150 في هذا الاختبار متوسطًا لشخص يعمل في المؤسسة على مستوى إداري ولكنها ستكون أقل من المتوسط ​​مقارنةً بخريجي المنظمة المتدربين ، حيث كان متوسط ​​الدرجات 210.

في مجال الاختبار المهني ، يتم تقييم مجموعة واسعة من الأفراد لمجموعة واسعة من الوظائف المختلفة.

من الواضح أن الناس يختلفون بشكل ملحوظ في قدراتهم وصفاتهم ، والمجموعة المعيارية التي تتم مقارنتها بها لها أهمية حاسمة.

للتأكد من إمكانية تفسير نتائج الاختبار بطريقة ذات مغزى ، سيحدد مسؤول الاختبار مجموعة المعايير الأكثر ملاءمة.

يتم ذلك من خلال مقارنة المستوى التعليمي والخلفيات المهنية واللغوية والثقافية ، والخصائص الديموغرافية الأخرى للأفراد الذين يشكلون المجموعتين (المجموعة المعيارية ومجموعة الاختبار) لإثبات التشابه بينهما.


أمثلة على مقياس الفترات والتعريف والمعنى

في عالم إدارة البيانات أو الإحصائيات أو أبحاث التسويق ، هناك العديد من الأشياء التي يمكنك القيام بها باستخدام بيانات الفاصل الزمني ومقياس الفاصل الزمني. مع وضع هذا في الاعتبار ، هناك الكثير من أمثلة البيانات الفاصلة التي يمكن أن تعطى.


في الواقع ، إلى جانب بيانات النسبة ، تعد بيانات الفاصل الزمني أساس القوة التي يمكن أن يظهرها التحليل الإحصائي. يمثل كل من مقاييس الفاصل الزمني والنسب أعلى مستوى لقياس البيانات ويساعد على نطاق واسع من المعالجات والتحويلات الإحصائية التي لا تستطيع الأنواع الأخرى من مقاييس قياس البيانات دعمها.

في هذه الصفحة سوف تتعلم:

  • ما هي بيانات الفاصل؟
    التعريف والمعنى والخصائص الرئيسية.
  • قائمة من 10 أمثلة لبيانات الفاصل الزمني.
  • بيانات الفاصل الزمني مقابل النسبة.
  • رسم بياني بصيغة PDF للتنزيل المجاني.
  • اختبار سريع

كما تعلم ، هناك 4 مقاييس للقياس: اسمي وترتيبي وفاصل زمني ونسبة. تساعدك معرفة مستوى قياس بياناتك على تفسير البيانات ومعالجتها بالطريقة الصحيحة.

& # 8217s تحدد بيانات الفاصل الزمني:

لا تشير بيانات الفاصل الزمني إلى تصنيف القياسات وترتيبها فحسب ، بل إنها تحدد أيضًا أن المسافات بين كل قيمة على المقياس هي مساو. المسافة بين القيم لها معنى.

بعبارة أخرى ، الاختلافات بين النقاط على المقياس متساوية. هذا هو السبب في أنها تسمى بيانات الفاصل. يتم قياسه على المقاييس الفاصلة. مقياس الفاصل الزمني هو مقياس رقمي لا يمثل فقط الترتيب ولكن أيضًا المسافات المتساوية بين قيم الكائنات.

المثال الأكثر شيوعًا هو درجة الحرارة بالدرجات فهرنهايت. الفرق بين 100 درجة فهرنهايت و 90 درجة فهرنهايت هو نفس الفرق بين 60 درجة فهرنهايت و 70 درجة فهرنهايت.

يعد الوقت أيضًا أحد أكثر أمثلة بيانات الفاصل الزمني شيوعًا التي يتم قياسها على مقياس فاصل حيث تكون القيم ثابتة ومعروفة وقابلة للقياس.

تسمح هذه الخصائص لبيانات الفاصل الزمني أن يكون لها العديد من التطبيقات في مجال الإحصاء وذكاء الأعمال. ومع ذلك ، هناك عيب رئيسي واحد & # 8211 عدم وجود الصفر المطلق.

في مقياس الفاصل ، هناك لا توجد نقطة الصفر الحقيقية أو بداية ثابتة . ليس لديهم صفر حقيقي حتى إذا كانت إحدى القيم تحمل الاسم & # 8220zero. & # 8221

على سبيل المثال ، في درجة الحرارة ، لا توجد نقطة يمكن أن تكون فيها درجة الحرارة صفرًا. صفر درجة فهرنهايت لا يعني الغياب التام لدرجة الحرارة.

نظرًا لأن المقياس الفاصل لا يحتوي على نقطة صفر حقيقية ، لا يمكنك حساب النسب . على سبيل المثال ، ليس هناك أي معنى لنسبة 90 إلى 30 درجة فهرنهايت لتكون هي نفسها النسبة 60 إلى 20 درجة.

درجة حرارة 20 درجة ليست ضعف درجة حرارة واحدة من 10 درجات.


عدم وجود الصفر الحقيقي في مقاييس الفترات ، يجعل من المستحيل التوصل إلى استنتاجات حول عدد المرات التي تكون فيها إحدى القيم أعلى من الأخرى.

وبالتالي ، فإن مقياس الفاصل يسمح لك فقط برؤية الاتجاه والفرق بين القيم ، لكن لا يمكنك إصدار عبارات حول تناسبها وارتباطها.

لذا دع & # 8217s نلخص الخصائص الرئيسية لبيانات الفاصل الزمني والمقاييس:

  • لا تعرض لك مقاييس الفترات الترتيب والاتجاه فحسب ، بل توضح أيضًا الاختلافات الدقيقة بين القيم.
  • المسافات بين كل قيمة على مقياس الفاصل ذات مغزى و مساو.
  • هنالك لا توجد نقطة الصفر الحقيقية أو بداية ثابتة.
  • أنت لا يمكن حساب النسب.

لذا ، فالمقاييس الفاصلة رائعة (يمكننا جمعها وطرحها) لكن لا يمكننا الضرب أو القسمة.

بالإضافة إلى ذلك ، في الممارسة العملية ، يمكن للعديد من الإحصائيين والمسوقين تحويل مقياس القيم المرتبة غير الفاصلة إلى مقياس فاصل لدعم التحليل الإحصائي أو تحليل البيانات.

أمثلة على بيانات الفاصل الزمني:

1. وقت كل يوم بمعنى 12 ساعة.

2. درجة الحرارة ، بالدرجات فهرنهايت أو مئوية (ولكن ليس كلفن).

3. اختبار الذكاء (مقياس الذكاء).

4. درجات الاختبار مثل درجات اختبار SAT و ACT.

5. العمر هو أيضًا متغير يمكن قياسه على مقياس فاصل ، مثل 1 و 2 و 3 و 4 و 5 سنوات وما إلى ذلك.

6. قياس الدخل كنطاق ، مثل - 999 دولارًا أمريكيًا 1000 - 1999 دولارًا أمريكيًا 2000 - 2900 دولارًا أمريكيًا ، وما إلى ذلك. هذا مثال كلاسيكي لتحويل مقياس متغير مرتب بدون فاصل زمني إلى مقياس فاصل لدعم التحليل الإحصائي.

7. التواريخ (1015 ، 1442 ، 1726 ، إلخ.)

8. الجهد على سبيل المثال 110 و 120 فولت (تيار متردد) 220 و 240 فولت (تيار متردد) وما إلى ذلك.

9. في أبحاث التسويق ، إذا سألنا شخصين عن مقدار الوقت الذي يقضيانه في قراءة مجلة كل يوم ، فإننا لن نعرف فقط من يقضي وقتًا أطول في القراءة ولكن أيضًا الفرق الدقيق في الدقائق (أو فاصل زمني آخر) بين الشخصين.

10. مستويات الصف في المدرسة (الصف الأول ، الصف الثاني ، وما إلى ذلك)

بيانات الفترات والنسبة

يعد فهم الفرق بين بيانات الفاصل الزمني وبيانات النسبة أحد المهارات الأساسية لعالم البيانات.

بيانات الفاصل الزمني والنسبة هي أعلى مستويات قياسات البيانات. ولكن مع ذلك ، هناك اختلافات مهمة بينهما تحدد الطريقة التي يمكنك بها تحليل بياناتك.

نظرًا لمقاييس الفاصل الزمني ، توضح لنا مقاييس النسبة الترتيب والقيمة الدقيقة بين الوحدات. ومع ذلك ، على عكس مقاييس الفترات ، فإن النسبة لديها صفر مطلق يتيح لنا إجراء مجموعة كبيرة من الإحصائيات الوصفية والإحصاءات الاستنتاجية.

تمتلك مقاييس النسبة تعريفًا واضحًا للصفر. يمكن قياس أي أنواع من القيم التي يمكن قياسها من الصفر المطلق باستخدام مقياس نسبة.

أشهر الأمثلة على متغيرات النسبة هي الطول والوزن. بالإضافة إلى ذلك ، يمكن أن يكون طول الفرد ضعف طول فرد آخر.

عندما يتعلق الأمر بإمكانية التحليل ، فإن مقاييس النسبة هي الملك. يمكن إضافة المتغيرات وطرحها وضربها وتقسيمها.

لذلك ، باستخدام بيانات النسبة ، يمكنك القيام بنفس الأشياء كما هو الحال مع بيانات الفاصل الزمني بالإضافة إلى حساب النسب والارتباطات.

أمثلة على بيانات النسبة:

  • وزن
  • ارتفاع
  • مقياس كلفن: 50 كلفن ضعف درجة حرارة 25 ك.
  • الدخل المكتسب في شهر.
  • عدد من الاطفال.
  • عدد الانتخابات التي أدلى بها الشخص وما إلى ذلك.

بالإضافة إلى ذلك ، تعد بيانات النسبة والفاصل الزمني بيانات كمية. لذلك ، يمكن أيضًا تصنيف كلاهما على أنه منفصل أو مستمر. انظر لدينا ما بعد منفصلة مقابل البيانات المستمرة.

في العديد من أنواع الأبحاث مثل أبحاث التسويق ، والبحوث الاجتماعية ، وأبحاث الأعمال ، تمثل مقاييس الفاصل الزمني والنسب أقوى مستويات القياسات.


بالطبع ، هناك العديد من الأشياء التي يمكن القيام بها مع النوعين الآخرين من مقاييس قياس البيانات & # 8211 البيانات الاسمية والترتيبية (انظر أيضًا البيانات الاسمية مقابل البيانات الترتيبية). لكن بيانات الفاصل الزمني والنسبة تدعم مجموعة كاملة من التلاعبات الإحصائية ، وبالتالي فهي موثوقة للغاية لاستخلاص النتائج.


رسم بيانات الانحدار باستخدام مصطلحات كثيرة الحدود

يساعدك رسم البيانات حقًا على تصور الانحناء وفهم نموذج الانحدار.

يوضح الرسم البياني كيف يعتمد تأثير إعداد الجهاز على متوسط ​​استخدام الطاقة على مكانك في منحنى الانحدار. على المحور السيني ، إذا بدأت بالإعداد 12 وزدته بمقدار 1 ، يجب أن ينخفض ​​استهلاك الطاقة. من ناحية أخرى ، إذا بدأت في 25 وزادت الإعداد بمقدار 1 ، فيجب أن تواجه زيادة في استخدام الطاقة. بالقرب من 20 ولن تتوقع الكثير من التغيير.

يمكن لتحليل الانحدار الذي يستخدم كثيرات الحدود لنمذجة الانحناء أن يجعل تفسير النتائج أكثر صعوبة. على عكس العلاقة الخطية ، يتغير تأثير المتغير المستقل بناءً على قيمته. بالنظر إلى المعامِلات التي فاز بها & rsquot ، اجعل الصورة أكثر وضوحًا. بدلاً من ذلك ، قم برسم البيانات بيانيًا لفهم العلاقة حقًا. يمكن أن تساعدك المعرفة المتخصصة بمنطقة الدراسة أيضًا في فهم النتائج.


الارتباط في الإحصاء

& # 8220 عندما تكون العلاقة ذات طبيعة نوعية ، فإن الأداة الإحصائية ap & shyproximate لاكتشاف وقياس العلاقة والتعبير عنها في صيغة موجزة تُعرف باسم الارتباط. & # 8221 في مجال التعليم ، لأغراض عملية مختلفة ، والمربين وعلماء النفس حاولوا معرفة مدى العلاقة بين القدرات في المواد الدراسية المختلفة.

من خلال طريقة الارتباط ، يمكننا دراسة المشكلات المختلفة التي تنطوي على العلاقة بين قدرات الطلاب مثل الحساب وفهم القراءة ، بين التقييم في اختبار الذكاء ومتوسطات الدورة ، بين الأطفال & # 8217s الطول والوزن وما إلى ذلك.

لذلك يتم تعريف الارتباط الإحصائي على أنه الدرجة التي تميل بها الدرجات المزدوجة لمجموعتين أو أكثر من المقاييس إلى الاختلاف معًا. يتم التعبير عن مقياس درجة التوافق كمعامل ارتباط. في البحث التربوي والنفسي ، يعد تحليل العلاقات المشتركة ضروريًا للغاية.

فيما يلي بعض المجالات الرئيسية المستخدمة على نطاق واسع:

(أ) يتم استخدامه لاختبار مدى توافق البيانات مع الفرضية.

(ب) توقع متغير واحد على أساس متغير (متغيرات) أخرى ذات صلة

(ج) تحديد المتغير (المتغيرات) الدخيلة وعزل تأثيرها في التجربة.

(د) يتم استخدامه لتحديد موثوقية وصحة نتائج الاختبار.

(هـ) لحساب المزيد من الإحصاءات على أساس معامل الارتباط.

أنواع الارتباط:

للحصول على فهم واضح لمفهوم الارتباط ، يجب أن نناقش أنواعًا مختلفة من الارتباطات.

في التوزيع ثنائي المتغير ، يمكن تصنيف العلاقات إلى أنواع مختلفة:

(ج) الاتفاق الصفري أو عدم وجود علاقة

(هـ) الارتباط غير الخطي أو المنحنى الخطي.

(أ) الارتباط الإيجابي:

عندما تؤدي الزيادة أو النقصان في متغير واحد إلى زيادة أو نقصان متطابقتين في المتغير الآخر ، يُقال أن العلاقة هي ارتباط إيجابي. عندما تكون كل وحدة تزيد أو تنقص في متغير واحد متبوعة بزيادة أو نقصان متناسب في المتغير الآخر ، فإن العلاقة تكون ارتباط إيجابي مثالي.

العلاقة الإيجابية تتراوح من 0 إلى +1. عندما يكون +1 يكون الارتباط ارتباطًا إيجابيًا تامًا.

لنفترض أن 100 طالب لديهم نفس المكانة تمامًا في اختبارين - الطلاب الذين حصلوا على الدرجة الأولى في الاختبار الأول يحصلون على الدرجات الأولى في الاختبار الأول ، والطالب الذي يحتل المرتبة الثانية في الاختبار الأول يحتل أيضًا المرتبة الثانية في الاختبار الثاني. هذه المراسلات الفردية موجودة في جميع أنحاء القائمة بأكملها.

لذا فإن العلاقة مثالية ، لأن الموضع النسبي لكل موضوع هو نفسه تمامًا في اختبار واحد كما هو الحال في الآخر ومعامل الارتباط هو + 1.00.

يمكن توضيح ذلك بمساعدة المثال التالي:

في الجدول أعلاه ، يتم تسجيل الدرجات أولاً في Test-1 وأيضًا في Test-2. وبالمثل B الثانية و C الثالثة و D الرابعة و E الخامسة في كلا الاختبارين. نلاحظ هنا أن الزيادة في درجات الطالب في مادة واحدة تتوافق مع الزيادة المتناسبة في العلامات في مادة أخرى. يسمى هذا الارتباط الارتباط الإيجابي التام.

إذا كانت الزيادة في علامات الطالب في الاختبار الأول تتوافق مع زيادة العلامات في الاختبار الثاني ، ولكن ليس بشكل متناسب ، فهو ارتباط إيجابي ، يمكننا توضيح ذلك بمساعدة الرسوم البيانية التالية:

(ب) الارتباط السلبي:

عندما ترتبط درجة عالية من سمة أو متغير بدرجة منخفضة من أخرى تسمى الارتباط السلبي. عندما تؤدي الزيادة في متغير واحد إلى انخفاض في متغير آخر والعكس صحيح ، يُقال أن العلاقة ارتباط سلبي. قد يتراوح الارتباط السلبي من 0 إلى -1.

عندما تجلب كل وحدة زيادة في متغير واحد تناقصًا نسبيًا للوحدة في المتغير الآخر ، يُطلق على العلاقة اسم الارتباط التام السلبي والرابط الخفي ويشار إلى معامل الارتباط بـ -1. يمكننا شرح ذلك بمساعدة متابعة العينة السابقة.

افترض في اختبار أن 5 طلاب A و B و C و D و E قد حصلوا على 80 و 75 و 70 و 65 و 60 علامة. في الاختبار الثاني ، حصلوا على 40 و 45 و 50 و 55 و 60 على التوالي.

في المثال أعلاه ، حصل الطالب A الذي حصل على أعلى الدرجات في Test-1 على أدنى درجات في Test-2. الطالب B الذي يحتل المركز الثاني في Test-1 يأتي في المرتبة الثانية بعد القاع (الرابع) في Test-2. يقف كل طالب هنا بعيدًا عن أعلى القائمة في Test-1 من أسفل القائمة في Test-2.

لذا فإن العلاقة بين التحصيل في الاختبار الأول والاختبار 2 هي علاقة منتظمة ومحددة ولكن اتجاه العلاقة معكوس لأن الزيادة في علامات الفرد في موضوع واحد تتوافق مع انخفاض العلامات في موضوع آخر. هذه العلاقة هي ارتباط سلبي تام.

يمكن توضيح ذلك بمساعدة الرسوم البيانية التالية:

(ج) الاتفاق الصفري أو عدم الارتباط:

عندما لا توجد علاقة منهجية بين مجموعتين من الدرجات أو المتغيرات في هذه الحالة تُعرف باسم اتفاقية الصفر أو عدم الارتباط. وهذا يعني أنه في الارتباط الصفري ، يوجد تطابق بين الدرجات التي قام بها أعضاء المجموعة على مجموعتي الدرجات. التغيير في متغير واحد لا يرتبط بأي شكل من الأشكال بتغيير متغير آخر.

على سبيل المثال ، حجم الحذاء والدخل الشهري للأشخاص ، وطول الفرد وذكائه وما إلى ذلك ليست مرتبطة على الإطلاق. نظرًا لأن الارتباط الصفري يشير إلى عدم وجود علاقة متسقة وخداع ، لذلك يتم التعبير عنه بواسطة معامل & خجول من .00. يمكننا أيضًا شرح هذا المفهوم بمساعدة الرسم التخطيطي كما هو موضح في الشكل 12.3.

(د) الارتباط الخطي:

عندما تكون العلاقة بين متغيرين متناسبة ويمكن وصفها بخط مستقيم ، فإنها تسمى الارتباط الخطي. لنفترض أن هناك خمسة أشخاص يقولون A و B و C و D و E. الراتب الشهري لهؤلاء الأشخاص هو روبية. 4000 روبية. 5000 روبية. 6000 روبية. 7000 روبية. 8000 على التوالي.

لذلك سيكون دخلهم السنوي 12 ضعفًا لراتبهم الشهري. إذا رسمنا رسمًا بيانيًا يوضح الرواتب الشهرية على المحور & # 8216X & # 8217 والدخل السنوي في المحور & # 8216Y ، فستكون النتيجة رسمًا بيانيًا بخط مستقيم كما في الشكل 12.4-1 ، 2. وتسمى هذه العلاقة باسم أ الارتباط الخطي.

(هـ) منحنى الارتباط الخطي:

عندما لا تكون العلاقة بين المتغيرات متناسبة مع المتغيرات في جميع أنحاء السلسلة ويمكن وصفها بخط منحنى يسمى الارتباط الخطي للمنحنى. يُعرف أيضًا باسم الارتباط غير الخطي. على سبيل المثال ، أولاً مع الزيادة في المتغير & # 8216A & # 8217 ، يزيد المتغير الثاني & # 8216B & # 8217 حتى نقطة معينة ، وبعد ذلك مع زيادة في المتغير- A ، ينخفض ​​المتغير B.

إذا تم رسم هذا الارتباط بين المتغير A والمتغير B لرسم بياني ، فستكون النتيجة خطًا منحنيًا (الشكل 12.4-3 ، 4).

معامل الارتباط:

تسمى الطريقة الإحصائية التي يتم فيها التعبير عن العلاقة على مقياس كمي بمعامل الارتباط. إنه مؤشر رقمي يخبرنا إلى أي مدى يرتبط المتغيرين وإلى أي مدى تتغير التغيرات في متغير واحد مع المتغيرات في الآخر.

& # 8220 معامل الارتباط والارتباط هو رقم نقي ، يتراوح عادةً من + 1 إلى 0 إلى 1 ، ويشير إلى درجة العلاقة الموجودة بين سلسلتين (أو أكثر) من الملاحظات & # 8221—السيرة الذاتية. حسن.

يتم تحديد معامل الارتباط بطريقتين. في لحظة منتج Karl Pearson & # 8217s ، يتم التعبير عنها كـ & # 8216r & # 8217. في ارتباط فرق الترتيب لـ Spearman & # 8217s ، يتم التعبير عنه كـ & # 8216p & # 8217 (rho). يشير الارتباط الموجب إلى أن كمية كبيرة من متغير واحد تميل إلى مرافقة كميات كبيرة من متغير آخر. لذلك يتم التعبير عن الارتباط الإيجابي التام بمعامل 1.00.

وبالتالي فإن العلاقة الإيجابية تتراوح من 9.00 إلى + 1.00. يشير الارتباط السلبي إلى أن كمية صغيرة من متغير واحد تميل إلى مرافقة كمية كبيرة من المتغير الآخر. هذه درجة عالية من سمة قد ترتبط بدرجة منخفضة من سمة أخرى.

يتم التعبير عن الارتباط السلبي التام بمعامل - 1.00. وبالتالي ، فإن الارتباط السلبي يتراوح من صفر إلى - 1.00. عندما لا يكون المتغيرين مرتبطين على الإطلاق ، يتم التعبير عن المعامل على أنه صفر.

تفسير معامل الارتباط:

تشير القيمة r التي نحصل عليها والتي تشير فقط إلى وجود مخرج & # 8217s علاقة وخداع. لكنها لا تشير إلى ما إذا كانت مهمة أم لا. لذلك نقوم باختبار أهمية r عند مستوى .05 و .01 من الثقة فيما يتعلق بدرجة الحرية أو ، & # 8216df ". في علاقة ثنائية المتغير يتم احتساب df كـ (N-2).

على سبيل المثال ، إذا كانت r = 0.55 و N = 50 لتفسير r ، فعلينا إدخال الجدول - C. قيمة df = 50 (أقرب إلى df 48) القيمة عند مستوى 0.05 هي .273 ومستوى .01 هي .354.

قيمة r 0.55 أكبر من هاتين القيمتين. لذلك فإن r مهمة عند مستوى 0.05 ومستوى .01. لذلك ، إذا كانت قيمة r أكبر من قيمة مستوى مهم ، فستكون مهمة وإذا كانت أقل من قيمة المستوى المهم ، فستكون غير ذات أهمية.

خصائص ص:

1. إذا تمت إضافة رقم ثابت إلى أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

2. إذا تم طرح رقم ثابت من أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

3. إذا تم ضرب رقم ثابت في أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

4. إذا تم تقسيم كل من المتغيرات وواحد على رقم ثابت ، فإن معامل الارتباط يظل دون تغيير.

استخدامات معامل الارتباط (r):

1. لمعرفة درجة العلاقة أو الاعتماد المتبادل بين متغيرين يستخدم r.

2. يستخدم للتنبؤ بالمتغير التابع من المتغير المستقل r.

3. لتحديد موثوقية نتيجة الاختبار r يتم استخدامها.

4. لتحديد صلاحية درجات الاختبار ، يتم استخدام r.

5. لاتخاذ قرارات في التوجيه التربوي والمهني يستخدم ص.

6. لحساب الإحصائيات الأخرى مثل تحليل العوامل والتنبؤ بالانحدار والارتباط المتعدد وما إلى ذلك. مطلوب r.

حساب معامل الارتباط:

هناك طريقتان لحساب معامل الارتباط من التوزيع ثنائي المتغير.

1. Spearman & # 8217s طريقة اختلاف الترتيب:

يعتبر معامل الارتباط ذا قيمة للتعليم وعلم النفس كمقياس للعلاقة بين درجات الاختبار ومقاييس الأداء الأخرى. لكن في كثير من الحالات ليس لدينا درجات. علينا العمل مع البيانات التي لا يمكن فيها التعبير عن الاختلافات في سمة معينة إلا من خلال الرتب أو عن طريق تصنيف الفرد إلى عدة فئات وصفية.

لذلك يمكن التعبير عن الاختلافات بين الأفراد في العديد من السمات من خلال ترتيب الموضوعات حسب الجدارة عندما لا يمكن قياس هذه الاختلافات بشكل مباشر. نعني بالترتيب ترتيب الأفراد حسب الجدارة.

على سبيل المثال ، قد يتم تصنيف الأشخاص حسب الجدارة من حيث الصدق أو القدرة الرياضية أو فن البيع أو التكيف الاجتماعي عندما يكون من المستحيل قياس هذه السلوكيات المعقدة.

في حساب الارتباط بين مجموعتين من الرتب ، تم ابتكار طرق خاصة. عندما يكون لدينا عدد قليل من الدرجات (ن صغير جدًا) لدينا مجموعتان ، فمن المستحسن في ذلك الوقت ترتيب هذه الدرجات وحساب معامل الارتباط (ρ) بواسطة طريقة فرق التصنيف Pearson & # 8217s.

افتراضات ρ:

البيانات منحرفة بشكل سيئ أو صغيرة جدًا.

عندما يكون القياس الكمي غير ممكن.

البيانات مجانية أو مستقلة عن بعض خصائص توزيع السكان

البيانات في نطاق ترتيبي.

حساب ρ:

اكتشف الكفاءة المشتركة للارتباط بين مجموعتين من الدرجات عن طريق طريقة فرق الرتب.

فيما يلي علامات 5 طلاب في التاريخ و Geog & shyraphy على التوالي:

رتب المجموعة الأولى من الدرجات ، بدءًا من المرتبة 1 إلى أعلى الدرجات واكتب الرتب تحت R.1 العمود (العمود 4).

رتب المجموعة الثانية من الدرجات بدءًا من الرتبة 1 إلى أعلى الدرجات واكتب الرتب تحت R.2 العمود (العمود 5)

اكتشف D بخصم R2 من ر1 أي (R1 - ر2) في العمود. 6.

اكتشف د 2 بتربيع د (عمود -7). ثم احسب ∑ D 2 بإضافة القيم في العمود. 7.

ضع الصيغة واحصل على النتيجة

إذن ، معامل الارتباط بين درجات التاريخ والجغرافيا هو 0.43.

حساب p عندما تكون البيانات في الرتب.

تحديد مدى اتفاق أحكامهم.

في مسابقة موسيقية ، قام اثنان من الحكام بترتيب 8 طلاب على النحو المبين أدناه:

نظرًا لأن الدرجات في الرتب ، اكتشف D عن طريق خصم رتب القاضي -2 من رتب القاضي -1.

ضع القيمة في الصيغة واحصل على النتيجة.

لذا فإن نقطة الاتفاق بين الأحكام هي 0.90. حساب p لصفوف التعادل

احسب معامل الارتباط بين درجات المجموعتين في طريقة فرق الترتيب.

فيما يلي درجات 8 طلاب في اختبارين متوازيين:

رتب الدرجات في Test-1. في Test-1 E يقف أولاً ، C في المرتبة الثانية ، A و F تحصل على نفس النتيجة. من المؤكد أن هذين الطالبين سيشغلان المرتبة الثالثة والرابعة. لذلك نحن نرتب كلاهما 3 + 4/2 = 3.5. التالي B يقف الخامس. حصل D و G على نفس النتيجة. لذلك ستكون رتبهم و H سيكون في المرتبة الثامنة.

بنفس الطريقة التي صنفنا بها الدرجات في Test- 1 ، رتب الدرجات في Test-2.

حساب D خصم R2 من ر1

احسب D 2 واكتشف ∑ D 2

ضع الصيغة واحصل على النتيجة

إذن ، معامل الارتباط بين درجات الاختبارين هو 0.87.

مزايا طريقة الفروق في الرتبة:

1. يوفر طريقة سريعة ومريحة لتقدير الارتباط عندما تكون N صغيرة.

2. عندما تكون البيانات في مقياس ترتيبي في ذلك الوقت ، فإننا نستخدم طريقة فرق الرتب لتقدير الارتباط.

عيوب طريقة الفروق التصنيفية:

1. تأخذ طريقة فرق الترتيب في الاعتبار المواقف في السلسلة. لا تسمح بالفجوات بين الدرجات المتجاورة. على سبيل المثال ، درجات ثلاثة طلاب هي 90 و 89 و 70 في الاختبار. سيكونون في المرتبة 1 و 2 و 3 على الرغم من أن الفرق بين 90 و 89 أقل بكثير من الفرق بين 89 و 70.

2. قد تضيع الدقة في ترجمة الدرجات إلى رتب ، خاصة عندما يكون هناك عدد من الروابط.

3. من الصعب حساب p من البيانات عندما تكون N كبيرة لنقل أكثر من 30.

2. طريقة Karl Pearson & # 8217s لحظة المنتج:

طريقة أخرى فعالة لتقدير معامل الارتباط و shytion تم تطويرها بواسطة Karl Pearson والتي تُعرف عمومًا بمعامل ارتباط لحظة المنتج. يطلق عليه لحظة المنتج لأن & # 8220 مجموع الانحرافات عن المتوسط ​​(مرفوع إلى بعض القوة) والمقسوم على N يسمى لحظة. عندما يتم ضرب الانحرافات المقابلة في V و y معًا ، يتم جمعها وتقسيمها على N ، يتم استخدام مصطلح لحظة المنتج. & # 8221

رمزيا ، تم تعيين معامل الارتباط اللحظي للمنتج على أنه & # 8216r & # 8217.

معامل الارتباط في لحظة المنتج هو:

افتراضات الارتباط بين المنتج واللحظة:

1. التوزيع الطبيعي:

يجب توزيع المتغيرات التي نريد حساب الارتباط من خلالها بشكل طبيعي. يمكن وضع الافتراض من أخذ العينات العشوائية.

2. الخطية في الارتباط:

يمكن إظهار ارتباط لحظة المنتج في خط مستقيم يعرف باسم الارتباط الخطي.

يجب أن يكون قياس المتغيرات في نطاق مستمر.

حساب ارتباط لحظة المنتج:

يمكن حساب معامل الارتباط لحظة المنتج في حالتين مختلفتين:

(أ) عندما تكون البيانات غير مجمعة

(ب) عندما يتم تجميع البيانات

(أ) حساب ص من البيانات غير المبوبة:

يتم حساب معامل الارتباط في البيانات غير المبوبة بشكل عام بطريقتين:

(ط) عندما تؤخذ الانحرافات عن الوسائل

(2) الحساب من الدرجات الخام أو الدرجات الأصلية.

(ط) تقدير ارتباط لحظة المنتج عندما يتم أخذ الانحرافات والأشكال من الوسائل.

الصيغة المستخدمة لحساب r من البيانات غير المبوبة عندما تؤخذ الانحرافات من وسيلة التوزيعين X و Y تقرأ على النحو التالي:

احسب معامل الارتباط بين درجات 12 طالبًا وطلابًا في اختبار اللغة الإنجليزية والدراسات الإعلامية والمعلوماتية في طريقة لحظة المنتج.

ابحث عن متوسط ​​الدرجات في اللغة الإنجليزية (X) ومتوسط ​​الدرجات في MIL (Y). هنا مx = 62.5 ، مذ = 30.4.

ابحث عن الانحراف (x) لكل درجة في اختبار اللغة الإنجليزية (جدول -12.6 ، عمود -4) والانحراف (ص) لكل درجة في اختبار MIL (جدول -12.6 ، عمود -5)

مربع كل xس وكل ذس واكتشف x 2 و y 2. أضف x 2 س في العمود. 6 و ص 2 س في العمود. 7 واكتشف ∑x 2 و ∑y 2.

اضرب انحرافات متغير X (عمود 4) مع انحرافات متغير Y (عمود 5) مع مراعاة العلامات الجبرية للحصول على xy (عمود 8). ثم أضف القيم في العمود. 8 واحصل على ∑xy.

ضع القيمة في الصيغة واحصل على النتيجة.

لذا فإن معامل الارتباط بين الدرجات في اللغة الإنجليزية والنتائج في MIL لـ 12 طالبًا هو 0.78.

(2) حساب معامل لحظة المنتج لـ cor & shyrelation من الدرجات الأصلية أو الدرجات الخام:

بدون حساب الانحرافات يمكننا أيضًا حساب r من الدرجات الأولية أو مباشرة من الدرجات الأصلية.

في هذه الحالة نطبق الصيغة التالية:

احسب معامل الارتباط لمجموعتي الدرجات التالية التي تم الحصول عليها من اختبار الرياضيات والعلوم لعشرة طلاب في طريقة لحظة المنتج:

أوجد حاصل ضرب كل من X و Y بضرب كل X مع Y المقابل.

أضف Xس (العمود 1) ، Yس (العمود 2) و X 2 (العمود 3) و Y 2 (العمود 4) و XY (العمود 5) للحصول على ∑X و ∑Y و X 2 Y 2 و XY على التوالي.

ضع هذه القيم في الصيغة واحصل على النتيجة.

إذن ، معامل الارتباط بين مجموعتي الدرجات هو 0.92.

(ب) حساب ص من البيانات المجمعة:

يمكن استخدام الطريقة التي ناقشناها في القسم أعلاه عندما يكون N صغيرًا. ولكن عندما يكون N كبيرًا ، فإن حساب r بالطريقة المذكورة أعلاه يكون شاقًا ويستغرق وقتًا طويلاً. يمكننا تجاوز الصعوبة عن طريق ترتيب البيانات في شكل رسم بياني أو مخطط معروف باسم & # 8216 مخطط مبعثر & # 8217 أو & # 8216 مبعثر غرام & # 8217. يُعرف أيضًا باسم توزيع التردد ثنائي الاتجاه أو توزيع التردد ثنائي المتغير. دعونا نفكر في كيفية إعداد مخطط مبعثر.

كيفية تحضير مخطط مبعثر:

على سبيل المثال ، حقق 50 طالبًا من الصف التاسع في مدرسة ثانوية الدرجات التالية في اختبار ذكاء المجموعة (X) واختبار الجبر (Y).

دعونا نبني مخطط مبعثر لهذه الدرجات.

دعونا نأخذ الفواصل الزمنية لفصل اختبار الذكاء على طول الهامش الأيسر ، من أعلى إلى أسفل الرسم التخطيطي (الشكل 12.5) وفترات فصول اختبار الجبر على طول الجزء العلوي من الرسم التخطيطي من اليسار إلى اليمين.

لنفترض أننا نريد رسم نتائج الطالب الأول في الرسم التخطيطي. حصل الطالب الأول على 48 درجة ذكاء و 173. هنا يجب أن نضع عددًا في الخلية يقابل فترات الفصل ، 45-49 في الذكاء و 170-179 في اختبار الجبر.

وبالمثل ، يتعين علينا إجراء عمليات فرز لجميع الطلاب البالغ عددهم 50 طالبًا وفقًا للدرجتين ، اختبار الذكاء واختبار الجبر. ثم يتم حساب تعداد كل خلية وترجمتها إلى الرقم. بعد ذلك سيتم إضافة أرقام كل صف والتردد لكل فاصل زمني لاختبار الذكاء (متغير X) fx سيتم اكتشافه.

على سبيل المثال في الشكل 12.5x للصف الأول هو 1 ، الصف الثاني 6 ، الصف الثالث 7 وبالمثل الصف الثامن 2. بنفس الطريقة ستتم إضافة أرقام الخلايا لكل عمود والتردد لكل فاصل زمني لاختبار الجبر (متغير Y) fذ سيتم تحديده.

على سبيل المثال ، حرف fذ بالنسبة للعمود الأول هو 3 ، والعمود الثاني 1 ، والعمود الثالث 2 ، والعمود العاشر بالمثل هو 2. بعد إدراج جميع الأرقام ، تتم إضافة التردد في كل خلية وإدخاله في الرسم التخطيطي. ثم يكون الرسم التخطيطي المبعثر جدول ارتباط.

حساب & # 8216r & # 8217 من جدول الارتباط:

عندما يكون N كبيرًا أو حتى متوسط ​​الحجم ، فمن السهل حساب r بتجميع البيانات في توزيع تردد ثنائي المتغير وحساب r بأخذ الانحرافات عن المتوسط ​​المفترض بدلاً من المتوسط ​​الفعلي.

تقرأ صيغة الحساب من البيانات المجمعة في طريقة المتوسط ​​المفترض كما يلي:


قوائم الجرد تقرير الذات

قوائم جرد التقرير الذاتي هي نوع من الاختبار الموضوعي المستخدم لتقييم الشخصية. يستخدمون عادةً عناصر متعددة الخيارات أو مقاييس مرقمة ، والتي تمثل نطاقًا من 1 (لا أوافق بشدة) إلى 5 (أوافق بشدة). غالبًا ما يطلق عليهم موازين ليكرت بعد مطورهم ، Rensis Likert (1932) (الشكل 1).

شكل 1. إذا سبق لك إجراء استطلاع ، فمن المحتمل أن تكون على دراية بأسئلة مقياس من نوع ليكرت. تستخدم معظم قوائم الجرد الشخصية هذه الأنواع من مقاييس الاستجابة.

أحد أكثر قوائم جرد الشخصية استخدامًا هو Minnesota Multiphasic Personality Inventory (MMPI) ، الذي نُشر لأول مرة في عام 1943 ، مع 504 أسئلة صحيحة / خاطئة ، وتم تحديثه إلى MMPI-2 في عام 1989 ، مع 567 سؤالًا. اعتمد MMPI الأصلي على عينة صغيرة ومحدودة ، تتألف في الغالب من مزارعي مينيسوتا والمرضى النفسيين ، واستند المخزون المنقح إلى عينة وطنية أكثر تمثيلا للسماح بتوحيد أفضل. يستغرق MMPI-2 من ساعة إلى ساعتين ليكتمل. يتم تسجيل الردود لإنتاج ملف تعريف سريري يتكون من 10 مقاييس: المراق ، والاكتئاب ، والهستيريا ، والانحراف النفسي (الانحراف الاجتماعي) ، والذكورة مقابل الأنوثة ، والبارانويا ، والوهن النفسي (الصفات الوسواسية / القهرية) ، والفصام ، والهوس الخفيف ، والانطواء الاجتماعي. هناك أيضًا مقياس للتأكد من عوامل الخطر لتعاطي الكحول. في عام 2008 ، تمت مراجعة الاختبار مرة أخرى ، باستخدام طرق أكثر تقدمًا ، إلى MMPI-2-RF. يستغرق هذا الإصدار حوالي نصف الوقت لإكماله ويحتوي على 338 سؤالاً فقط (الشكل 2). على الرغم من مزايا الاختبار الجديد ، فإن MMPI-2 أكثر رسوخًا ولا يزال يستخدم على نطاق أوسع. عادة ، يتم إجراء الاختبارات بواسطة الكمبيوتر. على الرغم من أن MMPI تم تطويره في الأصل للمساعدة في التشخيص السريري للاضطرابات النفسية ، إلا أنه يستخدم الآن أيضًا في الفحص المهني ، كما هو الحال في تطبيق القانون ، وفي الكلية ، والوظيفي ، والاستشارات الزوجية (Ben-Porath & amp Tellegen ، 2008).

الشكل 2. تشبه أسئلة الصواب / الخطأ هذه أنواع الأسئلة التي قد تجدها في MMPI.

بالإضافة إلى المقاييس السريرية ، تحتوي الاختبارات أيضًا على مقاييس الصلاحية والموثوقية. (تذكر مفاهيم الموثوقية والصلاحية من دراستك للبحث النفسي.) أحد مقاييس الصلاحية ، مقياس الكذب (أو مقياس "L") ، يتكون من 15 عنصرًا ويستخدم للتأكد مما إذا كان المستفتى "مزيفًا" (عدم الإبلاغ عن المشاكل النفسية لتبدو أكثر صحة). على سبيل المثال ، إذا أجاب شخص ما بـ "نعم" على عدد من العناصر الإيجابية غير الواقعية مثل "لم أكذب أبدًا" ، فقد يكون يحاول "تزييف سلعة" أو يبدو أفضل مما هو عليه بالفعل.

تختبر مقاييس الموثوقية اتساق الأداة بمرور الوقت ، مما يضمن أنك إذا أخذت MMPI-2-RF اليوم ثم مرة أخرى بعد 5 سنوات ، فستكون درجتك متشابهة. أعطى Beutler و Nussbaum و Meredith (1988) MMPI لضباط الشرطة المعينين حديثًا ثم إلى نفس ضباط الشرطة بعد ذلك بعامين. بعد عامين من العمل ، أشارت ردود ضباط الشرطة إلى زيادة التعرض لإدمان الكحول والأعراض الجسدية (الشكاوى الجسدية الغامضة وغير المبررة) والقلق.عندما تم إجراء الاختبار بعد عامين إضافيين (بعد 4 سنوات من بدء العمل) ، أشارت النتائج إلى وجود مخاطر عالية للصعوبات المتعلقة بالكحول.


ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

يركز هذا التصميم على المتغيرات في جينات معينة يعتقد أنها مرتبطة بالسمة محل الاهتمام بسبب الوظائف البيولوجية للجينات والمتغيرات الجينية التي تم اختيارها.

يصف هذا متوسط ​​التأثير الجيني المعياري المشترك بين نمطين ظاهريين. إنه ارتباط بين العناصر الوراثية المختبرة لكل سمة.

دراسة الارتباط على مستوى الجينوم (GWAS)

يستخدم تصميم الدراسة هذا لتحديد المواقع في جميع أنحاء الجينوم المرتبط بسمة أو حالة مرضية. يمكن أن تشمل GWAS الملايين من أشكال النوكليوتيدات المفردة الشائعة من جميع أنحاء الجينوم. يتم اختبار كل منها من أجل الارتباط مع النمط الظاهري للفائدة. يتم التحكم في مشكلة الأخطاء الإحصائية من النوع الأول في مثل هذا العدد الكبير من الاختبارات من خلال تبني سياسة صارمة ص قطع القيمة ، عادةً 5 × 10 −8.

هذه هي نسبة التباين الظاهري الذي يُعزى إلى التباين الموجود في العوامل الوراثية. في سياق GWAS ، عادةً ما يتم اعتبار العوامل الوراثية المضافة فقط من المتغيرات التي تعاني من اختلال توازن الارتباط (انظر أدناه) مع SNPs الشائعة المستخدمة ، وبالتالي فإن تقدير التوريث هو التوريث الضيق المعنى.

اختلال التوازن (LD)

هذا هو الارتباط غير العشوائي للأليلات الموجودة في موقعين وراثيين متميزين على الأقل.

التوزيع العشوائي مندل (MR)

MR هي تقنية إحصائية تستخدم المتغيرات الجينية ، والتي لم تتغير منذ الحمل ، لاختبار العلاقات السببية المحتملة بين التعرض والنتيجة. عادةً ما يستخدم MR تعدد الأشكال التي حققت أهمية كبيرة في الجينوم لسمات التعرض ، مثل التدخين ، كمتغيرات بديلة لسمات التعرض ، أي تشكيل أداة لها. يتم تحديد هذه المتغيرات الآلية من خلال ثلاثة افتراضات رئيسية. أولاً ، أنها مرتبطة بالتعرض. ثانيًا ، ترتبط بالنتيجة فقط من خلال التعرض. ثالثًا ، أنهم غير مرتبطين بالمربك فيما يتعلق بالنتيجة.

يصف هذا الاكتشاف القائل بأن العديد من الأنماط الظاهرية يمكن أن ترتبط بالتنوع الجيني في نفس المكان. أولاً ، قد يكون هذا بسبب أن الموضع له تأثير سببي مستقل على كل نمط ظاهري ، والذي يسمى تعدد الأشكال الأفقي أو البيولوجي. ثانيًا ، يمكن أن يصف الحالات التي يرتبط فيها النمط الظاهري ارتباطًا سببيًا بالنمط الظاهري الثاني ، مما يعني أن أي ارتباطات جينية موجودة مع النمط الظاهري الأول ستتم مشاركتها مع النمط الثاني الذي يطلق عليه تعدد الأشكال الرأسي أو التوسط.

تعدد أشكال النوكليوتيدات الأحادية (SNP)

يتم نطق SNP "snip". هذا هو النوع الأكثر شيوعًا من الاختلاف الجيني بين الناس. كل SNP هو بديل لنيوكليوتيد واحد في موضع معين في الجينوم. في GWAS ، يتم التعامل مع SNP كوحدة إحصائية مرتبطة.


الاختبارات وتقييمات أمبير

الاختبارات هي أدوات تقييم شائعة لتحديد الهوية ، ولكن لا ينبغي أن تكون بمثابة المصدر الوحيد لتحديد الهوية. غالبًا ما تستبعد الاختبارات الطلاب الموهوبين المحرومين من الخدمة من متعلمي اللغة الإنجليزية (ELLs) أو ذوي الإعاقة أو من خلفيات الأقليات أو ذوي الدخل المنخفض. استراتيجية تحديد الهوية التي تتضمن تقييمات متعددة - موضوعية وذاتية - هي أفضل طريقة لضمان عدم إغفال المتعلم الموهوب.

لماذا تختبر؟

يوفر الاختبار طريقة موضوعية ومنهجية لتحديد الأطفال الموهوبين. توفر اختبارات القدرة والإنجاز أرقامًا أو درجات لوصف أداء الطالب فيما يتعلق بالآخرين. غالبًا ما تستخدم الاختبارات كمتطلبات معيارية للدخول في برامج محددة أو في حالة الاشتباه في وجود تناقض في التعلم. ومع ذلك ، فإن التقييمات الرسمية ليست سوى أداة واحدة في تحديد الموهبة. يجب استخدام الاختبارات جنبًا إلى جنب مع أدوات التقييم الذاتي.

أنواع الاختبارات

يجب أن تتماشى الاختبارات مع خصائص الطلاب الموهوبين والموهوبين في منطقة مجال معينة. يتطلب تنوع الخصائص ضمن التعريف الفيدرالي - المجالات الفكرية والإبداعية والفنية والقيادية والأكاديمية المحددة - أكثر من تقييم واحد لتحديدها. تستخدم الأدوات الكمية مثل تلك المدرجة أدناه الدرجات لوصف أداء الطالب فيما يتعلق بالآخرين أو الدرجة التي يمتلك بها الطالب خاصية معينة فيما يتعلق بالمستوى القياسي للأداء.

اختبارات الإنجاز

تحدد اختبارات الإنجاز ما تعلمه الطلاب بالفعل وما إذا كانوا أكثر تقدمًا من أقرانهم في الصف الدراسي. قد تكون أكاديمية محددة (مثل الرياضيات أو فنون اللغة) أو اختبارات موحدة (مثل SATs و ITBS و SRA و MATs). يجب ألا يكون لهذه التقييمات حد أقصى حتى يتمكن الطلاب من إظهار كل ما يعرفونه. تشمل الاختبارات المصممة خصيصًا للسكان الموهوبين اختبار القدرات الرياضية للموهوبين أو تقييم الفرز لطلاب المرحلة الابتدائية الموهوبين (SAGES).

اختبارات القدرة

حاصل الذكاء (IQ) أو درجات اختبار القدرات المعرفية تستخدم أيضًا لتحديد الطلاب الموهوبين والموهوبين. بينما توفر هذه الاختبارات معلومات للمجال الفكري ، فإن هذه الاختبارات ليست مفيدة في تحديد شخص لديه قدرات إبداعية أو قيادية أو قدرات أخرى. تشمل اختبارات القدرة النموذجية ما يلي:

  • ستانفورد بينيه (L-M)
  • مقياس ذكاء ويشر للأطفال ، الإصدار الرابع. اقرأ موقف NAGC عن استخدام WISC-V في تعليم الموهوبين و WISC-IV.
  • وودكوك جونسون

الاختبارات غير اللفظية ، مثل اختبار القدرة غير اللفظية Naglieri oص ال اختبار الذكاء غير اللفظي، قد تكون أكثر فاعلية للطلاب من خلفيات مختلفة ثقافيًا ولغويًا أو منخفضة الدخل لإزالة الحواجز.


مدونة جيرومي أنجليم: علم النفس والإحصاء

غالبًا ما يكون لدى الباحثين في علم النفس عدد كبير من المتغيرات. يهدف العلم إلى تفسيرات شحيحة للعالم. وبالتالي ، فإن التحدي هو تطوير نهج مبدئي للتعامل مع التعددية التي تنشأ في البحث النفسي. أحد الأساليب الشائعة هو الجمع بين الاختبارات التي تقيس الأشياء المتشابهة في المركبات. يبحث هذا المنشور في كيفية تكوين المركبات. ينصب التركيز على الإعدادات حيث يكون لديك العديد من اختبارات القدرة وتريد إنشاء عامل قدرة مركب. أيضًا ، يتم التركيز بشكل خاص على كيفية القيام بذلك في SPSS.

يظهر هذا السيناريو في العديد من الإعدادات: عناصر مقياس نفسي تقيس العديد من التركيبات المتشابهة (على سبيل المثال ، الشخصية ، الأعراض ، الأداء ، القدرة ، إلخ). المثال الذي سأتحدث عنه هنا هو أحد الأمثلة حيث لديك عدد من اختبارات القدرة. على سبيل المثال ، إذا كان لديك درجات للمشاركين في عشرة اختبارات قدرة ، فقد يكون من المفيد تكوين مركب واحد أو أكثر. يمكن بعد ذلك استخدام هذه المركبات في التحليلات اللاحقة.

الخطوة 1: حدد المتغيرات التي يجب أن تشكل المركبات

الخطوة 2: احسب المركبات

الخطوه 3: استخدم المواد المركبة في التحليلات اللاحقة.

الخطوة 1: حدد المتغيرات التي يجب أن تشكل المركبات

هناك ثلاثة مصادر رئيسية للمعلومات تحدد المتغيرات التي يجب تجميعها معًا لتشكيل المركبات: (1) البيانات ، (2) الأهداف ، (3) النظرية.

1.1) البيانات: مع تساوي كل شيء ، فمن المنطقي الجمع بين المتغيرات المرتبطة ببعضها البعض. وبالتالي ، إذا قمت بفحص مصفوفة الارتباط لمجموعة الاختبارات ووجدت أن مجموعة فرعية من الاختبارات ترتبط ارتباطًا وثيقًا ببعضها البعض (على سبيل المثال ، r أكبر من .4 أو .5 أو .6 أو .7) ، فهذا يشير إلى أن هذه المجموعة الفرعية هي قياس شيء مشترك. يتضمن النهج الأكثر تعقيدًا لهذه المهمة إجراء تحليل عامل أو تحليل المكونات الرئيسية.

في الرابط التالي ، أقدم ملاحظات حول محاضرة حول تحليل العوامل و PCA. يعتمد المثال الموجود في المحاضرة على بياناتي الخاصة حيث قمت بتقييم ما إذا كان يمكن اختزال تسعة اختبارات للقدرة إلى ثلاث قدرات. يمكن قول الكثير عن تحليل العوامل ، ولا أرغب في مناقشة جميع القضايا هنا (انظر كتب مثل Tabachnick و Fiddel أو Hair et al). ومع ذلك ، بعد الانتهاء من تحليل العوامل الخاصة بك ، يجب أن تكون قد حددت عدد المكونات التي تريد استخراجها والمتغيرات التي سيتم تضمينها في كل منها.

1.2) أهداف: من المهم التفكير في الغرض من تكوين المواد المركبة فيما يتعلق بتحليلاتك. على سبيل المثال ، إذا كان لديك 10 اختبارات للقدرة ، فقد تكون مهتمًا فقط بالحصول على مقياس عام للذكاء. في هذه الحالة ، قد يكون كافياً إنشاء مركب واحد بناءً على جميع الاختبارات. في حالات أخرى ، كما هو الحال في علم النفس العصبي ، حيث يتم وضع نظريات عن أوجه قصور معينة ، أو في الأماكن التي تهتم فيها بالتنبؤ التفاضلي لفئات اختبارات القدرة ، قد يكون الانقسام الدقيق مفيدًا. بشكل عام ، هناك مفاضلة بين التعقيد والبخل.

1.3) نظرية: من المفيد أيضًا التفكير في نظرية كيفية ارتباط الاختبارات الفردية. هذا مهم بشكل خاص إذا كان لديك عينة صغيرة (على سبيل المثال ، n أقل من 50) ، مثل هذا التحليل العاملي قد لا يكون ممكنًا ، أو حتى إذا كان ذلك ممكنًا ، فقد لا تكون النتائج موثوقة بشكل خاص. قد تشير الأبحاث النظرية والسابقة إلى وجوب تصنيف الاختبارات في مجموعات بطرق معينة.

بعد التفكير في البيانات وأهدافك ونظريتك ، يجب أن تقرر الاختبارات التي سيتم دمجها لتشكيل المركبات.

الخطوة 2: حساب المركبات

خياران رئيسيان لتشكيل المركبات هما & # 8216factor المحفوظة الدرجات & # 8217 وإنشاء التراكيب المرجحة الخاصة بك.

2 أ) النتائج التي تم حفظها للعامل: في حالة الدرجات المحفوظة عاملاً ، يمكنك السماح للإجراء التحليلي للعامل بحساب المركبات الخاصة به بناءً على نتائج تحليل العوامل. يحتوي SPSS على زر يسمى & # 8220Scores & # 8230 & # 8221 والذي يتيح لك حفظ النتائج. راجع ملاحظات تحليل عامل Andy Field لمزيد من المعلومات.

2 ب) المركب المرجح الخاص بك: يتضمن هذا عادةً إنشاء مركب خطي لمتغيرات المكون. على سبيل المثال ، افترض أن لديك ثلاثة اختبارات تسمى & # 8220 (EV) المفردات اليومية & # 8221 ، & # 8220 (AV) المفردات المتقدمة & # 8221 ، و & # 8220 (C) الفهم & # 8221. كنتيجة لتحليل العوامل ، قررت دمج هذه الاختبارات الثلاثة في مركب. قد يكون الإجراء البسيط هو القول: المركب = EV + AV + C. المشكلة في هذا النهج هي أن الاختبارات الثلاثة غالبًا ما تحتوي على مقاييس مختلفة. قد يكون أحدهما صحيحًا بالنسبة المئوية ، وقد يكون الرقم الآخر هو الرقم الذي تم حله ، وهكذا. والنتيجة هي أن الاختبارات ذات الانحرافات المعيارية الأكبر سيتم ترجيحها بشكل أكبر في المركب. بشكل عام ، نريد أن نوزن جميع الاختبارات بالتساوي. على أقل تقدير ، نريد أن نكون متحكمين في الترجيح ، فنحن لا نريد ترك الترجيح في مستوى بعض النتائج التعسفية لمقاييس المتغيرات.

وبالتالي ، فإن الإجراء الشائع هو: 2 ب 1) تحويل درجات الاختبار الأولية إلى درجات z ، و 2 ب 2) إضافة درجات z.

2 ب 1) قم بتحويل كل درجة أولية إلى درجة z:

صيغة z-Score هي (الدرجة & # 8211 متوسط) / الانحراف المعياري.

للحصول على معلومات عامة حول الإحصاء الوصفي واستخدام وظيفة الحساب ، اتبع هذا الرابط.

أ) سيفعل SPSS ذلك نيابةً عنك باستخدام التحليل - الوصفي - الإحصاء الوصفي - حفظ القيم الموحدة

ب) بدلاً من ذلك ، يمكنك الحصول على الإحصائيات الوصفية للمتغير (المتوسط ​​والانحراف المعياري) ثم استخدام التحويل - الحساب لإنشاء متغير جديد.

في بناء الجملة سيبدو كما يلي:

حساب zvocab = (المفردات & # 8211 10) / 2.
ينفذ.

بافتراض أن المتغير الأولي للاختبار هو مفردات ، فإن متوسط ​​النتيجة الأولية هو 10 ، والانحراف المعياري للنتيجة الأولية هو 2.

يعد الخيار (ب) أعلاه ضروريًا عندما يكون لديك نقطتان زمنيتان أو أكثر. هذا لأنك سترغب في استخدام متوسط ​​شائع وانحراف معياري للمتغيرات المعيارية في نقطتين زمنيتين. إذا قمت بالتوحيد القياسي في غضون فترة زمنية ، فستزيل أي تغيير في الدرجات بمرور الوقت.

2 ب. 2) إضافة نقاط z:

في SPSS يمكن القيام بذلك باستخدام Transform & gt & gt Compute

في بناء الجملة قد يبدو كما يلي:
حساب verbaltot = zvocaba + zvocabe + zcompr.
ينفذ.

يفترض هذا أنك تريد أن يسمى المتغير الجديد الخاص بك verbaltot ، وأنك قمت بإنشاء ثلاثة إصدارات z-Score من اختباراتك.

لاحظ أنه سيتعين عليك تعديل النهج أعلاه إذا كان لديك أي اختبارات معكوسة. على سبيل المثال ، في قياسات وقت رد الفعل أو عدد الأخطاء ، تشير الدرجات المنخفضة إلى قدرة أكبر ، في حين أنه بناءً على المقاييس المستندة إلى عدد العناصر التي تم الرد عليها بشكل صحيح ، تشير الدرجات العالية إلى قدرة أكبر. في هذه الحالات ، ستحتاج إما إلى عكس درجات z قبل تكوين المركب أو وضع علامة ناقص ، بدلاً من علامة الجمع ، قبل الاختبار في بيان الحساب.

الخطوة 3: استخدام المركبات في التحليلات اللاحقة.

يمكن بعد ذلك استخدام المركبات في التحليلات اللاحقة ، مثل المتنبئات في الانحدارات والمتغيرات التابعة في مقارنات المجموعة وما إلى ذلك. الفائدة هي أنك قمت بتبسيط التعقيد في بياناتك وأنك قادر على تقديم تفسير أكثر شحًا.

عندما يتعلق الأمر بالإبلاغ عن قرارك بدمج المقاييس ، فأنت تريد تقديم مبرر وشرح. يجب أن يشير التبرير إلى البيانات والنظرية وأهدافك. يمكن أن يكون الوصف بسيطًا مثل ما يلي في Ackerman & amp Cianciolo (2000): & # 8220 لتوفير مقاييس أكثر ثباتًا للقدرات الأساسية ، تم تشكيل المركبات باستخدام درجات z الموزونة للوحدات من الاختبارات المكونة & # 8221 (ص 264)


نظرة عامة على WAIS – IV / WMS – IV / ACS

ليزا ويبل دروزديك. Xiaobin Zhou ، في WAIS-IV و WMS-IV و ACS ، 2013

قضايا في تلخيص القدرة الكلية

يتمتع FSIQ بقدرة تفسيرية وتنبؤية قوية على مستوى المجموعة والأفراد. ومع ذلك ، فإن استخدام النتيجة الإجمالية قد يخفي الفروق الفردية بين المجالات الواسعة للقدرة العامة ، خاصةً في المرضى الذين يعانون من عجز عصبي نفسي حيث لا يكون تركيز الاهتمام السريري على التنبؤ بل تشخيص العيوب المعرفية الأساسية. لهذا السبب ، تم التشكيك في أهمية الإبلاغ عن درجات معدل الذكاء (Fiorello et al. ، 2007). ومع ذلك ، يقترح باحثون آخرون أن FSIQ قد يكون مقياسًا صحيحًا بنفس القدر للقدرة العامة للأفراد أو المجموعات التي لديها درجات مؤشر متغيرة للغاية كما هو الحال بالنسبة لأولئك الذين لديهم درجات مؤشر متسقة (دانيال ، 2007) وأنه قد لا يكون هناك اختلاف في الصلاحية التنبؤية لـ FSIQ لمجموعات التشتت المنخفض والمرتفع (Watkins، Glutting، & amp Lei، 2007).

FSIQ هو مؤشر قوي بشكل خاص على التحصيل التعليمي ، والمستوى المهني ، وعمل الذاكرة ، والإنجاز المدرسي (Wechsler ، 2008 ، 2009). يرتبط FSIQ والإنجاز ، على سبيل المثال ، بقوة ، عادةً حول 0.70. هذا يعني أن FSIQ يشرح حوالي نصف التباين في الإنجاز. لا يوجد متغير معروف أو مجموعة متغيرات تقترب من المحاسبة الكاملة للنصف الآخر. إلى جانب العلاقة مع الإنجاز ، هناك قدر كبير من الصلاحية البيئية والمعيارية لاستخدام التقدير العام للذكاء العام في مجموعة متنوعة من المجالات المتعلقة بالنجاح في الحياة بما في ذلك اختبار ما قبل التوظيف والتنبؤ بالأداء الوظيفي (Gottfredson، 1997، 1998 Kuncel، هيزليت ، وأمبير ونيس ، 2004). وبالتالي ، عندما يكون التركيز على الاهتمام الإكلينيكي هو التنبؤ ، فإن FSIQ غالبًا ما يكون أكثر المتنبئين فاعلية. عندما يكون التركيز على التشخيص السريري لعلم الأمراض ، فغالبًا ما تكون درجات المؤشر أكثر إفادة.

على عكس كل نظام تفسيري Wechsler آخر تمت كتابته ، فإننا نناقش FSIQ أخيرًا ، وليس أولاً. هذا ليس لتقليل القوة التفسيرية والتنبؤية لـ FSIQ ، ولكن للتأكيد على القوة السريرية الوصفية لمؤشرات WAIS-IV ووضع FSIQ في دوره المناسب في توفير الخلفية ذات الصلة التي يتم على أساسها تقييم درجات المؤشر. وهذا يتفق مع موقفنا بأن السطر الأول من التفسير السريري يستند إلى درجات المؤشر.


تفسير نتائج الاختبار

هناك طريقتان متميزتان يستخدمهما أصحاب العمل لتفسير درجاتك:

1. التفسير المرجعي للمعيار

في الاختبارات المعيارية، تشير درجة اختبارك إلى مقدار المهارة أو المعرفة التي لديك في مجال موضوع معين.

لا تُستخدم درجة الاختبار للإشارة إلى مدى جودة مقارنتك بالآخرين - إنها تتعلق فقط ببرنامجك درجة الكفاءة في المنطقة المحددة التي تم تقييمها.

يرتبط التقييم المرجعي بالمعيار عمومًا باختبار الإنجاز وإصدار الشهادات.

يتم اختيار درجة اختبار معينة باعتبارها الحد الأدنى المقبول من مستوى الكفاءة.

يمكن تعيين ذلك بواسطة ناشر الاختبار الذي سيحول درجات الاختبار إلى معايير الكفاءة ، أو قد تستخدم الشركة خبرتها الخاصة للقيام بذلك.

على سبيل المثال ، افترض أن شركة ما تحتاج إلى موظفين كتابيين يتقنون معالجة الكلمات.

قد يوفر ناشر الاختبار جدول تحويل يتعلق بمهارة معالجة الكلمات بمستويات مختلفة من الكفاءة ، أو قد تساعدهم خبرة الشركات الخاصة مع الموظفين الكتابيين الحاليين في تحديد درجة النجاح.

قد يقررون أن ما لا يقل عن 50 كلمة في الدقيقة مع عدم وجود أكثر من خطأين لكل 100 كلمة كافٍ لوظيفة ذات واجبات معالجة كلمات عرضية.

بدلاً من ذلك ، إذا كان لديهم وظيفة تتطلب إنتاجية عالية ، فيمكنهم تعيين الحد الأدنى على 100 كلمة في الدقيقة مع عدم وجود أكثر من خطأ واحد لكل 100 كلمة.

التفسير المعياري المرجعي

في تفسير الاختبار المعياري، تتم مقارنة درجاتك بأداء الاختبار لمجموعة مرجعية معينة تسمى مجموعة القاعدة.

تتكون المجموعة المعيارية عادةً من عينات تمثيلية كبيرة لأفراد من مجموعات سكانية معينة أو طلاب جامعيين أو كبار المديرين أو عمال كتابيين.

إن متوسط ​​الأداء وتوزيع درجاتهم هو الذي يصبح معايير اختبار المجموعة.

يوضح هذا الرسم التوضيحي التوزيع والمتوسط ​​الدرجات لمجموعة متنوعة من المجموعات لاختبار معين.

ستكون درجة 150 في هذا الاختبار متوسطًا لشخص يعمل في المؤسسة على مستوى إداري ولكنها ستكون أقل من المتوسط ​​مقارنةً بخريجي المنظمة المتدربين ، حيث كان متوسط ​​الدرجات 210.

في مجال الاختبار المهني ، يتم تقييم مجموعة واسعة من الأفراد لمجموعة واسعة من الوظائف المختلفة.

من الواضح أن الناس يختلفون بشكل ملحوظ في قدراتهم وصفاتهم ، والمجموعة المعيارية التي تتم مقارنتها بها لها أهمية حاسمة.

للتأكد من إمكانية تفسير نتائج الاختبار بطريقة ذات مغزى ، سيحدد مسؤول الاختبار مجموعة المعايير الأكثر ملاءمة.

يتم ذلك من خلال مقارنة المستوى التعليمي والخلفيات المهنية واللغوية والثقافية ، والخصائص الديموغرافية الأخرى للأفراد الذين يشكلون المجموعتين (المجموعة المعيارية ومجموعة الاختبار) لإثبات التشابه بينهما.


رسم بيانات الانحدار باستخدام مصطلحات كثيرة الحدود

يساعدك رسم البيانات حقًا على تصور الانحناء وفهم نموذج الانحدار.

يوضح الرسم البياني كيف يعتمد تأثير إعداد الجهاز على متوسط ​​استخدام الطاقة على مكانك في منحنى الانحدار. على المحور السيني ، إذا بدأت بالإعداد 12 وزدته بمقدار 1 ، يجب أن ينخفض ​​استهلاك الطاقة. من ناحية أخرى ، إذا بدأت في 25 وزادت الإعداد بمقدار 1 ، فيجب أن تواجه زيادة في استخدام الطاقة. بالقرب من 20 ولن تتوقع الكثير من التغيير.

يمكن لتحليل الانحدار الذي يستخدم كثيرات الحدود لنمذجة الانحناء أن يجعل تفسير النتائج أكثر صعوبة. على عكس العلاقة الخطية ، يتغير تأثير المتغير المستقل بناءً على قيمته. بالنظر إلى المعامِلات التي فاز بها & rsquot ، اجعل الصورة أكثر وضوحًا. بدلاً من ذلك ، قم برسم البيانات بيانيًا لفهم العلاقة حقًا. يمكن أن تساعدك المعرفة المتخصصة بمنطقة الدراسة أيضًا في فهم النتائج.


الارتباط في الإحصاء

& # 8220 عندما تكون العلاقة ذات طبيعة نوعية ، فإن الأداة الإحصائية ap & shyproximate لاكتشاف وقياس العلاقة والتعبير عنها في صيغة موجزة تُعرف باسم الارتباط. & # 8221 في مجال التعليم ، لأغراض عملية مختلفة ، والمربين وعلماء النفس حاولوا معرفة مدى العلاقة بين القدرات في المواد الدراسية المختلفة.

من خلال طريقة الارتباط ، يمكننا دراسة المشكلات المختلفة التي تنطوي على العلاقة بين قدرات الطلاب مثل الحساب وفهم القراءة ، بين التقييم في اختبار الذكاء ومتوسطات الدورة ، بين الأطفال & # 8217s الطول والوزن وما إلى ذلك.

لذلك يتم تعريف الارتباط الإحصائي على أنه الدرجة التي تميل بها الدرجات المزدوجة لمجموعتين أو أكثر من المقاييس إلى الاختلاف معًا. يتم التعبير عن مقياس درجة التوافق كمعامل ارتباط. في البحث التربوي والنفسي ، يعد تحليل العلاقات المشتركة ضروريًا للغاية.

فيما يلي بعض المجالات الرئيسية المستخدمة على نطاق واسع:

(أ) يتم استخدامه لاختبار مدى توافق البيانات مع الفرضية.

(ب) توقع متغير واحد على أساس متغير (متغيرات) أخرى ذات صلة

(ج) تحديد المتغير (المتغيرات) الدخيلة وعزل تأثيرها في التجربة.

(د) يتم استخدامه لتحديد موثوقية وصحة نتائج الاختبار.

(هـ) لحساب المزيد من الإحصاءات على أساس معامل الارتباط.

أنواع الارتباط:

للحصول على فهم واضح لمفهوم الارتباط ، يجب أن نناقش أنواعًا مختلفة من الارتباطات.

في التوزيع ثنائي المتغير ، يمكن تصنيف العلاقات إلى أنواع مختلفة:

(ج) الاتفاق الصفري أو عدم وجود علاقة

(هـ) الارتباط غير الخطي أو المنحنى الخطي.

(أ) الارتباط الإيجابي:

عندما تؤدي الزيادة أو النقصان في متغير واحد إلى زيادة أو نقصان متطابقتين في المتغير الآخر ، يُقال أن العلاقة هي ارتباط إيجابي. عندما تكون كل وحدة تزيد أو تنقص في متغير واحد متبوعة بزيادة أو نقصان متناسب في المتغير الآخر ، فإن العلاقة تكون ارتباط إيجابي مثالي.

العلاقة الإيجابية تتراوح من 0 إلى +1. عندما يكون +1 يكون الارتباط ارتباطًا إيجابيًا تامًا.

لنفترض أن 100 طالب لديهم نفس المكانة تمامًا في اختبارين - الطلاب الذين حصلوا على الدرجة الأولى في الاختبار الأول يحصلون على الدرجات الأولى في الاختبار الأول ، والطالب الذي يحتل المرتبة الثانية في الاختبار الأول يحتل أيضًا المرتبة الثانية في الاختبار الثاني. هذه المراسلات الفردية موجودة في جميع أنحاء القائمة بأكملها.

لذا فإن العلاقة مثالية ، لأن الموضع النسبي لكل موضوع هو نفسه تمامًا في اختبار واحد كما هو الحال في الآخر ومعامل الارتباط هو + 1.00.

يمكن توضيح ذلك بمساعدة المثال التالي:

في الجدول أعلاه ، يتم تسجيل الدرجات أولاً في Test-1 وأيضًا في Test-2. وبالمثل B الثانية و C الثالثة و D الرابعة و E الخامسة في كلا الاختبارين. نلاحظ هنا أن الزيادة في درجات الطالب في مادة واحدة تتوافق مع الزيادة المتناسبة في العلامات في مادة أخرى. يسمى هذا الارتباط الارتباط الإيجابي التام.

إذا كانت الزيادة في علامات الطالب في الاختبار الأول تتوافق مع زيادة العلامات في الاختبار الثاني ، ولكن ليس بشكل متناسب ، فهو ارتباط إيجابي ، يمكننا توضيح ذلك بمساعدة الرسوم البيانية التالية:

(ب) الارتباط السلبي:

عندما ترتبط درجة عالية من سمة أو متغير بدرجة منخفضة من أخرى تسمى الارتباط السلبي. عندما تؤدي الزيادة في متغير واحد إلى انخفاض في متغير آخر والعكس صحيح ، يُقال أن العلاقة ارتباط سلبي. قد يتراوح الارتباط السلبي من 0 إلى -1.

عندما تجلب كل وحدة زيادة في متغير واحد تناقصًا نسبيًا للوحدة في المتغير الآخر ، يُطلق على العلاقة اسم الارتباط التام السلبي والرابط الخفي ويشار إلى معامل الارتباط بـ -1. يمكننا شرح ذلك بمساعدة متابعة العينة السابقة.

افترض في اختبار أن 5 طلاب A و B و C و D و E قد حصلوا على 80 و 75 و 70 و 65 و 60 علامة. في الاختبار الثاني ، حصلوا على 40 و 45 و 50 و 55 و 60 على التوالي.

في المثال أعلاه ، حصل الطالب A الذي حصل على أعلى الدرجات في Test-1 على أدنى درجات في Test-2. الطالب B الذي يحتل المركز الثاني في Test-1 يأتي في المرتبة الثانية بعد القاع (الرابع) في Test-2. يقف كل طالب هنا بعيدًا عن أعلى القائمة في Test-1 من أسفل القائمة في Test-2.

لذا فإن العلاقة بين التحصيل في الاختبار الأول والاختبار 2 هي علاقة منتظمة ومحددة ولكن اتجاه العلاقة معكوس لأن الزيادة في علامات الفرد في موضوع واحد تتوافق مع انخفاض العلامات في موضوع آخر. هذه العلاقة هي ارتباط سلبي تام.

يمكن توضيح ذلك بمساعدة الرسوم البيانية التالية:

(ج) الاتفاق الصفري أو عدم الارتباط:

عندما لا توجد علاقة منهجية بين مجموعتين من الدرجات أو المتغيرات في هذه الحالة تُعرف باسم اتفاقية الصفر أو عدم الارتباط. وهذا يعني أنه في الارتباط الصفري ، يوجد تطابق بين الدرجات التي قام بها أعضاء المجموعة على مجموعتي الدرجات. التغيير في متغير واحد لا يرتبط بأي شكل من الأشكال بتغيير متغير آخر.

على سبيل المثال ، حجم الحذاء والدخل الشهري للأشخاص ، وطول الفرد وذكائه وما إلى ذلك ليست مرتبطة على الإطلاق. نظرًا لأن الارتباط الصفري يشير إلى عدم وجود علاقة متسقة وخداع ، لذلك يتم التعبير عنه بواسطة معامل & خجول من .00. يمكننا أيضًا شرح هذا المفهوم بمساعدة الرسم التخطيطي كما هو موضح في الشكل 12.3.

(د) الارتباط الخطي:

عندما تكون العلاقة بين متغيرين متناسبة ويمكن وصفها بخط مستقيم ، فإنها تسمى الارتباط الخطي. لنفترض أن هناك خمسة أشخاص يقولون A و B و C و D و E. الراتب الشهري لهؤلاء الأشخاص هو روبية. 4000 روبية. 5000 روبية. 6000 روبية. 7000 روبية. 8000 على التوالي.

لذلك سيكون دخلهم السنوي 12 ضعفًا لراتبهم الشهري. إذا رسمنا رسمًا بيانيًا يوضح الرواتب الشهرية على المحور & # 8216X & # 8217 والدخل السنوي في المحور & # 8216Y ، فستكون النتيجة رسمًا بيانيًا بخط مستقيم كما في الشكل 12.4-1 ، 2. وتسمى هذه العلاقة باسم أ الارتباط الخطي.

(هـ) منحنى الارتباط الخطي:

عندما لا تكون العلاقة بين المتغيرات متناسبة مع المتغيرات في جميع أنحاء السلسلة ويمكن وصفها بخط منحنى يسمى الارتباط الخطي للمنحنى. يُعرف أيضًا باسم الارتباط غير الخطي. على سبيل المثال ، أولاً مع الزيادة في المتغير & # 8216A & # 8217 ، يزيد المتغير الثاني & # 8216B & # 8217 حتى نقطة معينة ، وبعد ذلك مع زيادة في المتغير- A ، ينخفض ​​المتغير B.

إذا تم رسم هذا الارتباط بين المتغير A والمتغير B لرسم بياني ، فستكون النتيجة خطًا منحنيًا (الشكل 12.4-3 ، 4).

معامل الارتباط:

تسمى الطريقة الإحصائية التي يتم فيها التعبير عن العلاقة على مقياس كمي بمعامل الارتباط. إنه مؤشر رقمي يخبرنا إلى أي مدى يرتبط المتغيرين وإلى أي مدى تتغير التغيرات في متغير واحد مع المتغيرات في الآخر.

& # 8220 معامل الارتباط والارتباط هو رقم نقي ، يتراوح عادةً من + 1 إلى 0 إلى 1 ، ويشير إلى درجة العلاقة الموجودة بين سلسلتين (أو أكثر) من الملاحظات & # 8221—السيرة الذاتية. حسن.

يتم تحديد معامل الارتباط بطريقتين. في لحظة منتج Karl Pearson & # 8217s ، يتم التعبير عنها كـ & # 8216r & # 8217. في ارتباط فرق الترتيب لـ Spearman & # 8217s ، يتم التعبير عنه كـ & # 8216p & # 8217 (rho). يشير الارتباط الموجب إلى أن كمية كبيرة من متغير واحد تميل إلى مرافقة كميات كبيرة من متغير آخر. لذلك يتم التعبير عن الارتباط الإيجابي التام بمعامل 1.00.

وبالتالي فإن العلاقة الإيجابية تتراوح من 9.00 إلى + 1.00. يشير الارتباط السلبي إلى أن كمية صغيرة من متغير واحد تميل إلى مرافقة كمية كبيرة من المتغير الآخر. هذه درجة عالية من سمة قد ترتبط بدرجة منخفضة من سمة أخرى.

يتم التعبير عن الارتباط السلبي التام بمعامل - 1.00. وبالتالي ، فإن الارتباط السلبي يتراوح من صفر إلى - 1.00. عندما لا يكون المتغيرين مرتبطين على الإطلاق ، يتم التعبير عن المعامل على أنه صفر.

تفسير معامل الارتباط:

تشير القيمة r التي نحصل عليها والتي تشير فقط إلى وجود مخرج & # 8217s علاقة وخداع. لكنها لا تشير إلى ما إذا كانت مهمة أم لا. لذلك نقوم باختبار أهمية r عند مستوى .05 و .01 من الثقة فيما يتعلق بدرجة الحرية أو ، & # 8216df ". في علاقة ثنائية المتغير يتم احتساب df كـ (N-2).

على سبيل المثال ، إذا كانت r = 0.55 و N = 50 لتفسير r ، فعلينا إدخال الجدول - C. قيمة df = 50 (أقرب إلى df 48) القيمة عند مستوى 0.05 هي .273 ومستوى .01 هي .354.

قيمة r 0.55 أكبر من هاتين القيمتين. لذلك فإن r مهمة عند مستوى 0.05 ومستوى .01. لذلك ، إذا كانت قيمة r أكبر من قيمة مستوى مهم ، فستكون مهمة وإذا كانت أقل من قيمة المستوى المهم ، فستكون غير ذات أهمية.

خصائص ص:

1. إذا تمت إضافة رقم ثابت إلى أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

2. إذا تم طرح رقم ثابت من أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

3. إذا تم ضرب رقم ثابت في أحد المتغيرين أو كليهما ، فإن معامل الارتباط يظل دون تغيير.

4. إذا تم تقسيم كل من المتغيرات وواحد على رقم ثابت ، فإن معامل الارتباط يظل دون تغيير.

استخدامات معامل الارتباط (r):

1. لمعرفة درجة العلاقة أو الاعتماد المتبادل بين متغيرين يستخدم r.

2. يستخدم للتنبؤ بالمتغير التابع من المتغير المستقل r.

3. لتحديد موثوقية نتيجة الاختبار r يتم استخدامها.

4. لتحديد صلاحية درجات الاختبار ، يتم استخدام r.

5. لاتخاذ قرارات في التوجيه التربوي والمهني يستخدم ص.

6. لحساب الإحصائيات الأخرى مثل تحليل العوامل والتنبؤ بالانحدار والارتباط المتعدد وما إلى ذلك. مطلوب r.

حساب معامل الارتباط:

هناك طريقتان لحساب معامل الارتباط من التوزيع ثنائي المتغير.

1. Spearman & # 8217s طريقة اختلاف الترتيب:

يعتبر معامل الارتباط ذا قيمة للتعليم وعلم النفس كمقياس للعلاقة بين درجات الاختبار ومقاييس الأداء الأخرى. لكن في كثير من الحالات ليس لدينا درجات. علينا العمل مع البيانات التي لا يمكن فيها التعبير عن الاختلافات في سمة معينة إلا من خلال الرتب أو عن طريق تصنيف الفرد إلى عدة فئات وصفية.

لذلك يمكن التعبير عن الاختلافات بين الأفراد في العديد من السمات من خلال ترتيب الموضوعات حسب الجدارة عندما لا يمكن قياس هذه الاختلافات بشكل مباشر. نعني بالترتيب ترتيب الأفراد حسب الجدارة.

على سبيل المثال ، قد يتم تصنيف الأشخاص حسب الجدارة من حيث الصدق أو القدرة الرياضية أو فن البيع أو التكيف الاجتماعي عندما يكون من المستحيل قياس هذه السلوكيات المعقدة.

في حساب الارتباط بين مجموعتين من الرتب ، تم ابتكار طرق خاصة. عندما يكون لدينا عدد قليل من الدرجات (ن صغير جدًا) لدينا مجموعتان ، فمن المستحسن في ذلك الوقت ترتيب هذه الدرجات وحساب معامل الارتباط (ρ) بواسطة طريقة فرق التصنيف Pearson & # 8217s.

افتراضات ρ:

البيانات منحرفة بشكل سيئ أو صغيرة جدًا.

عندما يكون القياس الكمي غير ممكن.

البيانات مجانية أو مستقلة عن بعض خصائص توزيع السكان

البيانات في نطاق ترتيبي.

حساب ρ:

اكتشف الكفاءة المشتركة للارتباط بين مجموعتين من الدرجات عن طريق طريقة فرق الرتب.

فيما يلي علامات 5 طلاب في التاريخ و Geog & shyraphy على التوالي:

رتب المجموعة الأولى من الدرجات ، بدءًا من المرتبة 1 إلى أعلى الدرجات واكتب الرتب تحت R.1 العمود (العمود 4).

رتب المجموعة الثانية من الدرجات بدءًا من الرتبة 1 إلى أعلى الدرجات واكتب الرتب تحت R.2 العمود (العمود 5)

اكتشف D بخصم R2 من ر1 أي (R1 - ر2) في العمود. 6.

اكتشف د 2 بتربيع د (عمود -7). ثم احسب ∑ D 2 بإضافة القيم في العمود. 7.

ضع الصيغة واحصل على النتيجة

إذن ، معامل الارتباط بين درجات التاريخ والجغرافيا هو 0.43.

حساب p عندما تكون البيانات في الرتب.

تحديد مدى اتفاق أحكامهم.

في مسابقة موسيقية ، قام اثنان من الحكام بترتيب 8 طلاب على النحو المبين أدناه:

نظرًا لأن الدرجات في الرتب ، اكتشف D عن طريق خصم رتب القاضي -2 من رتب القاضي -1.

ضع القيمة في الصيغة واحصل على النتيجة.

لذا فإن نقطة الاتفاق بين الأحكام هي 0.90. حساب p لصفوف التعادل

احسب معامل الارتباط بين درجات المجموعتين في طريقة فرق الترتيب.

فيما يلي درجات 8 طلاب في اختبارين متوازيين:

رتب الدرجات في Test-1. في Test-1 E يقف أولاً ، C في المرتبة الثانية ، A و F تحصل على نفس النتيجة. من المؤكد أن هذين الطالبين سيشغلان المرتبة الثالثة والرابعة. لذلك نحن نرتب كلاهما 3 + 4/2 = 3.5. التالي B يقف الخامس. حصل D و G على نفس النتيجة. لذلك ستكون رتبهم و H سيكون في المرتبة الثامنة.

بنفس الطريقة التي صنفنا بها الدرجات في Test- 1 ، رتب الدرجات في Test-2.

حساب D خصم R2 من ر1

احسب D 2 واكتشف ∑ D 2

ضع الصيغة واحصل على النتيجة

إذن ، معامل الارتباط بين درجات الاختبارين هو 0.87.

مزايا طريقة الفروق في الرتبة:

1. يوفر طريقة سريعة ومريحة لتقدير الارتباط عندما تكون N صغيرة.

2. عندما تكون البيانات في مقياس ترتيبي في ذلك الوقت ، فإننا نستخدم طريقة فرق الرتب لتقدير الارتباط.

عيوب طريقة الفروق التصنيفية:

1. تأخذ طريقة فرق الترتيب في الاعتبار المواقف في السلسلة. لا تسمح بالفجوات بين الدرجات المتجاورة. على سبيل المثال ، درجات ثلاثة طلاب هي 90 و 89 و 70 في الاختبار. سيكونون في المرتبة 1 و 2 و 3 على الرغم من أن الفرق بين 90 و 89 أقل بكثير من الفرق بين 89 و 70.

2. قد تضيع الدقة في ترجمة الدرجات إلى رتب ، خاصة عندما يكون هناك عدد من الروابط.

3. من الصعب حساب p من البيانات عندما تكون N كبيرة لنقل أكثر من 30.

2. طريقة Karl Pearson & # 8217s لحظة المنتج:

طريقة أخرى فعالة لتقدير معامل الارتباط و shytion تم تطويرها بواسطة Karl Pearson والتي تُعرف عمومًا بمعامل ارتباط لحظة المنتج. يطلق عليه لحظة المنتج لأن & # 8220 مجموع الانحرافات عن المتوسط ​​(مرفوع إلى بعض القوة) والمقسوم على N يسمى لحظة. عندما يتم ضرب الانحرافات المقابلة في V و y معًا ، يتم جمعها وتقسيمها على N ، يتم استخدام مصطلح لحظة المنتج. & # 8221

رمزيا ، تم تعيين معامل الارتباط اللحظي للمنتج على أنه & # 8216r & # 8217.

معامل الارتباط في لحظة المنتج هو:

افتراضات الارتباط بين المنتج واللحظة:

1. التوزيع الطبيعي:

يجب توزيع المتغيرات التي نريد حساب الارتباط من خلالها بشكل طبيعي. يمكن وضع الافتراض من أخذ العينات العشوائية.

2. الخطية في الارتباط:

يمكن إظهار ارتباط لحظة المنتج في خط مستقيم يعرف باسم الارتباط الخطي.

يجب أن يكون قياس المتغيرات في نطاق مستمر.

حساب ارتباط لحظة المنتج:

يمكن حساب معامل الارتباط لحظة المنتج في حالتين مختلفتين:

(أ) عندما تكون البيانات غير مجمعة

(ب) عندما يتم تجميع البيانات

(أ) حساب ص من البيانات غير المبوبة:

يتم حساب معامل الارتباط في البيانات غير المبوبة بشكل عام بطريقتين:

(ط) عندما تؤخذ الانحرافات عن الوسائل

(2) الحساب من الدرجات الخام أو الدرجات الأصلية.

(ط) تقدير ارتباط لحظة المنتج عندما يتم أخذ الانحرافات والأشكال من الوسائل.

الصيغة المستخدمة لحساب r من البيانات غير المبوبة عندما تؤخذ الانحرافات من وسيلة التوزيعين X و Y تقرأ على النحو التالي:

احسب معامل الارتباط بين درجات 12 طالبًا وطلابًا في اختبار اللغة الإنجليزية والدراسات الإعلامية والمعلوماتية في طريقة لحظة المنتج.

ابحث عن متوسط ​​الدرجات في اللغة الإنجليزية (X) ومتوسط ​​الدرجات في MIL (Y). هنا مx = 62.5 ، مذ = 30.4.

ابحث عن الانحراف (x) لكل درجة في اختبار اللغة الإنجليزية (جدول -12.6 ، عمود -4) والانحراف (ص) لكل درجة في اختبار MIL (جدول -12.6 ، عمود -5)

مربع كل xس وكل ذس واكتشف x 2 و y 2. أضف x 2 س في العمود. 6 و ص 2 س في العمود. 7 واكتشف ∑x 2 و ∑y 2.

اضرب انحرافات متغير X (عمود 4) مع انحرافات متغير Y (عمود 5) مع مراعاة العلامات الجبرية للحصول على xy (عمود 8). ثم أضف القيم في العمود. 8 واحصل على ∑xy.

ضع القيمة في الصيغة واحصل على النتيجة.

لذا فإن معامل الارتباط بين الدرجات في اللغة الإنجليزية والنتائج في MIL لـ 12 طالبًا هو 0.78.

(2) حساب معامل لحظة المنتج لـ cor & shyrelation من الدرجات الأصلية أو الدرجات الخام:

بدون حساب الانحرافات يمكننا أيضًا حساب r من الدرجات الأولية أو مباشرة من الدرجات الأصلية.

في هذه الحالة نطبق الصيغة التالية:

احسب معامل الارتباط لمجموعتي الدرجات التالية التي تم الحصول عليها من اختبار الرياضيات والعلوم لعشرة طلاب في طريقة لحظة المنتج:

أوجد حاصل ضرب كل من X و Y بضرب كل X مع Y المقابل.

أضف Xس (العمود 1) ، Yس (العمود 2) و X 2 (العمود 3) و Y 2 (العمود 4) و XY (العمود 5) للحصول على ∑X و ∑Y و X 2 Y 2 و XY على التوالي.

ضع هذه القيم في الصيغة واحصل على النتيجة.

إذن ، معامل الارتباط بين مجموعتي الدرجات هو 0.92.

(ب) حساب ص من البيانات المجمعة:

يمكن استخدام الطريقة التي ناقشناها في القسم أعلاه عندما يكون N صغيرًا. ولكن عندما يكون N كبيرًا ، فإن حساب r بالطريقة المذكورة أعلاه يكون شاقًا ويستغرق وقتًا طويلاً. يمكننا تجاوز الصعوبة عن طريق ترتيب البيانات في شكل رسم بياني أو مخطط معروف باسم & # 8216 مخطط مبعثر & # 8217 أو & # 8216 مبعثر غرام & # 8217. يُعرف أيضًا باسم توزيع التردد ثنائي الاتجاه أو توزيع التردد ثنائي المتغير. دعونا نفكر في كيفية إعداد مخطط مبعثر.

كيفية تحضير مخطط مبعثر:

على سبيل المثال ، حقق 50 طالبًا من الصف التاسع في مدرسة ثانوية الدرجات التالية في اختبار ذكاء المجموعة (X) واختبار الجبر (Y).

دعونا نبني مخطط مبعثر لهذه الدرجات.

دعونا نأخذ الفواصل الزمنية لفصل اختبار الذكاء على طول الهامش الأيسر ، من أعلى إلى أسفل الرسم التخطيطي (الشكل 12.5) وفترات فصول اختبار الجبر على طول الجزء العلوي من الرسم التخطيطي من اليسار إلى اليمين.

لنفترض أننا نريد رسم نتائج الطالب الأول في الرسم التخطيطي. حصل الطالب الأول على 48 درجة ذكاء و 173. هنا يجب أن نضع عددًا في الخلية يقابل فترات الفصل ، 45-49 في الذكاء و 170-179 في اختبار الجبر.

وبالمثل ، يتعين علينا إجراء عمليات فرز لجميع الطلاب البالغ عددهم 50 طالبًا وفقًا للدرجتين ، اختبار الذكاء واختبار الجبر. ثم يتم حساب تعداد كل خلية وترجمتها إلى الرقم. بعد ذلك سيتم إضافة أرقام كل صف والتردد لكل فاصل زمني لاختبار الذكاء (متغير X) fx سيتم اكتشافه.

على سبيل المثال في الشكل 12.5x للصف الأول هو 1 ، الصف الثاني 6 ، الصف الثالث 7 وبالمثل الصف الثامن 2. بنفس الطريقة ستتم إضافة أرقام الخلايا لكل عمود والتردد لكل فاصل زمني لاختبار الجبر (متغير Y) fذ سيتم تحديده.

على سبيل المثال ، حرف fذ بالنسبة للعمود الأول هو 3 ، والعمود الثاني 1 ، والعمود الثالث 2 ، والعمود العاشر بالمثل هو 2. بعد إدراج جميع الأرقام ، تتم إضافة التردد في كل خلية وإدخاله في الرسم التخطيطي. ثم يكون الرسم التخطيطي المبعثر جدول ارتباط.

حساب & # 8216r & # 8217 من جدول الارتباط:

عندما يكون N كبيرًا أو حتى متوسط ​​الحجم ، فمن السهل حساب r بتجميع البيانات في توزيع تردد ثنائي المتغير وحساب r بأخذ الانحرافات عن المتوسط ​​المفترض بدلاً من المتوسط ​​الفعلي.

تقرأ صيغة الحساب من البيانات المجمعة في طريقة المتوسط ​​المفترض كما يلي:


نظرة عامة على WAIS – IV / WMS – IV / ACS

ليزا ويبل دروزديك. Xiaobin Zhou ، في WAIS-IV و WMS-IV و ACS ، 2013

قضايا في تلخيص القدرة الكلية

يتمتع FSIQ بقدرة تفسيرية وتنبؤية قوية على مستوى المجموعة والأفراد. ومع ذلك ، فإن استخدام النتيجة الإجمالية قد يخفي الفروق الفردية بين المجالات الواسعة للقدرة العامة ، خاصةً في المرضى الذين يعانون من عجز عصبي نفسي حيث لا يكون تركيز الاهتمام السريري على التنبؤ بل تشخيص العيوب المعرفية الأساسية. لهذا السبب ، تم التشكيك في أهمية الإبلاغ عن درجات معدل الذكاء (Fiorello et al. ، 2007). ومع ذلك ، يقترح باحثون آخرون أن FSIQ قد يكون مقياسًا صحيحًا بنفس القدر للقدرة العامة للأفراد أو المجموعات التي لديها درجات مؤشر متغيرة للغاية كما هو الحال بالنسبة لأولئك الذين لديهم درجات مؤشر متسقة (دانيال ، 2007) وأنه قد لا يكون هناك اختلاف في الصلاحية التنبؤية لـ FSIQ لمجموعات التشتت المنخفض والمرتفع (Watkins، Glutting، & amp Lei، 2007).

FSIQ هو مؤشر قوي بشكل خاص على التحصيل التعليمي ، والمستوى المهني ، وعمل الذاكرة ، والإنجاز المدرسي (Wechsler ، 2008 ، 2009). يرتبط FSIQ والإنجاز ، على سبيل المثال ، بقوة ، عادةً حول 0.70. هذا يعني أن FSIQ يشرح حوالي نصف التباين في الإنجاز. لا يوجد متغير معروف أو مجموعة متغيرات تقترب من المحاسبة الكاملة للنصف الآخر. إلى جانب العلاقة مع الإنجاز ، هناك قدر كبير من الصلاحية البيئية والمعيارية لاستخدام التقدير العام للذكاء العام في مجموعة متنوعة من المجالات المتعلقة بالنجاح في الحياة بما في ذلك اختبار ما قبل التوظيف والتنبؤ بالأداء الوظيفي (Gottfredson، 1997، 1998 Kuncel، هيزليت ، وأمبير ونيس ، 2004). وبالتالي ، عندما يكون التركيز على الاهتمام الإكلينيكي هو التنبؤ ، فإن FSIQ غالبًا ما يكون أكثر المتنبئين فاعلية. عندما يكون التركيز على التشخيص السريري لعلم الأمراض ، فغالبًا ما تكون درجات المؤشر أكثر إفادة.

على عكس كل نظام تفسيري Wechsler آخر تمت كتابته ، فإننا نناقش FSIQ أخيرًا ، وليس أولاً. هذا ليس لتقليل القوة التفسيرية والتنبؤية لـ FSIQ ، ولكن للتأكيد على القوة السريرية الوصفية لمؤشرات WAIS-IV ووضع FSIQ في دوره المناسب في توفير الخلفية ذات الصلة التي يتم على أساسها تقييم درجات المؤشر. وهذا يتفق مع موقفنا بأن السطر الأول من التفسير السريري يستند إلى درجات المؤشر.


ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

يركز هذا التصميم على المتغيرات في جينات معينة يعتقد أنها مرتبطة بالسمة محل الاهتمام بسبب الوظائف البيولوجية للجينات والمتغيرات الجينية التي تم اختيارها.

يصف هذا متوسط ​​التأثير الجيني المعياري المشترك بين نمطين ظاهريين. إنه ارتباط بين العناصر الوراثية المختبرة لكل سمة.

دراسة الارتباط على مستوى الجينوم (GWAS)

يستخدم تصميم الدراسة هذا لتحديد المواقع في جميع أنحاء الجينوم المرتبط بسمة أو حالة مرضية. يمكن أن تشمل GWAS الملايين من أشكال النوكليوتيدات المفردة الشائعة من جميع أنحاء الجينوم. يتم اختبار كل منها من أجل الارتباط مع النمط الظاهري للفائدة. يتم التحكم في مشكلة الأخطاء الإحصائية من النوع الأول في مثل هذا العدد الكبير من الاختبارات من خلال تبني سياسة صارمة ص قطع القيمة ، عادةً 5 × 10 −8.

هذه هي نسبة التباين الظاهري الذي يُعزى إلى التباين الموجود في العوامل الوراثية. في سياق GWAS ، عادةً ما يتم اعتبار العوامل الوراثية المضافة فقط من المتغيرات التي تعاني من اختلال توازن الارتباط (انظر أدناه) مع SNPs الشائعة المستخدمة ، وبالتالي فإن تقدير التوريث هو التوريث الضيق المعنى.

اختلال التوازن (LD)

هذا هو الارتباط غير العشوائي للأليلات الموجودة في موقعين وراثيين متميزين على الأقل.

التوزيع العشوائي مندل (MR)

MR هي تقنية إحصائية تستخدم المتغيرات الجينية ، والتي لم تتغير منذ الحمل ، لاختبار العلاقات السببية المحتملة بين التعرض والنتيجة. عادةً ما يستخدم MR تعدد الأشكال التي حققت أهمية كبيرة في الجينوم لسمات التعرض ، مثل التدخين ، كمتغيرات بديلة لسمات التعرض ، أي تشكيل أداة لها. يتم تحديد هذه المتغيرات الآلية من خلال ثلاثة افتراضات رئيسية. أولاً ، أنها مرتبطة بالتعرض. ثانيًا ، ترتبط بالنتيجة فقط من خلال التعرض. ثالثًا ، أنهم غير مرتبطين بالمربك فيما يتعلق بالنتيجة.

يصف هذا الاكتشاف القائل بأن العديد من الأنماط الظاهرية يمكن أن ترتبط بالتنوع الجيني في نفس المكان. أولاً ، قد يكون هذا بسبب أن الموضع له تأثير سببي مستقل على كل نمط ظاهري ، والذي يسمى تعدد الأشكال الأفقي أو البيولوجي. ثانيًا ، يمكن أن يصف الحالات التي يرتبط فيها النمط الظاهري ارتباطًا سببيًا بالنمط الظاهري الثاني ، مما يعني أن أي ارتباطات جينية موجودة مع النمط الظاهري الأول ستتم مشاركتها مع النمط الثاني الذي يطلق عليه تعدد الأشكال الرأسي أو التوسط.

تعدد أشكال النوكليوتيدات الأحادية (SNP)

يتم نطق SNP "snip". هذا هو النوع الأكثر شيوعًا من الاختلاف الجيني بين الناس. كل SNP هو بديل لنيوكليوتيد واحد في موضع معين في الجينوم. في GWAS ، يتم التعامل مع SNP كوحدة إحصائية مرتبطة.


قوائم الجرد تقرير الذات

قوائم جرد التقرير الذاتي هي نوع من الاختبار الموضوعي المستخدم لتقييم الشخصية. يستخدمون عادةً عناصر متعددة الخيارات أو مقاييس مرقمة ، والتي تمثل نطاقًا من 1 (لا أوافق بشدة) إلى 5 (أوافق بشدة). غالبًا ما يطلق عليهم موازين ليكرت بعد مطورهم ، Rensis Likert (1932) (الشكل 1).

شكل 1. إذا سبق لك إجراء استطلاع ، فمن المحتمل أن تكون على دراية بأسئلة مقياس من نوع ليكرت. تستخدم معظم قوائم الجرد الشخصية هذه الأنواع من مقاييس الاستجابة.

أحد أكثر قوائم جرد الشخصية استخدامًا هو Minnesota Multiphasic Personality Inventory (MMPI) ، الذي نُشر لأول مرة في عام 1943 ، مع 504 أسئلة صحيحة / خاطئة ، وتم تحديثه إلى MMPI-2 في عام 1989 ، مع 567 سؤالًا. اعتمد MMPI الأصلي على عينة صغيرة ومحدودة ، تتألف في الغالب من مزارعي مينيسوتا والمرضى النفسيين ، واستند المخزون المنقح إلى عينة وطنية أكثر تمثيلا للسماح بتوحيد أفضل. يستغرق MMPI-2 من ساعة إلى ساعتين ليكتمل. يتم تسجيل الردود لإنتاج ملف تعريف سريري يتكون من 10 مقاييس: المراق ، والاكتئاب ، والهستيريا ، والانحراف النفسي (الانحراف الاجتماعي) ، والذكورة مقابل الأنوثة ، والبارانويا ، والوهن النفسي (الصفات الوسواسية / القهرية) ، والفصام ، والهوس الخفيف ، والانطواء الاجتماعي. هناك أيضًا مقياس للتأكد من عوامل الخطر لتعاطي الكحول. في عام 2008 ، تمت مراجعة الاختبار مرة أخرى ، باستخدام طرق أكثر تقدمًا ، إلى MMPI-2-RF. يستغرق هذا الإصدار حوالي نصف الوقت لإكماله ويحتوي على 338 سؤالاً فقط (الشكل 2). على الرغم من مزايا الاختبار الجديد ، فإن MMPI-2 أكثر رسوخًا ولا يزال يستخدم على نطاق أوسع. عادة ، يتم إجراء الاختبارات بواسطة الكمبيوتر. على الرغم من أن MMPI تم تطويره في الأصل للمساعدة في التشخيص السريري للاضطرابات النفسية ، إلا أنه يستخدم الآن أيضًا في الفحص المهني ، كما هو الحال في تطبيق القانون ، وفي الكلية ، والوظيفي ، والاستشارات الزوجية (Ben-Porath & amp Tellegen ، 2008).

الشكل 2. تشبه أسئلة الصواب / الخطأ هذه أنواع الأسئلة التي قد تجدها في MMPI.

بالإضافة إلى المقاييس السريرية ، تحتوي الاختبارات أيضًا على مقاييس الصلاحية والموثوقية. (تذكر مفاهيم الموثوقية والصلاحية من دراستك للبحث النفسي.) أحد مقاييس الصلاحية ، مقياس الكذب (أو مقياس "L") ، يتكون من 15 عنصرًا ويستخدم للتأكد مما إذا كان المستفتى "مزيفًا" (عدم الإبلاغ عن المشاكل النفسية لتبدو أكثر صحة). على سبيل المثال ، إذا أجاب شخص ما بـ "نعم" على عدد من العناصر الإيجابية غير الواقعية مثل "لم أكذب أبدًا" ، فقد يكون يحاول "تزييف سلعة" أو يبدو أفضل مما هو عليه بالفعل.

تختبر مقاييس الموثوقية اتساق الأداة بمرور الوقت ، مما يضمن أنك إذا أخذت MMPI-2-RF اليوم ثم مرة أخرى بعد 5 سنوات ، فستكون درجتك متشابهة. أعطى Beutler و Nussbaum و Meredith (1988) MMPI لضباط الشرطة المعينين حديثًا ثم إلى نفس ضباط الشرطة بعد ذلك بعامين. بعد عامين من العمل ، أشارت ردود ضباط الشرطة إلى زيادة التعرض لإدمان الكحول والأعراض الجسدية (الشكاوى الجسدية الغامضة وغير المبررة) والقلق. عندما تم إجراء الاختبار بعد عامين إضافيين (بعد 4 سنوات من بدء العمل) ، أشارت النتائج إلى وجود مخاطر عالية للصعوبات المتعلقة بالكحول.


الاختبارات وتقييمات أمبير

الاختبارات هي أدوات تقييم شائعة لتحديد الهوية ، ولكن لا ينبغي أن تكون بمثابة المصدر الوحيد لتحديد الهوية. غالبًا ما تستبعد الاختبارات الطلاب الموهوبين المحرومين من الخدمة من متعلمي اللغة الإنجليزية (ELLs) أو ذوي الإعاقة أو من خلفيات الأقليات أو ذوي الدخل المنخفض. استراتيجية تحديد الهوية التي تتضمن تقييمات متعددة - موضوعية وذاتية - هي أفضل طريقة لضمان عدم إغفال المتعلم الموهوب.

لماذا تختبر؟

يوفر الاختبار طريقة موضوعية ومنهجية لتحديد الأطفال الموهوبين. توفر اختبارات القدرة والإنجاز أرقامًا أو درجات لوصف أداء الطالب فيما يتعلق بالآخرين. غالبًا ما تستخدم الاختبارات كمتطلبات معيارية للدخول في برامج محددة أو في حالة الاشتباه في وجود تناقض في التعلم. ومع ذلك ، فإن التقييمات الرسمية ليست سوى أداة واحدة في تحديد الموهبة. يجب استخدام الاختبارات جنبًا إلى جنب مع أدوات التقييم الذاتي.

أنواع الاختبارات

يجب أن تتماشى الاختبارات مع خصائص الطلاب الموهوبين والموهوبين في منطقة مجال معينة. يتطلب تنوع الخصائص ضمن التعريف الفيدرالي - المجالات الفكرية والإبداعية والفنية والقيادية والأكاديمية المحددة - أكثر من تقييم واحد لتحديدها. تستخدم الأدوات الكمية مثل تلك المدرجة أدناه الدرجات لوصف أداء الطالب فيما يتعلق بالآخرين أو الدرجة التي يمتلك بها الطالب خاصية معينة فيما يتعلق بالمستوى القياسي للأداء.

اختبارات الإنجاز

تحدد اختبارات الإنجاز ما تعلمه الطلاب بالفعل وما إذا كانوا أكثر تقدمًا من أقرانهم في الصف الدراسي. قد تكون أكاديمية محددة (مثل الرياضيات أو فنون اللغة) أو اختبارات موحدة (مثل SATs و ITBS و SRA و MATs). يجب ألا يكون لهذه التقييمات حد أقصى حتى يتمكن الطلاب من إظهار كل ما يعرفونه. تشمل الاختبارات المصممة خصيصًا للسكان الموهوبين اختبار القدرات الرياضية للموهوبين أو تقييم الفرز لطلاب المرحلة الابتدائية الموهوبين (SAGES).

اختبارات القدرة

حاصل الذكاء (IQ) أو درجات اختبار القدرات المعرفية تستخدم أيضًا لتحديد الطلاب الموهوبين والموهوبين. بينما توفر هذه الاختبارات معلومات للمجال الفكري ، فإن هذه الاختبارات ليست مفيدة في تحديد شخص لديه قدرات إبداعية أو قيادية أو قدرات أخرى. تشمل اختبارات القدرة النموذجية ما يلي:

  • ستانفورد بينيه (L-M)
  • مقياس ذكاء ويشر للأطفال ، الإصدار الرابع. اقرأ موقف NAGC عن استخدام WISC-V في تعليم الموهوبين و WISC-IV.
  • وودكوك جونسون

الاختبارات غير اللفظية ، مثل اختبار القدرة غير اللفظية Naglieri oص ال اختبار الذكاء غير اللفظي، قد تكون أكثر فاعلية للطلاب من خلفيات مختلفة ثقافيًا ولغويًا أو منخفضة الدخل لإزالة الحواجز.


أمثلة على مقياس الفترات والتعريف والمعنى

في عالم إدارة البيانات أو الإحصائيات أو أبحاث التسويق ، هناك العديد من الأشياء التي يمكنك القيام بها باستخدام بيانات الفاصل الزمني ومقياس الفاصل الزمني. مع وضع هذا في الاعتبار ، هناك الكثير من أمثلة البيانات الفاصلة التي يمكن أن تعطى.


في الواقع ، إلى جانب بيانات النسبة ، تعد بيانات الفاصل الزمني أساس القوة التي يمكن أن يظهرها التحليل الإحصائي. يمثل كل من مقاييس الفاصل الزمني والنسب أعلى مستوى لقياس البيانات ويساعد على نطاق واسع من المعالجات والتحويلات الإحصائية التي لا تستطيع الأنواع الأخرى من مقاييس قياس البيانات دعمها.

في هذه الصفحة سوف تتعلم:

  • ما هي بيانات الفاصل؟
    التعريف والمعنى والخصائص الرئيسية.
  • قائمة من 10 أمثلة لبيانات الفاصل الزمني.
  • بيانات الفاصل الزمني مقابل النسبة.
  • رسم بياني بصيغة PDF للتنزيل المجاني.
  • اختبار سريع

كما تعلم ، هناك 4 مقاييس للقياس: اسمي وترتيبي وفاصل زمني ونسبة. تساعدك معرفة مستوى قياس بياناتك على تفسير البيانات ومعالجتها بالطريقة الصحيحة.

& # 8217s تحدد بيانات الفاصل الزمني:

لا تشير بيانات الفاصل الزمني إلى تصنيف القياسات وترتيبها فحسب ، بل إنها تحدد أيضًا أن المسافات بين كل قيمة على المقياس هي مساو. المسافة بين القيم لها معنى.

بعبارة أخرى ، الاختلافات بين النقاط على المقياس متساوية. هذا هو السبب في أنها تسمى بيانات الفاصل. يتم قياسه على المقاييس الفاصلة. مقياس الفاصل الزمني هو مقياس رقمي لا يمثل فقط الترتيب ولكن أيضًا المسافات المتساوية بين قيم الكائنات.

المثال الأكثر شيوعًا هو درجة الحرارة بالدرجات فهرنهايت. الفرق بين 100 درجة فهرنهايت و 90 درجة فهرنهايت هو نفس الفرق بين 60 درجة فهرنهايت و 70 درجة فهرنهايت.

يعد الوقت أيضًا أحد أكثر أمثلة بيانات الفاصل الزمني شيوعًا التي يتم قياسها على مقياس فاصل حيث تكون القيم ثابتة ومعروفة وقابلة للقياس.

تسمح هذه الخصائص لبيانات الفاصل الزمني أن يكون لها العديد من التطبيقات في مجال الإحصاء وذكاء الأعمال. ومع ذلك ، هناك عيب رئيسي واحد & # 8211 عدم وجود الصفر المطلق.

في مقياس الفاصل ، هناك لا توجد نقطة الصفر الحقيقية أو بداية ثابتة . ليس لديهم صفر حقيقي حتى إذا كانت إحدى القيم تحمل الاسم & # 8220zero. & # 8221

على سبيل المثال ، في درجة الحرارة ، لا توجد نقطة يمكن أن تكون فيها درجة الحرارة صفرًا. صفر درجة فهرنهايت لا يعني الغياب التام لدرجة الحرارة.

نظرًا لأن المقياس الفاصل لا يحتوي على نقطة صفر حقيقية ، لا يمكنك حساب النسب . على سبيل المثال ، ليس هناك أي معنى لنسبة 90 إلى 30 درجة فهرنهايت لتكون هي نفسها النسبة 60 إلى 20 درجة.

درجة حرارة 20 درجة ليست ضعف درجة حرارة واحدة من 10 درجات.


عدم وجود الصفر الحقيقي في مقاييس الفترات ، يجعل من المستحيل التوصل إلى استنتاجات حول عدد المرات التي تكون فيها إحدى القيم أعلى من الأخرى.

وبالتالي ، فإن مقياس الفاصل يسمح لك فقط برؤية الاتجاه والفرق بين القيم ، لكن لا يمكنك إصدار عبارات حول تناسبها وارتباطها.

لذا دع & # 8217s نلخص الخصائص الرئيسية لبيانات الفاصل الزمني والمقاييس:

  • لا تعرض لك مقاييس الفترات الترتيب والاتجاه فحسب ، بل توضح أيضًا الاختلافات الدقيقة بين القيم.
  • المسافات بين كل قيمة على مقياس الفاصل ذات مغزى و مساو.
  • هنالك لا توجد نقطة الصفر الحقيقية أو بداية ثابتة.
  • أنت لا يمكن حساب النسب.

لذا ، فالمقاييس الفاصلة رائعة (يمكننا جمعها وطرحها) لكن لا يمكننا الضرب أو القسمة.

بالإضافة إلى ذلك ، في الممارسة العملية ، يمكن للعديد من الإحصائيين والمسوقين تحويل مقياس القيم المرتبة غير الفاصلة إلى مقياس فاصل لدعم التحليل الإحصائي أو تحليل البيانات.

أمثلة على بيانات الفاصل الزمني:

1. وقت كل يوم بمعنى 12 ساعة.

2. درجة الحرارة ، بالدرجات فهرنهايت أو مئوية (ولكن ليس كلفن).

3. اختبار الذكاء (مقياس الذكاء).

4. درجات الاختبار مثل درجات اختبار SAT و ACT.

5. العمر هو أيضًا متغير يمكن قياسه على مقياس فاصل ، مثل 1 و 2 و 3 و 4 و 5 سنوات وما إلى ذلك.

6. قياس الدخل كنطاق ، مثل - 999 دولارًا أمريكيًا 1000 - 1999 دولارًا أمريكيًا 2000 - 2900 دولارًا أمريكيًا ، وما إلى ذلك. هذا مثال كلاسيكي لتحويل مقياس متغير مرتب بدون فاصل زمني إلى مقياس فاصل لدعم التحليل الإحصائي.

7. التواريخ (1015 ، 1442 ، 1726 ، إلخ.)

8. الجهد على سبيل المثال 110 و 120 فولت (تيار متردد) 220 و 240 فولت (تيار متردد) وما إلى ذلك.

9. في أبحاث التسويق ، إذا سألنا شخصين عن مقدار الوقت الذي يقضيانه في قراءة مجلة كل يوم ، فإننا لن نعرف فقط من يقضي وقتًا أطول في القراءة ولكن أيضًا الفرق الدقيق في الدقائق (أو فاصل زمني آخر) بين الشخصين.

10. مستويات الصف في المدرسة (الصف الأول ، الصف الثاني ، وما إلى ذلك)

بيانات الفترات والنسبة

يعد فهم الفرق بين بيانات الفاصل الزمني وبيانات النسبة أحد المهارات الأساسية لعالم البيانات.

بيانات الفاصل الزمني والنسبة هي أعلى مستويات قياسات البيانات. ولكن مع ذلك ، هناك اختلافات مهمة بينهما تحدد الطريقة التي يمكنك بها تحليل بياناتك.

نظرًا لمقاييس الفاصل الزمني ، توضح لنا مقاييس النسبة الترتيب والقيمة الدقيقة بين الوحدات. ومع ذلك ، على عكس مقاييس الفترات ، فإن النسبة لديها صفر مطلق يتيح لنا إجراء مجموعة كبيرة من الإحصائيات الوصفية والإحصاءات الاستنتاجية.

تمتلك مقاييس النسبة تعريفًا واضحًا للصفر. يمكن قياس أي أنواع من القيم التي يمكن قياسها من الصفر المطلق باستخدام مقياس نسبة.

أشهر الأمثلة على متغيرات النسبة هي الطول والوزن. بالإضافة إلى ذلك ، يمكن أن يكون طول الفرد ضعف طول فرد آخر.

عندما يتعلق الأمر بإمكانية التحليل ، فإن مقاييس النسبة هي الملك. يمكن إضافة المتغيرات وطرحها وضربها وتقسيمها.

لذلك ، باستخدام بيانات النسبة ، يمكنك القيام بنفس الأشياء كما هو الحال مع بيانات الفاصل الزمني بالإضافة إلى حساب النسب والارتباطات.

أمثلة على بيانات النسبة:

  • وزن
  • ارتفاع
  • مقياس كلفن: 50 كلفن ضعف درجة حرارة 25 ك.
  • الدخل المكتسب في شهر.
  • عدد من الاطفال.
  • عدد الانتخابات التي أدلى بها الشخص وما إلى ذلك.

بالإضافة إلى ذلك ، تعد بيانات النسبة والفاصل الزمني بيانات كمية. لذلك ، يمكن أيضًا تصنيف كلاهما على أنه منفصل أو مستمر. انظر لدينا ما بعد منفصلة مقابل البيانات المستمرة.

في العديد من أنواع الأبحاث مثل أبحاث التسويق ، والبحوث الاجتماعية ، وأبحاث الأعمال ، تمثل مقاييس الفاصل الزمني والنسب أقوى مستويات القياسات.


بالطبع ، هناك العديد من الأشياء التي يمكن القيام بها مع النوعين الآخرين من مقاييس قياس البيانات & # 8211 البيانات الاسمية والترتيبية (انظر أيضًا البيانات الاسمية مقابل البيانات الترتيبية). لكن بيانات الفاصل الزمني والنسبة تدعم مجموعة كاملة من التلاعبات الإحصائية ، وبالتالي فهي موثوقة للغاية لاستخلاص النتائج.


مدونة جيرومي أنجليم: علم النفس والإحصاء

غالبًا ما يكون لدى الباحثين في علم النفس عدد كبير من المتغيرات. يهدف العلم إلى تفسيرات شحيحة للعالم. وبالتالي ، فإن التحدي هو تطوير نهج مبدئي للتعامل مع التعددية التي تنشأ في البحث النفسي. أحد الأساليب الشائعة هو الجمع بين الاختبارات التي تقيس الأشياء المتشابهة في المركبات. يبحث هذا المنشور في كيفية تكوين المركبات. ينصب التركيز على الإعدادات حيث يكون لديك العديد من اختبارات القدرة وتريد إنشاء عامل قدرة مركب. أيضًا ، يتم التركيز بشكل خاص على كيفية القيام بذلك في SPSS.

يظهر هذا السيناريو في العديد من الإعدادات: عناصر مقياس نفسي تقيس العديد من التركيبات المتشابهة (على سبيل المثال ، الشخصية ، الأعراض ، الأداء ، القدرة ، إلخ). المثال الذي سأتحدث عنه هنا هو أحد الأمثلة حيث لديك عدد من اختبارات القدرة. على سبيل المثال ، إذا كان لديك درجات للمشاركين في عشرة اختبارات قدرة ، فقد يكون من المفيد تكوين مركب واحد أو أكثر. يمكن بعد ذلك استخدام هذه المركبات في التحليلات اللاحقة.

الخطوة 1: حدد المتغيرات التي يجب أن تشكل المركبات

الخطوة 2: احسب المركبات

الخطوه 3: استخدم المواد المركبة في التحليلات اللاحقة.

الخطوة 1: حدد المتغيرات التي يجب أن تشكل المركبات

هناك ثلاثة مصادر رئيسية للمعلومات تحدد المتغيرات التي يجب تجميعها معًا لتشكيل المركبات: (1) البيانات ، (2) الأهداف ، (3) النظرية.

1.1) البيانات: مع تساوي كل شيء ، فمن المنطقي الجمع بين المتغيرات المرتبطة ببعضها البعض. وبالتالي ، إذا قمت بفحص مصفوفة الارتباط لمجموعة الاختبارات ووجدت أن مجموعة فرعية من الاختبارات ترتبط ارتباطًا وثيقًا ببعضها البعض (على سبيل المثال ، r أكبر من .4 أو .5 أو .6 أو .7) ، فهذا يشير إلى أن هذه المجموعة الفرعية هي قياس شيء مشترك. يتضمن النهج الأكثر تعقيدًا لهذه المهمة إجراء تحليل عامل أو تحليل المكونات الرئيسية.

في الرابط التالي ، أقدم ملاحظات حول محاضرة حول تحليل العوامل و PCA. يعتمد المثال الموجود في المحاضرة على بياناتي الخاصة حيث قمت بتقييم ما إذا كان يمكن اختزال تسعة اختبارات للقدرة إلى ثلاث قدرات. يمكن قول الكثير عن تحليل العوامل ، ولا أرغب في مناقشة جميع القضايا هنا (انظر كتب مثل Tabachnick و Fiddel أو Hair et al). ومع ذلك ، بعد الانتهاء من تحليل العوامل الخاصة بك ، يجب أن تكون قد حددت عدد المكونات التي تريد استخراجها والمتغيرات التي سيتم تضمينها في كل منها.

1.2) أهداف: من المهم التفكير في الغرض من تكوين المواد المركبة فيما يتعلق بتحليلاتك. على سبيل المثال ، إذا كان لديك 10 اختبارات للقدرة ، فقد تكون مهتمًا فقط بالحصول على مقياس عام للذكاء. في هذه الحالة ، قد يكون كافياً إنشاء مركب واحد بناءً على جميع الاختبارات. في حالات أخرى ، كما هو الحال في علم النفس العصبي ، حيث يتم وضع نظريات عن أوجه قصور معينة ، أو في الأماكن التي تهتم فيها بالتنبؤ التفاضلي لفئات اختبارات القدرة ، قد يكون الانقسام الدقيق مفيدًا. بشكل عام ، هناك مفاضلة بين التعقيد والبخل.

1.3) نظرية: من المفيد أيضًا التفكير في نظرية كيفية ارتباط الاختبارات الفردية. هذا مهم بشكل خاص إذا كان لديك عينة صغيرة (على سبيل المثال ، n أقل من 50) ، مثل هذا التحليل العاملي قد لا يكون ممكنًا ، أو حتى إذا كان ذلك ممكنًا ، فقد لا تكون النتائج موثوقة بشكل خاص. قد تشير الأبحاث النظرية والسابقة إلى وجوب تصنيف الاختبارات في مجموعات بطرق معينة.

بعد التفكير في البيانات وأهدافك ونظريتك ، يجب أن تقرر الاختبارات التي سيتم دمجها لتشكيل المركبات.

الخطوة 2: حساب المركبات

خياران رئيسيان لتشكيل المركبات هما & # 8216factor المحفوظة الدرجات & # 8217 وإنشاء التراكيب المرجحة الخاصة بك.

2 أ) النتائج التي تم حفظها للعامل: في حالة الدرجات المحفوظة عاملاً ، يمكنك السماح للإجراء التحليلي للعامل بحساب المركبات الخاصة به بناءً على نتائج تحليل العوامل. يحتوي SPSS على زر يسمى & # 8220Scores & # 8230 & # 8221 والذي يتيح لك حفظ النتائج. راجع ملاحظات تحليل عامل Andy Field لمزيد من المعلومات.

2 ب) المركب المرجح الخاص بك: يتضمن هذا عادةً إنشاء مركب خطي لمتغيرات المكون. على سبيل المثال ، افترض أن لديك ثلاثة اختبارات تسمى & # 8220 (EV) المفردات اليومية & # 8221 ، & # 8220 (AV) المفردات المتقدمة & # 8221 ، و & # 8220 (C) الفهم & # 8221. كنتيجة لتحليل العوامل ، قررت دمج هذه الاختبارات الثلاثة في مركب. قد يكون الإجراء البسيط هو القول: المركب = EV + AV + C. المشكلة في هذا النهج هي أن الاختبارات الثلاثة غالبًا ما تحتوي على مقاييس مختلفة. قد يكون أحدهما صحيحًا بالنسبة المئوية ، وقد يكون الرقم الآخر هو الرقم الذي تم حله ، وهكذا. والنتيجة هي أن الاختبارات ذات الانحرافات المعيارية الأكبر سيتم ترجيحها بشكل أكبر في المركب. بشكل عام ، نريد أن نوزن جميع الاختبارات بالتساوي. على أقل تقدير ، نريد أن نكون متحكمين في الترجيح ، فنحن لا نريد ترك الترجيح في مستوى بعض النتائج التعسفية لمقاييس المتغيرات.

وبالتالي ، فإن الإجراء الشائع هو: 2 ب 1) تحويل درجات الاختبار الأولية إلى درجات z ، و 2 ب 2) إضافة درجات z.

2 ب 1) قم بتحويل كل درجة أولية إلى درجة z:

صيغة z-Score هي (الدرجة & # 8211 متوسط) / الانحراف المعياري.

للحصول على معلومات عامة حول الإحصاء الوصفي واستخدام وظيفة الحساب ، اتبع هذا الرابط.

أ) سيفعل SPSS ذلك نيابةً عنك باستخدام التحليل - الوصفي - الإحصاء الوصفي - حفظ القيم الموحدة

ب) بدلاً من ذلك ، يمكنك الحصول على الإحصائيات الوصفية للمتغير (المتوسط ​​والانحراف المعياري) ثم استخدام التحويل - الحساب لإنشاء متغير جديد.

في بناء الجملة سيبدو كما يلي:

حساب zvocab = (المفردات & # 8211 10) / 2.
ينفذ.

بافتراض أن المتغير الأولي للاختبار هو مفردات ، فإن متوسط ​​النتيجة الأولية هو 10 ، والانحراف المعياري للنتيجة الأولية هو 2.

يعد الخيار (ب) أعلاه ضروريًا عندما يكون لديك نقطتان زمنيتان أو أكثر. هذا لأنك سترغب في استخدام متوسط ​​شائع وانحراف معياري للمتغيرات المعيارية في نقطتين زمنيتين. إذا قمت بالتوحيد القياسي في غضون فترة زمنية ، فستزيل أي تغيير في الدرجات بمرور الوقت.

2 ب. 2) إضافة نقاط z:

في SPSS يمكن القيام بذلك باستخدام Transform & gt & gt Compute

في بناء الجملة قد يبدو كما يلي:
حساب verbaltot = zvocaba + zvocabe + zcompr.
ينفذ.

يفترض هذا أنك تريد أن يسمى المتغير الجديد الخاص بك verbaltot ، وأنك قمت بإنشاء ثلاثة إصدارات z-Score من اختباراتك.

لاحظ أنه سيتعين عليك تعديل النهج أعلاه إذا كان لديك أي اختبارات معكوسة. على سبيل المثال ، في قياسات وقت رد الفعل أو عدد الأخطاء ، تشير الدرجات المنخفضة إلى قدرة أكبر ، في حين أنه بناءً على المقاييس المستندة إلى عدد العناصر التي تم الرد عليها بشكل صحيح ، تشير الدرجات العالية إلى قدرة أكبر. في هذه الحالات ، ستحتاج إما إلى عكس درجات z قبل تكوين المركب أو وضع علامة ناقص ، بدلاً من علامة الجمع ، قبل الاختبار في بيان الحساب.

الخطوة 3: استخدام المركبات في التحليلات اللاحقة.

يمكن بعد ذلك استخدام المركبات في التحليلات اللاحقة ، مثل المتنبئات في الانحدارات والمتغيرات التابعة في مقارنات المجموعة وما إلى ذلك. الفائدة هي أنك قمت بتبسيط التعقيد في بياناتك وأنك قادر على تقديم تفسير أكثر شحًا.

عندما يتعلق الأمر بالإبلاغ عن قرارك بدمج المقاييس ، فأنت تريد تقديم مبرر وشرح. يجب أن يشير التبرير إلى البيانات والنظرية وأهدافك. يمكن أن يكون الوصف بسيطًا مثل ما يلي في Ackerman & amp Cianciolo (2000): & # 8220 لتوفير مقاييس أكثر ثباتًا للقدرات الأساسية ، تم تشكيل المركبات باستخدام درجات z الموزونة للوحدات من الاختبارات المكونة & # 8221 (ص 264)


شاهد الفيديو: اختبار للذكاء رائع جدا مع الإجابات IQ (يونيو 2022).


تعليقات:

  1. Vim

    مرحبا جميعا. أود أيضًا أن أعرب عن امتناني العميق للأشخاص الذين أنشأوا هذه المدونة الإعلامية. أنا مندهش لأنني لم أستخدمه لفترة طويلة. لأكثر من أسبوع لم أتمكن من ابتعاد نفسي عن كمية هائلة من المعلومات المفيدة بشكل لا يصدق. الآن أوصي بهذه المدونة لأصدقائي ، والتي أوصيكم بها أيضًا. على الرغم من أنني وجدت مدونتك عن طريق الصدفة ، إلا أنني أدركت على الفور أنني سأبقى هنا لفترة طويلة. الواجهة البديهية هي الإنجاز الرئيسي بالنسبة لي ، لأن تخصصي لا يتطلب معرفة كبيرة بالحاسوب الشخصي وأنا أعرف أساسيات العمل بشكل سطحي فقط.

  2. Kamuzu

    انا أنضم. أنا متفق على كل ما سبق.

  3. Saleem

    أعتقد أن هذا هو الفكر الممتاز



اكتب رسالة