De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

04-5-2012 Samantha Bouwmeester College 4 Testtheorie.

Verwante presentaties


Presentatie over: "04-5-2012 Samantha Bouwmeester College 4 Testtheorie."— Transcript van de presentatie:

1 Samantha Bouwmeester College 4 Testtheorie

2 4. Betrouwbaarheid van verschilscores -Verschilscores zijn vaak erg onbetrouwbaar omdat het verschil vooral uit meetfouten bestaat. Dit geldt met name voor variabelen met al een lage betrouwbaarheid. X1=rekentoets september X2=rekentoets mei X2-X1= vooruitgang rekentoets X1=T1+E1 X2=T1+Tmei+E2 X2-X1=T1+Tmei+E2-T1-E1=Tmei-E1+E2 2 Pp X1T1E X2T2E X2-X1T2-T1E2-E

3 6. Heterogene tests Voor heterogene tests (meerdere deeltests) gebruiken we gestratificeerde alpha-coëfficiënt om de betrouwbaarheid van de gehele test te berekenen: Subtest Y2.Verbale analogieën.81Y1.Figuur herkennen S Y1Y2 = 1.8 Variantie van deeltest Betrouwbaarheid van deeltest Variantie van totale test 3

4 Geobserveerde score True scoreConstruct Theoretisch Validiteit Betrouwbaarheid Validiteit Praktisch lage betrouwbaarheid = lage validiteit, máár hoge betrouwbaarheid  hoge validiteit! Waar zijn we gebleven… 4

5 Principale componenten analyse (PCA) vat gezamenlijke variantie van een aantal variabelen samen in één of meerdere componenten. Kan gebruikt worden om de betekenis- of begripsvaliditeit (hoofdstuk 8, D&S) van een test te onderzoeken. Test heeft begripsvaliditeit wanneer de gezamenlijke variantie van de items met één of een aantal constructen kan worden samengevat. Stel, een test meet dominantie en bevat 20 likert items. Gezamenlijke variantie van de items moet dan geïnterpreteerd kunnen worden in termen van dominantie. Begripsvaliditeit: Principale Componenten Analyse 5

6 Ieder item heeft error (meetfout), unieke variantie, en gezamenlijke variantie PCA vat de gezamenlijke variantie samen: Unieke variantie + meetfout Gezamenlijke variantie van twee items Gezamenlijke variantie van drie items Gezamenlijke variantie van alle items Y1. Ik let onvoldoende op details bij mijn werk. Y2. Wanneer ik zit, friemel ik met mijn handen of voeten. Y3. Ik maak slordige fouten in mijn werk. Y4. Ik zit te wiebelen en te draaien in mijn stoel. 6 y2 y3 y4 y1

7 1.Ik let onvoldoende op details bij mijn werk. 2.Wanneer ik zit, friemel ik met mijn handen of voeten. 3.Ik maak slordige fouten in mijn werk. 4.Ik zit te wiebelen en te draaien in mijn stoel. 5.Wanneer ik met iets bezig ben, kan ik er met mijn aandacht slecht bij blijven. 6.Ik voel me rusteloos. 7.Ik verveel me snel. 8.Ik ben voortdurend in de weer, alsof ik door een motor word aangedreven. 9.Ik praat aan één stuk door. ADHD bij Volwassenen 7 Vragen naar begripsvaliditeit: - In hoeverre meet deze ADHD vragenlijst één of meerdere constructen? - Hoe moeten deze constructen worden geïnterpreteerd? Principale componenten analyse kan worden gebruikt om deze vragen te beantwoorden.

8 Y Y Y Y Y Y Y3 y2, y4, y6, en y8 vormen een clustertje Y2 1.00Y1 Y2 Let onvoldoende op details werk Y1 Friemel handen voetenY3 Slordige fouten werk Y4 Wanneer bezig, slechte aandacht Y6 Voel rusteloosY7 Verveel snel Y8 Voortdurend in weerY9 Praat aan één stuk door Y5 Wiebelen en draaien op stoel y9 lage correlaties met alle variabelen y1, y3, y6, y5, en y7 vormen een clustertje 8

9 Comp 1 Comp 2 Karel heeft scores y1=3,y2=3,y3=1. Score van Karel op component 1 Score van Karel op component 2 friemel details slordig 9

10 Component 1 Y Correlatie tussen component en item r c1,y1 is de componentlading r c1,y1 =.76 Score van Karel

11 % var Eigenwaarde ( ) = hoe goed doet de component het? % variantie = hoeveel van de totale variantie verklaart de component? \ aantal variabelen  = =5.68 %var C1 = 5.68/9*100=63 De ladingen geven aan hoe hoog een item correleert met de component. Het kwadraat geeft aan hoeveel variantie de component van het item kan verklaren. 11 k

12 - Eerste component verklaart altijd de meeste gezamenlijke variantie - De componenten correleren niet met elkaar (r c1,c2 =0). De assen staan dus loodrecht op elkaar. - De componenten verklaren “eigen” gezamenlijke variantie van de items - Een negatieve lading betekent dat het item een negatief verband heeft met de component (contra- indicatief item) 12

13 Comm (c=1 t/m9) Comm (c=1&2) Communaliteit = % verklaarde variantie door de componenten van één variabele. Communaliteit y1: … =1 Communaliteit y1, bij 2 componenten: Ik maak slordige fouten in mijn werk. Ik praat aan één stuk door. 13

14 Dit doe je door de ladingen van de twee variabelen per component te vermenigvuldigen en dan op te tellen: c1 c2 c9 14 Uit de componenten matrix kun je de oorspronkelijke correlaties tussen de variabelen terugrekenen.

15 Hoeveel componenten selecteren? - Theorie - > 1 criterium (Kaiser) - Screeplot: knik-criterium (“inflexion”) 15 Allerbelangrijkste: kunnen we de componenten zinvol en eenduidig interpreteren!

16 Hoe moeten we de gevonden componenten interpreteren? - Lastig, want vrijwel altijd één dominante component met hoge ladingen. - Daarom rotatie: orthogonaal (correlaties tussen componenten 0) of niet-orthogonaal (correlatie tussen componentn is niet meer 0) 16

17 Orthogonale Rotatie: Varimax - Assen worden geroteerd maar blijven ongecorreleerd. - Hierdoor gaan variabelen op één component hoog laden en op andere laag. Ongeroteerde oplossing: items laden op beide variabelen. Na varimax rotatie: items laden vooral op één component c2 c1 17 c

18 18 c2 c1 Non-Orthogonale Rotatie: Oblique Rotatie -Assen worden zodanig geroteerd dat de items zo hoog mogelijk laden op één van de componenten. -De componenten mogen daarbij ook correleren Hier is sprake van een positieve correlatie tussen de twee componenten!

19 Component Matrix y1 y2 y3 y4 y5 y6 y7 y8 y9 12 Component Rotated Component Matrix y1 y2 y3 y4 y5 y6 y7 y8 y9 12 Component Component ladingen zonder en met varimax rotatie: 19 NB. Na oblique rotatie is de correlatie tussen de componenten.34!

20 y1 y2 y3 y4 y5 y6 y7 y8 y9 12 Component Y1 Ik let onvoldoende op details bij mijn werk. Y2 Wanneer ik zit, friemel ik met mijn handen of voeten. Y3 Ik maak slordige fouten in mijn werk. Y4 Ik zit te wiebelen en te draaien in mijn stoel. Y5 Wanneer ik met iets bezig ben, kan ik er met mijn aandacht slecht bij blijven. Y6 Ik voel me rusteloos. Y7 Ik verveel me snel. Y8 Ik ben voortdurend `in de weer', alsof ik door een motor word aangedreven'. Y9 Ik praat aan één stuk door. 20 Component 1 is vooral “attention deficit”en component 2 is vooral “hyperactivity”

21 College 7 Validiteit21 Na rotatie is de verdeling van de verklaarde variantie per component veranderd! (maar het totale percentage verklaarde variantie blijft hetzelfde.) 21

22 22 Assumpties en Vereisten pca Twee belangrijke aspecten: -Is de steekproef groot genoeg? Bij een (te) kleine steekproef hebben de correlaties grote betrouwbaarheidsintervallen en dus is de PCA oplossing instabiel... -Zijn de correlaties tussen de variabelen niet te laag of te hoog? Als de correlaties te hoog zijn is er sprake van multicollineairity en wordt het lastig om de PCA uit te voeren. Als de correlaties te laag zijn is het onmogelijk om de variabelen samen te vatten met enkele componenten

23 Steekproef grootte 10 tot 15 subjecten per variabele (gebruikelijk) >300 (Tabachnick & Fidell, 2007) Bij hoge communaliteiten (>.6) minder subjecten nodig dan lagere communaliteiten. 23

24 KMO: geeft aan of de variabelen vooral unieke variantie hebben of veel gezamenlijke. 0= alleen unieke, 1=alleen gezamenlijke. Vanaf.5 net acceptabel, van.7 goed. Bartlett’s test of sphericity: toetst of de correlaties tussen de variabelen gelijk zijn aan 0. Correlaties tussen variabelen 24

25 De residual reproduced correlations geeft aan in hoeverre de variantie in de variabelen verklaard wordt door de componenten. Een hoog (positief of negatief) residu betekent dat er nog verbanden zijn tussen de varabelen die niet door de componenten worden verklaard. Maar als variabelen té hoog correleren is het ook niet goed: multicollineairity. Check determinant: >

26 De anti-image matrix geeft aan in hoeverre de variabelen geschikt zijn voor een factor-analyse. De waarden op de diagonaal moeten tenminste.5 zijn, de waarden buiten de diagonaal moeten dicht bij 0 liggen. 26


Download ppt "04-5-2012 Samantha Bouwmeester College 4 Testtheorie."

Verwante presentaties


Ads door Google