Kappa Katsayısı Nedir? Cohen Kappa Nasıl Yorumlanır?
Basira Editör Ekibi · · 10 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Cohen'in kappa katsayısı, iki puanlayıcının kategorik kararlarındaki gözlenen uyumdan şansla beklenecek uyumu ayıklar: 1 tam uyumu, 0 şans düzeyindeki uyumu, negatif değer şansın da altındaki uyumu gösterir.
- Sıralı kategorilerde ağırlıklı kappa komşu kategorideki ayrılığı uzak ayrılıktan hafif sayar; ağırlık türü (doğrusal ya da karesel) önceden seçilir ve raporda yazılır. İkiden çok puanlayıcıda Fleiss kappa kullanılır.
- Kappa paradoksları: kategorilerden biri çok sık görülüyorsa yüzde uyum yüksekken kappa düşük çıkabilir. Bu yüzden kappanın yanında yüzde uyum, uyum tablosu ve ikili kararlarda olumlu ve olumsuz uyum oranları raporlanır.
- Landis ve Koch'un (1977) etiketleri gibi yorum sınıfları kesin kural değildir; kappa güven aralığıyla, kategorilerin sayısı ve dağılımıyla ve ölçümün amacına göre yorumlanır.
İçindekiler
Cohen’in kappa katsayısı (κ), iki puanlayıcının aynı birimleri kategorilere ayırırken gösterdiği uyumu, şansla beklenecek uyumu ayıklayarak özetler. 1 tam uyumu, 0 şansla beklenen kadar uyumu, negatif değer şansın da altında kalan uyumu gösterir. Sıralı kategorilerde ağırlıklı kappa, ikiden çok puanlayıcıda Fleiss kappa kullanılır.
Kappa katsayısı nedir?
Puanlayıcılar arası güvenirlik çalışmasında iki kişi aynı birimleri (hasta, görüntü, görüşme metni, sınav yanıtı) aynı kategori listesine göre birbirinden habersiz sınıflar. En basit özet yüzde uyumdur: iki puanlayıcının aynı kategoriyi seçtiği birimlerin oranı. Cohen (1960) bu oranın bir kısmının rastlantıdan geldiğine dikkat çekti: iki puanlayıcı kararlarını kura ile verse bile birimlerin bir kısmında aynı kategoride buluşur. Kategorilerden biri çok sık seçiliyorsa bu rastlantısal uyum da büyür.
Kappa bu yüzden gözlenen uyumu, puanlayıcıların kendi kategori oranlarından hesaplanan şans uyumuyla karşılaştırır ve şansın ötesinde elde edilebilecek uyumun ne kadarının gerçekten elde edildiğini sorar.
Cohen (1960) katsayıyı üç koşulla tanımladı: birimler birbirinden bağımsızdır; kategoriler birbirini dışlar ve bütün olasılıkları kapsar; puanlayıcılar birbirinden bağımsız karar verir. Puanlayıcılar kararlarını görüşerek veriyor ya da birbirinin kararını görüyorsa bu koşul bozulur; Sim ve Wright (2005) bağımsız olmayan puanlamayı kappanın büyüklüğünü etkileyen etkenler arasında sayar.
Kappa, güvenirlik türlerinden puanlayıcılar arası güvenirliğin kategorik veri için kullanılan katsayısıdır. Güvenirlik türlerinin genel çerçevesi geçerlik ve güvenirlik yazısında, çok maddeli bir ölçeğin iç tutarlılığı (Cronbach α, McDonald ω) güvenirlik analizi yazısında anlatılır. Puanlar aralıklı ya da oranlı ölçekte ölçülüyorsa uyum sınıf içi korelasyon (ICC) ile değerlendirilir. Sınıflama ve sıralama ölçeğinin farkı ölçek türleri yazısındadır.
Kappa nasıl hesaplanır?
İki puanlayıcının kararları k × k boyutlu bir uyum tablosunda toplanır: satırlar birinci puanlayıcının, sütunlar ikinci puanlayıcının kategorileridir. , birinci puanlayıcının i, ikincinin j kategorisini seçtiği birimlerin oranıdır; ve satır ve sütun (marjinal) oranlarıdır:
- köşegendeki, yani gözlenen uyumdur.
- , iki puanlayıcı kendi kategori oranlarını koruyup birbirinden bağımsız ve rastgele karar verseydi beklenecek uyumdur.
- Pay şansın ötesinde gerçekleşen uyumu, payda şansın ötesinde gerçekleşebilecek en büyük uyumu gösterir.
Formülden üç sonuç çıkar.
- Birincisi, şans uyumu sıfırdan büyük ve uyum tam değilse kappa yüzde uyumdan küçüktür; ikisi aynı ölçekte okunmaz.
- İkincisi, kappa yalnız bütün birimler köşegendeyse 1 olur. İki puanlayıcının kategori oranları farklıysa bu imkânsızdır; Cohen (1960) verilen marjinal oranlarla ulaşılabilecek en büyük kappayı ayrıca tanımlamıştır.
- Üçüncüsü, alt sınır sabit değildir: negatif bir kappa uyumun şansla beklenenden az olduğunu söyler.
İki kategorili (var/yok) bir kararda tablo dört hücreye iner. Aşağıdaki harfler paradokslar bölümünde de kullanılır:
| Puanlayıcılar | B: var | B: yok |
|---|---|---|
| A: var | a | b |
| A: yok | c | d |
Burada ‘dir. a ve d uyumlu, b ve c uyumsuz kararlardır.
Kappa ile yüzde uyum, ki-kare ve McNemar arasındaki fark nedir?
Aynı uyum tablosuna dört farklı soru sorulabilir. Karıştırıldıklarında yanlış katsayı raporlanır.
| Ölçüt | Sorduğu soru | Şans uyumunu ayıklar mı? |
|---|---|---|
| Yüzde uyum | Birimlerin ne kadarında aynı karar verildi? | Hayır |
| Cohen kappa | Uyum şansla beklenenin ne kadar ötesinde? | Evet |
| Ki-kare bağımsızlık testi | İki puanlayıcının kararları arasında ilişki var mı? | Uyumu ölçmez |
| McNemar testi | Puanlayıcılardan biri “var” kararını ötekinden daha sık mı veriyor? | Uyumu ölçmez |
Ki-kare testi ilişkiyi sınar, ilişki ise uyum değildir. Bir puanlayıcının “hafif” dediği her birime öteki “orta” diyorsa iki kararın ilişkisi çok güçlüdür ama tek bir birimde bile uyum yoktur.
McNemar testi yalnız uyumsuz hücrelere (b ve c) bakar ve iki puanlayıcının “var” oranının aynı olup olmadığını sınar. İki puanlayıcı hemen hiç uyuşmasa da oranları eşitse McNemar anlamsız çıkar. İki test kappanın yerini tutmaz, onu tamamlar: McNemar uyumsuzluğun bir yöne yığılıp yığılmadığını, kappa uyumun büyüklüğünü söyler.
Ağırlıklı kappa nedir?
Kategoriler sıralıysa (yok, hafif, orta, ağır) “hafif” ile “orta” arasındaki ayrılık, “yok” ile “ağır” arasındaki ayrılıkla aynı sayılmamalıdır. Ağırlıksız kappa ikisini de tam ayrılık sayar. Cohen (1968) bu yüzden her uyumsuzluğa ciddiyetine göre bir ağırlık veren ağırlıklı kappayı önerdi; komşu kategorideki karar kısmi puan alır. i ve j kategorileri arasındaki ayrılığın ağırlığı () olmak üzere:
Köşegen dışındaki bütün ağırlıklar eşitse ağırlıksız kappaya eşittir. Cohen (1968) ağırlıkları araştırmacının belirlemesine bıraktı; uygulamada iki seçenek yaygındır:
Doğrusal ağırlıkta ceza kategoriler arasındaki uzaklıkla orantılı artar; karesel ağırlıkta uzak ayrılıklar orantısız biçimde daha ağır cezalandırılır. Fleiss ve Cohen (1973), karesel ağırlıklı kappanın büyük örneklemde bir sınıf içi korelasyon katsayısına eşdeğer olduğunu gösterdi; bu, kategorileri eşit aralıklı sayılar gibi ele almak demektir. Kategoriler arası uzaklıklar eşit sayılamıyorsa doğrusal ağırlık ya da kuramdan türetilmiş özel ağırlıklar daha savunulabilirdir.
Dikkat
Ağırlık türü veriye bakmadan, kategorilerin anlamına göre seçilir ve raporda yazılır; aynı tablo iki ağırlıkla farklı değerler verir. Sınıflama ölçeğindeki (sırasız) kategorilerde ağırlık anlamsızdır.
Tek bir Likert maddesinin neden sıralı sayıldığı Likert ölçeği analizi yazısındadır.
Fleiss kappa nedir?
Fleiss (1971) kappayı ikiden çok puanlayıcıya genişletti. Desende her birimi aynı sayıda (m) puanlayıcı sınıflar, ama bir birimi puanlayanlar ötekini puanlayanlarla aynı kişiler olmak zorunda değildir. N birim sayısı, i. birimi j. kategoriye koyan puanlayıcı sayısı olmak üzere:
, i. birim için rastgele seçilen iki puanlayıcının uyuşma oranıdır. Şans uyumu ise bütün puanlayıcıların birleşik kategori oranlarından () hesaplanır. Bu, Cohen’in kappasından önemli bir farktır: Fleiss kappa puanlayıcıların kendi oranları arasındaki farkı ayrı tutmaz.
Bu nedenle iki puanlayıcıya uygulandığında Cohen’in kappasıyla genellikle aynı değeri vermez ve ikili Cohen kappalarının ortalaması da değildir. Fleiss (1971) ayrıca her kategori için ayrı bir kappa tanımlar; hangi kategoride uyuşmanın zorlaştığı böylece görülür.
Fleiss’in 1971 katsayısı ağırlıksızdır; sıralı kategorilerde komşu ayrılığı da tam ayrılık sayar. Nitel kodlamada birden çok kodlayıcının uyumu da çoğu zaman bu katsayılarla özetlenir; bu uygulamanın nitel analizdeki tartışmalı yeri MAXQDA yazısının kodlayıcılar arası uyum bölümünde anlatılır.
Kappa paradoksları nelerdir?
Feinstein ve Cicchetti (1990), iki kategorili uyum tablolarında kappanın sezgiye aykırı davrandığı iki durumu “yüksek uyum ama düşük kappa” başlığıyla tanımladı.
Birinci paradoks: kategorilerin dağılımı (prevalans). Marjinal toplamlar çok dengesizse yüksek bir yüzde uyum düşük bir kappaya dönüşebilir.
Nadir bir bulgu için görüntü tarayan iki uzman, görüntülerin büyük çoğunluğuna “yok” der ve bu görüntülerde uyuşur. Yüzde uyum çok yüksektir, ama “yok” kategorisinde şansla uyuşma olasılığı da çok yüksek olduğundan büyür ve kappa küçük kalır. Asıl bilgi nadir “var” kararlarındadır; düşük kappa çoğu zaman bu kararlardaki zayıf uyumu yansıtır.
İkinci paradoks: puanlayıcılar arasındaki yanlılık. Aynı yüzde uyumda, iki puanlayıcının kategori oranları birbirinden farklıysa (biri “var” kararını ötekinden daha sık veriyorsa) kappa, oranlar benzer ve dengesizken olduğundan daha yüksek çıkar. Puanlayıcılar arasındaki sistematik fark, şans uyumunu düşürerek kappayı yükseltir.
Dikkat
Bunlar hesap hatası değil, şans düzeltmesinin doğal sonuçlarıdır.
Cicchetti ve Feinstein (1990) paradoksların haklı bir şeyi cezalandırdığını savunur: olumlu ve olumsuz kararlardaki uyum eşit değilse tek bir özet katsayı bunu gizler. Bu yüzden kappanın yanında her zaman iki ayrı orantılı uyum raporlanır:
“var” kararlarındaki, “yok” kararlarındaki orantılı uyumdur; yazarlar bunları tanı testindeki duyarlılık ve özgüllüğe benzetir. Byrt vd. (1993) ise yanlılık ve prevalansı ayrı göstergelerle ölçmeyi, yanlılık indeksini ve prevalans indeksini kappanın yanında raporlamayı önerdi. Aynı makalenin tanımladığı prevalans ve yanlılık için düzeltilmiş kappa (PABAK) iki kategoride ‘e eşittir; yani yüzde uyumun yeniden ölçeklenmiş hâlidir ve kappanın yerine değil, yanına konur.
Örnek: hangi kappa türü seçilir?
Aşağıdaki dört desen öğretici amaçla kurgulanmıştır; sayısal sonuç değil, seçim gerekçesi gösterilir.
| Desen | Uygun katsayı | Birlikte raporlanan |
|---|---|---|
| İki hekim aynı grafilerde bulguyu değerlendiriyor (var/yok) | Cohen kappa | Yüzde uyum, , , McNemar |
| İki öğretmen yanıtları dört düzeyli rubrikle puanlıyor (sıralı) | Ağırlıklı kappa | Ağırlık türü, uyum tablosu |
| Altı kişilik ekipten her metni üç kodlayıcı kodluyor (sınıflama) | Fleiss kappa | Kategori başına kappa |
| İki puanlayıcı 0–100 arası puan veriyor (aralıklı ya da oranlı ölçüm) | ICC | Model, tür, tanım |
Tanı kararı. İki hekim aynı akciğer grafilerinde bir bulgunun var olup olmadığına bağımsız karar veriyor. Karar ikili ve puanlayıcılar aynı iki kişi olduğu için Cohen kappa uygundur.
Bulgu nadirse birinci paradoks beklenir; ve kappanın yanına konur. Hekimlerden birinin bulguyu sistematik olarak daha sık görüp görmediği McNemar testiyle ayrıca sınanabilir.
Rubrik puanı. İki öğretmen yazılı yanıtları “yetersiz, gelişmekte, yeterli, ileri” düzeylerinden birine yerleştiriyor. Düzeyler sıralı olduğu için ağırlıklı kappa kullanılır.
Rubrik puanı daha sonra sayı gibi toplanacaksa karesel ağırlık ICC ile aynı mantığı taşır; düzeyler arası uzaklıklar eşit sayılamıyorsa doğrusal ağırlık seçilir. Seçim veri toplanmadan önce yapılır.
Nitel kodlama. Görüşme metinlerinin her birini altı kişilik ekipten üç kodlayıcı, her metinde farklı üçlü olmak üzere kodluyor. Puanlayıcılar birimden birime değiştiği için Fleiss kappa uygundur. Bir metinde birden çok tema birlikte görülebiliyorsa kategoriler birbirini dışlamaz; her tema ayrı bir var/yok kararı olarak ele alınır ve kappa tema tema hesaplanır.
Sürekli puan. İki puanlayıcı kompozisyonlara 0–100 arası puan veriyor. Puanları kategorilere bölüp kappa hesaplamak bilgiyi atar ve sonucu kesme noktalarının seçimine bağlar. Uyum sınıf içi korelasyon ile, modeli, türü ve tanımı yazılarak değerlendirilir.
Kappa nasıl yorumlanır?
Yaygın kullanılan sınıflama Landis ve Koch’a (1977) aittir:
| Kappa | Landis ve Koch (1977) etiketi |
|---|---|
| Negatif (0’ın altı) | Zayıf (poor) |
| .00–.20 | Hafif (slight) |
| .21–.40 | Orta-düşük (fair) |
| .41–.60 | Orta (moderate) |
| .61–.80 | Önemli (substantial) |
| .81–1.00 | Neredeyse mükemmel (almost perfect) |
Etiketler kural değildir. Bu sınıflama da öteki yorum sınıfları da kesin sınır koymaz; bağlama ve kategori sayısına göre okunur. Başka yazarlar farklı sınırlar ve adlar önerir: McHugh (2012), aynı sınırları taşıyan bu yaygın sınıflamanın .41’lik bir kappayı kabul edilebilir gösterdiğini ve sağlık araştırmaları için fazla hoşgörülü olduğunu savunur; önerdiği sınıflamada .60’ın altındaki her kappa yetersiz uyumdur. Aynı katsayı bir sınıflamada “orta”, ötekinde “zayıf” adını alabilir; hangi sınıflamanın kullanıldığı kaynağıyla yazılır.
Kategorilerin dağılımıyla. Paradokslar yüzünden kappa, puanlayıcıların becerisi kadar kategorilerin örneklemdeki dağılımına ve puanlayıcılar arasındaki yanlılığa da bağlıdır (Byrt vd., 1993; Sim ve Wright, 2005). Prevalansı çok farklı iki çalışmanın kappaları doğrudan karşılaştırılmaz; uyum tablosu ya da en azından marjinal oranlar verilir.
Güven aralığıyla. Sim ve Wright (2005) kappanın güven aralığıyla raporlanmasını önerir. Az birimli çalışmada aralık geniştir ve tek bir sayıyla “önemli uyum” demek belirsizliği gizler. Aralığın ne anlattığı güven aralığı yazısındadır.
p değeriyle değil. Programların verdiği test çoğunlukla “kitlede κ = 0” yokluk hipotezini (H₀), yani uyumun şans düzeyinde olduğunu sınar. p değeri, H₀ doğruysa en az gözlenen kadar uç bir sonuç görme olasılığıdır; anlamlı bir p yalnız uyumun şanstan iyi olduğunu söyler. Bir ölçme aracı için bu çok düşük bir çıtadır.
Amaçla. Grupları karşılaştıran bir araştırmada kabul edilebilecek uyum, tek bir hasta ya da öğrenci hakkında karar veren bir ölçümde yetmeyebilir. Yeterli uyumun sınırı alanın bilgisiyle ve kararın sonuçlarıyla belirlenir.
Kappa nasıl raporlanır?
İyi bir uyum raporu şunları içerir: puanlayıcı sayısı ve nasıl eğitildikleri, kategori tanımları ya da puanlama yönergesi, birim sayısı, uyum tablosu ya da kategorilerin dağılımı, yüzde uyum, kappanın türü (Cohen, doğrusal ya da karesel ağırlıklı, Fleiss), kappa ve %95 güven aralığı. İki kategorili kararlarda ve ya da yanlılık ve prevalans indeksleri de eklenir.
Tezde nasıl yazılır
“Puanlayıcılar arası uyum, iki puanlayıcının bağımsız kararlarından karesel ağırlıklı Cohen kappa katsayısı ve %95 güven aralığıyla değerlendirildi; yüzde uyum ve kategorilerin dağılımı da raporlandı.”
İstatistik gösterimi ve tablo düzeni APA 7’ye göre istatistik raporlama yazısında anlatılır.
Kaç birim gerektiği beklenen kappaya ve kategori oranlarına bağlıdır; Sim ve Wright (2005) kappa çalışmaları için örneklem büyüklüğü tabloları verir. Planlamanın genel mantığı örneklem büyüklüğü hesaplama yazısındadır. Birimler, ölçümün asıl kullanılacağı kitledeki kategori dağılımını yansıtacak biçimde seçilir.
Sık yapılan hatalar
Aşağıdaki hataların çoğu ya yanlış katsayıyı seçmekten ya da tek bir sayıyı uyum tablosu, güven aralığı ve kategorilerin dağılımı olmadan yorumlamaktan doğar.
- Yalnız yüzde uyumu raporlamak. Şans uyumu ayıklanmaz; kategorilerden biri sıksa yüksek oran yanıltıcıdır.
- Yalnız kappayı raporlamak. Prevalans ve yanlılık görünmez; düşük bir kappanın nedeni anlaşılamaz.
- Landis ve Koch etiketlerini kural gibi kullanmak. Yorum sınıfları kesin kural değildir; sınıflamanın kaynağı ve güven aralığı yazılır.
- Sıralı kategorilerde ağırlıksız kappa kullanmak. Komşu kategorideki ayrılık en uzak ayrılıkla aynı sayılır.
- Ağırlık türünü yazmamak ya da sonuca göre seçmek. Doğrusal ve karesel ağırlık aynı tabloda farklı değerler verir.
- Fleiss kappayı ikili Cohen kappalarının ortalaması sanmak. Şans uyumunu farklı hesaplar; aynı sayı değildir.
- Uyumu ki-kare ya da korelasyonla değerlendirmek. İlişki, aynı kararın verildiğini göstermez.
- Anlamlı p değerini iyi uyum diye okumak. Test yalnız şans düzeyini dışlar.
Sık sorulan sorular
Kappa kaç olmalı?
Evrensel bir sınır yoktur. Landis ve Koch (1977) etiketleri de öteki yorum sınıfları da kesin kural değildir; bağlama ve kategori sayısına göre okunur. McHugh (2012) sağlık araştırmalarında daha katı bir sınıflama önerir. Kappa güven aralığıyla, kategorilerin dağılımıyla ve ölçümün amacına göre yorumlanır.
Yüzde uyum yüksek ama kappa düşük; hesap mı yanlış?
Çoğunlukla hayır. Kategorilerden biri çok sık seçildiğinde şans uyumu da yüksektir ve kappa düşer; Feinstein ve Cicchetti (1990) bunu birinci paradoks olarak tanımladı. Uyum tablosu, ve birlikte raporlanır.
Kappa negatif çıktı; bu ne demek?
Uyum şansla beklenenden azdır ya da şans düzeyindedir ve örnekleme değişkenliğiyle sıfırın altına düşmüştür. Değer sıfırdan belirgin biçimde küçükse kategori tanımlarının farklı anlaşılıp anlaşılmadığına ya da kodların ters girilip girilmediğine bakılır; önce veri ve yönerge denetlenir.
İkiden çok puanlayıcı varsa ne kullanılır?
Her birimi aynı sayıda ama birimden birime değişebilen puanlayıcı sınıflıyorsa Fleiss kappa (Fleiss, 1971). Puanlar aralıklı ya da oranlı ölçekteyse ICC kullanılır.
Doğrusal mı, karesel ağırlık mı seçilmeli?
Kategoriler eşit aralıklı sayılar gibi ele alınabiliyorsa karesel ağırlık ICC ile aynı mantığı taşır (Fleiss ve Cohen, 1973). Uzaklıklar eşit sayılamıyorsa doğrusal ağırlık daha ölçülüdür. Seçim veriden önce yapılır ve raporda yazılır.
Kappa ile ICC arasındaki fark nedir?
Kappa kategorik kararlarda şans düzeltmeli uyumu, ICC aralıklı ya da oranlı ölçekteki puanlarda varyansa dayanan güvenirliği ölçer. Sıralı kategorilerde karesel ağırlıklı kappa iki yaklaşımı birbirine bağlar.
- #kappa-katsayisi
- #guvenirlik-analizi
- #kategorik-veri-analizi
- #psikometri
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Byrt, T., Bishop, J., & Carlin, J. B. (1993). Bias, prevalence and kappa. Journal of Clinical Epidemiology, 46(5), 423–429.
- Cicchetti, D. V., & Feinstein, A. R. (1990). High agreement but low kappa: II. Resolving the paradoxes. Journal of Clinical Epidemiology, 43(6), 551–558.
- Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46.
- Cohen, J. (1968). Weighted kappa: Nominal scale agreement provision for scaled disagreement or partial credit. Psychological Bulletin, 70(4), 213–220.
- Feinstein, A. R., & Cicchetti, D. V. (1990). High agreement but low kappa: I. The problems of two paradoxes. Journal of Clinical Epidemiology, 43(6), 543–549.
- Fleiss, J. L. (1971). Measuring nominal scale agreement among many raters. Psychological Bulletin, 76(5), 378–382.
- Fleiss, J. L., & Cohen, J. (1973). The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability. Educational and Psychological Measurement, 33(3), 613–619.
- Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
- McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica, 22(3), 276–282.
- Sim, J., & Wright, C. C. (2005). The kappa statistic in reliability studies: Use, interpretation, and sample size requirements. Physical Therapy, 85(3), 257–268.
Kendi verinizde görün
Kavramı kendi verinizde görmek isterseniz Basira’yı ücretsiz deneyebilirsiniz. Basira’yı deneyin
Kavramı kendi verinizde görmek isterseniz panelinize dönebilirsiniz. Panele git
İlgili yazılar
İstatistiksel Testler
Sınıf İçi Korelasyon (ICC) Nedir? Türleri ve Yorumu
Sınıf içi korelasyon (ICC) puanlayıcılar arası ve test-tekrar test güvenirliğini ölçer. Model, tür ve tanım seçimi, formüller ve eşiklerin sınırları.
Basira ·
Araştırma Yöntemleri
Madde Analizi: Madde-Toplam Korelasyonu ve Ayırt Edicilik
Madde analizi ölçekteki her maddenin işleyişini sınar: düzeltilmiş madde-toplam korelasyonu, madde silinirse alfa, güçlük ve %27 ayırt edicilik.
Basira ·
Araştırma Yöntemleri
Ölçek Geliştirme Aşamaları: Kuramdan Puanlama Yönergesine
Ölçek geliştirme aşamaları: yapının tanımı, madde havuzu, uzman görüşü, ön deneme, madde analizi, AFA, güvenirlik, yeni örneklemde DFA ve puanlama yönergesi.
Basira ·