Sınıf İçi Korelasyon (ICC) Nedir? Türleri ve Yorumu
Basira Editör Ekibi · · 11 dk okuma · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım
Aa Yazı boyutu
Anahtar çıkarımlar
- Sınıf içi korelasyon (ICC), puanlardaki toplam varyansın ne kadarının ölçülen kişiler ya da nesneler arasındaki gerçek farklardan geldiğini gösterir; puanlayıcılar arası ve test-tekrar test güvenirliğinin katsayısıdır.
- Tek bir ICC yoktur: model (tek yönlü rastgele, iki yönlü rastgele, iki yönlü karma), tür (tek ölçüm ya da k ölçümün ortalaması) ve tanım (tutarlılık ya da mutlak uyum) desene göre seçilir ve raporda yazılır.
- Tutarlılık ICC'si puanlayıcılar arasındaki sistematik farkı hata saymaz, mutlak uyum ICC'si sayar. Herkese iki puan fazla veren bir puanlayıcıyı Pearson r ve tutarlılık ICC'si görmez, mutlak uyum ICC'si görür.
- Koo ve Li'nin (2016) .50, .75 ve .90 sınırları nokta değerine değil güven aralığına uygulanmak üzere önerilmiş kılavuzlardır; Cicchetti (1994) farklı sınırlar (.40, .60, .75) ve farklı adlar kullanır; ICC ayrıca örneklemin heterojenliğine bağlıdır.
İçindekiler
Sınıf içi korelasyon katsayısı (ICC), aynı kişi ya da nesneler üzerinde yapılan birden çok ölçümün ne kadar uyuştuğunu, puanlardaki toplam varyansın ne kadarının ölçülenler arasındaki gerçek farklardan geldiğini göstererek özetler. Puanlayıcılar arası ve test-tekrar test güvenirliğinde kullanılır. Tek bir ICC yoktur: model, tür ve tanım desene göre seçilir.
Sınıf içi korelasyon nedir?
Sınıf içi korelasyon, aynı hedefe ait puanların birbirine ne kadar benzediğini bir varyans oranıyla özetleyen güvenirlik katsayısıdır.
Bir güvenirlik çalışmasının verisi bir tablodur: satırlarda ölçülen n hedef (öğrenci, hasta, kompozisyon, görüntü), sütunlarda k ölçüm (k puanlayıcı ya da aynı ölçeğin k uygulaması) bulunur. Bir hedefin k puanı aynı “sınıfa” aittir; ICC, aynı sınıftaki puanların birbirine ne kadar benzediğini sorar. Hedefler birbirinden çok farklı, aynı hedefin puanları ise birbirine yakınsa ICC yüksektir.
Kavramsal tanım bir varyans oranıdır. Gözlenen puanların varyansı, hedefler arasındaki gerçek farkların varyansı ile ölçme hatasının varyansının toplamı olarak düşünülür:
Kitledeki 0 ile 1 arasındadır. 1, puanlardaki bütün farkın hedeflerden geldiğini; 0, hedefleri birbirinden ayırmanın imkânsız olduğunu gösterir. Hangi farkların “hata” sayılacağı ise seçilen ICC’ye göre değişir; ICC türlerinin hepsi bu sorunun farklı yanıtlarıdır.
İpucu
ICC’nin konusu ölçümler arası tutarlılıktır. Çok maddeli bir ölçeğin maddelerinin birlikte tutarlı bir puan üretip üretmediği (iç tutarlılık) ise Cronbach α ve McDonald ω ile değerlendirilir; bu katsayılar, madde analizi ve çözümlü örneği güvenirlik analizi yazısındadır. İki yazı birbirine bir noktada bağlanır: maddeler “puanlayıcı” yerine konduğunda Cronbach α, tutarlılık tanımlı ortalama ölçüm ICC’sine, yani ICC(C,k)‘ye eşittir. Güvenirliğin geçerlikle ilişkisi ve öteki türleri geçerlik ve güvenirlik yazısında anlatılır.
ICC ile Pearson korelasyonu arasındaki fark nedir?
Pearson korelasyonu iki değişkenin doğrusal ilişkisini ölçer; iki ölçümün aynı değeri verip vermediğini ölçmez. İkinci puanlayıcı her öğrenciye birinciden tam iki puan fazla verirse r = 1 olur, oysa iki puanlayıcı hiçbir öğrencide aynı puanı vermemiştir. Bland ve Altman (1986) bu nedenle iki ölçüm yönteminin uyumunu korelasyonla değerlendirmenin uygun olmadığını göstermiş ve farkların ortalamasına ve dağılımına dayanan uyum sınırlarını önermiştir.
ICC, Pearson’ın göremediği bu kaymayı mutlak uyum tanımında hata sayabilir: puanları aynı ölçekte ve aynı ortalama etrafında ele alır, puanlayıcı ortalamaları arasındaki farkı hata varyansına katar; iki sütunu ayrı değişkenler gibi standartlaştırmaz. Her ICC bunu yapmaz: yukarıdaki iki puanlık kayma örneğinde tutarlılık tanımlı ICC de 1 çıkar; kaymayı yalnız mutlak uyum tanımlı ICC hata sayar ve 1’in altına düşer. ICC’nin ayrı bir kolaylığı, k puanlayıcıyı tek katsayıda toplamasıdır; üç puanlayıcı için üç ayrı Pearson r hesaplamak gerekmez.
ICC türleri nelerdir?
Koo ve Li (2016), bir ICC’yi tanımlamak için üç kararın verilmesi ve raporda yazılması gerektiğini vurgular: model, tür ve tanım.
| Karar | Seçenekler | Yanıtladığı soru |
|---|---|---|
| Model | Tek yönlü rastgele · iki yönlü rastgele · iki yönlü karma | Her hedefi aynı puanlayıcılar mı puanladı; puanlayıcılar daha geniş bir havuzu mu temsil ediyor? |
| Tür | Tek ölçüm · k ölçümün ortalaması | Uygulamada karar tek bir puanlayıcının puanına mı, birkaçının ortalamasına mı dayanacak? |
| Tanım | Tutarlılık · mutlak uyum | Puanlayıcılar arasındaki sistematik fark hata sayılacak mı? |
Model. Tek yönlü rastgele etkiler modelinde her hedef, büyük bir havuzdan rastgele seçilmiş farklı puanlayıcılarca puanlanır. Puanlayıcı etkisi hedeften ayrılamadığı için yalnız mutlak uyum hesaplanabilir. Koo ve Li (2016) bu modelin klinik güvenirlik çalışmalarında seyrek kullanıldığını, örneğin merkezlerin uzaklığı yüzünden aynı puanlayıcıların bütün hastaları göremediği çok merkezli çalışmalara uyduğunu belirtir.
İki yönlü modellerde her hedefi aynı k puanlayıcı puanlar. Puanlayıcılar, sonuçların genelleneceği daha geniş bir puanlayıcı havuzundan rastgele seçilmiş sayılıyorsa model rastgele; yalnız bu puanlayıcılar ilgilendiriyorsa karmadır. McGraw ve Wong (1996)‘a göre aynı tanım için iki yönlü rastgele ve iki yönlü karma modelin kestirimi aynı formülle hesaplanır; fark hesapta değil genellemededir: karma modelin sonucu başka puanlayıcılara genellenemez.
Tür. Uygulamada her hedefi tek bir kişi puanlayacaksa tek ölçüm ICC’si raporlanır. Asıl puan birkaç puanlayıcının ortalamasıysa ortalama ölçüm ICC’si seçilir. Birkaç puanın ortalaması tek puandan daha az hata taşıdığı için, ICC pozitifken ortalama ölçüm ICC’si tek ölçüm ICC’sinden yüksek çıkar; bu yüzden yalnız gerçekten ortalama kullanılacaksa raporlanır.
Tanım. Aynı kılavuzun ifadesiyle mutlak uyum, farklı puanlayıcıların aynı hedefe aynı puanı verip vermediğiyle; tutarlılık ise puanlayıcıların puanlarının toplamsal bir biçimde birlikte değişip değişmediğiyle ilgilenir. Biri hep cömert, öbürü hep cimri puanlıyorsa ama sıralamaları aynıysa tutarlılık yüksek, mutlak uyum düşüktür.
Shrout ve Fleiss ile McGraw ve Wong gösterimi nasıl eşleşir?
Literatürde iki gösterim birlikte dolaşır. Shrout ve Fleiss (1979) üç durum tanımladı: her hedefi farklı ve rastgele seçilmiş puanlayıcıların puanladığı durum, rastgele seçilmiş k puanlayıcının her hedefi puanladığı durum ve her hedefi ilgilenilen tek puanlayıcılar olan aynı k kişinin puanladığı durum. Her durum tek ölçüm ve ortalama ölçüm biçimiyle altı ICC verir. McGraw ve Wong (1996) çerçeveyi tutarlılık ve mutlak uyum ayrımını açıkça adlandırarak genişletti ve her biçim için güven aralıklarını ve F testlerini verdi.
| Desen | Shrout ve Fleiss (1979) | McGraw ve Wong (1996) | Tanım |
|---|---|---|---|
| Tek yönlü rastgele, tek ölçüm | ICC(1,1) | ICC(1) | Mutlak uyum |
| İki yönlü rastgele, tek ölçüm | ICC(2,1) | ICC(A,1) | Mutlak uyum |
| İki yönlü karma, tek ölçüm | ICC(3,1) | ICC(C,1) | Tutarlılık |
| Tek yönlü rastgele, ortalama ölçüm | ICC(1,k) | ICC(k) | Mutlak uyum |
| İki yönlü rastgele, ortalama ölçüm | ICC(2,k) | ICC(A,k) | Mutlak uyum |
| İki yönlü karma, ortalama ölçüm | ICC(3,k) | ICC(C,k) | Tutarlılık |
Shrout ve Fleiss’ın tablosunda iki yönlü rastgele modelin tutarlılık biçimi ve iki yönlü karma modelin mutlak uyum biçimi yoktur. McGraw ve Wong’un çerçevesinde bu biçimler de vardır; formülleri ve gösterimleri, aynı tanımlı öteki modelinkiyle aynıdır: iki yönlü karma modelin mutlak uyum biçimi de ICC(A,1) diye yazılır, model ayrıca belirtilir. Bu yüzden “ICC(3,1) kullanıldı” demek eksik bir rapordur: okur tanımı ancak gösterimden çıkarabilir. Model, tür ve tanım sözcüklerle yazılır.
ICC nasıl hesaplanır?
Hesap, hedef × puanlayıcı tablosunun varyans analizine dayanır. İki yönlü ayrıştırmanın mantığı iki yönlü ANOVA yazısında anlatılır; burada her hücrede tek gözlem vardır (tekrarsız iki yönlü model), bu yüzden hedef × puanlayıcı etkileşimi hata karelerine karışır (). hedefler (satırlar) arası, puanlayıcılar (sütunlar) arası, artık ve tek yönlü modelde hedef içi kareler ortalamasıdır; n hedef, k puanlayıcı sayısıdır (McGraw ve Wong, 1996; Koo ve Li, 2016).
Tek ölçüm biçimleri:
Ortalama ölçüm biçimleri:
Mutlak uyum formülünün paydasındaki ek terim, puanlayıcıların ortalamaları arasındaki farkı () hataya katar; tutarlılık formülünde bu terim yoktur. Puanlayıcı ortalamaları arasındaki fark hata payı düzeyindeyse () iki formül birbirine çok yakın değer verir; , ‘den büyükse mutlak uyum ICC’si tutarlılık ICC’sinden küçük çıkar.
Liljequist vd. (2019) bu yüzden ICC(1), ICC(A,1) ve ICC(C,1) değerlerinin birbirine çok yakın olmasını sistematik hatanın (yanlılığın) yokluğuna, ICC(C,1)‘in belirgin biçimde büyük çıkmasını kayda değer bir yanlılığa işaret sayar ve yanlılık varsa iki ICC’nin de raporlanmasını önerir.
Dikkat
Klasik formüller dengeli bir tablo ister: her hedefin her puanlayıcıdan puanı vardır. Puanlar aralıklı ya da oranlı ölçekte ölçülür. F testi ve güven aralıkları, ANOVA modelinin normal dağılan hedef etkileri ve hatalar varsayımına dayanır.
Örnek: hangi ICC türü seçilir?
Aşağıdaki dört desen öğretici amaçla kurgulanmıştır; sayısal sonuç değil, seçim gerekçesi gösterilir.
Açık uçlu sınav yanıtları. Üç öğretmen aynı 40 yanıtı bir yönergeyle puanlıyor. Asıl çalışmada her yanıtı tek bir öğretmen puanlayacak ve araştırmacı yönergenin başka öğretmenlerle de işe yarayıp yaramadığını bilmek istiyor. Puanlayıcılar bir havuzu temsil ettiği için model iki yönlü rastgele, karar tek puana dayanacağı için tür tek ölçüm, bir öğretmenin hep yüksek puanlaması öğrencinin notunu değiştireceği için tanım mutlak uyumdur: ICC(A,1).
Gözlem formunun ortalaması. Bir tezde araştırmacı ve ikinci bir kodlayıcı sınıf gözlemlerini puanlıyor; analizde iki puanın ortalaması kullanılacak ve puanlar yalnız öteki değişkenlerle ilişkisi için kullanılacak. Başka kodlayıcılara genelleme amaçlanmıyorsa model iki yönlü karma, tür ortalama ölçümdür.
Puanlar yalnız sıralama ve ilişki için kullanılıyorsa tutarlılık savunulabilir: ICC(C,k). Kodlayıcılardan biri sistematik olarak yüksek puanlıyorsa bu gizlenmemeli; mutlak uyum ICC’si de raporlanır.
Test-tekrar test. Bir ölçek aynı kişilere iki hafta arayla uygulanıyor; “puanlayıcılar” iki uygulamadır. Koo ve Li (2016), yinelenen ölçümler rastgele seçilmiş sayılamayacağı için test-tekrar test çalışmalarında iki yönlü karma modeli ve her zaman mutlak uyum tanımını önerir.
Kişiler ikinci uygulamada toptan daha yüksek puan alıyorsa bu fark ölçümün kararsızlığının parçasıdır ve hata sayılmalıdır. Uygulamada tek bir uygulamanın puanı kullanılacağı için tür tek ölçümdür. Test-tekrar testin ölçek geliştirme sürecindeki yeri ölçek geliştirme yazısında, uygulamalar arasındaki sürenin nasıl seçildiği geçerlik ve güvenirlik yazısında anlatılır. ICC türünün seçimi, ölçmenin standart hatası ve en küçük saptanabilir değişim çözümlü bir örnekle test tekrar test güvenirliği yazısındadır.
Çok merkezli değerlendirme. Her merkezde hastaları o merkezin iki klinisyeni değerlendiriyor; bir hastayı öteki merkezlerin klinisyenleri görmüyor. Puanlayıcılar hastaya göre değiştiği için puanlayıcı etkisi ayrılamaz; model tek yönlü rastgele, tanım zorunlu olarak mutlak uyumdur: ICC(1) ya da iki puanın ortalaması kullanılacaksa ICC(k).
| Desen | Model | Tür | Tanım | ICC |
|---|---|---|---|---|
| Açık uçlu sınav yanıtları | İki yönlü rastgele | Tek ölçüm | Mutlak uyum | ICC(A,1) |
| Gözlem formunun ortalaması | İki yönlü karma | Ortalama ölçüm | Tutarlılık; sistematik fark varsa mutlak uyum da | ICC(C,k); sistematik fark varsa ICC(A,k) de |
| Test-tekrar test | İki yönlü karma | Tek ölçüm | Mutlak uyum | ICC(A,1) |
| Çok merkezli değerlendirme | Tek yönlü rastgele | Tek ölçüm ya da ortalama ölçüm | Mutlak uyum | ICC(1) ya da ICC(k) |
ICC nasıl yorumlanır?
Güven aralığıyla. Koo ve Li (2016), .50’nin altını zayıf, .50 ile .75 arasını orta (moderate), .75 ile .90 arasını iyi, .90’ın üstünü çok iyi (excellent) güvenirlik olarak yorumlamayı önerir; ama yorumun ICC’nin nokta kestirimine değil %95 güven aralığına dayanmasını ister. Güven aralığı orta ile iyi arasına yayılıyorsa sonuç “iyi” diye özetlenmez, aralık olduğu gibi raporlanır. Güven aralığının ne anlattığı güven aralığı yazısındadır.
Eşik kaynağıyla. Cicchetti (1994) ise .40’ın altını zayıf, .40–.59’u yeterli (fair), .60–.74’ü iyi, .75 ve üstünü çok iyi (excellent) sayar. Aynı ICC bir sınıflamada “iyi”, ötekinde “orta” adını alabilir. Bu sınırlar yazarlarının önerdiği kılavuzlardır, bir dağılımdan ya da hipotez testinden türetilmiş kesim noktaları değildir; hangi sınıflamanın kullanıldığı kaynağıyla yazılır.
Örneklemle. ICC, hedefler arası varyansı paya koyar. de Vet vd. (2006), güvenirlik katsayılarının örneklemin heterojenliğine güçlü biçimde bağlı olduğunu, ölçme hatasına dayanan uyum ölçülerinin ise aracın daha saf bir özelliği olduğunu vurgular. Aynı ölçüm hatası, birbirine çok benzeyen bir örneklemde düşük, çok farklı kişilerden oluşan bir örneklemde yüksek ICC verir. Bu yüzden ICC ölçeğin değil, belirli bir örneklemdeki puanların özelliğidir; başka bir kitlede yeniden kestirilir.
Kullanım amacıyla. Gruplar karşılaştırılacaksa orta düzey bir güvenirlik yetebilir; tek bir kişi hakkında karar verilecekse (tanı, seçme, not) çok daha yüksek bir güvenirlik ve ölçmenin standart hatası gerekir. de Vet vd. (2006), amaç kişilerdeki değişimi ölçmekse uyum ölçülerinin yeğlendiğini belirtir. Ölçmenin standart hatası (SEM) geçerlik ve güvenirlik yazısında anlatılır.
Dikkat
p değeriyle değil. Programların verdiği F testi çoğunlukla “kitlede ICC sıfırdır” yokluk hipotezini (H₀) sınar. p değeri, H₀ doğruysa en az gözlenen kadar uç bir sonuç görme olasılığıdır; anlamlı bir p yalnız ICC’nin sıfırdan farklı olduğunu söyler. Güvenirlik çalışmasının sorusu ICC’nin sıfırdan büyük olup olmadığı değil, ne kadar büyük olduğudur.
ICC, kappa ve Bland-Altman arasında nasıl seçim yapılır?
Seçimi puanların ölçeği ve araştırma sorusu belirler: aralıklı ya da oranlı ölçekteki puanlarda ICC, kategorik ya da az kategorili sıralı kararlarda kappa, iki ölçüm yönteminin birbirinin yerine kullanılıp kullanılamayacağı sorusunda Bland-Altman uyum sınırları kullanılır.
- Aralıklı ya da oranlı ölçekte puan, iki ya da daha fazla puanlayıcı ya da uygulama: ICC (model, tür, tanım yazılır). Güven aralığıyla raporlanır.
- Kategorik karar (var/yok, tanı grubu): Cohen kappa; ikiden çok puanlayıcıda Fleiss kappa. Şansla beklenen uyumu düzeltir.
- Az kategorili sıralı puan: Ağırlıklı kappa. Komşu kategorideki ayrılığı daha hafif sayar.
- İki ölçüm yönteminin birbirinin yerine kullanılabilirliği: Bland-Altman uyum sınırları. Farkı ölçümün kendi biriminde gösterir (Bland ve Altman, 1986).
- Çok maddeli ölçeğin iç tutarlılığı: Cronbach α, McDonald ω; ayrıntı güvenirlik analizi yazısındadır.
Likert türü tek bir maddenin neden sıralı sayıldığı Likert ölçeği analizi yazısındadır; birçok maddenin toplamından oluşan ölçek puanı ise çoğunlukla sürekli puan gibi ele alınır.
Güvenirlik çalışması nasıl planlanır ve raporlanır?
Koo ve Li (2016), genel bir kural olarak en az 30 heterojen hedef ve mümkün olduğunda en az 3 puanlayıcı önerir. Bu bir alt sınırdır, çalışmaya özgü bir hesabın yerine geçmez; örneklem büyüklüğü planlamasının genel mantığı örneklem büyüklüğü hesaplama yazısındadır. Hedefler, ölçümün asıl kullanılacağı kitledeki çeşitliliği yansıtacak biçimde seçilir; yalnız uç ya da yalnız benzer vakalar ICC’yi yapay biçimde yükseltir ya da düşürür.
Aynı kılavuz, iyi bir ICC raporunun kullanılan yazılımı, modeli, türü ve tanımı, ICC kestirimini ve %95 güven aralığını içermesi gerektiğini yazar. Örnek bir yöntem cümlesi: “Puanlayıcılar arası güvenirlik, iki yönlü rastgele etkiler modeli, mutlak uyum tanımı ve tek ölçüm türüyle hesaplanan ICC ve %95 güven aralığıyla değerlendirildi.” Puanlayıcı sayısı, puanlayıcıların nasıl eğitildiği ve hangi puanlama yönergesinin kullanıldığı da yazılır. İstatistik gösterimi ve tablo düzeni APA 7’ye göre istatistik raporlama yazısında anlatılır.
Sık yapılan hatalar
Hataların çoğu, desene uymayan bir ICC türünün seçilmesinden ya da katsayının güven aralığından ve örneklemden koparılarak yorumlanmasından doğar.
- Hangi ICC’nin hesaplandığını yazmamak. Aynı veride altı biçim farklı değerler verir; yalnız “ICC” yazan bir rapor yeniden üretilemez.
- Programın varsayılan seçeneğini desene bakmadan kabul etmek. Programın varsayılan seçeneği desenin gerektirdiği seçenek olmayabilir; yazılımın hangi modeli, türü ve tanımı hesapladığı belgesinden kontrol edilir.
- Yalnız ortalama ölçüm ICC’sini raporlamak. Ortalama ölçüm ICC’si tek ölçüm ICC’sinden yüksek çıkar; uygulamada tek puan kullanılacaksa yanıltıcıdır.
- Test-tekrar testte tutarlılık tanımını kullanmak. İkinci uygulamadaki toptan kayma da kararsızlıktır; mutlak uyum tanımı bu kaymayı hata sayar.
- Eşikleri nokta değerine uygulamak. Koo ve Li (2016) sınıflamayı güven aralığına uygular; tek bir sayıyla “iyi güvenirlik” demek belirsizliği gizler.
- Farklı örneklemlerin ICC’lerini doğrudan karşılaştırmak. Örneklemin heterojenliği değiştikçe ICC de değişir (de Vet vd., 2006).
- Sürekli puanlarda Pearson r ile yetinmek. Puanlayıcılar arasındaki sistematik farkı göremez (Bland ve Altman, 1986).
Sık sorulan sorular
ICC kaç olmalı?
Evrensel bir sınır yoktur. Koo ve Li (2016) .50, .75 ve .90 sınırlarını güven aralığına uygulanmak üzere önerir; Cicchetti (1994) daha düşük sınırlar kullanır. Katsayı güven aralığıyla, kullanılan sınıflamanın kaynağıyla ve ölçümün amacına göre yorumlanır.
ICC negatif çıktı; bu ne demek?
Kitledeki ICC bir varyans oranı olarak negatif olamaz, ama örneklem kestirimi hedef içi farklar hedefler arası farklardan büyük olduğunda negatif çıkabilir. Liljequist vd. (2019) negatif bir ICC(1) kestirimini geçerli bir negatif güvenirlik değil, çoğunlukla küçük örneklemde şans eseri ortaya çıkabilen kötü bir kestirim olarak görür. Hedefler birbirine çok benziyorsa ya da puanlayıcılar gerçekten uyuşmuyorsa da negatif kestirim görülebilir.
ICC(2,1) mi, ICC(3,1) mi kullanılır?
Gösterime değil desene bakılır. Puanlayıcılar bir havuzu temsil ediyorsa ve aynı puanı vermeleri gerekiyorsa iki yönlü rastgele model ve mutlak uyum, yani ICC(2,1). Yalnız bu puanlayıcılar ilgilendiriyorsa ve yalnız sıralamanın tutarlılığı önemliyse ICC(3,1), yani tutarlılık tanımlı karma model.
Cronbach α ile ICC aynı şey mi?
Maddeler puanlayıcı yerine konduğunda Cronbach α, tutarlılık tanımlı ortalama ölçüm ICC’sine, ICC(C,k)‘ye eşittir. Ama soruları farklıdır: α maddelerin bir toplam puan oluşturup oluşturmadığını, puanlayıcılar arası ICC ise farklı kişilerin aynı hedefe benzer puan verip vermediğini sorar.
İki puanlayıcı yeterli mi?
ICC iki puanlayıcıyla hesaplanabilir. Koo ve Li (2016) mümkün olduğunda en az üç puanlayıcı önerir; az puanlayıcıyla puanlayıcılar arası varyansın kestirimi kararsızdır ve güven aralığı genişler.
- #sinif-ici-korelasyon
- #guvenirlik-analizi
- #psikometri
- #olcek-gelistirme
Bilimsel inceleme
Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.
Kaynakça
- Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310.
- Cicchetti, D. V. (1994). Guidelines, criteria, and rules of thumb for evaluating normed and standardized assessment instruments in psychology. Psychological Assessment, 6(4), 284–290.
- de Vet, H. C. W., Terwee, C. B., Knol, D. L., & Bouter, L. M. (2006). When to use agreement versus reliability measures. Journal of Clinical Epidemiology, 59(10), 1033–1039.
- Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163.
- Liljequist, D., Elfving, B., & Skavberg Roaldsen, K. (2019). Intraclass correlation – A discussion and demonstration of basic features. PLOS ONE, 14(7), Article e0219854.
- McGraw, K. O., & Wong, S. P. (1996). Forming inferences about some intraclass correlation coefficients. Psychological Methods, 1(1), 30–46.
- Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 86(2), 420–428.
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
Araştırma Yöntemleri
Test Tekrar Test Güvenirliği Nasıl Hesaplanır?
Test tekrar test güvenirliği ICC ile nasıl hesaplanır? Pearson'ın yetersizliği, uygulama aralığı, SEM ve en küçük saptanabilir değişim, sentetik örnekle.
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 ·