PSIHOMETRIJSKA TEORIJA I METODE

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
KRUŽNICA I KRUG VJEŽBA ZA ISPIT ZNANJA.
Advertisements

Περιοδικός Πίνακας Λιόντος Ιωάννης Lio.
ΣΤΑ 1200 π.Χ. Η Μυκηναϊκή Ελληνική.
Odabrane oblasti analitičke hemije
KONCEPCIJE I METODE ERGONOMSKOG PROJEKTOVANJA
STEROIDI.
Potrebne veličine uzoraka (brojevi ispitanika)
MATEMATIKA NA ŠKOLSKOM IGRALIŠTU
PTP – Vježba za 2. kolokvij Odabir vrste i redoslijeda operacija
INDINŽ Z – Vježba 2 Odabir vrste i redoslijeda operacija
PROIZVODNJA.
BROJ π Izradio: Tomislav Svalina, 7. razred, šk. god /2016.
Čvrstih tela i tečnosti
SPSS 1.OPIS KATEGORIČKE VARIJABLE 2.OPIS NUMERIČKE VARIJABLE
SNAGA U TROFAZNOM SUSTAVU I RJEŠAVANJE ZADATAKA
RAD I SNAGA ELEKTRIČNE STRUJE
VODA U TLU.
VREMENSKI ODZIVI SISTEMA
Struktura investicija
Direktna kontrola momenta DTC (Direct Torque Control)
SEKVENCIJALNE STRUKTURE
Aminokiseline, peptidi, proteini
Kontrola devijacije astronomskim opažanjima
Obrada empirijskih podataka
Osnove statistike Kombinatorika i vjerojatnost
Redna veza otpornika, kalema i kondenzatora
-rad iz uže specijalizacije- Mentor: prof. dr Svetislav Jelić
Vijetove formule. Rastavljanje kvadratnog trinoma na linearne činioce
TROUGΔO.
JEDNOSTAVNA LINEARNA REGRESIJA
Diskriminaciona analiza
JEDNAČINA PRAVE Begzada Kišić.
Obrada slika dokumenta
Imunodeficijencije.
jedan zanimljiv zadatak
MATEMATIČKI MODELI EFIKASNOSTI
Analitička statistika Testiranje hipoteze
FORMULE SUMIRANJE.
Tržište rada v.prof.dr.Jasmin Halebić.
Dimenziona analiza i teorija sličnosti
Normalna raspodela.
Strujanje i zakon održanja energije
Izradila: Ana-Felicia Barbarić
Analiza deponovane energije kosmičkih miona u NaI(Tl) detektoru
Transformacija vodnog vala
10. PLAN POMAKA I METODA SUPERPOZICIJE
Aleksandar Buinac OŠ Viktorovac, Sisak
Tehnološki proces izrade višetonskih negativa
Istraživanje pozitivne i negativne recipročnosti u evolucionarnim igrama Petar Fumić.
6. OSNOVNI POJMOVI VJEROJATNOSTI
Strukture podataka i algoritmi 2. DIZAJN I ANALIZA ALGORITAMA
Dan broja pi Ena Kuliš 1.e.
POUZDANOST TEHNIČKIH SUSTAVA
ANALIZA GREŠAKAU MJERENJU UPOREDNA ANALIZA REZULTATA Ana Đačić 62/07
DISPERZIJA ( raspršenje, rasap )
Ponovimo... Kada kažemo da se tijelo giba? Što je put, a što putanja?
Natjecanje u pamćenju decimala broja π
N. Zorić1*, A. Šantić1, V. Ličina1, D. Gracin1
Pirotehnika MOLIMO oprez
KRITERIJI STABILNOSTI
Tp1120 Biblijska egzegeza Psalmi i Mudrosne knjige
doc. dr. sc. Martina Briš Alić
Tomislav Krišto POSLOVNA STATISTIKA Tomislav Krišto
Balanced scorecard slide 1
Istraživanje pozitivne i negativne recipročnosti u evolucionarnim igrama Petar Fumić.
Točke, pravci i ravnine u prostoru
Kako izmjeriti opseg kruga?
DAN BROJA π.
Tehnička kultura 8, M.Cvijetinović i S. Ljubović
Μεταγράφημα παρουσίασης:

PSIHOMETRIJSKA TEORIJA I METODE DISKRIMINACIJSKA ANALIZA

DISKRIMINACIJSKA ANALIZA (2) DEFINICIJA: matematičko-statistička struktura koja omogućava cjelovitu analizu razlika između 2 ili više apriornih skupina po 2 ili više kvantitativnih varijabli; ISTRAŽIVAČKI PRIMJERI: Franić, M., Akrap, L., Jokić-Begić, N. (2003). Provjera diferencijalno dijagnostičke valjanosti RBS na različitim dijagnostičkim skupinama. DRB. -3 skupine (psihotični pacijenti, nepsihotični pacijenti, klinički zdravi): proučavanje razlika po uratku u subtestovima RBS; Schmidt, M. (1999). Učenici s teškoćama u učenju i njihova socijalna integracija. Hrvatska revija za rehabilitacijska istraživanja, vol. 35(1), 1-9. -3 skupine učenika (bez teškoća u učenju, s teškoćama uključeni u redovitu nastavu, s teškoćama uključeni u posebni program): proučavanje razlika po nizu sposobnosti i mjera socijalne i emocionalne integracije;

DISKRIMINACIJSKA ANALIZA (3) PRIMJERI MOGUĆE PRIMJENE: skupine pacijenata po psihološkim obilježjima - skupine država po pokazateljima ekonomskog ili/i društvenog razvoja skupine avionskih nesreća po tehničkim, klimatskim i drugim obilježjima - skupine ispitanika s različitim eksp. tretmanima po više zavisnih varijabli GENERALIZACIJA: Povezanost skupa kvantitativnih i nominalne (kategorijalne) varijable; OPĆA FORMA PODATAKA: NOTACIJA: g – broj grupa; p – broj obilježja; Ni – broj entiteta u gi; K – kategorijalna varijabla; X – matrica diskriminacijskih varijabli; X1 K X g1 X2 g2 g? Xp

DISKRIMINACIJSKA ANALIZA (4) LOGIČKI STATUS VARIJABLI U DA: UVJEŽBAVANJE (TRETMAN) I USPJEH U BATERIJI TESTOVA: NEZAVISNA: KATEGORIJALNA VARIJABLA (TRETMANI) ZAVISNE: DISKRIMINACIJSKE VARIJABLE 2. VRIJEDNOSNI SISTEM I IZBOR ZANIMANJA: NEZAVISNE: DISKRIMINACIJSKE VARIJABLE ZAVISNA: KATEGORIJALNA VARIJABLA (IZABRANA ZANIMANJA) GENERALIZACIJA: Logički status varijabli u DA ovisi o istraživačkom nacrtu i teorijskom polazištu;

DISKRIMINACIJSKA ANALIZA (5) AMBICIJE DISKRIMINACIJSKE ANALIZE: Razlikuju li se grupe po diskriminacijskim varijablama? Kakva je priroda tih razlika? Kakva je efikasnost aposteriorne klasifikacije? M. Franić i sur. problem (pojednostavljeno): PROVIZORIJI: IQ 1. i 2.: tNPi, T2NP 3. DiN = (Σ (Xij – MNj)2)0.5 T1 T2 T3 T4 T5 T6 DiP = (Σ (Xij – MPj)2)0.5

DISKRIMINACIJSKA ANALIZA (6) TEMELJNA IDEJA DISKRIMINACIJSKE ANALIZE: KONDENZACIJA INFORMACIJA O MEĐUGRUPNIM RAZLIKAMA I TO TAKO DA SE ONE MAKSIMALIZIRAJU (ANALOGIJA S FA) POSLJEDICE: JEDNOSTAVNIJE PRIKAZIVANJE TOČNIJI UVID U PRIRODU RAZLIKA MAKSIMALNO KORIŠTENJE (PRECIZNIJA APOSTERIORNA KLASIFIKACIJA) GEOMETRIJSKA PREZENTACIJA DISKRIMINACIJSKOG PROBLEMA (g = 2, p = 2)

DISKRIMINACIJSKA ANALIZA (7) LINEARNA DISKRIMINACIJSKA ANALIZA (g = 2, p > 1) KONDENZACIJA: Yi = a1Xi1 + a2Xi2 + . . . . . . + apXip = ΣakXik Yi – rezultat ispitanika i na diskriminacijskoj funkciji Y (i = 1...N) ak – diskriminacijski koeficijenti (k = 1...p) Xij – rezultati ispitanika i na diskriminacijskim varijablama KLASIFIKACIJA: CNY = ΣakMNk CPY = ΣakMPk

DISKRIMINACIJSKA ANALIZA (8) OPĆA MATEMATIKA LINEARNE DISKRIMINACIJSKE ANALIZE CILJ: koeficijenti varijabli ai na temelju kojih se izvodi diskriminacijska funkcija Y trebaju biti određeni tako da udaljenost grupnih centroida po Y bude maksimalna, a grupe što homogenije; OSTVARENJE: (VBY/VWY) = max = λ (Fisher) VBY = f (a, d); VWY = f (a, W) d = Wa ; a = W-1d (β = R –1rKX) LDA i višestruko regresijsko rješenje (proporcionalnost a i b koeficijenata)

DISKRIMINACIJSKA ANALIZA (9) VIŠESTRUKA (KANONIČKA, MULTIPLA) DA (g > 2, p > 1) Maksimalni broj diskriminacijskih funkcija: q = min (g – 1, p) EKSTRAKCIJA (KONDENZACIJA): Yi1 = a11Xi1 + a21Xi2 + . . . . + ap1Xip = Σak1Xik : (VBY1/VWY1) = max = λ1 itd. do: Yiq = a1qXi1 + a2qXi2 + . . . . + apqXip = ΣakqXik : (VBYq/VWYq) = max = λq DODATNI UVJET: ryi, yj = 0 OPĆA MATEMATIKA: rješavanje sustava jednadžbi: (W-1B – λI)a = 0 (karakteristični korj. – λ i karakteristični vektori – a matrice W-1B)

DISKRIMINACIJSKA ANALIZA (10) PRETPOSTAVKE (UVJETI) KOREKTNE PROVEDBE DA: g > 1 Ni > 1 0 < p < (N – 2) Linearna nezavisnost diskriminacijskih varijabli Intervalna razina mjerenja za diskriminacijske varijable Wi = Wj Multivarijatna normalna distribucija diskriminacijskih var.

DISKRIMINACIJSKA ANALIZA (11) BROJ ZNAČAJNIH DISKRIMINACIJSKIH FUNKCIJA q = min (g-1, p) STATISTIČKI ZNAČAJNE DISKRIMINACIJSKE FUNKCIJE: q Λk = Π [ 1 / (1 + λi) ] (Wilks) i=k+1 χ2 = - [ N – 1 – (p + q)/2 ] log e Λk ; df = (p-k) (g-k-1) (Bartlett) RAČUNSKI PRIMJER: (g = 4, p = 10) : λ1 = 10 λ2=2 λ2=0.2 Λ0 = 0.027 Λ1 = 0.278 Λ2 = 0. 833

DISKRIMINACIJSKA ANALIZA (12) BROJ ZNAČAJNIH DISKRIMINACIJSKIH FUNKCIJA 2. KANONIČKE KORELACIJE rci = [λi / (1 + λi)]0.5 RAČUNSKI PRIMJER: rc1 = [9 / (1 + 9)]0.5 = 0.95 rc2 = [2 / (1 + 2)]0.5 = 0.82 rc3 = [0.2 / (1 + 0.2)]0.5 = 0.41

DISKRIMINACIJSKA ANALIZA (13) BROJ ZNAČAJNIH DISKRIMINACIJSKIH FUNKCIJA 3. RELATIVNA DISKRIMINACIJSKA SNAGA UKUPNA DISKRIMINACIJSKA SNAGA: TOT = Σλi RELATIVNA DISKRIMINACIJSKA SNAGA: RDSi = [(λi / TOT)]*100 RAČUNSKI PRIMJER: TOT = 9 + 2 + 0.2 = 11.2 RDS1 = (9 / 11.2) * 100 = 80.4% RDS2 = (2 / 11.2) * 100 = 17.9% RDS3 = (0.2 / 11.2) * 100 = 1.7% 4. TEORIJSKI I PRAKTIČNI ZNAČAJ

DISKRIMINACIJSKA ANALIZA (14) INTERPRETACIJA DISKRIMINACIJSKIH FUNKCIJA DISKRIMINACIJSKE FUNKCIJE – LATENTNE VARIJABLE PODACI ZA INTERPRETACIJU: 1. Položaji pojedinaca i grupa u prostoru DF Y2 Y2 Y1 Y1 2. Odnosi između DF i DV - diskriminacijski koeficijenti (standardizirani) - diskriminacijski faktori (korelacije između DF i DV) Sc Md Žd Ma Mn Žn An

DISKRIMINACIJSKA ANALIZA (15) POSLJEDICE ODSTUPANJA OD STATISTIČKIH PRETPOSTAVKI DA ILI CIJENA GRIJEHA OPĆENITO: ROBUSTNA PROCEDURA 1. MULTIVARIJATNA DISTRIBUCIJA DV NIJE NORMALNA; -testovi statističke značajnosti su neprecizni (bolje je osloniti se na altern.); -aposteriorna klasifikacija nije optimalna 2. UNUTARGRUPNE MATRICE VARIJANCI I KOVARIJANCI (W) NISU JEDNAKE; -separacija grupa nije maksimalna 3. OCJENA UTJECAJA ODSTUPANJA -ako je % točnih klasifikacija visok - utjecaj je neznatan -NEVOLJA: ako je % točnih klasifikacija nizak, ne zna se je li to posljedica realno slabe diskriminacije ili odstupanja od preduvjeta;