عنوان یازدهمین پایان نامه در رشته سنجش و اندازه گیری که در شهریور ماه امسال در دانشگاه علامه دفاع شد:
افضلی، افشین. (1393). تدوین ارزشیابی مدل تشخیصی-شناختی ریاضیات پایه اول دبیرستان با استفاده از روش سلسله مراتبی صفات (AHM) به راهنمایی دکتر علی دلاور و دکتر محمد رضا فلسفی نژاد و به مشاوره دکتر فرخی و به داوری دکتر صرامی و دکتر مهاجر.
عنواین بقیه پایان نامه ها در لینک زیر قابل ملاحظه است:
http://assessment.blogsky.com/1393/05/02/post-50/%D8%B9%D9%86%D8%A7%D9%88%DB%8C%D9%86-%D9%BE%D8%A7%DB%8C%D8%A7%D9%86-%D9%86%D8%A7%D9%85%D9%87-%D9%87%D8%A7%DB%8C-%D8%AF%D9%81%D8%A7%D8%B9-%D8%B4%D8%AF%D9%87-%D8%AF%DA%A9%D8%AA%D8%B1%D8%A7-%D8%B3%D9%86%D8%AC%D8%B4
پیدایش رویکرد PLS به زمانی بر می گردد که هرمان والد (1975) دو روش از سرگیری با استفاده از برآورد کم ترین مجدورات برای مدل های یک مولفه ای و چند مولفه ای و همبستگی بنیادی را معرفی کرد. انگیزه رشد PLS توسط والد یافتن وضعیتی بود که بین تحلیل داده ها و مدل های سنتی باشد زیرا مدل یابی سنتی دارای مفروضه سختگیرانه در مورد توزیع احتمالی داده ها بود ولی رویکرد PLS نابسته به توزیع بود.
کم ترین مجذورات جزیی روش نسبتاً جدیدی از معادلات ساختاری رگرسیونی است. این روش هم برای رگرسیون تک متغیری و هم چند متغیری و با چند متغیر وابسته کاربرد دارد. برای بررسی ارتباط بین متغیرهای وابسته و متغیرهای مستقل، PLS متغیرهای تبیینی یا مستقل جدیدی ایجاد می کند که غالبا عامل، متغیر مکنون یا مولفه نامیده می شوند. این مولفه ها ترکیب خطی از نشانگرهای خود هستند.
PLS بر اساس برآورد کمترین مجذورات با هدف اولیه بهینه ساختن تبیین واریانس در سازه های وابسته مدل های بسیار پیچیده ای به کار می رود که اطلاعات نظری کمی در مورد آن ها وجود دارد یا این که هدف از آزمون این مدل ها پیش بینی یا کاربرد است.
بر خلاف مدل یابی معادلات ساختاری مبتنب بر کوواریانس که میزان برازش مدل مفروض را ارزیابی می کند و در نتیجه برآورد مدل در جهت تبیین، آزمون و تایید نظریه است، روش PLS پیش بینی مدار بوده، به نظریه قوی نیاز ندارد و به عنوان روش ساخت نظریه می تواند به کار رود (وینزی و همکاران، 2010).
PLS در ابتدا برای استفاده در رشته اقتصادسنجی توسعه یافت اما در رشته شیمی نیز برای استفاده در تحقیقات شیمی تجزیه، فیزیک و پزشکی مورد استقبال قرار گرفت. هم چنین در رشته های مدیریت و بازاریابی نیز کاربردهای فراوان دارد. PLS در علوم پایه بویژه شیمی، یعنی در علومی که تعداد زیادی از متغیرهای همبسته و تعداد محدودی از مشاهده شده ها وجود دارند، کاربرد فراوانی دارد.
هدف والد (1975) توجه به نظریه ها و داده ها ضعیف بود. به همین دلیل PLS را به وجود آورد. PLS برای مقابله با مشکلات داده های خاص مانند حجم اندک داده ها، وجود داده های گمشده و هم خطی بین متغیرهای مستقل طراحی شده است. در مقابل کم ترین مجذورات متداول (OLS) نسبت به حجم اندک داده ها، داده های گمشده و هم خطی بودن چندگانه مقاوم نبوده و نتایج بی ثباتی را ایجاد می کند، زیرا این شرایط باعث تورم خطای استاندارد ضرایب برآورد شده می گردد.
PLS به دنبال کشف بهترین پیش بین متغیرهای وابسته از روی متغیرهای مستقل است. این روش گاهی "مدل یابی نرم" نامیده می شود زیرا در آن با فرض های سخت گیرانه ای مانند عدم وجود هم خطی چندگانه بین متغیرهای مستقل، برخورد انعطاف پذیرانه ای دارد.
PLS به عنوان یک روش خطی، پیش بینی و تبیینی و نه تفسیری معرفی می شود. استفاده از این روش قبل از استفاده از روش های تفسیری مانند رگرسیون خطی چندگانه یا SEM توصیه می گردد. PLS به عنوان گسترش یافته رگرسیون خطی چندگانه فرض های مشابه زیادی با آن دارد مثلاً خطی بودن و نداشتن داده های پرت. باید توجه کرد که به دلیل آنکه توزیع کم ترین مجذورات ناشناخته است، آزمون معناداری متداولی وجود ندارد. در هر صورت معناداری مسیرها از طریق روش های خودگردان سازی یا بوت استرپ و یا برش متقاطع جک نایف که روش های باز نمونه گیری هستند، آزمون می شوند.
بر خلاف مدل یابی معادلات ساختاری مبتنی بر کوواریانس، PLS به جای باز تولید ماتریس کوواریانس تجربی بر بیشترین واریانس تبیین شده متغیرهای وابسته به وسیله متغیرهای مستقل تمرکز دارد. همانند هر مدل یابی معادلات ساختاری، PLS از یک بخش ساختاری که ارتباط بین متغیرهای پنهان را نشان می دهد و یک قسمت اندازه گیری که ارتباط بین متغیرهای پنهان و نشانگرهای آن را منعکس می کند، تشکیل شده است. افزون بر این PLS دارای بخش سومی به نام "نسبت وزنی" است که برای برآورد مقادیر موردها یا نمره های عاملی افراد نمونه در متغیرهای پنهان به کار می رود (چین و نیوستد، 1999).
منبع: سید عباس زاده، میرمحمد؛ امانی ساری بگلو، جواد؛ خضری آذر، هیمن و پاشوی، قاسم. (1391). مقدمه ای بر مدل یابی معادلات ساختاری به روش PLS و کاربرد آن در علوم رفتاری با معرفی نرم افزار. ارومیه: دانشگاه ارومیه.
پکیج های مربوط به تحلیل ساختار دانش در نرم افزار R
در لینک زیر می توانید پکیج های مربوط به تحلیل ساختار دانش در نرم افزار R را مشاهده کنید:
http://cran.r-project.org/web/views/Psychometrics.html
Functions and example datasets for the psychometric theory of knowledge spaces. Data analysis methods and procedures for simulating data and transforming different formulations in knowledge space theory. |
1 |
|
|
Basic functionality to generate, handle, and manipulate deterministic knowledge structures based on sets and relations Functions for fitting probabilistic knowledge structures |
2 |
|
|
پکیج های مربوط به دیگر نرم افزارهای مربوط به روانسنجی در نرم افزار R در لینک زیر می توانید پکیج های مربوط به دیگر نرم افزارهای مربوط به روانسنجی در نرم افزار R را مشاهده کنید: http://cran.r-project.org/web/views/Psychometrics.html
|
|||
Infrastructure for psychometric modeling such as data classes (e.g., for paired comparisons) and basic model fitting functions (e.g., for Rasch and Bradley-Terry models). |
1 |
|
|
Recursive partitioning based on psychometric models, employing the general MOB algorithm (from package party) Currently, only Bradley-Terry trees are provided. |
2 |
|
|
Psychometric mixture models based on flexmix infrastructure (at the moment Rasch mixture models and Bradley-Terry mixture models). |
3 |
|
|
Functions for non-IRT equating under both random groups and nonequivalent groups with anchor test designs Mean, linear, equipercentile and circle-arc equating as are methods for univariate and bivariate presmoothing of score distributions Specific equating methods currently supported include Tucker, Levine observed score, Levine true score, Braun/Holland, frequency estimation, and chained equating. |
4 |
|
|
IRT and non-IRT based statistical indices proposed in the literature for detecting answer copying on multiple-choice examinations |
5 |
|
|
Latent class analysis with random effects Function lca() Polytomous variable latent class analysis |
|
6 |
|
computation of simple, more-sample, and stepwise configural frequency analysis (CFA). |
7 |
|
|
Coefficents for interrater reliability and agreements |
8 |
|
|
Generates design matrices for analysing real paired comparisons and derived paired comparison data (Likert type items / ratings or rankings) using a loglinear approach Fits loglinear Bradley-Terry model (LLBT) exploting an eliminate feature Computes pattern models for paired comparisons, rankings, and ratings. Some treatment of missing values (MCAR and MNAR). |
9 |
|
|
Bradley-Terry models for paired comparisons Elimination-by-aspects models |
|
|
|
Psychophysical data Functions to estimate the contribution of the n scales to the judgment by a maximum likelihood method under several hypotheses of how the perceptual dimensions interact. |
|
|
|
Functions and example datasets for Fechnerian scaling of discrete object sets Computes Fechnerian distances among objects representing subjective dissimilarities, and other related information |
|
|
|
Functions for nonparametric estimation of a psychometric function and for estimation of a derived threshold and slope, and their standard deviations and confidence intervals |
|
|
|
Confidence intervals for standardized effect sizes |
10 |
|
|
parametric and nonparametric causal mediation analysis conduct sensitivity analysis for certain parametric models |
12 |
|
|
Functions for data screening, testing moderation, mediation, and estimating power |
13 |
|
|
Social networks with relations at different levels. Multiple networks data sets with routines that combine algebraic structures like the partially ordered semigroup with the existing relational bundles found in multiple networks. |
14 |
|
|
Visualizing data as networks |
15 |
|
|
Social Relations Analyses for round robin designs Functionality of the SOREMO software New functions like the handling of missing values, significance tests for single groups, or the calculation of the self enhancement index. |
16 |
|
|
Fitting and testing multinomial processing tree models, a class of statistical models for categorical data with latent parameters package. The link probabilities of a tree-like graph and represent the cognitive processing steps executed to arrive at observable response categories Analysis of multinomial processing tree (MPT) models. |
17 |
|
|
Beta regression for modeling beta-distributed dependent variables, e.g., rates and proportions |
18 |
|
|
functions to compare two correlations based on either dependent or independent groups |
19 |
|
|
A set of tools that implement profile analysis and cross-validation techniques |
20 |
|
|
A GUI for entering test items and obtaining raw and transformed scores. |
21 |
|
در لینک زیر می توانید پکیج های مربوط به نظریه کلاسیک آزمون در نرم افزار R را مشاهده کنید:
http://cran.r-project.org/web/views/Psychometrics.html
score multiple-choice responses reliability analyses item analyses transform scores onto different scales |
1 |
|
Functions for correlation theory, meta-analysis (validity generalization), reliability, item analysis, inter-rater reliability, and classical utility are contained |
2 |
|
Functions to statistically compare two or more alpha coefficients based on either dependent or independent groups of individuals |
3 |
|
Calculates and plots the step-by-step Cronbach-Mesbach curve. |
4 |
|
Cronbach alpha, kappa coefficients intra-class correlation coefficients (ICC) Functions for ICC computation |
5 |
|
A number of routines for scale construction and reliability analysis useful for personality and experimental psychology |
6 |
|
Computes measures from generalizability theory |
(not on CRAN) |
7 |
در لینک زیر می توانید پکیج های مربوط به مقیاس پردازی چندبعدی را در نرم افزار R را مشاهده کنید:
http://cran.r-project.org/web/views/Psychometrics.html
multidimensional scaling (MDS) based on stress minimization by means of majorization: Simple smacof on symmetric dissimilarity matrices, smacof for rectangular matrices (unfolding models), smacof with constraints on the configuration, three-way smacof for individual differences (including constraints for idioscal, indscal, and identity), and spherical smacof (primal and dual algorithm). |
1 |
|
multiway method to decompose a tensor (array) of any order, as a generalisation of SVD also supporting non-identity metrics and penalisations. 2-way SVD with these extensions Some other multiway methods: PCAn (Tucker-n) and PARAFAC/CANDECOMP with extensions. |
2 |
|
functionalities for computing classical MDS using the cmdscale() function. Sammon mapping sammon() non-metric MDS isoMDS() |
3 |
|
Non-metric MDS with metaMDS() Function nmds() Some routines Function for metric MDS |
4 |
|
Principal coordinate analysis with capscale()pco() and with dudi.pco() |
5 |
|
maximum likelihood difference scaling (MLDS). |
6 |