Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi
Yıl: 2017 Cilt: 8 Sayı: 2 Sayfa Aralığı: 220 - 223 Metin Dili: Türkçe DOI: 10.21031/epod.303753 İndeks Tarihi: 11-01-2019
Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi
Öz: Bu çalışmanın amacı, kayıp veri baş etme yöntemlerinin Madde Tepki Kuramı 1 parametreli lojistik modelindemodel veri uyumuna ve madde model uyumuna olan etkisini incelemektir. Bu amaç doğrultusunda örneklembüyüklüğünün 500, 1000 ve 1500 olarak manipüle edildiği, madde sayısının 20 olarak sabitlendiği 1PLM’euyumlu veri setleri üretilmiştir. Üretilen verilerde madde güçlüğü -2 ile +2 arasında sınırlandırılmış, maddeayırt ediciliği 1.5 olarak sabitlenmiştir. Üretilen eksiksiz veri setleri üzerinde tamamen rastgele kayıp verastgele kayıp koşulları altında %5, %10 ve %15 oranlarında silme işlemi gerçekleştirilmiştir. Tamamenrastgele kayıp mekanizması, veri setindeki toplam hücre sayısı arasından rastgele değerler silinerekoluşturulmuştur. Liste bazında silme yöntemi için belirlenen oranda rastgele birim (kişi) silinmiştir. Rastgelekayıp mekanizması, veri setine üç düzeyi olan bir değişken tanımlanıp 1. düzeyden %20, 2. düzeyden %30 ve3. düzeyden %50 oranında olacak şekilde hücrelerin rastgele silinmesi ile oluşturulmuştur. Oluşturulan kayıpveriler liste bazında silme, regresyonla atama ve beklenti maksimizasyon algoritması yöntemleriylegiderilmiştir. Model veri uyumunun kestirilmesinde –2 log λ, AIC ve BIC değerlendirme kriterlerinden, maddemodel uyumunun kestirilmesinde χ2 istatistiğinden faydalanılmıştır. Eksiksiz veri setlerinden elde edilendeğerler, kayıp veri baş etme yöntemleriyle tamamlanan veri setlerinden elde edilen kestirimler için referansolarak kullanılmıştır. İncelemeler sonucunda, beklenti maksimizasyon algoritması yönteminin rastgele kayıpmekanizmasında iyi, tamamen rastgele kayıp mekanizmasında kısmen iyi performans sergilediği sonucunaulaşılmıştır. Regresyonla atama yönteminin de belirli koşullar altında iyi performans sergilediği ancak listebazında silme yönteminin performansının düşük olduğu sonucuna ulaşılmıştır. Tüm kayıp verimekanizmalarında kayıp veri oranı arttıkça, kayıp veri baş etme yöntemlerinin performansı da düşmektedir.Tüm mekanizmalarda ve koşullarda kullanılabilecek, en iyi sonuçları veren tek bir yöntemin varlığından sözetmenin mümkün olmadığı belirlenmiştir.
Anahtar Kelime: Konular:
The Effect Of Missing Data Tecniques On Model Fit And Item Model Fit
Öz: The purpose of this study was to examine the effects of missing data handling techniques on model data fit and item model fit in the one parameter logistic Item Response Theory Model. For this purpose, data sets with sample sizes of 500, 1000, and 1500 and with 20 items that fit to one parameter logistic model were generated. Item difficulty values of the items in the generated data sets ranged from -2 to +2 and item discrimination was fixed as 1.5. The generated complete data sets were exposed to deletion at %5, %10, and %15 under missing at complete random (MCR) and missing at random (MR) conditions. Missing at complete random mechanism was obtained as a result of random values deleted among the total number of cells in the data set. A particular percentage of random units (individuals) were deleted for listwise deletion method. Missing at random mechanism was reached as a result of random deletion of cells pursuant to defining a three level variable in the data set at the following percentages: 20% at Level 1, 30% at Level 2 and 50% at Level 3. The generated missing data were resolved using listwise deletion method (LM), regression imputation, and expectation maximization algorithm (EMA). –2 logλ, AIC, and BIC evaluation criteria were used for model data fit estimation and χ2 statistics were used for item model fit estimation. Values obtained from the complete data sets were taken as reference for predictions in the data sets that were completed with the effect of missing data handling techniques. As a result of the examinations, it was concluded that expectation maximization algorithm had good performance in missing at random mechanism but partially good in missing at complete random mechanism. It was also seen that regression imputation had good performance under certain conditions but the performance of listwise deletion method was poor. In all missing data mechanisms, the performance of the effect of missing data handling techniques declines as missing data increase. It is certain that a single method to give best results in all mechanisms and under any conditions is unlikely to be assumed.
Anahtar Kelime: Konular:
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Yurdugül, H. (2006). Paralel, eşdeğer ve konjenerik ölçmelerde güvenirlik katsayılarının karşılaştırılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, 39(1), 15-37.
- Yu, H. C. (2013). A simple guide to the Item Response Theory (IRT) and Rasch Modeling. http://www.creative-wisdom.com/computer/sas/IRT.pdf adresinden 18.09.2016 tarihinde alınmıştır
- Yen, W. M. (1987). A comparison of the efficiency and accuracy of BILOG and LOGIST. Psychometrika, 52, 275-291.
- Yang, C., & Yang, C. (2007). Seperating Latent Classes by information criteria. Journal of Classification, 24, 183-203.
- Wilson, M. (2005). Constructing measures: An item response modeling approach. New Jersey: Lawrence Erlbaum Associates.
- Wainer, H., & Thiisen, D. (2001). True score theory: The traditional method. D. Thissen, & H. Wainer (Ed). Test scoring. New Jersey: Lawrence Erlbaum Associates Publishers.
- Vrieze, S. I. (2012). Model selection and psychological theory: A discussion of the differences between the Akaike Information Criterion and the Bayesian İnformation Criterion. Psychological Methods, 17(2), 228-243.
- Van Ginkel, J. R. (2007). Multiple imputation for incomplete test, questionnaire, and survey data. (Unpublished Doctoral Dissertation, Tilburg University). https://pure.uvt.nl adresinden 21.09.2016 tarihinde alınmıştır.
- Turgut, F. (1992). Eğitimde ölçme ve değerlendirme metotları. Ankara: Yargı.
- Thissen, D., & Wainer, H. (1982). Some standart errors in Item Response Theory. Psychometrika, 47, 397-412.
- Suraphee, S., Raksmanee, C., Busaba, J., Chaisorn, C., & Nakornthai, W. (2006). A comparison of estimation methods for missing data in Multiple Linear Regression with two independent variables. Thailand Statistician, 4, 13-26.
- Sijtsma, K. & van der Ark, L. (2003). Investigation and treatment of missing item scores in test and questionnaire data. Multivariate Behavioral Research, 38(4), 505-528.
- Seungho Yang, M. A. (2007). A comparison of unidimensional and multidimensional Rasch models using parametrer estimates and fit indices when assumption of unidimensionality is violated (Unpublished Doctoral Dissertation, The Ohio State University). https://etd.ohiolink.edu adresinden alınmıştır.
- Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147 – 177.
- Schafer, J. L. (1997). Analysis of incomplete multivariate data. New York: Chapman & Hall/Crc.
- Rubin, D. B. (1987). Multiple imputation for nonresponse in surveys. New York: John Wiley & Sons, Inc.
- Rubin, D. B. (1976). Inference and missing data. Biometrika, 63, 581-592.
- Roth, P. L., & Switzer, F. S. (1995). A Monte Carlo analysis of missing data techniques in a HRM setting. Journal of Management, 21(5), 1003-1023.
- Rosenthal, R., & Rosnow, R. (2008). Essentials of behavioral research: Methods and data analysis (3rd Ed). Boston : McGraw-Hill.
- Reise, S. P., Ainsworth, A. T., & Haviland, M. G. (2005). Item Response Theory. Fundamentals, applications, and promise in psychological research. Current Directions in Psychological Science, 14(2), 95-101.
- Reid, C. A., Kolakowsky-Hayner, S. A., Lewis, A. N., & Amstrong, A. J. (2007). Modern psychometric methodology: Applications of Item Response Theory. Rehabilitation Counselling Bulletin, 50(3), 177- 178.
- Reeve, B. B. (2002). An introduction to modern measurement theory. http://appliedresearch.cancer.gov/areas/cognitive/immt.pdf adresinden 21.12.2015 tarihinde alınmıştır.
- R Development Core Team (2011). R: A language and environment for statistical computing, a foundation for statistical computing. Vienna, Austria, ISBN 3-900051-070, Erişim:[http://www.R-project.org].
- Orlando, M., & Thissen, D. (2000). Likelihood-based item-fit indices for dichotomous Item Response Theory models. Applied Psychological Measurement, 24(1), 24-50
- Nylund, K. L., Asparouhov, T., & Muthen, B. O. (2007). Deciding on the number of classes in Latent Class analysis and Growth Mixture Modeling: A Monte Carlo simulation study. Structural Equation Modeling, 14(4), 535-569.
- Morren, M., Gelissen, J., & Vermunt, J. K. (2011). Dealing with extreme response style in cross-cultural research: A restricted Latent Class factor analysis. Sociological Methodology, 1(1), 13-47. Doi: 10.1111/j.1467-9531.2011.01238
- Montalto, C. P., & Sung, J. (1996). Multiple imputation in the 1992 survey of consumer finances. Financial Counseling and Planning, 7, 133 – 141.
- Mislevy, R. J., & Bock, R. D. (1990). BILOG 3- item analysis and test scoring with binary logistic models (2nd Ed). Mooresville: Scientific Software Inc.
- McKnight, P. E., McKnight, K. M., Sidani, S., & Figueredo, A. J. (2007). Missing data: A gentle introduction. New York: The Guilford Publications, Inc.
- Lord, F. (1980). Applications of Item Response Theory to practical testing problems. New Jersey: Lawrence Erlbaum Associates Publishers.
- Lord, F. M. (1968). An Analysis of the Verbal Scholastic Aptitude Test Using Birnbaum’s Three-parameter Logistic Model. Educational and Psychological Measurement, 28, 989-1020.
- Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Reading MA: AddisonWesley.
- Little, R. J. A., & Rubin, D. B. (1987). Statistical analysis with missing data. New York: Wiley.
- Lin, T. H. (2012). Model selection information criteria in Latent Class Models with missing data and contingency question. Journal of Statistical Computation and Simulation, 84(1),159-170 doi:10.1080/00949655.2012.698621.
- Lin, T. H. (2006). A comparison of model selection indices for Nested Latent Class Models. Monte Carlo Methods and Applications, 12(3-4), 239-259.
- Köse, İ. A. (2014). The effect of missing data handling methods on goodness of fit indices in confirmatory factor analysis. Educational Resarch and Reviews, 9(8), 208-215. Doi:10.5897/ERR2014.1709
- Karasar, N. (2007). Bilimsel araştırma yöntemi: Kavramlar, ilkeler, teknikler (17. Baskı). Ankara: Nobel.
- Kankaras, M., Vermunt, J. K., & Moors, G. (2011). Measurement equivalence of ordinal items. A comparison of factor analytic, Item Response Theory and Latent Class Approaches. Sociological Methods & Research, 40(2), 279-310.
- Hurvich, C., & Tsai, C. (1989). Regression and time series model selection in small samples. Biometrika, 76, 297–307
- Hulin, C. L., Lissak, R. I., & Drasgow, F. (1982). Recovery of two and three-parameter logistic item characteristic curves: A Monte Carlo study. Applied Psychological Measurement, 6, 249-260.
- Hohensinn, C., & Kubinger, K. D. (2011). On the impact of missing values on the item fit and the model validness of the Rasch model. Psychological Test and Assessment Modeling, 53(3), 380-393.
- Hambleton, R. K. (1989). Principles and saelected applications of Item Response Theory. R. L. Linn (Ed), Educational Measurement (pp.147-200). Washington, DC: American Council of Education.
- Hambleton R. K., Swaminathan H., & Rogers, H. J. (1991). Fundamentals of item response theory. Newbury Park, CA: SAGE Publications, Inc.
- Goldman, S. H., & Raju, N. S. (1986). Recovery of one- and two-parameter logistic item parameters: An empirical study. Educational and Psychological Measurement, 46(1),11-21.
- Gao, F., & Chen, L. (2005). Bayesian or Non-Bayesian: A comparison study of item parameter estimation in the three-parameter logistic model. Applied Measurement in Education, 18(4), 351-380.
- Furlow C. F., Fouladi R. T., Gagne P., & Whittaker T.vA. (2007). A Monte Carlo study of the impact of missing data and differential item functioning on theta estimates from two polytomous Rasch family models. Journal of Applied Measurement. 7(8),388-403
- Fiona, M. S., Heather, S., Hude, G., & William G. (2006). Dealing with missing data in a multi-question depression scale: A comparison of imputation methods. BMC Medical Research Methodology 6:57. DOI: 10.1186/1471-2288-6-57
- Enders, C. K. (2004). The impact of missing data on sample reliability estimates: Implications for reliability reporting practices. Educational and Psychological Measurement. 64(3), 419-436.
- Enders, C. K., & Bandalos, D. L. (2001). The relative performance of full information maximum likelihood estimation for missing data in structural equation models. Structural Equation Modeling: A Multidisciplinary Journal. 8(3), 430-457.
- Enders, C. K. (2010). Applied missing data analysis. (1st ed.). New York: The Guilford Publications, Inc.
- Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Mahwah, NJ: Lawrence Erlbaum Associates Publishers.
- Embretson, S. E. (1999). Generating items during testing: Psychometric issues and models. Psychometrika, 64, 407-433.
- Doğanay Erdoğan, B., (2012). Çoklu atama yöntemlerinin Rasch modelleri için performansının benzetim çalışması ile incelenmesi (Yayımlanmamış doktora tezi, Ankara Üniversitesi Sağlık Bilimleri Enstitüsü, Ankara). http://acikarsiv.ankara.edu.tr adresinden 13.01.2015 tarihinde alınmıştır.
- Duncan, G. J., Dowsett, C. J., Claessens, A., Magnuson, K., Huston, A. C., Klebanov, P., & Japel, C. (2007). School readiness and later achievement. Developmental Psychology, 43(6), 1428-1446. Doi:10.1037/0012-1649.43.6.1428
- Drasgow, F., Levine, M., Tsien, S., Williams, B., & Mead, A. (1995). Fitting polytomous Item Response Theory models to multiple-choice tests. Applied Psychological Measurement, 19(2), 143-165. doi:10.1177/014662169501900203
- Dias, J. G. (2006). Latent class analysis and model selection. In M. R. Kruse, C. Borgelt, A. Nürberger, & W. Gaul, From data and information analysis to knowledge engineering (pp. 95-102). Berlin: SpringerVerlag.
- Demir, E. ve Parlak, B. (2012). Türkiye’de eğitim araştırmalarında kayıp veri sorunu. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 3(1), 230-241
- Demir, E. (2013). Kayıp verilerin varlığında iki kategorili puanlanan maddelerden oluşan testlerin psikometrik özelliklerinin incelenmesi (Yayımlanmamış doktora tezi, Ankara Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara). http://acikarsiv.ankara.edu.tr/ adresinden 08.10.2016 tarihinde alınmıştır.
- DeMars, C. (2010). Item response theory: Understanding statistics measurement. London: Oxford Press.
- Çokluk, Ö. ve Kayrı, M. (2011). Kayıp değerlere yaklaşık değer atama yöntemlerinin ölçme araçlarının geçerlik ve güvenirliği üzerindeki etkisi. Kuram ve Uygulamada Eğitim Bilimleri, 11(1), 289-309.
- Çelen, Ü. (2008). Klasik Test Kuramı ve Madde Tepki Kuramına dayalı olarak geliştirilen iki testin psikometrik özelliklerinin karşılaştırılması. İlköğretim Online, 7(3), 758-768.
- Cronbach, J. L. (1990). Essentials of psychological testing (5. Ed). Harper Collins Publishers, Inc
- Crocker, L., & Algina, J. (1986). Introduction to classical & modern test theory. Newyork: Holt. Rinehart and Winston
- Collins, L. M., & Lanza, S. T. (2010). Latent class and latent trasition analysis with applications in the social, behavioral, and health sciences. Hoboken, New Jersey: John Wiley & Sons, Inc.
- Chen, S. F., Wang, S., & Chen, Y. C. (2011). A simulation study using EFA and CFA programs based the impact of missing data on test dimensionality. Expert Systems with Applications, 39, 4026–4031.
- Chang, Y. W. (1992). A comparison of unidimensional and multidimensional IRT approaches to test information in a test battery (Unpublished doctoral dissertation, University of Minnesota). http://files.eric.ed.gov/fulltext/ED344940.pdf adresinden 20.01.2015’de alınmıştır.
- Cao, Y., & Poh, K. L. (2006). An accurate and robust missing value estimation for microarray data: Least absolute deviation imputation, Proceedings of the 5th International Conference on Machine Learning and Applications (ICMLA'06), 157-161.
- Bolt, D. M., & Lall, V. F. (2003). Estimation of compensatory and non-compensatory multidimensional Item Response models using Markov Chain Monte Carlo. Applied Psychological Measuement, 27(6), 395- 414. Web: http://apm.sagepub.com adresinden 02.10.2015’de alınmıştır.
- Bock, R. D. (1997). A brief history of Item Response Theory. Educational Measurement: Issues and Practice, 16, 21-33.
- Blozis, S. A., Conger K. J., & Harring, J. R. (2007). Nonlinear latent curve models for multivariate longitudinal data. International Journal of Behavioral Development: Special Issue on Longitudinal Modeling of Developmental Processes, 31, 340-346.
- Baykul, Y. (2000). Eğitimde ve psikolojide ölçme: Klasik test teorisi ve uygulanması. Ankara: ÖSYM.
- Bauer, D. J., & Curran, P. J. (2003). Distributional assumptions of growth mixture models: Implications for overextraction of latent trajectory classes. Psychological Methods, 8, 338-363.
- Baraldi, A. N., & Enders, C. K. (2010). An introduction to modern missing data analysis. Journal of School Psychology, 48, 5–37.
- Baker, F. B. (1998). An investigation of the item parameter recovery of a Gibbs sampling procedure. Applied Psychological Measurement, 22, 153-169.
- Allison, P. D. (2003). Missing data techniques for structural equation modeling. Journal of Abnormal Psychology, 112(4), 545-557
- Allison, P. (2002). Missing Data. Thousand Oaks, CA:Sage.
- Aiken, L, R. (1995). Psychological testing and assessment. Boston: Allyn and Bacon
- Adams, R. (2005). Reliabilty as a measurement design effect. Studies in Educational Evaluation, 31, 162–172. DOI: 10.1016/j.stueduc.2005.05.008
- Ackerman, T.A., Gierl, M.J., & Walker, C.M. (2003). Using multidimensional item response theory to evaluate educational and psychological tests. Educational Measurement: Issues and Practice, 22(3), 37-51.
- Ackerman, T.A. (2005). Multidimensional item response theory modeling. In A. Maydeu-Olivares & J.J. McArdle (Eds.). Contemporary psychometrics (3–26) Mahwah, NJ: Lawrence Erlbaum Associates.
| APA | Koçak D, ÇOKLUK BÖKEOĞLU Ö (2017). Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. , 220 - 223. 10.21031/epod.303753 |
| Chicago | Koçak Duygu,ÇOKLUK BÖKEOĞLU ÖMAY Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. (2017): 220 - 223. 10.21031/epod.303753 |
| MLA | Koçak Duygu,ÇOKLUK BÖKEOĞLU ÖMAY Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. , 2017, ss.220 - 223. 10.21031/epod.303753 |
| AMA | Koçak D,ÇOKLUK BÖKEOĞLU Ö Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. . 2017; 220 - 223. 10.21031/epod.303753 |
| Vancouver | Koçak D,ÇOKLUK BÖKEOĞLU Ö Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. . 2017; 220 - 223. 10.21031/epod.303753 |
| IEEE | Koçak D,ÇOKLUK BÖKEOĞLU Ö "Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi." , ss.220 - 223, 2017. 10.21031/epod.303753 |
| ISNAD | Koçak, Duygu - ÇOKLUK BÖKEOĞLU, ÖMAY. "Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi". (2017), 220-223. https://doi.org/10.21031/epod.303753 |
| APA | Koçak D, ÇOKLUK BÖKEOĞLU Ö (2017). Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 8(2), 220 - 223. 10.21031/epod.303753 |
| Chicago | Koçak Duygu,ÇOKLUK BÖKEOĞLU ÖMAY Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi 8, no.2 (2017): 220 - 223. 10.21031/epod.303753 |
| MLA | Koçak Duygu,ÇOKLUK BÖKEOĞLU ÖMAY Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, vol.8, no.2, 2017, ss.220 - 223. 10.21031/epod.303753 |
| AMA | Koçak D,ÇOKLUK BÖKEOĞLU Ö Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi. 2017; 8(2): 220 - 223. 10.21031/epod.303753 |
| Vancouver | Koçak D,ÇOKLUK BÖKEOĞLU Ö Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi. 2017; 8(2): 220 - 223. 10.21031/epod.303753 |
| IEEE | Koçak D,ÇOKLUK BÖKEOĞLU Ö "Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi." Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 8, ss.220 - 223, 2017. 10.21031/epod.303753 |
| ISNAD | Koçak, Duygu - ÇOKLUK BÖKEOĞLU, ÖMAY. "Kayıp Veriyle Baş Etme Yöntemlerinin Model Veri Uyumu Ve Madde Model Uyumuna Etkisi". Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi 8/2 (2017), 220-223. https://doi.org/10.21031/epod.303753 |
