| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,180 |
| تعداد مقالات | 17,675 |
| تعداد مشاهده مقاله | 54,125,695 |
| تعداد دریافت فایل اصل مقاله | 28,388,961 |
مقایسه روشهای ناپارامتری برای تعیین نمره برش در آزمونهای ملاک مرجع با استفاده از شاخص یودن مورد مطالعه: آزمون تولیمو | ||
| فصلنامه اندازه گیری تربیتی | ||
| مقاله 2، دوره 15، شماره 56، تیر 1403، صفحه 43-68 اصل مقاله (1.7 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jem.2024.77090.3508 | ||
| نویسندگان | ||
| مریم پارساییان1؛ ابراهیم خدایی* 2؛ بلال ایزانلو3؛ کیوان صالحی4؛ سیما نقی زاده5 | ||
| 1دانشجوی دکتری رشته سنجش و اندازه گیری، دانشگاه تهران، تهران، ایران. | ||
| 2دانشیار دانشگاه تهران، تهران، ایران | ||
| 3استادیار گروه برنامه ریزی درسی، دانشگاه خوارزمی، تهران، ایران | ||
| 4دانشیار دانشکده روان شناسی و علوم‌تربیتی؛ دانشگاه تهران، تهران، ایران | ||
| 5استادیار سازمان سنجش آموزش کشور، تهران، ایران | ||
| چکیده | ||
| شاخص یودن یک معیار متداول برای منحنی ویژگی عملکرد (ROC) است که هم کارایی یک آزمون ملاک‌مرجع را می‌سنجد و هم مقدار نمره برش را برای آزمون مشخص می‌کند. این پژوهش با هدف مقایسه و ارزیابی سه روش برآورد ناپارامتری تجربی، هسته با روش پهنای باند سیلورمن و هسته با روش پهنای باند اعتبارسنجی متقابل ماکسیمم درستنمایی برای محاسبه مقدار شاخص یودن انجام شده است. در این پژوهش برای ارزیابی عملکرد از شاخص‌های خطای استاندارد بوت استرپ (BSE)، ریشه میانگین مربعات خطا (RMSE)، مربع خطای یکپارچه (ISE) و میانگین مربعات خطای یکپارچه (MISE)استفاده شده است. نتایج نشان می‌دهد که روش هسته با اعتبارسنجی متقابل ماکسیمم درستنمایی دارای مقدار شاخص یودن بالاتری بود. نمرات برش به دست آمده برای روشهای هسته 479 و برای روش تجربی 465 به دست آمد. با توجه به نتایج قابل قبول شاخص‌های ارزیابی، روشهای هسته به‌ویژه با پهنای باند بهینه اعتبارسنجی متقابل ماکسیمم درستنمایی منجر به برآوردهای قابل اعتمادتری از شاخص یودن و نمره برش برای آزمون تولیمو می‌شود. | ||
| کلیدواژه‌ها | ||
| نمره برش؛ شاخص یودن؛ روشهای ناپارامتری؛ آزمونهای ملاک مرجع | ||
| مراجع | ||
|
Adamowski, K. (1987). Nonparametric Techniques For Analysis Of Hydrological Events. Paper Presented At The Water For The Future: Hydrology In Perspective (Proceedings Of The Rome Symposium).
Aoki, K., Misumi, J., Kimura, T., Zhao, W., & Xie, T. (1997). Evaluation Of Cutoff Levels For Screening Of Gastric Cancer Using Serum Pepsinogens And Distributions Of Levels Of Serum Pepsinogen I, Ii And Of Pg I/Pg Ii Ratios In A Gastric Cancer Case-Control Study. Journal Of Epidemiology, 7(3), 143-151.
Barbeito, I., & Cao, R. (2020). Nonparametric Curve Estimation And Bootstrap Bandwidth Selection. Wiley Interdisciplinary Reviews: Computational Statistics, 12(3), E1488.
Carvalho, V. I. D., & Branscum, A. J. (2018). Bayesian Nonparametric Inference For The Three-Class Youden Index And Its Associated Optimal Cutoff Points. Statistical Methods In Medical Research, 27(3), 689-700.
Dardick, W. R., & Weiss, B. A. (2019). An Investigation Of Chi-Square And Entropy Based Methods Of Item-Fit Using Item Level Contamination In Item Response Theory. Journal Of Modern Applied Statistical Methods, 18.
Duin. (1976). On The Choice Of Smoothing Parameters For Parzen Estimators Of Probability Density Functions. Ieee Transactions On Computers, 100(11), 1175-1179.
Eckes, T. (2017). Setting Cut Scores On An Efl Placement Test Using The Prototype Group Method: A Receiver Operating Characteristic (Roc) Analysis. Language Testing, 34(3), 383-411.
Ewald, B. (2006). Post Hoc Choice Of Cut Points Introduced Bias To Diagnostic Research. Journal Of Clinical Epidemiology, 59(8), 798-801.
Fluss, R., Faraggi, D., & Reiser, B. (2005). Estimation Of The Youden Index And Its Associated Cutoff Point. Biometrical Journal, 47(4), 458-472. Doi:10.1002/Bimj.200410135
Greiner, M., Pfeiffer, D., & Smith, R. D. (2000). Principles And Practical Application Of The Receiver-Operating Characteristic Analysis For Diagnostic Tests. Preventive Veterinary Medicine, 45(1-2), 23-41.
Grmec, Š., & Gašparovic, V. (2000). Comparison Of Apache Ii, Mees And Glasgow Coma Scale In Patients With Nontraumatic Coma For Prediction Of Mortality. Critical Care, 5(1), 1-5.
Habbema, J., Hermans, J., & Van Den Broek, K. (1974). A Stepwise Discriminant Analysis Program Using Density Estimation.
Hall, P. (1982). Cross-Validation In Density Estimation. Biometrika, 69(2), 383-390.
Hanley, J. A., & Mcneil, B. J. (1982). The Meaning And Use Of The Area Under A Receiver Operating Characteristic (Roc) Curve. Radiology, 143(1), 29-36.
Heidenreich, N.-B., Schindler, A., & Sperlich, S. (2013). Bandwidth Selection For Kernel Density Estimation: A Review Of Fully Automatic Selectors. Asta Advances In Statistical Analysis, 97, 403-433.
Hirschfeld, G., & Do Brasil, P. E. A. A. (2014). A Simulation Study Into The Performance Of “Optimal” Diagnostic Thresholds In The Population:“Large” Effect Sizes Are Not Enough. Journal Of Clinical Epidemiology, 67(4), 449-453.
Hsiao, J. K., Bartko, J. J., & Potter, W. Z. (1989). Diagnosing Diagnoses: Receiver Operating Characteristic Methods And Psychiatry. Archives Of General Psychiatry, 46(7), 664-667.
Hsieh, F., & Turnbull, B. (1992). Nonparametric Methods For Evaluating Diagnostic Tests. Retrieved From
Jones, M. C., Marron, J. S., & Sheather, S. J. (1996). A Brief Survey Of Bandwidth Selection For Density Estimation. Journal Of The American Statistical Association, 91(433), 401-407.
Kile, H. (2010). Bandwidth Selection In Kernel Density Estimation. (Master ). University Of Science And Technology, Norwegian.
Leeflang, M. M., Moons, K. G., Reitsma, J. B., & Zwinderman, A. H. (2008). Bias In Sensitivity And Specificity Caused By Data-Driven Selection Of Optimal Cutoff Values: Mechanisms, Magnitude, And Solutions. Clinical Chemistry, 54(4), 729-737.
Loader, C. R. (1999). Bandwidth Selection: Classical Or Plug-In? The Annals Of Statistics, 27(2), 415-438.
Luo, J., & Xiong, C. (2013). Youden Index And Associated Cut-Points For Three Ordinal Diagnostic Groups. Communications In Statistics-Simulation And Computation, 42(6), 1213-1234.
Metz, C. E. (1989). Some Practical Issues Of Experimental Design And Data Analysis In Radiological Roc Studies. Investigative Radiology, 24(3), 234-245.
Nakas, C. T., Alonzo, T. A., & Yiannoutsos, C. T. (2010). Accuracy And Cut‐Off Point Selection In Three‐Class Classification Problems Using A Generalization Of The Youden Index. Statistics In Medicine, 29(28), 2946-2955.
Park, B. U., & Marron, J. S. (1990). Comparison Of Data-Driven Bandwidth Selectors. Journal Of The American Statistical Association, 85(409), 66-72.
Parzen, E. (1962). On Estimation Of A Probability Density Function And Mode. The Annals Of Mathematical Statistics, 33(3), 1065-1076.
Ruopp, M. D., Perkins, N. J., Whitcomb, B. W., & Schisterman, E. F. (2008). Youden Index And Optimal Cut‐Point Estimated From Observations Affected By A Lower Limit Of Detection. Biometrical Journal: Journal Of Mathematical Methods In Biosciences, 50(3), 419-430.
Schisterman, E. F., Perkins, N. J., Liu, A., & Bondell, H. (2005). Optimal Cut-Point And Its Corresponding Youden Index To Discriminate Individuals Using Pooled Blood Samples. Epidemiology, 73-81.
Shapiro, D. E. (1999). The Interpretation Of Diagnostic Tests. Statistical Methods In Medical Research, 8(2), 113-134.
Silverman, B. W. (2018). Density Estimation For Statistics And Data Analysis: Routledge.
Somoza, E., Mossman, D., & Mcfeeters, L. (1990). The Info-Roc Technique: A Method For Comparing And Optimizing Inspection Systems. Review Of Progress In Quantitative Nondestructive Evaluation, 601-608.
Thiele, C., & Hirschfeld, G. (2020). Cutpointr: Improved Estimation And Validation Of Optimal Cutpoints In R. Arxiv Preprint Arxiv:2002.09209.
Trosset, M. W. (2009). An Introduction To Statistical Inference And Its Applications With R: Crc Press.
Van Es, B. (1991). Likelihood Cross-Validation Bandwidth Selection For Nonparametric Kernel Density Estimators †. Journal Of Nonparametric Statistics, 1(1-2), 83-110. Doi:10.1080/10485259108832513
Wand, M. P., & Jones, M. C. (1994). Kernel Smoothing: Crc Press.
Węglarczyk, S. (2018). Kernel Density Estimation And Its Application. Paper Presented At The Itm Web Of Conferences.
Youden, W. J. (1950). Index For Rating Diagnostic Tests. Cancer, 3(1), 32-35.
Zhou, X.-H., Mcclish, D. K., & Obuchowski, N. A. (2009). Statistical Methods In Diagnostic Medicine: John Wiley & Sons.
Zou, K. H., Tempany, C. M., Fielding, J. R., & Silverman, S. G. (1998). Original Smooth Receiver Operating Characteristic Curve Estimation From Continuous Data: Statistical Methods For Analyzing The Predictive Value Of Spiral Ct Of Ureteral Stones. Academic Radiology, 5(10), 680-687.
Zucchini, W., Berzel, A., & Nenadic, O. (2003). Applied Smoothing Techniques. Part I: Kernel Density Estimation, 15, 1-20. | ||
|
آمار تعداد مشاهده مقاله: 471 تعداد دریافت فایل اصل مقاله: 671 |
||