統計諮詢日曆

 由於無法在心理計量課程的部落格嵌入日曆，
所以就附上網址，請大家上去填寫統計諮詢的時間。

別忘了要把日曆名稱選為「統計諮詢時間表」，而不是自己的e-mail的那個喔！

http://www.google.com/calendar/embed?src=2honolojg70e25rdv23t532is8%40group.calendar.google.com&ctz=Asia/Taipei





行事曆的內容會隨時因為新增的內容而更新。

希望這個工具可以協助大家約討論時間喔！

使用範例如下：

SF-36之資料分析~諮詢後的彙整

諮詢主題	1.      scaling success計算方式。 2.      確認SF-36之相關係數結果
諮詢時間	100/2/23 2pm-3pm	諮詢時數：1小時
諮詢內容	已知概念	諮詢後釐清的概念
	1.      提供所閱讀的文獻中，提及如何計算scaling success的方法。The correlation between an item and its hypothesized scale is significantly higher than the correlations between that item and all other scales. The default significance level for comparing two correlations is two standard errors. The standard error of a correlation coefficient is approximately equal to 1 divided by the square root of the sample size (Ware, J.E., et al., 1998). 中文解讀：scaling success意指項目與所屬次量表的相關係數減掉項目與不所屬次量表的相關係數，要高過2個標準誤才表示有統計上的顯著。standard error(標準誤)的算法為1/√n， 2.      相關係數算法的確認 (1)   項目與所屬的次量表相關係數計算方式為，看Cronbach’s alpha之corrected item- total correlation。 (2)   項目和其他次量表相關係數計算方式為，看項目與其他次量表總分之pearson correlation。 (3)   依據量表設計假設，項目與所屬次量表的相關要高，與其他的次量表的相關要低，但Bodily pain、General health、Social functioning，此三個次量表的數值不符合假設。	1.      已與李晏確定我原先的概念無誤，以數學方程式表達為：項目與所屬次量表的相關係數-項目與不所屬次量表的相關係數)/(1/√n) > 2。 李晏告知，在書籍statistical method for psychology中有提及其他不同計算scaling success的算法。我已查看書，但沒有找到scaling success的算法。 2.      已確認我的概念無誤。 進一步請教李晏，當看到數據與預期假設的概念不符合時，需要考慮哪些的步驟： (1)   Pearson相關性低，有可能是因為不是線性相關，但有其他的相關曲線的可能性，所以必須畫圖看其相關性(曲線形狀)。 (2)   看項目的分佈(item distribution)，是否有ceiling effect或floor effect的狀況，而導致在做相關比較時，相關係數較低。 (3)   計算EFA，看看是否此項目不歸屬於所屬的次量表(construct)。 族群特性：有可能對此族群中，這些題目不是問原本認為問的構念，而是問其他問題。 相關低有可能因著實驗情境、族群特性(戒斷症狀)、項目本身內容和項目數目所影響。

統計諮詢: SF-36之資料分析

諮詢主題	1.      scaling success計算方式。 2.      確認SF-36之相關係數算法
諮詢時間	100/2/23 2pm-3pm	預計諮詢時數：1小時
諮詢內容	已知概念	希望釐清的概念
	1.      於已讀的文獻，計算scaling success的方式為，項目與所屬的次量表相關係數，顯著地高於項目與其他(不所屬)次量表的相關係數2個標準差，一個標準差等於1/√樣本數。。 2.      相關係數算法 (1)   項目與所屬的次量表相關係數計算方式為，看Cronbach’s alpha之corrected item- total correlation。 (2)   項目和其他次量表相關係數計算方式為，看項目與其他次量表總分之pearson correlation。 (3)   依據量表設計假設，項目與所屬次量表的相關要高，與其他的次量表的相關要低，但Bodily pain、General health、Social functioning，此三個次量表的數值不符合假設。	1.      確認計算scaling success的方式是否正確。 2.      確認SF-36之相關係數算法是否正確(項目與所屬次量表相關係數，及項目和其他次量表相關係數)。

統計諮詢:如何算出1個變項中有3組資料的p值。單尾假設檢定，H0和H1的相對關係

諮詢主題	1. 如何得知1個變項中有3組資料的p值 2. 單尾假設檢定，H0和H1的相對關係 3. 實際題目的驗算和討論
諮詢時間	99/11/29 6:41pm~7:05pm (skype)        9:37pm~10:00pm (skype) 99/11/30 8:45am~10:51am (e-mail信件討論實際題目的驗算和討論)		諮詢時數	2小時
諮詢內容彙整	對此主題的未知概念	諮詢後釐清的概念
	1.      知道應該使用fisher’s exact test的計算方法，但只會使用fisner's exact計算2x2的table，但不知要如何計算3x 2的table? 2.      於單尾假設檢定，不清楚對α應設定在左邊和右邊(單尾假設檢定)，有困難算出H0臨界值(是要加還是剪σ/√n) 及H0和H1的相對關係。 3.      兩人分別針對同一個題目，練習計算單尾假設檢定，算出power值，和已知power值後，如何算出樣本數。	1. 可使用網路資源http://mathworld.wolfram.com/FishersExactTest.html 2. 先畫出H0和H1的分佈圖，了解位置方向。舉例，H0:μ≤μ0，H1:μ>μ0，H1分佈圖為H0分佈圖的右邊。 3.對照比較算出的答案

統計諮詢紀錄表-效度之驗證方法

諮詢時間	2010/12/1 14:30-15:30	諮詢時數	1小時
諮詢主題	效度之驗證方法
諮詢內容彙整	對此主題的未知概念	諮詢後釐清的概念
	1.如何由MTMM矩陣看出方法偏誤 (method bias)？	當區辨效度所框出來的上三角形（不同方法測不同特質）/下三角形（同樣方法測不同特質）跟其他上三角形/下三角形內的得分趨勢（例、左上最高、左下次高、右下最低）與其他三角形不同，就可能有方法偏誤。原因可能是工具的特性所造成的。
	2.若效標效度過高(>0.91)，可能造成量表與效標的題目相似度過高或重複，不知效標效度是否有可接受的上限？或是應該如何避免題目過於類似的情形？	良好的效標關連效度需≧0.75。而且很少有量表的效標效度可以非常高。然而，當量表與效標有30%的題目過於相似，則難以判斷效標效度是否因為這些題目而大幅提昇。因此，可以在選擇效標之前，先比較兩個測驗工具是否有太多相似的題目，以避免類似情形。
	3.如果量表可同時具備效標參照與常模參照的特質，適用性會更廣。請問：如果要發展具備兩種特質的量表，需符合哪些條件？	在應用的時候，如果嚴格遵守效標參照與常模參照的定義，沒有具備兩種特質的工具。而學科能力測驗原本的用意為效標參照（瞭解學生是否符合畢業標準），結果卻作為分發的依據（常模參照），並不是很恰當的作法。
心得或建議	提早把問題整理清楚，討論時確實比較有效率。

統計諮詢紀錄表-效度之驗證方法

諮詢時間	2010/12/1 14:30-15:30	諮詢時數	1小時
諮詢主題	效度之驗證方法
諮詢內容彙整	對此主題的未知概念	諮詢後釐清的概念
	1.如何由MTMM矩陣看出方法偏誤 (method bias)？	當區辨效度所框出來的上三角形（不同方法測不同特質）/下三角形（同樣方法測不同特質）跟其他上三角形/下三角形內的得分趨勢（例、左上最高、左下次高、右下最低）與其他三角形不同，就可能有方法偏誤。原因可能是工具的特性所造成的。
	2.若效標效度過高(>0.91)，可能造成量表與效標的題目相似度過高或重複，不知效標效度是否有可接受的上限？或是應該如何避免題目過於類似的情形？	良好的效標關連效度需≧0.75。而且很少有量表的效標效度可以非常高。然而，當量表與效標有30%的題目過於相似，則難以判斷效標效度是否因為這些題目而大幅提昇。因此A量表不是最好的選擇。或許可以在選擇效標之前，先比較兩個測驗工具是否有太多相似的題目，以避免類似情形。
	3.如果量表可同時具備效標參照與常模參照的特質，適用性會更廣。請問：如果要發展具備兩種特質的量表，需符合哪些條件？	在應用的時候，如果嚴格遵守效標參照與常模參照的定義，沒有具備兩種特質的工具。而學科能力測驗原本的用意為效標參照（瞭解學生是否符合畢業標準），結果卻作為分發的依據（常模參照），並不是很恰當的作法。
心得或建議	提早把問題整理清楚，討論時確實比較有效率。