تحلیل نتایج آزمون کارشناسی ارشد بر اساس مدل های اثر تصادفی رده بندی متقاطع و چندسطحی: مقایسه دو رویکرد (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در برخی مواقع ساختار جوامع سلسله مراتبی به گونه ای است که دو سطح به جای اینکه در طول هم باشند در عرض هم قرار دارند و لذا نمی توان مدل های آشیانه ای را برای آنها به کار برد. در چنین حالتی لازم است مدل های رده بندی متقاطع به عنوان زیرکلاسی از مدل های چندسطحی مورد استفاده قرار گیرند. چشم پوشی از ساختار رده بندی متقاطع می تواند جهت و میزان اریبی مشاهده شده در برآورد پارامترها را به طور قابل ملاحظه ای تحت تأثیر قرار دهد. در این مقاله با به کارگیری مدل سازی رده بندی متقاطع برای نمره های کل پذیرفته شدگان کنکور کارشناسی ارشد سال 1393 و به کارگیری نرم افزار R، مدل متقاطع با مدل بندی چندسطحی متناظرش با استفاده از آماره انحراف مقایسه شد. بر اساس توزیع های شرطی کامل پارامترهای مدل، برآوردشان با به کارگیری روش های مونت کارلوی زنجیر مارکوفی به دست آمد. در نهایت آماره انحراف برای مقایسه مدل متقاطع و مدل چند سطحی استفاده شد. نتایج این تحقیق نشان داد که مدل بندی اثر تصادفی رده بندی متقاطع برای جوامعی با ساختار تقاطعی به مراتب بهتر از مدل چندسطحی معمولی متناظر با آن عمل می کند.An Analysis of Iranian National-Wide Masters Graduate Admission Exam Using Cross-Classified and Multilevel Models: a Comparison of the two approaches
Under certain circumstances, the hierarchical structure of the society necessitates the levels to be of latitude parallel to each other rather than of longitude; therefore, usual nested models cannot be applied. In such cases, it is required to use the cross-classified models as a subclass of the multilevel models. Disregarding the structural classification can significantly affect the direction and magnitude of the obliqueness observed in estimating the parameters. In this paper, by cross-classified modeling the total scores of the students admitted in the Iranian national-wide Masters graduate admission exam in 2013, and by using R software, the cross-classified model is compared to its corresponding multilevel model applying the deviance criterion. Based upon the full conditional distributions of the parameters, the corresponding estimators are derived through the Markov Chain Monte Carlo methods. The deviance statistic was utilized to compare cross-classified model with its corresponding multi-level model. The results showed that modeling the random effects for the crossover populations using the cross-classified models is doing far better than the conventional corresponding multilevel model.
تبلیغات
