INVESTIGATION OF LATENT CLASS ANALYSIS IN DIFFERENT SCORING SITUATIONS

Year 2020, Volume: 20 Issue: 2, 754 - 766, 02.06.2020

Hüseyin Selvi Didem Derici Yıldırım

https://doi.org/10.17240/aibuefd.2020..-621529

Abstract

The aim of this study is to examine the Latent
Class Analysis in different scoring situations. For this purpose, a test consists of multiple choice items
which is applied in different types such as dual, expert judgement and weighted
experimentally, respectively. A total of 595 students who are studying at
Mersin University in the Faculty of Education were included to the study.
Latent Class Analysis was used to determine the best fitted model of data. The
findings of the study showed that the same number of classes was calculated in
latent class analysis for binary and expert judgment scoring. The minimum
number of classes was obtained for experimentaly scoring with the least
parameter estimation. For binary and expert judgment scoring, the number of
classes was higher than experimental scoring. In the latent class analysis, the
most appropriate model is the best fitted model with the least number of latent
classes and least parameter estimation.Therefore, it can be stated that the
experimental scoring method model is the most appropriate model for latent
class analysis.

Keywords

Latent Class Analysis, Dichotomous Scoring

ÖRTÜK SINIF ANALİZİNİN FARKLI PUANLAMA DURUMLARINDA İNCELENMESİ

Abstract

Bu çalışmada Örtük Sınıf Analizinin farklı puanlama durumlarındaki işleyişini incelemek amaçlanmıştır. Bu amaç doğrultusunda çoktan seçmeli maddelerden oluşan ve seçenekleri ikili, uzman yargısına dayalı ağırlıklı ve deneysel ağırlıklı puanlanabilen bir test kullanılarak Mersin Üniversitesi Eğitim Fakültesi’nde öğrenim görmekte olan toplam 595 öğrenciden veri toplanmıştır. Öğrencilerin test maddelerine vermiş oldukları yanıtlar ikili, deneysel ağırlıklı ve uzman yargısına dayalı ağırlıklı olarak ayrı ayrı puanlanmış ve elde edilen veriler üzerinde örtük sınıf analizi yapılmıştır. Ulaşılan bulgular ikili ve uzman yargısına dayalı ağırlıklı puanlama için örtük sınıf analizinde aynı sınıf sayısına ulaşıldığını göstermiştir. En az sınıf sayısına ise en az parametre kestirimiyle deneysel ağırlıklı puanlama için ulaşılmıştır. İkili ve uzman yargısına dayalı ağırlıklı puanlama için ise elde edilen sınıf sayısı ve kestirilen parametre sayısı deneysel ağırlıklı puanlamayla ulaşılandan daha yüksektir. Örtük sınıf analizinde en uygun model, en az örtük sınıf sayısıyla ve en az parametre kestirimiyle model veri uyumunu yakalayan modeldir. Bu nedenle deneysel ağırlıklı puanlama yöntemiyle ulaşılan modelin örtük sınıf analizi için en uygun model olduğu ifade edilebilir.

Keywords

Örtük Sınıf Analizi, İkili Puanlama, deneysel ağırlıklı puanlama, uzman yargısına dayalı ağırlıklandırma

References

• Anastasi, A. and Urbina, S. (1997). Psychological testing. Prentice Hall/Pearson Education.
• Bartholomew, D.J., Knott, and M., Moustaki, I. (2011). Latent variable models and factor analysis: a unified approach. London: Wiley.
• Bartlett, J.E., Kotrlik, J.W., and Higgins, C.C. (2001). Organizational research: determining appropriate sample size in survey research. Information Technology, Learning, and Performance Journal. 19(1): 43-50.
• Ben-Simon, A., Budescu, D. V., Nevo, B. (1997). A comparative study of measures of partial knowledge in multiple-choice questions. Applied Psychological Measurement. 21(1): 65-88.
• Clogg C.C. (1988) Latent class models for measuring. In: Langeheine R., Rost J. (eds) Latent trait and latent class models. Boston: Springer.
• Cochran, W. G. (1977). Sampling techniques. New York: John Wiley ve Sons.
• Collins, L.M., Lanza, S.T. (2010). Latent class and latent transition analysis: with applications in the social, behavioral and health sciences. Wiley, New York.
• Embretson, S.E., and Reise, S.P. (2000). Item response theory for psychologists. London: Lawrence Erlbaum Associates.
• Frary, R.B. (1989). Partial-credit scoring methods for multiple-choice tests. Applied Measuremet In Education. 2(1): 79-96.
• Galindo-Garre, F., ve Vermunt, J. (2006). Avoiding boundary estimates in latent class analysis by Bayesian posterior mode estimation. Behaviormetrika. 33(1): 43–59.
• Gelin, M.N. and Zumbo, B.D. (2003). Differential item functioning results may change depending on how an item is scored: an illustration with the center for epidemiologic studies depression scale. Educational and Psychological Measurement. DOI: 10.1177/0013164402239317.
• Gözen Çıtak, G. (2007). Klasik test ve madde-tepki kuramlarına göre çoktan seçmeli testlerde farklı puanlama yöntemlerinin karşılaştırılması. Yayınlanmamış Doktora Tezi, Ankara Üniversitesi, Ankara.
• Gulliksen, H. (1950). Theory of mental tests. New York: Wiley.
• Güngör Culha, D., Korkmaz, M. (2011). Örtük sınıf analizi ile bir örnek uygulama. Eğitimde ve Psikolojide Ölçme Değerlendirme Dergisi, 2(2):191-199.
• Güngör, Culha, D., Korkmaz, M., Somer, O. (2013). Çoklu-grup örtük sınıf analizi ve ölçme eşdeğerliği, Türk Psikoloji Dergisi. 28, 48-57.
• Güngör, Culha, D., Korkmaz, M., Sazak, H.S. (2015). Örtük sınıf analiziyle yapılan ölçme eşdeğerliği çalışmalarında model seçimi. Hacettepe Üniversitesi Eğitim Fakültesi Dergisi. 30(1): 90-105.
• Goddman L.A. (1974) Exploratory latent structure analysis using both identifiable and unidentifiable models. Biometrika. 61(1): 215-231.
• Hagenaars, J.A. (1990). Categorical longitudinal data - loglinear analysis of panel, trend and cohort data. Newbury Park: Sage.
• Karasar, N. (1986). Bilimsel araştırma yöntemi. Ankara: Nobel Yayınları.
• Lazarsfeld, P. F., Henry, N. W. (1968). Latent structure analysis. Boston: Houghton Mifflin.
• Lin, S.W., Tai, W.C. (2015). Latent class analysis of students’ mathematics learning strategies and the relationship between learning strategy and mathematical literacy. Universal Journal of Educational Research. 3(1):390-395.
• Lukoicene O., Varriale R, Vermunt JK. (2010). The simultaneous decision(s) about the number of lower- and higher-level classes ın multilevel latent class analysis, Social Methodology, 40(1): 247-283.
• MacDonald, K. (2018). Latent class analysis, 18. London Stata Conference . London.
• Madigson,J., Vermunt, J.K. (2004). Latent class models. Erişim tarihi: 01.09.2019. (http://www.statisticalinnovations.com/wp-content/uploads/Magidson2004.pdf)
• Moors, G., Wennekers, C. (2003 ). Comparing moral values in western european countries between 1981 and 1999. A multigroup latent-class factor approach. International Journal of Comparative Sociology, 44(1):155-172.
• Padilla, J.L., Hidalgo, J.L., Benitez, I., Gomez-Benito, J. (2012). Comparison of three software programs for evaluating DIF by means of the mantel-haenszel procedure; EASY DIF, DIFAS and EZDIF, Psicologica. 33 (1): 135-156.
• Rıjmen, F. (2011). The latent class model as a measurement model for situational judgment tests. Psychologica Belgica, 51, 197-212.
• Selvi, H., Özdemir Alıcı, D.(2017). Investigating the impact of missing data handling methods on the detection of differential item functioning. International Journal Of Assessment Tools İn Education. 5(1): 1-14.
• Silva, P.J., Kaufman, J.C., Pretz, J. (2009). Is Creativity domain-specific? latent class models of creative accomplishments and creative self-descriptions. Psychology of Aesthetics Creativity and the Arts 3(3)139-148.
• Tueller, S. J., Drotar, S., and Lubke, G. H. (2011). Addressing the problem of switched class labels in latent variable mixture model simulation studies. Struct. Equ. Modeling. 18 (1):110–131.
• Uyar, Ş. (2015). Gözlenen gruplara ve örtük sınıflara göre belirlenen değişen madde fonksiyonunun karşılaştırılması. Yayınlanmamış Doktora Tezi. Hacettepe Üniversitesi, Eğitim Bilimleri Ensitüsü. Ankara.
• Ostini, R., Neiring, M.L. (2006). Polytomous ıtem response theory models. Sage Publications, Thousand Oaks, California.
• Wetzel, E., Böhnke, J.R., Carstensen, C.H., Zeigler, M., Ostendorf, F. (2013). Do individual response styles matter? Assessing differential item functioning for men and women in the NEO-PI-R. Journal of Individual Differences, 34(2), 2013, 69-81. Doi: 10.1027/1614-0001/a000102.
• Vermunt, J.K. (1997). Log-linear models for event histories. Thousand Oakes: Sage Publications.
• Vermunt, J.K. ve Magidson, J. (2013). Technical guide for Latent GOLD 5.0: basic and advanced. Belmont: Statistical Innovations Inc.
• Wurpts, I.C., Geiser, C. (2014) Is adding more indicators to a latent class analysis beneficial or detrimental? results of a monte-carlo study. Front. Psychol. DOI: 10.3389/fpsyg.2014.00920
• Yurdugül, H. (2010). Farklı madde puanlama yöntemlerinin ve farklı test puanlama yöntemlerinin karşılaştırılması. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi. 1: 1-8.