【複核驗證法；效度複核】

豐碩

【複核驗證法；效度複核】

 

Cross-Validation

 

【辭書名稱】教育大辭書

 

在多元迴歸分析中，研究者常會使用多種指標來協助選擇一個最佳的迴歸模式，這些指標的使用標準包括：1.R2值（即決定係數值）最大；

 

2.S2值（即殘差值的變異數）最小；

 

3.預測值的預測區間最窄；

 

4.Cp最小；

 

5.PRESS值最小。

 

當研究者參考這些指標選出一個最佳的迴歸模式後，並無法驗證該模式即為具最佳預測效力的模式。

 

為了確認該模式的效度(validaty)問題，以便未來據以進行預測及降低預測的誤差，研究者通常有兩種方法可行：1.重新收集另一筆資料，並以該模式來預測新樣本的依變項值，並求出預測誤差（即新樣本依變項上之觀察值與依該模式預測出的預測值之間的差值）的變異數及考驗其顯著性，以確認該模式的預測效度。

 

但由於收集一筆新樣本資料，往往不是那麼容易或負擔得起，因此，這種作法較不實際，殊少被研究者使用。

 

2.使用折半樣本(hold-outsample)（即以隨機方式將原來的分析樣本分成兩半），以其中一半的樣本來建立最佳模式，並拿該模式來預測另一半樣本，看看預測誤差的變異數是否達顯著水準，以判定該模式的預測效度。

 

像上述第二種作法，以一半樣本來建立模式，並以另一半樣本來驗證該模式的效度，即稱作「複核驗證法」。

 

測驗編製者為分析測驗與效標的真正關係，排除機率因素，通常會運用「效度複核」重新驗證測驗的鑑別力。

 

另致度複核係指測驗編製者選取新受試者，重新驗證所編測驗題目的鑑別力，並分析其與原先受試者所得結果的差異程度。

 

若差異甚微，表示測驗可用於新受試者或受試者所屬的母群體，更可說明測驗題目與效標的關係是真實的，而非機率造成的。

 

若差異甚大，顯示測驗題目與效標的關係可能是非機率造成的，測驗編製者必須重新編擬一些與效標相關的題目，或重新編擬新的測驗。

 

由此可見，以其他群體來進行效度複核，主要作用在於驗證；

 

若兩者結果差異甚大，測驗編製者必須重編測驗題目。

 

進行效度複核的重點在選取新受試者重新驗證，若選取受試者不適合，則必然產生甚大誤差。

 

選取新的受試者必須依據效度複核的目的，選取具代表性的夠大樣本，方可減少誤差。

 

 

轉自:http://edic.nict.gov.tw/cgi-bin/tudic/gsweb.cgi?o=ddictionary