📐 الفصل الثاني — الأقسام 2.3 إلى 2.3.4

دراسة D ·
تباينات الخطأ · المعاملات

كيف ننتقل من درجة فقرة واحدة (دراسة G) إلى متوسط درجات نᵢ′ فقرة (دراسة D) — ونحسب الخطأ ونُقدِّر الاعتمادية؟

X̄ₚ
متوسط الدرجة عبر nᵢ′ فقرة
σ²(Δ)
تباين الخطأ المطلق
σ²(δ)
تباين الخطأ النسبي
Eρ² · Φ
معاملات الاعتمادية

المفهوم المحوري

لماذا نحتاج دراسة D؟

دراسة G تقيس أداء شخص على فقرة واحدة. في الواقع نُعطيه اختباراً كاملاً من nᵢ′ فقرة ونتخذ القرار بناءً على متوسطه

🔁 الانتقال من دراسة G إلى دراسة D
Xₚᵢ
دراسة G
درجة فقرة واحدة
÷ nᵢ′
متوسط عبر nᵢ′ فقرة
التقليص بحجم العينة
XₚI = X̄ₚ
دراسة D
متوسط الدرجة الملحوظة
μₚ
الهدف
درجة الكون (التعميم)
📌 نموذج دراسة G (فقرة مفردة)
Xₚᵢ = μ + νₚ + νᵢ + νₚᵢ   (2.5)

يصف درجة شخص على فقرة واحدة من كون الملاحظات المقبولة. الحرف الصغير i = فقرة مفردة.

📌 نموذج دراسة D (متوسط الفقرات)
XₚI = μ + νₚ + νI + νₚI   (2.22)

يصف متوسط درجة شخص عبر nᵢ′ فقرات. الحرف الكبير I = متوسط مجموعة فقرات. النموذجان مطابقان في البنية!

⭐ النقطة الحاسمة — درجة الكون وعلاقتها بدراسة D
μₚ ≡ EI XₚI   (2.23)

درجة الكون للشخص هي القيمة المتوقعة لمتوسط درجته عبر جميع الصور المتوازية عشوائياً الممكنة. "درجة الكون" تشير إلى كون التعميم — لا كون الملاحظات!

σ²(p) = Ep(μₚ − μ)² = Ep νₚ²   (2.24)

تباين درجات الكون هو نفس σ²(p) من دراسة G — لا يتغير! يمكن أيضاً تعريفه كالتغاير المتوقع بين صورتين متوازيتين عشوائياً: σ²(p) = E σ(XₚI, XₚI′)

💡
الصور المتوازية عشوائياً — ميزة نظرية التعميم
في النظرية التقليدية تُفترض الصور المتوازية متطابقة التوزيع (نفس المتوسط). في نظرية التعميم، الصور المتوازية عشوائية — كل صورة هي عينة مختلفة من nᵢ′ فقرة من نفس الكون. هذا يعني أن متوسطات الصور (μI) تتباين، وهذا التباين مصدر للخطأ المطلق.
قاعدة التقليص

من مكوّنات G إلى مكوّنات D

مبدأ رياضي أنيق: تباين المتوسط = تباين العنصر ÷ حجم العينة

🔢 المعادلتان 2.28 و 2.29 — قاعدة التقليص بـ nᵢ′
من G:
σ²(i) — تباين صعوبة الفقرات الفردية
↓ ÷ nᵢ′
إلى D:
σ²(I) = σ²(i) / nᵢ′   (2.28)
من G:
σ²(pi) — التباين المتبقي للفقرة المفردة
↓ ÷ nᵢ′
إلى D:
σ²(pI) = σ²(pi) / nᵢ′   (2.29)
⚠️ σ²(p)
لا يتغير! σ²(p) في دراسة D = σ²(p) في دراسة G
🎛️ شاهد التقليص: اسحب لتغيير nᵢ′
12
σ²(p) من G
.0574
لا يتغير ✓
σ²(I) = .0754 ÷ nᵢ′
0063
σ²(pI) = .1269 ÷ nᵢ′
.0106
🎯
لماذا التقليص منطقي؟
متوسط nᵢ′ ملاحظات عشوائية يتباين أقل من الملاحظة الواحدة — هذا مبدأ إحصائي أساسي (قانون الأعداد الكبيرة). كلما زادت nᵢ′ كلما اقتربت درجة الشخص من درجة كونه الحقيقية، وكلما صغر الخطأ.
تباينات الخطأ

ثلاثة أنواع من الخطأ — لكل منها سياقه

ليس كل الخطأ واحداً — اختيار النوع الصحيح يعتمد على السؤال الذي تُجيب عليه

🎯
الخطأ المطلق Δ
XₚI بوصفه تقديراً لـ μₚ
يُستخدم مع التفسير المرجعي للمحك
σ²(Δ) = σ²(I) + σ²(pI)
📊
الخطأ النسبي δ
(XₚI − μI) بوصفه تقديراً لـ (μₚ − μ)
يُستخدم مع التفسير المرجعي للمعيار
σ²(δ) = σ²(pI)
🌐
خطأ تقدير μ
X̄ (المتوسط الكلي) بوصفه تقديراً للمتوسط العام μ
يتضمن تباين الأشخاص والفقرات معاً
σ²(X̄) = σ²(P)+σ²(I)+σ²(PI)
σ²(Δ)
الخطأ المطلق — Absolute Error
المعادلتان 2.30–2.32
ΔₚI ≡ XpI − μₚ = νI + νₚI  (2.31)

الخطأ هو الفرق بين الدرجة الملحوظة ودرجة الكون. يشمل أثر صعوبة مجموعة الفقرات (νI) والتفاعل (νₚI).

ما الذي يدخل في σ²(Δ)؟
σ²(p)
درجة الكون ليست خطأ
σ²(I)
تباين صعوبة مجموعات الفقرات
σ²(pI)
التباين المتبقي (تفاعل+خطأ)
σ²(Δ) = σ²(i)/nᵢ′ + σ²(pi)/nᵢ′  (2.32)
σ²(δ)
الخطأ النسبي — Relative Error
المعادلتان 2.33–2.36
δₚI = (XpI−μI) − (μₚ−μ) = νₚI  (2.35)

الخطأ هو الفرق في الانحراف. يُعامَل متوسط الصورة μI ثابتاً للجميع، فيختفي أثر νI تلقائياً!

ما الذي يدخل في σ²(δ)؟
σ²(p)
درجة الكون ليست خطأ
σ²(I)
μI يُعامَل ثابتاً → لا خطأ
σ²(pI)
فقط التفاعل المُربك للترتيب
σ²(δ) = σ²(pI) = σ²(pi)/nᵢ′  (2.36)
🔗 العلاقة الجوهرية بين النوعين
σ²(Δ) = σ²(δ) + σ²(I)

الخطأ المطلق دائماً ≥ الخطأ النسبي. الفارق بينهما هو σ²(I) — تباين صعوبة مجموعات الفقرات. في النظرية التقليدية (صور متوازية = σ²(I)=0) لا يوجد فرق بينهما — لكن نظرية التعميم تُميِّز بينهما بوضوح!

📐 النوع الثالث: تباين خطأ تقدير المتوسط العام μ
σ²(X̄) = σ²(P) + σ²(I) + σ²(PI) = σ²(p)/nₚ′ + σ²(i)/nᵢ′ + σ²(pi)/(nₚ′nᵢ′)   (2.38)

يُقدِّر الخطأ في استخدام المتوسط الكلي الملحوظ X̄ لتقدير μ. يتضمن تباين الأشخاص (P) والفقرات (I) والتفاعل (PI)، كلها مُقلَّصة بحجمي العينة nₚ′ و nᵢ′.

مخططات فن

الصورة البصرية للخطأ والمعاملات

مخططات فن (الشكل 2.2) تُوضّح الفرق بين σ²(Δ) وσ²(δ) والعلاقة مع Eρ² وΦ بشكل بصري مباشر

مخطط فن — تصميم p × I
σ²(p) تباين الكون σ²(pI) = σ²(δ) σ²(I) σ²(Δ) = σ²(δ) + σ²(I) σ²(p)
دائرة p — الأشخاص = ES²(p)
دائرة I — الصور
التقاطع pI = σ²(δ)
📍 σ²(Δ) — دائرة I بالكامل

تباين الخطأ المطلق = دائرة I كاملةً = σ²(I) + σ²(pI). يشمل كل الخطأ في استخدام درجة الشخص الملحوظة لتقدير درجته الكونية.

📍 σ²(δ) — الجزء المشترك فقط

تباين الخطأ النسبي = الجزء من دائرة I الداخل في دائرة p = σ²(pI) فقط. يُحذف أثر صعوبة الصورة (σ²(I)) لأنه يؤثر على الجميع بالتساوي.

📍 ES²(p) — دائرة p بالكامل

تباين الدرجة الملحوظة المتوقع = دائرة p كاملةً = σ²(p) + σ²(pI) = σ²(p) + σ²(δ). هذا هو مقام المعامل Eρ² (المعادلة 2.39).

🎓
القاعدة العملية
عند التفسير المرجعي للمحك (هل أجاز؟) → استخدم σ²(Δ) وΦ.
عند مقارنة الأشخاص (من الأحسن؟) → استخدم σ²(δ) وEρ².
المعاملات

Eρ² وΦ — معاملا الاعتمادية

معاملان يُجيبان على سؤالين مختلفين — اختيار أحدهما يُحدِّد نوع القرار الذي تتخذه

🔑 خطوة مهمة: تباين الدرجة الملحوظة المتوقَّع ES²(p)
ES²(p) = EI[Ep(XpI − μI)²] = σ²(p) + σ²(pI) = σ²(p) + σ²(δ)  (2.39)

هذا هو القيمة المتوقعة لتباين درجات الأشخاص الملحوظة (عبر الصور المتوازية). يساوي تباين الكون + الخطأ النسبي. تُمثِّله دائرة p بالكامل في مخطط فن.

Eρ²
معامل التعميم
G Coefficient — Cronbach et al. 1972
Eρ² = σ²(p) / [σ²(p) + σ²(δ)]  (2.40)

نسبة تباين الكون إلى تباين الدرجة الملحوظة المتوقع. يشمل مقامه الخطأ النسبي فقط.

معنى بديل: القيمة المتوقعة تقريباً للارتباط بين صورتين متوازيتين عشوائياً من nᵢ′ فقرة.

علاقته بمعاملات تقليدية: Êρ² ≈ معامل ألفا كرونباخ، وعند البيانات الثنائية يطابق KR-20.

عند nᵢ′=12 (المثال الاصطناعي)
0.844
= يطابق KR-20 للبيانات الثنائية ✓
Φ
مؤشر الاعتمادية (فاي)
Dependability Index — Brennan & Kane 1977
Φ = σ²(p) / [σ²(p) + σ²(Δ)]  (2.41)

نسبة تباين الكون إلى مقام يشمل الخطأ المطلق. مقامه ليس تباين الدرجات الملحوظة، بل E(X̄ₚ − μ)².

متى يُستخدم؟ عند التفسير المرجعي للمحك: هل تجاوز الطالب حداً معيناً؟ هل يملك مهارة ما؟

دائماً: Φ ≤ Eρ² لأن σ²(Δ) ≥ σ²(δ).

عند nᵢ′=12 (المثال الاصطناعي)
0.802
< Eρ² = 0.844 كما هو متوقع ✓
⚖️ متى تستخدم أيهما؟
السياق نوع القرار المعامل المناسب تباين الخطأ
اختبارات التصنيف (من الأفضل؟) نسبي Eρ² σ²(δ)
اجتياز/رسوب (هل تجاوز الحد؟) مطلق Φ σ²(Δ)
شهادات مهنية بمستوى محدد مطلق Φ σ²(Δ)
مقارنة مجموعات أو أفراد نسبي Eρ² σ²(δ)
المثال العددي

البيانات الاصطناعية رقم 1 — أثر عدد الفقرات

مكوّنات G: σ̂²(p)=.0574 · σ̂²(i)=.0754 · σ̂²(pi)=.1269
شاهد كيف تتحسن المعاملات مع زيادة nᵢ′

12
Eρ̂² = 0.844
Φ̂ = 0.802
σ̂(Δ) = 0.128
σ̂(δ) = 0.103
📊
الاستنتاج
اسحب المؤشر
📋 الجدول 2.4 — ملخص نتائج دراسات D لقيم مختلفة من nᵢ′
nᵢ′ σ̂²(I) σ̂²(pI) σ̂²(Δ) σ̂(Δ) σ̂(δ) Eρ̂² Φ̂
بيانات حقيقية

الجدول 2.5 — خمسة اختبارات واقعية

مقارنة مكوّنات التباين والمعاملات عبر أنواع مختلفة من البيانات القياسية التربوية

الاختبار nᵢ نوع البيانات σ̂²(p) σ̂²(i) σ̂²(pi) Eρ̂² σ̂(δ)
ITBS — مفاهيم الرياضيات 32 ثنائي .0163 .0087 .1890 .73 .077
ITED — المفردات 40 ثنائي .0180 .0060 .1350 .84 .058
ACT — الرياضيات 60 ثنائي .0295 .0037 .1613 .92 .052
IWA — الكتابة (موجّهان) 2 متعدد الفئات (4) .1543 .0174 .6640 .32 .577
QUASAR — الأداء (تسع مهام) 9 متعدد الفئات (5) .1286 .0374 .6620 .64 .272
⚠️
القيد .25 للبيانات الثنائية
مجموع مكوّنات التباين في البيانات الثنائية (0/1) لا يمكن أن يتجاوز .25 (أقصى تباين للتوزيع ثنائي الحد بـ p=.5). لهذا تبدو المكوّنات صغيرة الحجم المطلق — لكن حجمها النسبي هو ما يهم.
📌
σ²(pi) دائماً الأكبر
في جميع الأمثلة الخمسة، مكوّن التباين المتبقي σ²(pi) هو الأكبر. لكن أثره يتقلص مع زيادة nᵢ′ (المقسوم عليه في حساب تباينات الخطأ) — وهذا هو مبرر استخدام اختبارات أطول.
📊 مقارنة σ̂²(pi) النسبي عبر الاختبارات الخمسة
ITBS
.1890
.1890
أكبر مكوّن — يُخفَّض بـ 32 فقرة
ITED
.1350
.1350
40 فقرة تُقلِّص أثره جيداً → Eρ²=.84
ACT
.1613
.1613
60 فقرة → أعلى معامل Eρ²=.92
IWA
.6640
.6640
موجّهان فقط — Eρ²=.32 منخفض
QUASAR
.6620
.6620
9 مهام تساعد → Eρ²=.64
تطبيق عملي

كم مرة نقيس ضغط الدم؟

دراسة Llabre وآخرين (1988) — نظرية التعميم تُجيب على سؤال طبي عملي: كم قراءة كافية؟

🩺 تصميم الدراسة
p

40 مفحوصاً

r

3 قراءات لكل شخص (nᵣ=3)

3

3 مواقع: مختبر · منزل · عمل

🎯 السؤال البحثي

كم قراءة (r) من ضغط الدم تكفي للوصول إلى Φ̂ ≥ 0.80؟ يختلف الجواب باختلاف الموقع وباختلاف نوع الضغط (انقباضي/انبساطي).

💡
المختبر بيئة مضبوطة أكثر → تباين أقل → قراءات أقل كافية. المنزل والعمل بيئات متغيرة → تباين أكبر → نحتاج قراءات أكثر.
📋 الجدول 2.6 — نتائج ضغط الدم بالمليمتر الزئبقي (mmHg)
الموقع نوع الضغط σ̂²(p) σ̂²(pi) عند nᵣ=1
Φ̂
عند nᵣ=3
Φ̂
عدد القراءات
لـ Φ̂≥.80
🏥 المختبر انقباضي 282.2 28.7 .91 .97 1 كافية ✓
انبساطي 107.9 19.3 .85 .94 1 كافية ✓
🏠 المنزل انقباضي 227.9 196.4 .54 .78 ≥ 6 قراءات ⚠️
انبساطي 98.7 136.3 .42 .68 6–10 قراءات ❗
🏢 العمل انقباضي 176.3 243.7 .42 .70 ≥ 6 قراءات ❗
انبساطي 64.2 189.6 .25 .52 ≥ 10 قراءات ❗
🔬
الاستنتاج الطبي — مُستنَد من نظرية التعميم
في المختبر: قراءة واحدة كافية (بيئة مضبوطة، σ²(pi) صغير). في المنزل والعمل: الضغط يتغير بتغيُّر الأوقات والمواقف، فـ σ²(pi) كبير جداً مقارنة بـ σ²(p). لتحقيق Φ̂≥.80 نحتاج 6–10 قراءات!

هذا مثال رائع على قوة نظرية التعميم: تُجيب على سؤال عملي (كم مرة نقيس؟) بدليل كمي دقيق بدلاً من الحكم الحدسي.
الخلاصة الشاملة

ما الذي تعلمناه في القسم 2.3؟

سبعة مبادئ جوهرية تُبنى عليها كل تحليلات الاعتمادية

🔁

G → D: تقليص بـ nᵢ′

σ²(I)=σ²(i)/nᵢ′ وσ²(pI)=σ²(pi)/nᵢ′ بينما σ²(p) ثابت. زيادة الفقرات تُقلِّص الخطأ.

🎯

درجة الكون = متوسط الصور

μₚ هو القيمة المتوقعة لـ XₚI عبر كل الصور المتوازية عشوائياً. الهدف الذي ندور حوله.

⚖️

σ²(Δ) = σ²(δ) + σ²(I)

المطلق دائماً ≥ النسبي. الفرق هو تباين صعوبة مجموعات الفقرات — مهم جداً في التفسير المرجعي.

📊

δₚI = νₚI فحسب!

الخطأ النسبي مطابق لتأثير التفاعل فقط. أثر الفقرة (νI) يتلاشى في التفسير النسبي لأنه يُطبَّق على الجميع.

📈

Eρ² ≈ ألفا ≈ KR-20

معامل التعميم يُوحِّد مؤشرات ثبات كانت تبدو مستقلة. نظرية التعميم توسِّع نظرية الاختبار التقليدية.

🩺

التطبيق: كم قياساً كافٍ؟

دراسة ضغط الدم تُثبت عملياً كيف تُحدِّد نظرية التعميم عدد القياسات اللازمة لتحقيق مستوى اعتمادية مقبول.

🔑 المعادلات الأساسية الست
σ²(I) = σ²(i)/nᵢ′
σ²(pI) = σ²(pi)/nᵢ′
Δ = νI + νₚI
σ²(Δ) = σ²(I)+σ²(pI)
Eρ² = σ²(p)/[σ²(p)+σ²(δ)]
Φ = σ²(p)/[σ²(p)+σ²(Δ)]