.png){kind=icon}
返回
A Case Study on Norming an Intelligence Test Using Regularised Prediction and Poststratification
.png){kind=icon}
OA
AI
DOI：10.1525/collabra.155850.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从样本到总体的有效概括需要代表性样本。这尤其适用于心理测试常模，因为它们仅在规范样本能够代表参考总体时才有用。然而，作为一个领域，我们继续面临定义、获取和描述代表性样本的困难。政治学和其他社会科学家长期致力于解决类似问题，已发展出处理这些问题的复杂工具集。因此，本文借鉴这些领域的见解，说明在所有研究阶段需要采取哪些措施以最大化样本代表性，以及样本加权在心理学中的潜在益处。我们主张，一类特定的加权方法——正则化预测和事后分层（RPP）——有望改进心理测试常模实践。RPP涉及将正则化预测模型拟合到大型多样样本，并用真实总体值（例如来自人口普查数据）加权预测分数。以TwinLife研究（N=9,980，文化公平测试CFT 20-R）的IQ测试数据为例，我们表明RPP产生的IQ分数与传统常模方法报告的CFT 20-R手册分数相差高达19个IQ点（平均4.19点）。我们还观察到与其他常模/加权方法（如半参数连续常模和使用样本提供者提供的权重）存在显著差异。这种程度的差异可能导致具有潜在生活改变后果的决策错误（例如关于智力残疾）。除个体诊断外，我们认为心理学将从更广泛可用的高质量常模中受益，许多研究与实践方面将因此获益，并呼吁改变必要的研究实践以实现这些益处。
Keyword:
R PACKAGE
REGRESSION
MODELS
