İkili Veriler İçin Uyum Katsayılarının Değerlendirilmesi: Bir Benzetim Çalışması

Abstract

Amaç: Bu çalışmanın amacı, türetilmiş veri setleri kullanarak, farklı değerleri için belirlenen 23 farklı ikili uyum katsayısını tanıtmak, özelliklerini ortaya koyarak değerlendirmektir. Gereç ve Yöntemler: Bu çalışmada, ikili veriler için ileri sürülen uyum katsayıları ele alınmıştır. Çalışmada, Pythonrandom kütüphanesi kullanılarak, aralığında yer alan 35 farklı değeri için veri türetilmiştir. Verilerin türetilmesinde, önce ile gösterilen gözelerden hangisine değer atanacağı, sonra da ilgili gözeye atanacak değer belirlenmiştir. için 286, için 815 ve için 1.000’er farklı veri seti çalışmada kullanılmıştır. Katsayıların alacağı değerlerin tahmininde pozitif ve negatif eşleşme frekansları ile örneklem büyüklüğünün etkisi belirlenmiştir. Ayrıca hiyerarşik kümeleme analizi ile tüm simülasyon sonuçları dikkate alınarak, katsayıların benzerlikleri ortaya konmuştur. Bulgular: İkili veriler için tüm uyum katsayılarının değer aralığının 0 (uyum yok)-1 (tam uyum) olması beklenmesine rağmen tüm katsayılar için bu aralık geçerli değildir. Dikkate alınan 23 farklı katsayı içerisinden 6 tanesi bu aralıkta değer almaktadır. Hiyerarşik kümeleme analizine göre uyum katsayılarının çoğu birbirine benzememekte ve hiçbiri sayısından etkilenmemektedir. Sonuç: Genel olarak hemen tüm katsayılara ait değerler, örnekler daha benzer hâle geldikçe sabit bir minimumdan sabit bir maksimuma doğru artmaktadır. Ancak Andrés Marzo, Bennett, Brennan Prediger, Byrt ve ark., Gwet, Janson Vegelius, Osgood Holsti, Potter Levine-Donnerstein ve uyum yüzdesi katsayıları, tüm değerleri için uyum ile doğrusal olarak sorunsuz bir şekilde artmaktadır. Değer aralığının 0-1 olması ve uyum artışı ile paralellik göstermesinden dolayı Osgood Holsti ve uyum yüzdesi katsayıları, tüm katsayılar içerisinde öne çıkmaktadır.

Objective: The aim of this study is to introduce 23 different binary agreement coefficients determined for different values by using derived data sets and to evaluate them by revealing their properties. Material and Methods: In this study, the agreement coefficients put forward for binary data are considered. In the study, data were derived for 35 different values in the range of using the Python-random library. In the derivation of the data, firstly, which cell shown with will be assigned value, then the value to be assigned to the relevant cell was determined. 286 for , 815 for and 1,000 different data sets for were used in the study. The effect of positive and negative matching frequencies and sample size on the estimation of the values of the coefficients was determined. In addition, the similarities of the coefficients were revealed by considering all the simulation results with hierarchical clustering analysis. Results: Although it is expected that the value range of all agreement coefficients for binary data is 0 (no agreement) to 1 (exact agreement), this range is not valid for all coefficients. Of the 23 different coefficients considered, 6 of them take values in this range. According to the hierarchical cluster analysis, most of the agreement coefficients are not similar to each other and none of them are affected by the number . Conclusion: In general, the values for almost all coefficients increase from a constant minimum to a constant maximum as the samples become more similar. However, the coefficients of Andrés Marzo, Bennett, Brennan Prediger, Byrt et al, Gwet, Janson Vegelius, Osgood Holsti, Potter Levine-Donnerstein, and percent agreement increase linearly and smoothly with agreement for all values. Osgood Holsti and percent agreement coefficients stand out among all coefficients, since the value range is 0-1 and is in parallel with the increase in agreement.