Słownik metodologiczny · Ludzie statystyki

Frederic M. Lord (1912–2000) – kim był i co wniósł do statystyki

Frederic M. Lord, statystyk z Educational Testing Service, zbudował statystyczne podstawy teorii odpowiedzi na pozycje (IRT) i opisał paradoks Lorda. Przedstawiamy jego biografię naukową, oś czasu i przykład w R na prawdziwych danych przed–po: wynik różnicowy kontra ANCOVA.

Strona główna / Słownik / Frederic M. Lord
W skrócie: Frederic M. Lord (1912–2000) – amerykański psychometra i statystyk, od 1949 r. w Educational Testing Service; główny twórca statystycznych podstaw teorii odpowiedzi na pozycje (IRT), współautor z Melvinem Novickiem klasycznej monografii o teorii wyników testowych (1968) i autor paradoksu Lorda (1967).

Kim był Frederic M. Lord?

Frederic Mather Lord (1912–2000) urodził się 12 listopada 1912 r. w Hanover w stanie New Hampshire. Ukończył Dartmouth College (1936), magisterium uzyskał na University of Minnesota (1943), a doktorat w Princeton (1952). Nekrolog nazywa go głównym twórcą statystycznej maszynerii, na której opiera się współczesne testowanie (Wainer i Stocking, 2000).

Całe życie zawodowe związał z instytucją, z której wyrosło Educational Testing Service (ETS). W 1944 r. zaczął pracę w Graduate Record Office Fundacji Carnegie, w 1946 r. był już zastępcą dyrektora, w marcu 1949 r. objął kierownictwo analiz statystycznych w nowo utworzonym ETS, a od 1950 r. pracował w dziale badań aż do emerytury w 1982 r. Był fellow APA, ASA i Institute of Mathematical Statistics, prezesem Psychometric Society i autorem ponad 100 publikacji. Badania przerwał mu w 1985 r. ciężki wypadek samochodowy w RPA. Zmarł 5 lutego 2000 r. w Naples na Florydzie, w wieku 87 lat (Wainer i Stocking, 2000).

Najważniejsze pomysły

  • Teoria odpowiedzi na pozycje (IRT). Od doktoratu z 1952 r. do książki z 1980 r. Lord budował teorię optymalnego łączenia odpowiedzi na pozycje w wynik (Lord, 1980; Wainer i Stocking, 2000). Dała ona obiektywny sposób oceny wartości każdej pozycji – zob. krzywa charakterystyczna pozycji i funkcja informacyjna testu – oraz porównywalne wyniki osób, które rozwiązywały różne zestawy zadań.
  • Statystyczna teoria wyników testowych. Książka Lorda i Melvina Novicka z 1968 r., z rozdziałami Allana Birnbauma, to według nekrologu klasyczny wykład teorii wyników obserwowanych, na której opiera się rzetelność, i zarazem formalny początek IRT (Lord i Novick, 1968; Wainer i Stocking, 2000).
  • Testowanie adaptacyjne. W trzech pracach z 1971 r. Lord przewidział zalety testów, które dobierają trudność zadań do odpowiedzi badanego; to IRT pozwala sensownie je punktować (Wainer i Stocking, 2000) – zob. komputerowe testowanie adaptacyjne.
  • Paradoks Lorda. W 1967 r. zwrócił uwagę, że analizę kowariancji stosuje się do porównań istniejących, naturalnych grup, które różnią się zmienną kontrolną, choć idealnie przydział do grup powinien być losowy (Lord, 1967). Dwie rozsądne analizy tych samych danych mogą wtedy dać sprzeczne wnioski – zob. paradoks Lorda.

Ciekawostka

Słynny paradoks, cytowany do dziś w podręcznikach metodologii i wnioskowania przyczynowego, zajmuje w Psychological Bulletin dokładnie dwie strony – 304 i 305 w tomie 68 (Lord, 1967). Lord wprowadził go hipotetycznym przykładem „diety” i dwóch statystyków, którzy z tych samych danych wyciągają przeciwne wnioski (Holland i Rubin, 1982).

Poza statystyką Lord miał dwie pasje: brydż sportowy, w którym zdobył tytuł Life Master przyznawany przez American Contract Bridge League, i hodowlę orchidei (Wainer i Stocking, 2000).

Przykład: masa ciała przed i po terapii

Lord wprowadził paradoks przykładem dotyczącym diety, więc sięgamy po prawdziwe dane o masie ciała: zbiór anorexia z pakietu MASS – masę ciała 72 młodych pacjentek z anoreksją przed okresem badania i po nim w grupie kontrolnej (n = 26), z terapią poznawczo-behawioralną (CBT, n = 29) i z terapią rodzinną (n = 17); według pliku pomocy pochodzą z A Handbook of Small Data Sets (1993). Funty przeliczyliśmy na kilogramy. Opis zbioru nie mówi, jak przydzielono pacjentki do grup.

Średnia masa wyjściowa wynosiła 36.99 kg w grupie kontrolnej, 37.51 kg w CBT i 37.75 kg w terapii rodzinnej. W grupie kontrolnej masa „przed” i „po” prawie nie były skorelowane (r = −.161) – to skrajna postać regresji do średniej. Wspólne nachylenie w ANCOVA wynosi b = 0.434, a wynik różnicowy zakłada nachylenie równe 1.

Dla CBT trzy analizy dają różne odpowiedzi: sam pomiar „po” – 2.08 kg, 95% CI [0.30, 3.86], p = .023; wynik różnicowy – 1.57 kg [−0.27, 3.41], p = .094; ANCOVA – 1.86 kg [0.14, 3.57], p = .034. Terapia rodzinna wychodzi istotna w każdej analizie (od 3.50 do 4.26 kg). Różnica między wynikiem różnicowym a ANCOVA jest równa (b − 1) razy różnica średnich wyjściowych: (0.434 − 1) · 0.513 = −0.290 kg dla CBT i −0.429 kg dla terapii rodzinnej – dokładnie tyle, ile różnią się współczynniki obu modeli.

Na rysunku

Pozioma oś czasu od 1910 do 2000 z dziesięcioma zdarzeniami: 1912 urodzony w Hanover (New Hampshire); 1936 dyplom Dartmouth College; 1944 Graduate Record Office (Carnegie Foundation); 1949 ETS – kierownik analiz statystycznych; 1952 doktorat (Princeton); 1967 paradoks Lorda w Psychological Bulletin; 1968 książka Lorda i Novicka o teorii wyników testowych; 1980 książka o zastosowaniach IRT; 1982 emerytura w ETS; 2000 zmarł w Naples (Floryda). Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – nauka, trójkąt – praca, odwrócony trójkąt – publikacja
Rysunek 1. Oś czasu: Frederic M. Lord, 1912–2000. Lata według Wainera i Stocking (2000) oraz prac Lorda (1967, 1980) i Lorda i Novicka (1968). Rysunek: R, pakiet ggplot2.

Co widać. Prawie cała kariera Lorda to jedna instytucja; najważniejsze książki powstały między 50. a 70. rokiem życia, a w latach 1967–1968 ukazały się zarówno paradoks, jak i podręcznik z Novickiem.

Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Lata 1944–1949 to praca w Graduate Record Office Fundacji Carnegie, z której wyrosło ETS; do „nowo utworzonego” ETS Lord przeszedł w marcu 1949 r. (Wainer i Stocking, 2000).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Frederica M. Lorda, 1912–2000. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, nauka, praca, publikacja).
Dwa panele dla danych anorexia. A: wykres rozrzutu masy przed (oś pozioma, około 32–43 kg) i po (oś pionowa, około 33–46 kg) dla grupy kontrolnej (niebieskie puste kółka) i terapii rodzinnej (pomarańczowe trójkąty); kropkowana szara linia y = x oznacza brak zmiany, a dwie równoległe proste ANCOVA o nachyleniu 0.43 – ciągła niebieska dla grupy kontrolnej i przerywana pomarańczowa dla terapii rodzinnej – są znacznie bardziej płaskie niż przekątna. B: oszacowania różnicy masy względem grupy kontrolnej z 95% przedziałami w trzech analizach (tylko pomiar po, wynik różnicowy, ANCOVA) dla CBT (żółte kółka) i terapii rodzinnej (pomarańczowe trójkąty); przedział CBT w analizie wyniku różnicowego jako jedyny przecina zero
Rysunek 2. Masa ciała pacjentek z anoreksją przed i po okresie badania (A) i efekt terapii względem grupy kontrolnej w trzech analizach (B). Dane: MASS::anorexia. Obliczenia i rysunek: R, pakiety MASS, ggplot2 i patchwork.

Co widać. Na panelu A proste ANCOVA są dużo bardziej płaskie niż przekątna: kto ważył mniej na początku, częściej przybierał więcej. Wynik różnicowy mierzy pionową odległość od przekątnej, ANCOVA – od prostej o nachyleniu 0.434; na panelu B wybór analizy przesuwa przedział dla CBT po obu stronach zera.

Na co uważać. Tu różnice wyjściowe są małe (0.5–0.8 kg), więc rozbieżność też jest niewielka. W grupach naturalnych, różniących się na starcie bardziej, może odwrócić wniosek. O tym, która analiza jest właściwa, decydują założenia przyczynowe, a nie same dane (Holland i Rubin, 1982).

Podpis do pracy:

Rysunek 2. Masa ciała przed i po okresie badania w grupie kontrolnej i w grupie terapii rodzinnej (A) oraz różnica masy względem grupy kontrolnej oszacowana na podstawie samego pomiaru końcowego, wyniku różnicowego i analizy kowariancji (B). Uwaga. Dane MASS::anorexia, N = 72, masa przeliczona z funtów na kilogramy. Na panelu A linia kropkowana – brak zmiany (y = x), linie ciągła i przerywana – proste ANCOVA o wspólnym nachyleniu; na panelu B odcinki – 95% przedziały ufności.

Gdzie spotkasz Lorda w swojej pracy

Spory, mity i trudne strony

  • Kto ma rację w paradoksie? Holland i Rubin (1982) pokazali, że opisowe wnioski obu statystyków Lorda są poprawne, a przyczynowe opierają się na różnych założeniach, których nie da się sprawdzić na tych danych – zob. model potencjalnych wyników. Paradoks nie ma więc jednego „rozwiązania” rachunkowego.
  • Czy Lord „wymyślił” IRT? Nekrolog przypisuje mu stworzenie teorii (Wainer i Stocking, 2000), ale podręcznik z 1968 r. zawiera też rozdziały Allana Birnbauma, a w Danii w 1960 r. ukazała się książka Rascha z jego modelem. IRT ma więc kilku współtwórców.
Przykład reprodukowalny

Lord w R

Kod rysuje oś czasu, a potem na danych anorexia porównuje trzy analizy efektu terapii (sam pomiar końcowy, wynik różnicowy, ANCOVA) i sprawdza, że różnica między wynikiem różnicowym a ANCOVA równa się (b − 1) razy różnica średnich wyjściowych. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

średnie przed i po w grupach, korelację i nachylenie w grupie kontrolnej, efekty z trzech analiz z 95% CI i p, wspólne nachylenie b oraz sprawdzenie wzoru (b − 1) · różnica „przed”.

Dane wejściowe: Oś czasu i paradoks Lorda na danych anorexia

Co odczytać: dane data(anorexia, package = "MASS") – masa ciała 72 pacjentek przed i po okresie badania w trzech grupach (według pliku pomocy z A Handbook of Small Data Sets, 1993), przeliczona na kilogramy; bez losowania; daty osi czasu z cytowanych źródeł.

Kod R rysunków 1 i 2
# Frederic M. Lord: oś czasu i paradoks Lorda na prawdziwych danych przed–po (MASS::anorexia)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według Wainera i Stocking 2000 oraz cytowanych publikacji Lorda)
zdarzenia <- data.frame(
  rok = c(1912, 1936, 1944, 1949, 1952, 1967, 1968, 1980, 1982, 2000),
  opis = c("urodzony w Hanover\n(New Hampshire)", "dyplom\nDartmouth College", "Graduate Record Office\n(Carnegie Foundation)",
           "ETS: kierownik\nanaliz statystycznych", "doktorat\n(Princeton)", "„paradoks Lorda”\n(Psychological Bulletin)",
           "Lord i Novick: teoria\nwyników testowych", "książka o zastosowaniach\nIRT", "emerytura\nw ETS", "zmarł w Naples\n(Floryda)"),
  rodzaj = c("życie", "nauka", "praca", "praca", "nauka", "publikacja", "publikacja", "publikacja", "praca", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2, 1.2, -1, 2.1, -2, 1.2, -1)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "publikacja" = 25), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
                               "publikacja" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1910, 2000, 10), limits = c(1902, 2010)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
  labs(title = "Frederic M. Lord (1912–2000)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Dane: masa ciała młodych pacjentek z anoreksją przed i po okresie badania (MASS::anorexia, Hand i in. 1993);
#    w zbiorze masa jest w funtach – przeliczamy na kilogramy.
data(anorexia, package = "MASS")
d <- anorexia
d$grupa <- factor(d$Treat, levels = c("Cont", "CBT", "FT"), labels = c("kontrolna", "CBT", "rodzinna"))
d$przed <- d$Prewt * 0.45359237
d$po <- d$Postwt * 0.45359237
d$zmiana <- d$po - d$przed
srednie <- aggregate(cbind(przed, po, zmiana) ~ grupa, data = d, FUN = mean)
srednie$n <- as.vector(table(d$grupa))
print(transform(srednie, przed = round(przed, 2), po = round(po, 2), zmiana = round(zmiana, 2)), row.names = FALSE)

# 3. Regresja do średniej w grupie kontrolnej: nachylenie „po” względem „przed” i korelacja
k <- subset(d, grupa == "kontrolna")
round(c(r = cor(k$przed, k$po), nachylenie = unname(coef(lm(po ~ przed, data = k))[2])), 3)

# 4. Trzy odpowiedzi na pytanie „o ile terapia zmienia masę w porównaniu z grupą kontrolną?”
m_po <- lm(po ~ grupa, data = d)              # tylko pomiar końcowy
m_zm <- lm(zmiana ~ grupa, data = d)          # wynik różnicowy (statystyk 1 u Lorda)
m_an <- lm(po ~ przed + grupa, data = d)      # ANCOVA (statystyk 2 u Lorda)
wyciag <- function(m, nazwa) {
  ci <- confint(m)[c("grupaCBT", "gruparodzinna"), ]
  data.frame(analiza = nazwa, porownanie = c("CBT − kontrolna", "rodzinna − kontrolna"),
             efekt = coef(m)[c("grupaCBT", "gruparodzinna")], dolna = ci[, 1], gorna = ci[, 2],
             p = summary(m)$coefficients[c("grupaCBT", "gruparodzinna"), 4])
}
efekty <- rbind(wyciag(m_po, "tylko pomiar po"), wyciag(m_zm, "wynik różnicowy"), wyciag(m_an, "ANCOVA"))
print(transform(efekty, efekt = round(efekt, 2), dolna = round(dolna, 2), gorna = round(gorna, 2), p = round(p, 4)),
      row.names = FALSE)

# 5. Skąd różnica? ANCOVA = różnica „po” − b · różnica „przed”, wynik różnicowy = różnica „po” − 1 · różnica „przed”.
#    Zatem: wynik różnicowy − ANCOVA = (b − 1) · różnica „przed”.
b <- unname(coef(m_an)["przed"])
roznica_przed <- c(CBT = mean(d$przed[d$grupa == "CBT"]) - mean(k$przed),
                   rodzinna = mean(d$przed[d$grupa == "rodzinna"]) - mean(k$przed))
round(b, 3)
print(data.frame(porownanie = c("CBT − kontrolna", "rodzinna − kontrolna"),
                 roznica_przed = round(roznica_przed, 3),
                 ze_wzoru = round((b - 1) * roznica_przed, 3),
                 z_modeli = round(unname(coef(m_zm)[c("grupaCBT", "gruparodzinna")] - coef(m_an)[c("grupaCBT", "gruparodzinna")]), 3)),
      row.names = FALSE)

# Rysunek 2A: przed vs po w grupie kontrolnej i rodzinnej – linia y = x (założenie wyniku różnicowego)
#             i równoległe proste ANCOVA o wspólnym nachyleniu b
dA <- subset(d, grupa %in% c("kontrolna", "rodzinna"))
proste <- data.frame(grupa = c("kontrolna", "rodzinna"),
                     a = unname(coef(m_an)["(Intercept)"] + c(0, coef(m_an)["gruparodzinna"])), b = b)
pA <- ggplot(dA, aes(przed, po, colour = grupa, shape = grupa)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey45", linetype = "dotted", linewidth = 0.8) +
  geom_abline(data = proste, aes(slope = b, intercept = a, colour = grupa, linetype = grupa), linewidth = 0.9) +
  geom_point(size = 2.6, stroke = 1, fill = "white") +
  annotate("text", x = 44.6, y = 45.6, label = "y = x (brak zmiany)", angle = 0, hjust = 1, size = 3.3, colour = "grey30") +
  scale_colour_manual(values = c(kontrolna = oi[["niebieski"]], rodzinna = oi[["cynober"]]), name = NULL) +
  scale_shape_manual(values = c(kontrolna = 21, rodzinna = 17), name = NULL) +
  scale_linetype_manual(values = c(kontrolna = "solid", rodzinna = "dashed"), name = NULL) +
  labs(title = "A. Masa przed i po (kg)", x = "Przed", y = "Po") +
  motyw + theme(legend.position = "bottom")
# Rysunek 2B: oszacowania efektu z trzech analiz
efekty$analiza <- factor(efekty$analiza, levels = rev(c("tylko pomiar po", "wynik różnicowy", "ANCOVA")))
pB <- ggplot(efekty, aes(efekt, analiza, colour = porownanie, shape = porownanie)) +
  geom_vline(xintercept = 0, colour = "grey50") +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.15, orientation = "y", position = position_dodge(width = 0.5)) +
  geom_point(size = 3, position = position_dodge(width = 0.5)) +
  scale_colour_manual(values = c("CBT − kontrolna" = oi[["pomaranczowy"]], "rodzinna − kontrolna" = oi[["cynober"]]), name = NULL) +
  scale_shape_manual(values = c("CBT − kontrolna" = 16, "rodzinna − kontrolna" = 17), name = NULL) +
  labs(title = "B. Efekt terapii: trzy analizy", x = "Różnica masy względem grupy kontrolnej (kg, 95% CI)", y = NULL) +
  motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1.1))
p_os
p_metoda
Wynik w R
     grupa przed    po zmiana  n
 kontrolna 36.99 36.79  -0.20 26
       CBT 37.51 38.87   1.36 29
  rodzinna 37.75 41.05   3.30 17
         r nachylenie 
    -0.161     -0.134 
         analiza           porownanie efekt dolna gorna      p
 tylko pomiar po      CBT − kontrolna  2.08  0.30  3.86 0.0227
 tylko pomiar po rodzinna − kontrolna  4.26  2.20  6.31 0.0001
 wynik różnicowy      CBT − kontrolna  1.57 -0.27  3.41 0.0936
 wynik różnicowy rodzinna − kontrolna  3.50  1.37  5.62 0.0016
          ANCOVA      CBT − kontrolna  1.86  0.14  3.57 0.0340
          ANCOVA rodzinna − kontrolna  3.93  1.94  5.91 0.0002
[1] 0.434
           porownanie roznica_przed ze_wzoru z_modeli
      CBT − kontrolna         0.513   -0.290   -0.290
 rodzinna − kontrolna         0.758   -0.429   -0.429

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (dane – pakiet MASS; modele – funkcja lm() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Frederic M. Lord?

Amerykańskim psychometrą i statystykiem (1912–2000), od 1949 r. do emerytury w 1982 r. pracownikiem Educational Testing Service. Nekrolog nazywa go głównym twórcą statystycznych podstaw współczesnego testowania, w tym teorii odpowiedzi na pozycje.

Jak Lord opisał swój paradoks w 1967 r.?

W dwustronicowym artykule w Psychological Bulletin zwrócił uwagę, że analizę kowariancji stosuje się do porównań grup naturalnych, które różnią się na starcie, choć idealnie przydział powinien być losowy. Na hipotetycznym przykładzie diety dwóch statystyków – jeden z wynikiem różnicowym, drugi z ANCOVA – dochodzi z tych samych danych do sprzecznych wniosków.

Czym jest książka Lorda i Novicka?

„Statistical Theories of Mental Test Scores” (1968), napisana z Melvinem Novickiem i z rozdziałami Allana Birnbauma, to klasyczny wykład teorii wyników obserwowanych (rzetelności) i formalny początek teorii odpowiedzi na pozycje.

Dlaczego wynik różnicowy i ANCOVA dają różne efekty?

Bo ANCOVA odejmuje różnicę wyjściową pomnożoną przez nachylenie b z danych, a wynik różnicowy – pomnożoną przez 1. Różnica między nimi wynosi (b − 1) razy różnica średnich wyjściowych, więc znika tylko wtedy, gdy grupy startują z tego samego poziomu albo b = 1.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Holland, P. W., & Rubin, D. B. (1982). On Lord's paradox. Educational Testing Service. https://doi.org/10.1002/j.2333-8504.1982.tb01321.x
  2. Lord, F. M. (1967). A paradox in the interpretation of group comparisons. Psychological Bulletin, 68(5), 304–305. https://doi.org/10.1037/h0025105
  3. Lord, F. M. (1980). Applications of item response theory to practical testing problems. Lawrence Erlbaum Associates.
  4. Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Addison-Wesley.
  5. Wainer, H., & Stocking, M. (2000). Obtuário Frederic Mather Lord (1912–2000). Estudos em Avaliação Educacional, 197–199. https://doi.org/10.18222/eae02120002232 ● Otwarty dostęp

Cytowania BibTeX

@techreport{holland1982lords, author={Holland, Paul W. and Rubin, Donald B.}, title={{On Lord's paradox}}, year={1982}, volume={1982}, number={2}, institution={Educational Testing Service}, doi={10.1002/j.2333-8504.1982.tb01321.x}}
@article{lord1967paradox, author={Lord, Frederic M.}, title={{A paradox in the interpretation of group comparisons}}, journal={Psychological Bulletin}, year={1967}, volume={68}, number={5}, pages={304--305}, doi={10.1037/h0025105}}
@book{lord1980applications, author={Lord, Frederic M.}, title={{Applications of item response theory to practical testing problems}}, year={1980}, publisher={Lawrence Erlbaum Associates}}
@book{lord1968statistical, author={Lord, Frederic M. and Novick, Melvin R.}, title={{Statistical theories of mental test scores}}, year={1968}, publisher={Addison-Wesley}}
@article{wainer2000obtuario, author={Wainer, Howard and Stocking, Marthe}, title={{Obtuário Frederic Mather Lord (1912–2000)}}, journal={Estudos em Avaliação Educacional}, year={2000}, number={21}, pages={197--199}, doi={10.18222/eae02120002232}}
R