Słownik metodologiczny · Ludzie statystyki

Samuel Messick (1931–1998) – twórca jednolitej koncepcji trafności

Samuel Messick przez ponad 40 lat pracował w Educational Testing Service i przekonał psychometrię, że trafność to jedno pojęcie: ocena dowodów i skutków interpretacji wyników. Przedstawiamy jego drogę, przegląd badań nad korepetycjami do testu SAT oraz małą macierz wielu cech i metod – wagę i wzrost mierzone i deklarowane – policzoną w R.

Strona główna / Słownik / Samuel Messick
W skrócie: Samuel Messick (1931–1998) – psycholog i psychometra z Educational Testing Service, twórca jednolitej koncepcji trafności: trafność to ocena, na ile dowody i skutki społeczne uzasadniają interpretację i użycie wyników testu. Wyróżnił sześć aspektów trafności teoretycznej (1995).

Kim był Samuel Messick?

Samuel J. Messick (1931–1998) był amerykańskim psychologiem i psychometrą (Landis i Tzeng, 2002). W 1950 r. ukończył University of Pennsylvania, a w Princeton zrobił magisterium (1953) i doktorat z psychologii (1954). W czasie studiów był stypendystą psychometrycznym Educational Testing Service (ETS). Od 1956 r. pracował w ETS na pełnym etacie i został tam do końca kariery (Princeton Alumni Weekly, 2013).

W chwili śmierci był w ETS wybitnym pracownikiem naukowym (distinguished research scientist). Wyróżniły go American Psychological Association, American Educational Research Association i Psychometric Society, a w 1994 r. samo ETS – za długoletnią pracę. Według wspomnienia doradzał wszystkim czterem prezesom ETS swoich czasów i wychował kilka pokoleń specjalistów od pomiaru. Zmarł 6 października 1998 r. w Filadelfii w wieku 67 lat (Princeton Alumni Weekly, 2013).

Najważniejsze pomysły

  • Trafność a etyka oceniania (1980). Messick (1980) rozdzielił dwa pytania. Czy test dobrze mierzy cechę – to pytanie naukowe, rozstrzygane dowodami psychometrycznymi, przede wszystkim trafnością teoretyczną. Czy wolno go użyć w danym celu – to pytanie etyczne, rozstrzygane oceną możliwych skutków społecznych. Oba pytania dotyczą zarówno interpretacji wyników, jak i ich użycia, więc walidacja ma podstawę dowodową i konsekwencyjną.
  • Jedna trafność, sześć aspektów (1995). Od Cronbacha i Meehla (1955) podręczniki dzieliły trafność na rodzaje: predykcyjną, równoczesną, treściową i teoretyczną. Messick (1995) uznał ten podział za fragmentaryczny i niepełny. Zaproponował jedno pojęcie trafności teoretycznej z sześcioma aspektami: treściowym, substantywnym, strukturalnym, uogólnialności, zewnętrznym i konsekwencyjnym. Te aspekty mają działać jak ogólne kryteria dla każdego pomiaru w psychologii i edukacji, także dla zadań praktycznych (performance assessment).
  • Walidacja jako badanie naukowe. Już tytuł artykułu z 1995 r. mówi, że walidujemy wnioski wyciągane z odpowiedzi i działań osób badanych, a nie test jako przedmiot. Trafność jest więc cechą interpretacji wyników w określonym celu, a nie własnością kwestionariusza.

Ciekawostka

Messick zajmował się nie tylko teorią. Z Ann Jungeblut przejrzał wszystkie dostępne badania nad korepetycjami (coaching) przygotowującymi do testu SAT. Większość z nich miała – jak piszą – poważne wady metodologiczne, ale przez szum przebijała się prawidłowość: im dłuższe zajęcia, tym większy przyrost wyniku, z korelacjami rangowymi powyżej .7 w części werbalnej i matematycznej (Messick i Jungeblut, 1981).

Zależność okazała się jednak logarytmiczna: każdy kolejny przyrost punktów wymagał wielokrotnie więcej godzin. Według dopasowanych modeli, żeby średnio podnieść wynik wyraźnie bardziej niż o 20–30 punktów na skali 200–800, trzeba by poświęcić na korepetycje tyle czasu, ile na pełną naukę w szkole. To dobry przykład aspektu konsekwencyjnego w praktyce: pytanie, co przygotowanie do testu robi z jego wynikami, jest pytaniem o znaczenie tych wyników.

Przykład na prawdziwych danych

Zbiór Davis z pakietu carData to – według pliku pomocy – dane 200 regularnie ćwiczących kobiet i mężczyzn (112 kobiet, 88 mężczyzn) z badań C. Davis nad obrazem ciała (artykuł z 1990 r. w „Appetite”). Każdą osobę zważono i zmierzono, a także zapytano o wagę i wzrost. To najmniejsza możliwa macierz MTMM: dwie cechy (waga, wzrost) mierzone dwiema metodami (pomiar, deklaracja). Komplet czterech wartości ma 181 osób.

Pierwsze liczenie daje dziwny obraz: korelacje zbieżne (ta sama cecha, inna metoda) wynoszą .84 dla wagi i .74 dla wzrostu, a zmierzona waga koreluje ze zmierzonym wzrostem tylko na .15, choć deklaracje obu cech – na .76. Przyczyną jest jedna obserwacja: osoba nr 12 ma w danych zmierzone 166 kg i 57 cm, a podane 56 kg i 163 cm. Wygląda to na zamianę wartości przy wpisywaniu (to nasza interpretacja – plik pomocy jej nie opisuje).

Bez tej osoby korelacje zbieżne rosną do .99 (waga) i .98 (wzrost), a korelacje różnych cech wynoszą .75–.78 – wyraźnie mniej. Osobno u kobiet i mężczyzn obraz jest jeszcze czystszy: korelacje zbieżne .94–.98, korelacje różnych cech .49–.55 (aspekt uogólnialności). Korelacje nie mówią jednak wszystkiego: deklarowany wzrost jest średnio o 2.09 cm niższy od zmierzonego (p < .001), a deklarowana waga praktycznie równa zmierzonej (różnica −0.02 kg, p = .92). Wysoka trafność zbieżna i różnicowa nie wyklucza więc błędu systematycznego.

Na rysunku

Oś czasu od 1925 do 2004 z dziesięcioma zdarzeniami: 1931 urodził się; 1950 dyplom University of Pennsylvania; 1953 magisterium w Princeton i stypendium ETS; 1954 doktorat z psychologii w Princeton; 1956 etat w ETS do końca kariery; 1980 artykuł o trafności i etyce oceniania; 1981 przegląd badań nad korepetycjami do SAT; 1994 wyróżnienie ETS za wieloletnią pracę; 1995 sześć aspektów trafności; 1998 zmarł w Filadelfii. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Samuel Messick (1931–1998). Lata według Landisa i Tzenga (2002), wspomnienia w Princeton Alumni Weekly (2013) oraz dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Prawie całe życie zawodowe Messicka to jedna instytucja: od stypendium w czasie studiów po pracę naukową w ETS aż do śmierci. Najważniejsze prace o trafności powstały w drugiej połowie kariery.

Na co uważać. Na osi są tylko zdarzenia z cytowanych źródeł. Pomijamy np. dokładny dzień i miejsce urodzenia oraz nazwy stanowisk w ETS, których nie potwierdziliśmy.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Samuela Messicka (1931–1998). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: dolny trójkąt macierzy korelacji czterech zmiennych – waga i wzrost z pomiaru oraz z deklaracji (n = 181); pola niebieskie to korelacje zbieżne (ta sama cecha, inna metoda): 0.84 (bez obserwacji nr 12: 0.99) i 0.74 (0.98); pola żółte – inna cecha, ta sama metoda: 0.15 (0.77) i 0.76 (0.76); pola szare – inna cecha, inna metoda: 0.60 (0.78) i 0.63 (0.75). B: dwa wykresy rozrzutu deklaracji względem pomiaru, dla wagi w kilogramach i wzrostu w centymetrach, z przerywaną linią równości; niebieskie punkty leżą wzdłuż linii, pomarańczowy trójkąt – obserwacja nr 12 – leży daleko od niej: pomiar 166 kg przy deklaracji 56 kg oraz pomiar 57 cm przy deklaracji 163 cm
Rysunek 2. Macierz wielu cech i wielu metod dla wagi i wzrostu mierzonych i deklarowanych (A) oraz zgodność deklaracji z pomiarem (B); dane carData::Davis. Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (bez losowania).

Co widać. W panelu A niebieskie pola (ta sama cecha mierzona dwiema metodami) powinny mieć najwyższe wartości. Bez obserwacji nr 12 tak jest (.98–.99), z nią – nie: zmierzona waga i wzrost korelują na .15. Panel B pokazuje źródło problemu: jeden trójkąt daleko od linii równości.

Na co uważać. Jedna błędnie wpisana obserwacja potrafi zmienić wnioski o trafności, więc macierz korelacji oglądaj razem z wykresami rozrzutu. Korelacje różnych cech są tu wysokie, bo waga i wzrost naprawdę są powiązane – trafność różnicowa nie wymaga korelacji bliskich zera, tylko wyraźnie niższych od zbieżnych.

Podpis do pracy:

Rysunek 2. Korelacje wagi i wzrostu mierzonych i deklarowanych (n = 181; w nawiasach – bez obserwacji nr 12) w układzie wielu cech i wielu metod (A) oraz deklaracje względem pomiarów (B). Uwaga. Pola niebieskie – korelacje zbieżne; linia przerywana – idealna zgodność deklaracji z pomiarem.

Gdzie spotkasz Messicka w swojej pracy

W każdej pracy, która tłumaczy, dlaczego wyniki skali coś znaczą. Na co zwracać uwagę:

Spory, mity i trudne strony

  • „Trzy rodzaje trafności”. Podział na trafność treściową, kryterialną i teoretyczną wciąż wraca w podręcznikach metodologii. Messick (1995) uważał go za fragmentaryczny: wszystkie te dowody służą jednemu celowi – uzasadnieniu interpretacji wyników. Punktem wyjścia była dla niego typologia Cronbacha i Meehla (1955).
  • Czy skutki społeczne należą do trafności? Messick (1980) nie twierdził, że test jest nietrafny, bo ktoś na nim traci, ale że ocena użycia testu wymaga osobnego, etycznego uzasadnienia obok dowodów naukowych.
  • Trafność nie jest liczbą. Nie ma jednego współczynnika trafności; jest argument złożony z wielu dowodów – w przykładzie korelacje zbieżne są prawie idealne, a mimo to deklarowany wzrost jest systematycznie zaniżony.
Przykład reprodukowalny

Macierz MTMM i dowody trafności w R

Kod wczytuje dane Davis, liczy macierz korelacji „2 cechy × 2 metody” z obserwacją nr 12 i bez niej, porównuje korelacje zbieżne i różnicowe osobno u kobiet i mężczyzn, sprawdza średnią różnicę między deklaracją a pomiarem i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.

1. Macierz MTMM i obserwacja odstająca: rysunek 2

Dane wejściowe: data(Davis, package = "carData") – waga i wzrost zmierzone oraz deklarowane przez 200 regularnie ćwiczących osób (według pliku pomocy; analizujemy 181 osób z kompletem danych).

Co odczytać: macierz korelacji z obserwacją nr 12 i bez niej; korelacje zbieżne i różnych cech; te same korelacje u kobiet i mężczyzn; średnią różnicę deklaracja − pomiar i jej p.

Kod R rysunku 2
# Messick: trafność zbieżna i różnicowa w małej macierzy MTMM – waga i wzrost mierzone vs deklarowane (carData::Davis)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(zbiezna = "#0072B2", odstajaca = "#D55E00", tekst = "grey15")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
options(width = 100)
data(Davis, package = "carData")
# 200 osób regularnie ćwiczących: waga (kg) i wzrost (cm) zmierzone oraz podane przez badanych (repwt, repht)
table(Davis$sex)
d <- na.omit(Davis)                                   # osoby z kompletem czterech wartości
nrow(d)

# 1. Macierz „2 cechy × 2 metody” (MTMM): waga i wzrost, pomiar i deklaracja
zmienne <- c(waga_pomiar = "weight", wzrost_pomiar = "height", waga_deklaracja = "repwt", wzrost_deklaracja = "repht")
R <- cor(d[, zmienne]); dimnames(R) <- list(names(zmienne), names(zmienne))
round(R, 2)

# 2. Obserwacja odstająca nr 12: zmierzone 166 kg i 57 cm, podane 56 kg i 163 cm
Davis[12, ]
R_bez <- cor(d[rownames(d) != "12", zmienne]); dimnames(R_bez) <- dimnames(R)
round(R_bez, 2)

# 3. Trzy rodzaje korelacji w MTMM, z obserwacją 12 i bez niej
rodzaje <- function(R) c(
  zbiezna_waga = R["waga_pomiar", "waga_deklaracja"], zbiezna_wzrost = R["wzrost_pomiar", "wzrost_deklaracja"],
  rozne_cechy_pomiar = R["waga_pomiar", "wzrost_pomiar"], rozne_cechy_deklaracja = R["waga_deklaracja", "wzrost_deklaracja"],
  rozne_cechy_i_metody = mean(c(R["waga_pomiar", "wzrost_deklaracja"], R["wzrost_pomiar", "waga_deklaracja"])))
round(rbind(wszyscy = rodzaje(R), bez_nr_12 = rodzaje(R_bez)), 3)

# 4. Uogólnialność: te same korelacje osobno u kobiet i mężczyzn (bez obserwacji 12)
d2 <- d[rownames(d) != "12", ]
round(t(sapply(split(d2[, zmienne], d2$sex), function(x) {
  Rx <- cor(x); dimnames(Rx) <- dimnames(R); rodzaje(Rx) })), 3)

# 5. Błąd systematyczny deklaracji: średnia różnica deklaracja − pomiar (bez obserwacji 12)
round(c(waga_kg = mean(d2$repwt - d2$weight), wzrost_cm = mean(d2$repht - d2$height)), 2)
signif(c(p_waga = t.test(d2$repwt, d2$weight, paired = TRUE)$p.value,
         p_wzrost = t.test(d2$repht, d2$height, paired = TRUE)$p.value), 3)

# Rysunek: A – macierz MTMM (wszyscy z kompletem danych); B – deklaracja vs pomiar, z obserwacją 12
etyk <- c("waga\n(pomiar)", "wzrost\n(pomiar)", "waga\n(deklaracja)", "wzrost\n(deklaracja)")
mt <- expand.grid(i = 1:4, j = 1:4); mt <- mt[mt$i > mt$j, ]
mt$r <- R[cbind(mt$i, mt$j)]; mt$r_bez <- R_bez[cbind(mt$i, mt$j)]
cecha <- c("waga", "wzrost", "waga", "wzrost"); metoda <- c("pomiar", "pomiar", "deklaracja", "deklaracja")
mt$rodzaj <- ifelse(cecha[mt$i] == cecha[mt$j], "ta sama cecha, inna metoda (zbieżna)",
                    ifelse(metoda[mt$i] == metoda[mt$j], "inna cecha, ta sama metoda", "inna cecha, inna metoda"))
mt$x <- factor(etyk[mt$j], levels = etyk); mt$y <- factor(etyk[mt$i], levels = rev(etyk))
pA <- ggplot(mt, aes(x, y)) +
  geom_tile(aes(fill = rodzaj), colour = "white", linewidth = 1.2) +
  geom_text(aes(label = sprintf("%.2f\n(bez nr 12: %.2f)", r, r_bez)), size = 3.4, lineheight = 0.9, colour = kol[["tekst"]]) +
  scale_fill_manual(values = c(`ta sama cecha, inna metoda (zbieżna)` = "#56B4E9", `inna cecha, ta sama metoda` = "#F0E442",
                               `inna cecha, inna metoda` = "grey85"), name = NULL) +
  labs(title = sprintf("A. Macierz MTMM (n = %d)", nrow(d)), x = NULL, y = NULL) +
  guides(fill = guide_legend(ncol = 1)) +
  motyw + theme(panel.grid = element_blank())
pary <- rbind(data.frame(cecha = "waga (kg)", pomiar = d$weight, deklaracja = d$repwt, nr12 = rownames(d) == "12"),
              data.frame(cecha = "wzrost (cm)", pomiar = d$height, deklaracja = d$repht, nr12 = rownames(d) == "12"))
pary$punkt <- ifelse(pary$nr12, "obserwacja nr 12", "pozostali")
pB <- ggplot(pary, aes(pomiar, deklaracja)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey55", linetype = "22") +
  geom_point(aes(colour = punkt, shape = punkt, size = punkt), alpha = 0.75) +
  facet_wrap(~ cecha, scales = "free") +
  scale_colour_manual(values = c(`pozostali` = kol[["zbiezna"]], `obserwacja nr 12` = kol[["odstajaca"]]), name = NULL) +
  scale_shape_manual(values = c(`pozostali` = 16, `obserwacja nr 12` = 17), name = NULL) +
  scale_size_manual(values = c(`pozostali` = 1.8, `obserwacja nr 12` = 4), name = NULL) +
  labs(title = "B. Deklaracja a pomiar", x = "Pomiar", y = "Deklaracja") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.25))
p2
Wynik w R

  F   M 
112  88 
[1] 181
                  waga_pomiar wzrost_pomiar waga_deklaracja wzrost_deklaracja
waga_pomiar              1.00          0.15            0.84              0.63
wzrost_pomiar            0.15          1.00            0.60              0.74
waga_deklaracja          0.84          0.60            1.00              0.76
wzrost_deklaracja        0.63          0.74            0.76              1.00
   sex weight height repwt repht
12   F    166     57    56   163
                  waga_pomiar wzrost_pomiar waga_deklaracja wzrost_deklaracja
waga_pomiar              1.00          0.77            0.99              0.75
wzrost_pomiar            0.77          1.00            0.78              0.98
waga_deklaracja          0.99          0.78            1.00              0.76
wzrost_deklaracja        0.75          0.98            0.76              1.00
          zbiezna_waga zbiezna_wzrost rozne_cechy_pomiar rozne_cechy_deklaracja
wszyscy          0.835          0.739              0.154                  0.762
bez_nr_12        0.986          0.976              0.768                  0.761
          rozne_cechy_i_metody
wszyscy                  0.618
bez_nr_12                0.765
  zbiezna_waga zbiezna_wzrost rozne_cechy_pomiar rozne_cechy_deklaracja rozne_cechy_i_metody
F        0.956          0.940              0.499                  0.493                0.503
M        0.979          0.952              0.551                  0.510                0.529
  waga_kg wzrost_cm 
    -0.02     -2.09 
  p_waga p_wzrost 
9.23e-01 3.74e-29 

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Samuel Messick (1931–1998) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1931, 1950, 1953, 1954, 1956, 1980, 1981, 1994, 1995, 1998),
  opis = c("urodził się", "dyplom University\nof Pennsylvania", "magisterium w Princeton;\nstypendysta ETS",
           "doktorat z psychologii\n(Princeton)", "etat w ETS\n(do końca kariery)", "trafność a etyka\noceniania",
           "przegląd badań\nnad korepetycjami do SAT", "wyróżnienie ETS\nza wieloletnią pracę",
           "sześć aspektów\ntrafności", "zmarł\nw Filadelfii"),
  rodzaj = c("życie", "życie", "praca", "życie", "praca", "publikacja", "publikacja", "wyróżnienie", "publikacja", "życie"),
  poziom = c(0.5, -0.5, 1.2, -1.3, 0.5, -0.5, 1.2, -1.3, 0.5, -0.5),     # wysokość etykiety (+ nad osią, − pod)
  wyrownanie = c(0.5, 0.5, 1, 0.5, 0, 1, 0.5, 1, 0.5, 0))           # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
  geom_text(aes(y = poziom + 0.07 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
            size = 3.2, lineheight = 0.88) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1925, 2004), breaks = seq(1930, 2000, by = 10)) +
  scale_y_continuous(limits = c(-2.2, 2.1)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (korelacje i test t – funkcje cor() i t.test() z pakietu stats; dane – pakiet carData; 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. carData (wersja 3.0.6): Fox, J., Weisberg, S., & Price, B. (2022). carData: Companion to Applied Regression data sets [R package]. https://doi.org/10.32614/CRAN.package.carData
  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 Samuel Messick?

Amerykańskim psychologiem i psychometrą (1931–1998). Studiował na University of Pennsylvania, magisterium i doktorat z psychologii zrobił w Princeton (1953, 1954), a od 1956 r. do końca kariery pracował w Educational Testing Service. Jest autorem jednolitej koncepcji trafności, na której opierają się współczesne podręczniki i standardy walidacji testów.

Jakie są aspekty trafności według Messicka?

Sześć: treściowy, substantywny, strukturalny, uogólnialności, zewnętrzny i konsekwencyjny. W artykule z 1995 r. Messick uznał tradycyjny podział na trafność treściową, kryterialną i teoretyczną za fragmentaryczny i potraktował te aspekty jako części jednej trafności teoretycznej, obejmującej też wartości i społeczne skutki użycia wyników.

Co Messick rozumiał przez konsekwencje testowania?

W 1980 r. rozdzielił dwa pytania: czy test dobrze mierzy cechę (ocena naukowa, dowody psychometryczne) i czy wolno go użyć w danym celu (ocena etyczna, możliwe skutki społeczne). Oba pytania dotyczą zarówno interpretacji, jak i użycia wyników; walidacja obejmuje więc dowody i konsekwencje.

Jak na prostej macierzy MTMM sprawdzić trafność zbieżną i różnicową?

Zestaw tę samą cechę mierzoną różnymi metodami z różnymi cechami. W danych o wadze i wzroście mierzonych i deklarowanych (n = 181) korelacje zbieżne wynoszą .84 i .74, ale po usunięciu jednej błędnie wpisanej obserwacji – .99 i .98, przy korelacjach różnych cech .75–.78. Mimo to deklarowany wzrost jest średnio o 2.09 cm niższy od zmierzonego.

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. Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. https://doi.org/10.1037/h0040957 ● Otwarty dostęp: pełny tekst
  2. Landis, D., & Tzeng, O. C. S. (2002). Samuel J. Messick (1931–1998). American Psychologist, 57(2), 132–133. https://doi.org/10.1037/0003-066x.57.2.132
  3. Messick, S. (1980). Test validity and the ethics of assessment. American Psychologist, 35(11), 1012–1027. https://doi.org/10.1037/0003-066x.35.11.1012
  4. Messick, S. (1995). Validity of psychological assessment: Validation of inferences from persons’ responses and performances as scientific inquiry into score meaning. American Psychologist, 50(9), 741–749. https://doi.org/10.1037/0003-066x.50.9.741
  5. Messick, S., & Jungeblut, A. (1981). Time and method in coaching for the SAT. Psychological Bulletin, 89(2), 191–216. https://doi.org/10.1037/0033-2909.89.2.191
  6. Princeton Alumni Weekly. (2013). Samuel J. Messick *54. Princeton Alumni Weekly (Memorials). https://paw.princeton.edu/memorial/samuel-j-messick-54 ● Otwarty dostęp

Cytowania BibTeX

@article{cronbach1955construct, author={Cronbach, Lee J. and Meehl, Paul E.}, title={{Construct validity in psychological tests}}, journal={Psychological Bulletin}, year={1955}, volume={52}, number={4}, pages={281--302}, doi={10.1037/h0040957}}
@article{landis2002messick, author={Landis, Dan and Tzeng, Oliver C. S.}, title={{Samuel J. Messick (1931–1998)}}, journal={American Psychologist}, year={2002}, volume={57}, number={2}, pages={132--133}, doi={10.1037/0003-066x.57.2.132}}
@article{messick1980test, author={Messick, Samuel}, title={{Test validity and the ethics of assessment}}, journal={American Psychologist}, year={1980}, volume={35}, number={11}, pages={1012--1027}, doi={10.1037/0003-066x.35.11.1012}}
@article{messick1995validity, author={Messick, Samuel}, title={{Validity of psychological assessment: Validation of inferences from persons’ responses and performances as scientific inquiry into score meaning}}, journal={American Psychologist}, year={1995}, volume={50}, number={9}, pages={741--749}, doi={10.1037/0003-066x.50.9.741}}
@article{messick1981time, author={Messick, Samuel and Jungeblut, Ann}, title={{Time and method in coaching for the SAT}}, journal={Psychological Bulletin}, year={1981}, volume={89}, number={2}, pages={191--216}, doi={10.1037/0033-2909.89.2.191}}
@misc{paw2013messick, author={{Princeton Alumni Weekly}}, title={{Samuel J. Messick *54}}, howpublished={Princeton Alumni Weekly (Memorials)}, year={2013}, url={https://paw.princeton.edu/memorial/samuel-j-messick-54}}
R