Розглядається первинний аналіз даних, проведений про? грамою Ministep. Наводяться приклади оформлення контрольних файлів, розшифровуються значення таблиці збіжності даних, описується процес обчислення значень і супутні цьому процесу терміни (критерій збіжності, збіжність аналізу, ана? ліз закріплених даних, перевірка пов'язаності і т.д.).

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Галина Смирнова, Олексій Смирнов


Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва: 2010
    Журнал
    педагогічні вимірювання
    Наукова стаття на тему 'АНАЛІЗ ДАНИХ У ПРОГРАМІ MINISTEP'

    Текст наукової роботи на тему «АНАЛІЗ ДАНИХ У ПРОГРАМІ MINISTEP»

    ?

    АНАЛІЗ ДАНИХ У ПРОГРАМІ MINISTEP

    Галина Смирнова, Олексій Смирнов

    Слов'янський-на-Кубані державний педагогічний інститут

    Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

    -е-

    Розглядається первинний аналіз даних, проведений програмою Ministep. Наводяться приклади оформлення контрольних файлів, розшифровуються значення таблиці збіжності даних, описується процес обчислення значень і супутні цьому процесу терміни (критерій збіжності, збіжність аналізу, аналіз закріплених даних, перевірка пов'язаності і т.д.).

    Ключові слова: програма Ministep, контрольний файл, таблиця збіжності даних, критерій збіжності, збіжність аналізу, аналіз закріплених даних, перевірка пов'язаності.

    У даній роботі дано опис процесу аналізу результатів тестування за допомогою програми Ministep. Ця програма дозволяє провести дослідження даних по багатьом параметрам, про яких мова і піде як в поточній статті, так і в наступних. Варто зазначити, що ми працюємо з навчальною версією програми, яка носить назву Ministep; версія обмежена в розмірі файлу даних. Ministep дозволяє обробляти результати тестування не більше 75 випробовуваних відповідали не більше, ніж на 25 тестових завдань. У той час як Winsteps не має обмежень.

    Після того, як ви створили свій контрольний файл і зберегли під своїм ім'ям, запустіть програму. Коротко нагадаємо, як це швидко сделать1:

    1) двічі клацніть по ярлику програми Ministeps, завантажиться робочий лист програми;

    2) програма запитає вас «Ім'я Вашого файлу даних? (Наприклад, KCT.txt) Натисніть «Enter» ( «Control file name? (E.g., KCT.txt). Press Enter for Dialog Box:»). Натисніть кнопку «Enter»;

    3) з'явиться вікно, в якому потрібно вибрати файл даних, який ви створили і зберегли (з прикладами організації файлів

    -1-

    Докладно див .: Linacre J. M. WINSTEPS Rasch measurement computer program. Chicago: Winsteps.com, 2005, а також: Г.І. Смирнова, А.В. Смирнов. Початок роботи з програмою Winsteps // педагогічес-кі вимірювання. 2006. №3. С. 106-114.

    ПЕД 1

    1 вимірювання |

    e

    82

    даних можна познайомитися, звернувшись до пункту меню «Допомога» ( «Help») опції «Зміст» ( «Contents») і в який з'явився списку вибрати «Приклади контрольних файлів і файлів даних» ( «Examples of control and data files») (рис . 1));

    4) програма просить вас: «Задайте ім'я для файлу виводу даних (або натисніть" Enter "для створення тимчасового файлу)» (Report output file name (or press Enter for temporary file). Натисніть «Enter»;

    5) знову потрібно натиснути «Enter» при появі повідомлення «Додаткова специфікація (або натисніть" Enter ")» ( «Extra specifications (or press Enter)».

    На даному етапі починається аналіз ваших даних (рис. 2). Якщо з'явиться повідомлення про помилку, то виберіть в пункті меню «Правка» ( «Edit») опцію «Виправити контрольний файл» ( «Edit Control File =»), внесіть виправлення, на які вам вкаже про-

    Закрити] Друк ... Скасування

    Мал. 1. Приклади організації контрольного файлу та файлу даних

    е

    2 '20 10

    e

    ffl MINIS If P • IC; WINS 1

    Ffc EA Ctegnoas Oi / j<XFfcs Batch Kefc SpodffcAkn pfcts SAS / SPSS Grafte OateSebjp

    75 KID Records Input.

    CONVERGENCE TABLE

    Control: \ exanples \ eKanple8.txt

    Output: \ exar ^ les \ 20U6 oetfS.TXT

    PROX йот IOC COUNT EXTREME 5 RANGE MAX LOGIT CHftHGE |

    ITERATION KIDS ACTS CATS KIDS ACTS MEASURES STRUCTURE |

    1 75 25 3 3.78 3.29 3.8918 .8748 |

    2 74 25 3 4.59 3.71 .8258 -.0158 |

    3 74 25 3 4.83 3.02 .2S11 -.1074 |

    Checking Connectivity Control: \ cxjnplcs \ DxanplcD.txt

    Calculating Fit Statistics

    Output: \ cxanplos \ Z0U006US.TXT

    JHLE HfiX SCORE HfiX 18GIT LEAST CONUERGED CATEGORY STRUCTURE!

    ITERATION RESIDUAL «CHANGE ID ACT CAT RESIDUAL CHANGE |

    || • | • ||||на || • | • |||||||||||||||ні

    1 2.84 -.1955 60 22 * ​​2 21.44 .0076 |

    2 .71 -.оз as 53 15 «0 -5.89 .01441

    3 .8293 53 5 «1 3.48 .0181 |

    H .32 .8235 18 11 «1 ​​2.71 .0079 |

    5 .24 .8184 18 «• 0 -2.89 .Q060 |

    6 .19 .81 * 1 18 11 «-1.63 .08U5 |

    7 .14 .8108 18 11 «0 -1.25 .0035 |

    8 .11 .8082 18 11 «0 -.96 .0626 |

    9 .88 .8862 18 11 «e -.73 .0820 |

    10 .06 .впад 18 11 «про -.56 .0015 |

    Standardized Residuals N (0,1) Mean: .86 S.D .: 1 Output written to З: \ ttIKSTEPS \ eK4nples \ 204J668US CODES- 012

    Heasures constructed: use "Diagnosis" and "Outpu

    O * TXT

    Tables "Renus

    Мал. 2. Початок аналізу в програмі Ministeps. таблиці збіжності

    даних

    грами, збережіть їх і виберіть в пункті меню «Файл» ( «File») опцію «Вихід, потім запуск Winsteps» ( «Exit, then Restart Winsteps»).

    Після опису даних слідують таблиці збіжності даних (Convergance table) (рис. 2) 2. Візуально таблиця розбита на дві частини. колонки

    верхньої частини таблиці мають такі значення.

    PROX ITERATION - алгоритм нормального наближення для початкового обчислення витраченого часу для підрахунку оцінок. Коротко суть алгоритму можна описати так: PROX - це обчислювальний процес, досить про-

    2 '20 10

    е

    У даній статті ми будемо спиратися на файл даних example0.txt, який наведено в папці examples каталогу Winsteps кореневого каталогу З.

    Hn

    виміру

    -е-

    Wright B.D., Masters G.N. Rating Scale Analysis. Chicago: MESA Press, 1982. 206p

    Для дихотомічної шкали це значення дорівнює 2.

    стій для ручного вичісленія3. Все, що необхідно PROX для оцінювання випробовуваних і тестових завдань, - це колонка результатів випробовуваних і рядок результатів для завдань. Передбачається, що рівень знань у вибірці і труднощі завдання наближено розподілено по нормальному закону.

    Продовжуємо опис таблиці.

    ACTIVE COUNT - число «екстремальних» елементів, які були виключені з подальшого аналізу даних через їх абсолютного / нульового рахунку.

    PERSONS (може бути використано KIDS або PUPLES в залежності від того, як ви описали свої дані в контрольному файлі) - значення ACTIVE COUNT для випробовуваних. З малюнка 2 видно, що на першому кроці алгоритму Prox число випробовуваних було 75, на другому - 74, отже, один випробуваний був виключений з подальшого аналізу.

    ITEMS (може бути використано ACTS, в залежності від того, як ви описали свої дані в контрольному файлі) - значення ACTIVE COUNT для тестових завдань. 25 тестових завдань.

    CATS - кількість категорій в оціночної шкале4. Шкала має три категорії оцінювання 0-1-2 (dislike - neutral - like).

    EXTREME 5 RANGE - розмах даних між середніми арифметичними п'яти кращих і п'яти найгірших випробовуваних.

    PERSONS - розмах між середнім значенням підготовленості п'яти досліджуваних з високим рівнем підготовки і п'яти досліджуваних з низьким рівнем підготовки.

    ITEMS - розмах між середнім значенням труднощі п'яти найважчих завдань і п'яти найлегших завдань.

    MAX LOGIT CHANGE - зміна значення логіт труднощі завдань в результаті ітерацій.

    MEASURES (одиниця виміру) - максимальне значення логіт для випробовуваних. Це значення зазвичай поступово зменшується до певного рівня збіжності, але не менше значення критерію LCONV =. Це значення може включати в себе не більше двох знаків після коми, тому зміна в 0,005 логіт може не відбитися на підсумковому значенні цього критерію. Встановлено, що дане значення в логіт для випробовуваних має зменшуватися з кожним кроком.

    Для більш зрозумілою інтерпретації даного значення звернемося до терміну «convergence considerations» (збіжність аналізу) - це питання визначення якості результа-

    -e-

    тов уточнюючого шкалювання параметрів досліджуваних та завдань методом максимальної правдоподібності. Щоб завершити процес обчислення критерію сумісності, використовуйте клавіші Ctrl + F. Якщо ви сумніваєтеся в прийнятті такого рішення, встановіть більш вузьке значення критерію збіжності для свого підсумкового звіту, наприклад:

    CONVERGE = B; both LCONV = and RCONV = apply

    LCONV = .0001; largest logit change .0001 logits

    RCONV = .01; largest score residual .01 score points

    MJMLE = 0; unlimited JMLE iterations

    І будьте готові зупинити ітерації вручну, якщо це знадобиться, використовуючи опцію «Finish Iterating» або Ctrl + F в пункті меню File. Це пов'язано з тим, що модель Раша є нелінійної. Отже, вимірювання не можуть бути зроблені негайно і дуже точно, як це передбачає рішення лінійного рівняння. І навпаки, оцінка може бути результатом вгадування правильної відповіді. Робота програми Ministeps будується на вихідному припущенні, що всі випробовувані мають рівний рівень підготовленості і всі тестові завдання мають однаковий рівень складності. Очікувані відповіді, побудовані на даному припущенні, срав-

    Нива з реальними даними. Деякі випробовувані мають більш високий рівень підготовленості, ніж очікувалося, деякі менший. Деякі тестові завдання виявилися більш складними, деякі більш легкими. Нове припущення, тобто оцінка, розуміється як реальний рівень підготовленості випробуваного і рівень складності завдання, а також як категорії оцінювання оціночної шкали, як найбільш значущі для процесу вимірювання по моделі Раша.

    Дані знову порівнюються. Це і є «цикл», «крок» ( «iteration») перевірки. Очікувані результати порівнюються з реальними і обчислюється виправлена ​​оцінка. Цей процес триває до тих пір, поки оцінка не стає менше, ніж зазначено в значенні критерію LCONV =, або поки найбільша різниця між загальним балом і очікуваним його значенням не стане менше значення, зазначеного в критерії RCONV =. Чіткі правила зупинки циклу перевірки позначені в критерії CON-VERGE =. Коли оцінки стають «досить хорошими», вважається, що ітераційний процес «зійшовся» (звідси пішла назва - критерій збіжності). Ітерації припиняються. Обчислюються статистичні значення і починається формування звітів.

    Hn

    виміру

    Існують стандартні критерії збіжності, які підходять як для невеликих, так і для середніх обсягів даних. LCONV = важче зіставити з малими обсягами даних і з даними, де оцінки мають великий розкид, RCONV = - з великими обсягами даних.

    «Найменшими елементами збіжності» (випробовувані, тестові завдання) є ті з них, які Ministeps важко оцінити. Це відбувається не тому, що їх відповіді не відповідають моделі, а тому що вони є екстремальними (в разі, якщо в векторах-рядках випробовуваних все нулі або одиниці). Погодьтеся, найбільш складно обчислити рівень підготовленості того випробуваного, який відповів правильно тільки на 1 з 20 завдань, ніж того, хто відповів на 10 з 20 завдань. Це тому, що модель Раша порівнює реальні дані з моделлю.

    Далі, після зробленого порівняння, дані оцінюються для встановлення відповідності моделі. Цей процес аналогічний лінійної регресії. Параметри оцінюються на відповідність лінійної регресійної моделі даних. Потім визначається місце, які займають дані. Це є останнім етапом визначення екстремального значення експериментальних величин.

    Для подальшого розуміння процесу проведеного програмою Ministeps аналізу пояснимо значення терміна «Anchored analysis» (аналіз закріплених даних). Закріплене значення (anchor) завжди різниться з поточними даними то тих пір, поки не буде з ними пов'язане. Тому залишки ніколи не будуть рівні 0. Збіжність здійснюється до того, як значення логіт стає мізерно мало. Таким чином, RCONV = стає марним і застосовується LCONV =. Пропонується приблизне значення параметрів:

    CONVERGE = L; only LCONV is operative

    LCONV = .005; smaller than visible in standard, two decimal, output.

    Деякі шаблони представлення даних вимагають вкрай щільного розташування чисел один від одного. І ці критерії набувають важливого значення для тих даних, де є пропуски. Наприклад, для вертикально розташованого шаблону для 5 тестових завдань збіжність досягається при 85 ітераціях. Але якщо затягнути процес, тобто використовувати найменші значення критеріїв LCONV = і RCONV =, то збіжність можна досягти після 400 ітерацій. Подальші ітерації не мають сенсу, так як математична точність для цих даних вже була досягну-

    e

    та. На рис. 3 показано порівняння рівня складності тестових завдань для 5 тестових завдань, оцінених за допомогою стандартного і строго заданого критерію збіжності.

    CONVERGE = B LCONV = .001; 10 time stricter than usual

    RCONV = .01; 10 times stricter than usual

    Пам'ятайте, що збіжність може зажадати великої кількості ітерацій і може знадобитися ваше втручання для завершення процесу або Ctrl + F. приклад:

    CONVERGE = B LCONV = .001; 10 time stricter than usual

    RCONV = .01; 10 times stricter than usual

    Продовжуємо опис таблиці збіжності.

    STRUCTURE - максимальне значення логіт, яке змінюється при кожній оцінці вимірювань, не може бути настільки мало як MEASURES.

    Друга частина таблиці збіжності відокремлена рядком «Перевірка пов'язаності»

    ( «Checking Connectivity»). Однак дані можуть мати кілька варіантів зв'язку, як це показано в табл. 1. Ministeps оцінює кожного випробуваного і його рівень підготовленості, кожне тестове завдання і його рівень складності всередині

    Мал. 3. Порівняння критеріїв збіжності

    2 '20 10

    е

    87

    Hn

    виміру

    -е-

    Fischer G.H., Molenaar I.W. (Eds.) Rasch models: foundations, recent developments, and applications.

    New York: SpringerVerlag. 1995. p. 41-43.

    однією взаємопов'язаному сукупності даних. Зазвичай так повинно відбуватися, проте існують виключення. Дані можуть не задовольняти певним умовам ( «well-conditioned») 5.

    Наявність екстремальних значень (нульових і абсолютних) у вимірах означає, що наші дані вийшли за рамки стандартних зв'язків. Ministeps користується байєсівської логікою (Bayesian logic), щоб перевірити вимірювання на відповідність стандартним зв'язків. Найбільш скрутні ситуації описані у файлі Examsubs.txt папки «examples» каталогу «Winsteps»:

    Title = "Example of subset reporting»

    Namel = 1 Iteml = 9 NI = 10 &End

    Item 1 dropped as extreme perfect score

    Item 2 in subset 2

    Item 3 in subset 2

    Item 4 in subset 3

    Item 5 in subset 3

    Item 6 has a Guttman pattern:

    item subset 1

    Item 7 in subset 5

    Item 8 in subset 5

    Item 9 in subset 6

    Item 10 in subset 6

    END LABELS

    Alf 100000 extreme score Ben 101001 Carl 110001 David 111011

    ; drops with

    ; subset 2; subset 2; subset 3

    Таблиця 1

    -e-

    -e-

    Edward 111101; subset 3 Frank 011; subset 4 George 001; subset 5 Henry 010; subset 5 Ivan 01; subset 6

    Jack 10; subset 6

    Тест складається з 10 тестових завдань. На перше тестове завдання все випробовувані дали правильну відповідь, тому воно було розцінено як екстремальне і не враховувалося при подальшому аналізі даних. Перший випробуваний Alf дав невірні відповіді на всі неекстремальні завдання і так само був виключений з подальшого аналізу.

    Таким чином, видалено завдання № 1 і випробуваний Alf.

    Підмножина № 1: Тестове завдання № 6 підходить під модель Гутмана (Guttman pattern), яка проводить відмінності між тими, хто правильно відповів на дане тестове завдання, і тими, хто відповів неправильно, без співвіднесення з відмінностями в даних. Таким чином, виходить дистанція, рівна невідомої величиною логіт між тими, хто відповів правильно на тестове завдання № 6, і тими, хто відповів неправильно. Отже, рівень складності тестового завдання № 6 не визначений.

    Решта підмножини включають в себе вимірювання, які можуть бути виміряні безпосередньо в самому підмножині, однак будуть мати

    дистанцією невідомої величини від випробовуваних до тестових завдань в інших подмножествах.

    Підмножина 2: Тестові завдання № 2, 3 і випробувані Ben, Carl.

    Підмножина 3: Тестові завдання № 4, 5 і випробувані David, Edward.

    Підмножина 4: Випробуваний Frank.

    Підмножина 5: Тестові завдання № 7, 8 і випробувані George, Henry.

    Підмножина 6: Тестові завдання № 9, 10 і випробуваний Jack.

    За даних обставин Ministeps виводить для звіту один з безлічі варіантів можливих рішень. Значення статистичних даних і стандартної помилки зазвичай вірно. Коефіцієнт надійності випадковий. Порівняння при вимірах всередині підмножини є вірними. Перехресні порівняння в безлічі є випадковими. Вибір методу рішення, ймовірно, залежить від закріплених даних (anchor), рівнозначних за рівнем складності тестових завдань (або двом рівнозначним за рівнем підготовленості випробуваним). У різних подмножествах для отримання рівних значень або підгонки закріпленого значення (anchor) справи-

    Hn

    виміру

    -e-

    ється рівними значення кожного підмножини (або будь-якого з підмножин). Або ж необхідно проводити роздільний аналіз даних. або

    потрібно скласти реальну або ж навчальну матрицю відповідей, що складається з 0 і 1.

    У звіті ці дані розміщуються посередині екрану:

    WARNING: DATA MAY BE AMBIGUOUSLY CONNECTED INTO 6 SUBSETS

    SUBSET 1 OF 1 ITEMS includes ITEM 6: Item 6

    SUBSET 2 OF 2 PERSONS includes ITEM 2 and PERSON 2: Ben

    SUBSET 3 OF 2 PERSONS includes ITEM 4 and PERSON 4: David

    SUBSET 4 OF 1 PERSONS includes PERSON 6: Frank

    SUBSET 5 OF 2 PERSONS includes ITEM 7 and PERSON 7: George

    SUBSET 6 OF 2 PERSONS includes ITEM 9 and PERSON 9: Ivan

    У звіті програма Ministeps формує список номерів та імен випробовуваних для кожної підмножини, завдяки чому ви можете порівняти їхні відповіді.

    Звернемося до наступного елементу таблиці.

    JMLE (joint maximum likelihood estimation) - даний алгоритм використовується для більш точного вимірювання. Параметри оцінки для тестових завдань прописані в IAFILE =, для випробовуваних - в PAFILE = і для структури відповіді - в SAFILE =.

    Тестові завдання, що задовольняють критеріям алгоритму JMLE, можуть мати як закріплені значення (anchored), так і незакріплені (unanchored), які мають абсолютно однакову структуру. Єдина відмінність полягає в тому, що закріплені значення (anchored) не змінюються після кожної ите-

    рації, в той час як незакріплені (unanchored) змінюються. Алгоритм JMLE сходиться, коли «підраховані бали вимірювань = очікуваним балам, заснованим на даних оцінках». Для закріпленого значення (anchored) цей критерій збіжності ніколи не зустрічається, проте значення статистичних даних підраховується і включається в звіт програмою Ministeps. Збіжність заснована на незакріплені (unanchored) оцінках.

    Для того, щоб зафіксувати вимірювання тестових завдань (або випробовуваних) в порядку, отриманому в поточному аналізі, потрібно використовувати попередньо закріплене значення (anchor). Даний порядок можна застосовувати при будь-якому іншому аналізі, користуючись формою «загальне тестове завдання» ( «common item») або «загальний випробовуваний» ( «common per-

    -e-

    son »). На відміну від «загальних» методів, в яких набір даних сприяє визначенню рівня складності тестового завдання, набір даних із закріпленим значенням (anchored) не впливає на дані значення. Зазвичай застосування тестових завдань із закріпленим значенням (anchored) (або випробовуваних) не вимагає обчислення будь-яких формул або використання констант. В процесі закріпленого аналізу рівень підготовленості випробуваного обчислюється на основі закріпленого значення (anchored) рівня складності тестового завдання. Отримані значення рівня підготовленості випробуваного використовуються для обчислення рівня складності всіх незакріплені (non-anchored) тестових завдань. Далі все незакріплені (non-anchored) тестові завдання і випробувані перераховуючи-ються до тих пір, поки не буде досягнутий найкращий сумарний тестовий бал. Різниця між закріпленої величиною і величиною, отриманою при оцінці поточних даних, може бути записана в звіті як зміщення (displacements). Стандартні помилки, що асоціюються зі зміщенням, можуть використовуватися для обчислення приблизної t-статистики і перевірки гіпотези, заснованої на припущенні, що зміщення обумовлено тільки помилкою обчислення.

    ITERATION (крок, цикл) - час, через яке ваші дані перераховуються. Зазвичай достатньо 100 кроків, рідко коли ця цифра перевищується.

    MAX SCORE RESIDUAL - максимальне значення залишку (різниці між загальним балом і очікуваним) для будь-якого випробуваного або тестового завдання - використовується для порівняння з значення RCONV =. Це число зменшується до тих пір, поки це допустимо сходимостью. Знак «*» вказує, хто з випробовуваних або яке з тестових завдань мають залишок.

    MAX LOGIT CHANGE - максимальне значення зсуву логіт для будь-якого випробуваного або тестового завдання - використовується для порівняння зі значенням LCONV =. Це число зменшується до тих пір, поки це допустимо сходимостью.

    LEAST CONVERGED (найменша збіжність) - входить до складу чисел, які зустрічаються в звіті для випробовуваних, тестових завдань і категорій при подальшому використанні критерію збіжності. Знак «*» вказує, яке з двох значень випробуваного або тестового завдання сходиться в найбільшою мірою. Стовпець CAT (category - категорія) може бути не пов'язаний зі стовпцем ITEM, що знаходяться зліва. Детальніше можна дізнатися, розглянувши табл. 3.2, що описує ці особливості. щоб

    ПЕД 1

    1 вимірювання |

    e

    92

    знайти опис табл. 3.2., Скористайтеся пунктом меню «Допомога» ( «Help») опцією «Зміст» ( «Contents»), в який з'явився списку виберіть «Таблиці виведення» ( «Output tables») і далі знайдіть номер потрібної вам таблиці (рис. 4).

    Наступний стовпець таблиці має назву CATEGORY RESIDUAL (залишок категорії), що означає максимальне значення залишку (різниця між загальним балом, отриманим при вимірюванні, і десятковим очікуваним значенням)

    для будь-якої структури категорії. Це значення мало, проте показник менше, ніж 0,5, не важливий для дослідження.

    STRUCTURE CHANGE - максимальне значення логіт для будь-якої градації. Не використовується для визначення збіжності, наводиться для вашої інформації. Дане значення вкрай мало.

    Після таблиці наводиться рядок «Standardized

    Residuals », в якій дані перевіряються на відповідність нормальному розподілу.

    пок&запГ "] Друк ... | Скасування Рис. 4. Пошук таблиці 3.2

    е

    20 10

    Значний відступ від значення 0,0 і стандартне відхилення зі значення 1,0 показують, що ваші дані не задовольняють умовам моделі Раша, за якими дані повинні мати нормальний розподіл.

    Після формування таблиці збіжності програма Ministeps може описати процес створення звітів і таб-

    осіб виведення, графіків і малюнків. Кількість записів залежить від обсягу контрольного файлу. В кінці обробки ваших даних з'явиться рядок «Measures constructed - use« Diagnosis »and« Output Tables menu », згідно з якою для візуалізації звіту потрібно скористатися зазначеними пунктами меню програми.


    Ключові слова: програма Ministep / контрольний файл / таблиця збіжності даних / критерій збіжності / збіжність аналізу / аналіз закріплених даних / перевірка пов'язаності

    Завантажити оригінал статті:

    Завантажити