SlideShare ist ein Scribd-Unternehmen logo
1 von 20
Varijable i mjerenje
Kvantitativne metode istraživanja
dr. sc. Dario Pavić
Mjerenje i varijable - definicije
• Mjerenje je proces povezivanja apstraktnih koncepata s empirijskim
pokazateljima
• Primjer: mjerenje temperature
• Dio operacionalizacije: povezivanje koncepata s operacijama mjerenja
• Kada konceptualiziramo, mi specificiramo što mislimo pod nekim pojmom.
• Kada operacionaliziramo, identificiramo specifična mjerenja koja ćemo
poduzeti kako bi pokazali određeni koncept u empirijskoj stvarnosti.
• Indikator (pokazatelj) je pitanje ili druga radnja koja se koristi da bi se
pokazala (indicirala) vrijednost određenog slučaja za neku varijablu.
• Varijabla – svojstvo koje može varirati
Odnos koncepata, varijabli i pokazatelja
Pokazatelji u anketnom upitniku
1. Zatvorena (fixed-choice) pitanja – pitanja s unaprijed ponuđenim izborom
odgovora koje ispitanik zaokružuje ili ispunjava.
• Gdje ste bili sinoć između 23h i 1h?
a) U kinu
b) Doma
c) Na faksu
d) U crkvi
e) Drugdje
• Odgovori moraju biti međusobno isključivi i iscrpivi.
• Isključivi – svaki slučaj može imati samo jednu vrijednost odgovora (Ne možeš biti
i doma i na faksu, osim ako ne živiš na faksu, ali onda imaš ozbiljnih problema.)
• Iscrpivi – odgovori moraju iscrpiti sve mogućnosti (vrijednosti) varijable – moraš
se negdje „pronaći” u odgovorima.
Pokazatelji u anketnom upitniku
2. Otvorena (open-ended) pitanja – ispitanik sam upisuje odgovor
(vrijednost) na pitanje.
• Prednosti i nedostatci otvorenih i zatvorenih pitanja?
• Može li jedna varijabla imati više pokazatelja?
• Triangulacija – korištenje dvije ili više mjera iste varijable.
Stupnjevi (skale) mjerenja
• Stupnjevi (skale) mjerenja – matematička preciznost s kojom
vrijednosti varijable mogu biti prikazane
• Nominalna skala
• Ordinalna skala
• Intervalna skala
• Omjerna skala
Nominalna i ordinalna skala
• Nominalna – vrijednosti varijable nemaju matematičku interpretaciju.
Variraju u kvaliteti, ne u stupnju. Npr. spol.
• Ordinalna – vrijednosti varijable specificiraju samo redoslijed
vrijednosti i omogućuju samo usporedbu „veće od” i „manje od”. –
npr. stupanj školovanja (osnovna škola, srednja škola…).
• Likertova skala? Vidi dalje.
Intervalna skala
• Vrijednosti varijable (numeričke vrijednosti) prikazuju fiksne mjerne
jedinice, ali nemaju apsolutnu, fiksnu nulu.
• Malo je stvarnih intervalnih varijabli u društvenim znanostima, tako
da se često varijable mjerene na ordinalnoj skali prikazuju kao da su
mjerene na intervalnoj skali, zbog mogućnosti matematičkih operacija
na varijablama.
• Vrijednosti na intervalnoj skali se mogu zbrajati i oduzimati, no ne
mogu se utvrđivati omjeri. Npr. Temperatura od 20°C je za deset
stupnjeva viša od 10°C, ali ne smatra se da je 20°c dvostruko toplije
od 10°C.
Omjerna skala
• Vrijednosti varijable (numeričke vrijednosti) prikazuju fiksne mjerne
jedinice, s apsolutnom nulom.
• Npr. težina studenta.
• U teoriji netko može težiti 0 kg.
• Netko tko ima 50kg je upola teži (lakši?) od onoga koji ima 100kg.
Skale slikovno
Svojstva mjernih skala
Važno!!!
• Skale mjerenja određene varijable nisu nešto zadano, nešto što
postoji „tamo negdje” u prirodi, kao činjenica.
• Istraživači biraju skalu mjerenja za određenu varijablu u procesu
operacionalizacije varijabli.
• U pravilu, trebalo bi birati „najvišu” moguću skalu mjerenja. Zašto?
• Problemi – npr. prihod domaćinstva.
Valjanost i pouzdanost mjerenja
• Valjanost (točnost) – različite definicije, ali evo: koliko neki koncept,
zaključak ili mjera odgovara stvarnom svijetu, tj. koliko dobro mjeri
ono što tvrdi da mjeri.
• Npr. Koliko ocjene na mjernoj skali od 1-5 dobro mjere znanje
studenata?
• Kako to utvrditi? Izravno, nikako. Jer imamo uvid u znanje studenta
samo preko (u ovom slučaju samo) naše mjere, tj. ocjene.
Izravna (face) valjanost
• Koliko se čini da je mjera valjana „na prvu loptu”
• Mjera je valjana „na prvu loptu” ako je očito povezana s konceptu za
kojeg tvrdi da ga mjeri više nego s nekim drugim konceptima
• Primjer: broj popijenih pića u proteklom tjednu je „na prvu loptu”
valjana mjera potrošnje alkohola.
• Samo početna točka.
• Oprezno s njom!
Sadržajna (content) valjanost
• Sadržajna valjanost utvrđuje mjeri li mjera cijeli obim (spektar)
koncepta.
• Primjer: Kada analiziramo sadržajnu valjanost upitnika o zadovoljstvu
studenata studiranjem na Hrvatskim studijima, ta analiza mora
pokazati da naš upitnik mjeri sve aspekte zadovoljstva studiranjem na
HS (zadovoljstvo svim službama, odnosom profesor-student,
ocjenjivanjem, kvalitetom nastave…).
• Ako ne mjeri sve te aspekte, naš upitnik nije sadržajno valjan jer
ispušta bitne elemente sadržaja koncepta zadovoljstva…
Kriterijska valjanost
• Kriterijska valjanost mjerenja se utvrđuje tako da se rezultati mjerenja
dovedu u korelaciju s nekom drugom varijablom (kriterijem) koja
mjeri isti fenomen, a za koju je već utvrđena valjanost. Ukoliko je naša
mjera visoko korelirana s kriterijskom varijablom, možemo smatrati da
je naše mjerenje (mjera) kriterijski valjana.
• Primjeri: self-reported količina popijenog alkohola se može usporediti
s količinom alkohola u krvi.
• Dvije varijante:
1. Istodobna (concurrent) valjanost – obje varijable mjerene istodobno
2. Prediktivna valjanost – kriterij se mjeri u budućnosti (IQ-ocjene)
Konstruktna valjanost
• Koliko je naša mjera, upitnik i dr. (konstrukt) povezana s drugim mjerama
specificiranima u teoriji.
• Npr. Koliko je mjera ovisnosti povezana s drugim mjerama koje bi prema
teorijama i drugim istraživanjima mogle biti povezane s ovisnošću; npr. s
obiteljskim problemima, medicinskim problemima, pravnim problemima…
• Dva pristupa:
1. Konvergentna valjanost – stupanj do kojeg je mjera korelirana s onim
mjerama s kojima bi, prema teoriji, trebala biti korelirana, tj. mjerama
sličnog koncepta.
2. Diskriminantna valjanost – mjera se uspoređuje s različitim, ali
povezanim konceptima. Ne bi smjela biti korelirana s mjerama koje
mjere drugi koncept.
Pouzdanost mjerenja
• Pretpostavlja da procedura mjerenja daje konzistentne rezultate kada
se fenomen koji se mjeri ne mijenja.
• Preduvjet za valjanost; ne možemo mjeriti pojavu ako nam mjerni
instrument ne daje konzistentne rezultate.
• Ponovno testiranje - Test-retest pouzdanost
• Unutarnja konzistentnost
• Pouzdanost alternativnih oblika
• Pouzdanost između promatrača (objektivnost opažača)
Test-retest pouzdanost
• Pouzdanost koja se dobije ukoliko su rezultati mjerenja fenomena u
dvije vremenske točke (pod uvjetom da se fenomen ne mijenja)
međusobno visoko korelirani.
• Primjer: Test znanja danas i nakon dva mjeseca pod uvjetom da
ispitanik nije u međuvremenu učio, trebao bi dati slične rezultate
• Može se ocjenjivati i ocjenjivača, a ne samo ispitanika.
Unutarnja konzistentnost i pouzdanost
alternativnih oblika
• Ako više pitanja mjeri neki koncept, ta pitanja bi trebala biti
međusobno korelirana - unutarnja konzistentnost

Weitere ähnliche Inhalte

Empfohlen

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Applitools
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at WorkGetSmarter
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...DevGAMM Conference
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationErica Santiago
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellSaba Software
 

Empfohlen (20)

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
 

Varijable_i_mjerenje.pptx

  • 1. Varijable i mjerenje Kvantitativne metode istraživanja dr. sc. Dario Pavić
  • 2. Mjerenje i varijable - definicije • Mjerenje je proces povezivanja apstraktnih koncepata s empirijskim pokazateljima • Primjer: mjerenje temperature • Dio operacionalizacije: povezivanje koncepata s operacijama mjerenja • Kada konceptualiziramo, mi specificiramo što mislimo pod nekim pojmom. • Kada operacionaliziramo, identificiramo specifična mjerenja koja ćemo poduzeti kako bi pokazali određeni koncept u empirijskoj stvarnosti. • Indikator (pokazatelj) je pitanje ili druga radnja koja se koristi da bi se pokazala (indicirala) vrijednost određenog slučaja za neku varijablu. • Varijabla – svojstvo koje može varirati
  • 4. Pokazatelji u anketnom upitniku 1. Zatvorena (fixed-choice) pitanja – pitanja s unaprijed ponuđenim izborom odgovora koje ispitanik zaokružuje ili ispunjava. • Gdje ste bili sinoć između 23h i 1h? a) U kinu b) Doma c) Na faksu d) U crkvi e) Drugdje • Odgovori moraju biti međusobno isključivi i iscrpivi. • Isključivi – svaki slučaj može imati samo jednu vrijednost odgovora (Ne možeš biti i doma i na faksu, osim ako ne živiš na faksu, ali onda imaš ozbiljnih problema.) • Iscrpivi – odgovori moraju iscrpiti sve mogućnosti (vrijednosti) varijable – moraš se negdje „pronaći” u odgovorima.
  • 5. Pokazatelji u anketnom upitniku 2. Otvorena (open-ended) pitanja – ispitanik sam upisuje odgovor (vrijednost) na pitanje. • Prednosti i nedostatci otvorenih i zatvorenih pitanja? • Može li jedna varijabla imati više pokazatelja? • Triangulacija – korištenje dvije ili više mjera iste varijable.
  • 6. Stupnjevi (skale) mjerenja • Stupnjevi (skale) mjerenja – matematička preciznost s kojom vrijednosti varijable mogu biti prikazane • Nominalna skala • Ordinalna skala • Intervalna skala • Omjerna skala
  • 7. Nominalna i ordinalna skala • Nominalna – vrijednosti varijable nemaju matematičku interpretaciju. Variraju u kvaliteti, ne u stupnju. Npr. spol. • Ordinalna – vrijednosti varijable specificiraju samo redoslijed vrijednosti i omogućuju samo usporedbu „veće od” i „manje od”. – npr. stupanj školovanja (osnovna škola, srednja škola…). • Likertova skala? Vidi dalje.
  • 8. Intervalna skala • Vrijednosti varijable (numeričke vrijednosti) prikazuju fiksne mjerne jedinice, ali nemaju apsolutnu, fiksnu nulu. • Malo je stvarnih intervalnih varijabli u društvenim znanostima, tako da se često varijable mjerene na ordinalnoj skali prikazuju kao da su mjerene na intervalnoj skali, zbog mogućnosti matematičkih operacija na varijablama. • Vrijednosti na intervalnoj skali se mogu zbrajati i oduzimati, no ne mogu se utvrđivati omjeri. Npr. Temperatura od 20°C je za deset stupnjeva viša od 10°C, ali ne smatra se da je 20°c dvostruko toplije od 10°C.
  • 9. Omjerna skala • Vrijednosti varijable (numeričke vrijednosti) prikazuju fiksne mjerne jedinice, s apsolutnom nulom. • Npr. težina studenta. • U teoriji netko može težiti 0 kg. • Netko tko ima 50kg je upola teži (lakši?) od onoga koji ima 100kg.
  • 12. Važno!!! • Skale mjerenja određene varijable nisu nešto zadano, nešto što postoji „tamo negdje” u prirodi, kao činjenica. • Istraživači biraju skalu mjerenja za određenu varijablu u procesu operacionalizacije varijabli. • U pravilu, trebalo bi birati „najvišu” moguću skalu mjerenja. Zašto? • Problemi – npr. prihod domaćinstva.
  • 13. Valjanost i pouzdanost mjerenja • Valjanost (točnost) – različite definicije, ali evo: koliko neki koncept, zaključak ili mjera odgovara stvarnom svijetu, tj. koliko dobro mjeri ono što tvrdi da mjeri. • Npr. Koliko ocjene na mjernoj skali od 1-5 dobro mjere znanje studenata? • Kako to utvrditi? Izravno, nikako. Jer imamo uvid u znanje studenta samo preko (u ovom slučaju samo) naše mjere, tj. ocjene.
  • 14. Izravna (face) valjanost • Koliko se čini da je mjera valjana „na prvu loptu” • Mjera je valjana „na prvu loptu” ako je očito povezana s konceptu za kojeg tvrdi da ga mjeri više nego s nekim drugim konceptima • Primjer: broj popijenih pića u proteklom tjednu je „na prvu loptu” valjana mjera potrošnje alkohola. • Samo početna točka. • Oprezno s njom!
  • 15. Sadržajna (content) valjanost • Sadržajna valjanost utvrđuje mjeri li mjera cijeli obim (spektar) koncepta. • Primjer: Kada analiziramo sadržajnu valjanost upitnika o zadovoljstvu studenata studiranjem na Hrvatskim studijima, ta analiza mora pokazati da naš upitnik mjeri sve aspekte zadovoljstva studiranjem na HS (zadovoljstvo svim službama, odnosom profesor-student, ocjenjivanjem, kvalitetom nastave…). • Ako ne mjeri sve te aspekte, naš upitnik nije sadržajno valjan jer ispušta bitne elemente sadržaja koncepta zadovoljstva…
  • 16. Kriterijska valjanost • Kriterijska valjanost mjerenja se utvrđuje tako da se rezultati mjerenja dovedu u korelaciju s nekom drugom varijablom (kriterijem) koja mjeri isti fenomen, a za koju je već utvrđena valjanost. Ukoliko je naša mjera visoko korelirana s kriterijskom varijablom, možemo smatrati da je naše mjerenje (mjera) kriterijski valjana. • Primjeri: self-reported količina popijenog alkohola se može usporediti s količinom alkohola u krvi. • Dvije varijante: 1. Istodobna (concurrent) valjanost – obje varijable mjerene istodobno 2. Prediktivna valjanost – kriterij se mjeri u budućnosti (IQ-ocjene)
  • 17. Konstruktna valjanost • Koliko je naša mjera, upitnik i dr. (konstrukt) povezana s drugim mjerama specificiranima u teoriji. • Npr. Koliko je mjera ovisnosti povezana s drugim mjerama koje bi prema teorijama i drugim istraživanjima mogle biti povezane s ovisnošću; npr. s obiteljskim problemima, medicinskim problemima, pravnim problemima… • Dva pristupa: 1. Konvergentna valjanost – stupanj do kojeg je mjera korelirana s onim mjerama s kojima bi, prema teoriji, trebala biti korelirana, tj. mjerama sličnog koncepta. 2. Diskriminantna valjanost – mjera se uspoređuje s različitim, ali povezanim konceptima. Ne bi smjela biti korelirana s mjerama koje mjere drugi koncept.
  • 18. Pouzdanost mjerenja • Pretpostavlja da procedura mjerenja daje konzistentne rezultate kada se fenomen koji se mjeri ne mijenja. • Preduvjet za valjanost; ne možemo mjeriti pojavu ako nam mjerni instrument ne daje konzistentne rezultate. • Ponovno testiranje - Test-retest pouzdanost • Unutarnja konzistentnost • Pouzdanost alternativnih oblika • Pouzdanost između promatrača (objektivnost opažača)
  • 19. Test-retest pouzdanost • Pouzdanost koja se dobije ukoliko su rezultati mjerenja fenomena u dvije vremenske točke (pod uvjetom da se fenomen ne mijenja) međusobno visoko korelirani. • Primjer: Test znanja danas i nakon dva mjeseca pod uvjetom da ispitanik nije u međuvremenu učio, trebao bi dati slične rezultate • Može se ocjenjivati i ocjenjivača, a ne samo ispitanika.
  • 20. Unutarnja konzistentnost i pouzdanost alternativnih oblika • Ako više pitanja mjeri neki koncept, ta pitanja bi trebala biti međusobno korelirana - unutarnja konzistentnost