Критерий достоверности относится к тому, насколько хорошо измерение одной переменной может предсказать реакцию другой переменной.
Одна переменная называется объясняющей переменной , а другая переменная называется переменной критерия .
Например, мы можем захотеть узнать, насколько хорошо некоторые вступительные экзамены в колледж могут предсказать средний балл студентов за первый семестр.
Вступительный экзамен будет объясняющей переменной, а критериальной переменной будет средний балл за первый семестр.
![Критерий достоверности](https://www.codecamp.ru/content/images/2020/12/criterionValidity1.png)
Мы хотим знать, допустимо ли использование этой конкретной объясняющей переменной в качестве способа предсказания переменной критерия.
Как измерить валидность критерия
Обычно мы измеряем достоверность критерия с помощью такого показателя, каккоэффициент корреляции Пирсона , который принимает значение от -1 до 1, где:
- -1 указывает на совершенно отрицательную линейную корреляцию между двумя переменными
- 0 указывает на отсутствие линейной корреляции между двумя переменными
- 1 указывает на совершенно положительную линейную корреляцию между двумя переменными.
Чем дальше коэффициент корреляции от нуля, тем сильнее связь между двумя переменными.
Например, если мы соберем данные о баллах вступительных экзаменов и среднем балле за первый семестр для 1000 студентов и обнаружим, что корреляция между двумя переменными составляет 0,843 , это будет означать, что две переменные сильно коррелированы.
Другими словами, студенты, набравшие высокие баллы на вступительных экзаменах, как правило, получают высокие баллы среднего балла в течение первого семестра. И наоборот, студенты, получившие низкие баллы на вступительных экзаменах, как правило, получают низкий средний балл в течение первого семестра.
Типы критерия достоверности
Существует два основных типа валидности критериев:
1. Прогностическая достоверность
Первый тип валидности критерия известен как прогностическая валидность, которая определяет, может ли измерение одной переменной точно предсказать измерение некоторой переменной в будущем.
Предыдущий пример измерения балла студента на вступительных экзаменах в колледж и его среднего балла за первый семестр является примером измерения прогностической достоверности, поскольку мы измеряем две переменные в разные моменты времени.
Другими словами, мы пытаемся определить, могут ли баллы на вступительных экзаменах предсказать средний балл за первый семестр.
![Пример прогностической достоверности](https://www.codecamp.ru/content/images/2020/12/criterionValidity2.png)
2. Параллельная действительность
Второй тип валидности критерия известен как параллельная валидность, при котором измеряются две переменные одновременно (т. е. в одно и то же время), чтобы увидеть, существенно ли связана одна переменная с другой.
Примером этого может быть, если компания проводит какой-либо тест, чтобы увидеть, коррелируют ли результаты теста с производительностью сотрудников.
![Пример одновременной действительности](https://www.codecamp.ru/content/images/2020/12/criterionValidity3.png)
Преимущество этого подхода заключается в том, что нам не нужно ждать определенного момента в будущем, чтобы провести измерение интересующей нас переменной критерия.