缺失数据比率和处理方法对非随机缺失数据能力参数估计准确性的影响

探讨了IRT背景下非随机缺失数据的合适处理方法.采用IRTLAB模拟产生50批500个被试在20个0-1记分项目上的反应数据,产生了不同比率的MNAR; 再用IN、NP、FR、CM、MI和EM共6种方法分别处理MNAR,使用BILOG-MG软件估计被试的能力参数,并计算在不同条件下各种方法的BIAS、BIAS_abs、R_(θ,θ^∧)和RMSE.研究发现:随着缺失比率的增加,参数误差越来越大; FR会导致IRT参数估计产生较大的误差,且不稳定,而MI与EM算法则相对稳定; 综合BIAS和RMAE等几个指标,NP在处理MNAR时产生的误差较小也更稳定.因此,在IRT背景下估计被试能力参数时,应选择NP、MI或EM方法处理缺失数据     

基于IRT参数估计的两种初始估计

在项目反应理论(IRT)框架下,主要任务是对被试进行能力参数估计和项目参数估计。由于参数估计主要是极大似然法,而这种方法用到Newton—Raphson的多重迭代,因此,初始估计的精度要求较高。本文使用两种估计作为(IRT)的初始估计能使迭代较快收敛,对参数估计起到很好的作用。     

认知诊断模型参数估计算法比较

该文在不同条件的组合下考查了EM算法和MCMC算法对3种常用的认知诊断模型(DINA模型、DINO模型和G-DINA模型)的参数估计返真性问题.借助项目参数或作答概率分布的偏差、均方根误差、平均绝对离差以及被试的平均属性判准率等指标,评价这2类算法的表现.模拟研究结果表明:MCMC算法更适用于低质量题目、小样本、测验短的条件,而在其他条件下EM算法的表现与MCMC算法的表现相当.     

称名反应模型项目参数的打折似然估计方法

项目反应理论(Item response theory, IRT)是教育心理测量理论中发展较快的理论之一,称名反应模型是IRT中一个基本的项目反应模型. 该文借助2015年de la Torre提出的一种参数估计方法—打折似然方法,将它与拟牛顿法中的BFGS方法结合对称名反应模型的参数进行估计. 模拟研究表明：新的估计方法可有效地减少计算量.     

初值对2PLM下MCMC参数估计影响的评价

针对马尔科夫链蒙特卡洛(MCMC)做参数估计因初值不好而链长太长且耗时太久的缺陷,利用MonteCarlo模拟进行研究,结果发现:使用MCMC进行估计项目反应理论中2PLM的未知能力参数和项目参数,当样本量或项目量较大,且链长较短时,初值作用明显,比较准确的初值估计精度更高.这个发现可以在一定条件下,弥补MCMC耗时太久的缺陷.     

用修正的MDIE估计IRT中未知参数

该文选择了一种极小判别信息估计(MDIE)方法,用于项目反应理论中参数估计.根据项目反应理论的思想将MDIE中观察的离散概率分布向量由EM算法中的人工数据导出,得出一种新的估计方法,称之为MDIE/EM.Monte Carlo模拟显示对于被试人数多、项目个数中等情形,以估计精度为评价指标,新估计方法优于BILOG给出的估计.     

经典测验理论与项目反应理论的对比研究

经典测验理论(CTT)的主要缺点有对测题难度、区分度及测验信度的估计依赖于被试组,对被试能力的估计依赖于所使用的测验题目,只提供平均测量精度等．而项目反应理论(IRT)则有参数不变性的优点,并能给出不同水平被试的测量精度．CTT有使用方便的优点,而IRT的理论体系尚需进一步完善．二者将互相促进,共同发展.     

GIRT的2参数模型的参数估计——兼与IRT的比较

探讨了GIRT的2参数模型参数估计的稳健性和估计精度,并探讨了GIRT与IRT下的2参数模型估计结果的一致性.研究结果发现:在小规模评估时,GIRT的2参数模型参数估计具有较强的稳健性和较好的估计精度;与IRT框架下同类模型的估计精度相比,2个模型的估计精度相近.表明GIRT模型是一种可供选择的、可行的、有效的群体评估方法.     

基于Box-Cox变换的双层联合模型

应用两参数正态双卵模型,对反应时间数据建立了关于项目反应与反应时间的分层联合模型.利用Box-Cox变换,完成了基于马尔科夫链蒙特卡洛算法(MCMC)的贝叶斯方法参数估计;应用偏差信息准则(DIC)比较了不同模型对数据的拟合效果,验证了对反应时间数据做Box-Cox变换之后其正态性效果要明显优于对数变换.     

计算机化自适应测验技术在情绪智力智能测评中的初步应用——基于项目反应理论

在项目反应理论(IRT)框架下,采用计算机化自适应测验技术实现对情绪智力的智能测评.基于IRT系列分析(含单维性检验、模型拟合检验、局部独立性检验以及项目质量分析),构建了符合IRT测量学要求的情绪智力测评的题库,并以此为基础探讨了计算机化自适应测验技术在情绪智力智能测评(CAT-EI)中的应用.实验结果表明:(i)CAT-EI相关算法具有较高的参数估计精度,同时具有较理想的测量信度和效度;(ii)CAT-EI可使用较少的题量(M_ean=9.88题)达到使用整个题库(67题)的测量精度,它一方面能做到减轻被试的测试负担,另一方面实现了对情绪智力高效、快速、准确的智能测评.总之,该研究为实现对情绪智力智能测评提供了一种新的测量技术支持.