读项目反应理论基础摘记与总结

1、读项目反应理论基础摘记与总结IRT理论基础。1）基本假设（只有满足了这些假设，才可以使用IRT） （P13） a）作答反应反映了个体真实的行为表现。b）局部独立性c）模型潜在特质空间维度有限性假设。d）项目特征曲线的形式假设e）非速度测量假设。2）假设校验（验证是否可以使用项目反应理论）（P21）a）项目反应理论假设检验个体作答行为真实性检验a测验中是否存在大量未作答的题目b被试总体得分分部偏离 预先c答案形式上的规律ABC-ABC-ABCd回访e效度校验应用被试拟合统计量（PFS） 项目观察分数对数似然统计 量b）局部独立性假设校验Q3统计量c）特征空间维度检验一种测验单维性检验的非参数方法

2、d）项目特质曲线形式检验拟合性程度指标：皮尔逊卡方统计量：e）测验速度性检验3）项目反应理论模型4）项目反应理论参数估计（P38）极大似然估计牛顿-拉夫逊迭代贝叶斯估计解决项目反应理论中参数、能力值的计算。5）等值？ （ P67）等值是将测量同一心理特质的不同测验分数或项目参数，通过一定的设计和数据模型，转换到同一的单位系统中去的过程。解决测试同一能力不能任务参数的初值？能力分数的对比等等值设计（P69）描述了测验已经任务的设计原则。6）垂直量表化（P80）垂直量表化或垂直链接， 指的是在某个特质领域内， 在纵向发展的不同水平 （如年龄、年级）群体之间，建立关于全体和个体特质水平发展状况的评价

3、参考体系的过程。可以评价和发现个体或者群体的动态发展水平和趋势。7）信息量、信息函数（P91）0, 1题目类型使用联合极大似然估计的流程JAVA MIRT 库： HYPERLINK /meyerjp3/psychometrics /meyerjp3/psychometrics1）题库初始以及参数估计使KgfiX狐理性计章由粮型节期霓随目置行分灵、剧端.那送IL形成耳曾曜口内打，相关慢之将欲其中参数的初始，如果选取3参数模型，是默认题目试测数据为标准正太分布，被试能力初值为标准分T,初始难度为该题目的通过率，初始区分度为经典理论中项目的区分度，猜测系统为试题可选选项数的倒数。其中也可以参考书P4

4、5页中参数的初始值设定。网上其他系统的初始值:卷序初檀亶浇期蜡束篇目初整叛据试即底量舂数测试该模块包括试题的UTT参数阳计算和IRT参数12：计算等功能.试题的CTT参数计克.根据参朝试题参数沮试人员的愀蔻情况，使用CTT芟强标准分/Z- f（2 N三中川 是弟t十恻试的何能得分门=工W几 方平均 n iv九5是蜘；也立”=+ */ :区分度为；。=且匕运（3fl式中 口心也分却表示高分组孤依分组通过设题的人筌；n为悠组的人皴电比魁的旧1会的计算，对用1能力参数和原,量多数的估计划.首先1按下列方式为靛力参敬.质量参教指定初值：1m能力参数的初值二经臭测量理论中的标准分2 ；IHT区分度参数的

5、初值二经典测量理论中的姿度值*2是比例因子），苴中密度s ；左得IE揩刘等数的初值=试翦的可造有谀倒数.在java的IRT的程序库中参数初始过程ItemResponseVector口responseData =fileSummary .getResponseVectors( f, true );ItemResponseModel口 irm = new ItemResponseModel5;Irm3PLpl3 = null ;for ( int j = 0; j 5; j +) / 3PL pl3 = new Irm3PL(1.0, 0.0,1.702); pl3 .setName( newVa

6、riableName( item + ( j + 1); irm j = pl3 ; double quadPoints = 41; double min = -.8 * Math. sqrt ( quadPoints ); double max = -1 * min ;ContinuousDistributionApproximationlatentDistributionnewContinuousDistributionApproximation( (int ) quadPoints , min , max, 0, 1);!tIIJ/ estimate parametersMarginal

7、MaximumLikelihoodEstimationmmle =其中联合极大似然估计的流程 P45newMarginalMaximumLikelihoodEstimation(responseData , irm痍代他力水平参联与项的联介槌大叔然怙程序实fit流程阍如m小2所小*出出假割施腔收0EH度，以当前国为已知*科.送代品ii破试唾打兽数读入刑分敛累舐阿可施力效轲璃耳，数通曾林冷化T单 - 1，出飞前，为相随春物估计由4 2彼试用选目鼠台怯讨雳标工在java的IRT库中使用联合极大似然估计StartingValues startingValues = newStartingValues

8、( responseData , irm ); irm = startingValues .computeStartingValues();1 MM ”由1为己知款件,送代信计XR，计耳恒例南最值口“乜产犷产炉、蒙取昌也故助她ML冷/小，latentDistribution）；DefaultEMStatusListeneremStatusemStatus );newDefaultEMStatusListener();mmle .addEMStatusListener( mmle .setVerbose( true );mmle .estimateParameters(1e-2, 500);mm

9、le .computeItemStandardErrors();数据示例item1,item2,item3,item4,item51,1,1,1,10,0,1,1,01,1,1,0,01,1,0,0,01,1,1,1,11,1,1,1,10,1,1,1,01,1,1,1,11,1,0,0,0初始参数(使用的2参数) 区分度|难度0.68|-1.080.87|-1.410.68|-1.080.43|-0.944.1|0.03极大似然估计之后：区分度|难度0.14|-5.310.12|-9.9319.88|-0.779.18|-0.4620.4|0.12) 测评过程曷忙生投口号炭航母的茬日java

10、中通过参数以及作答，求出能力退出词词 jT-coat15善理优区制-R*StPS&-DDL16弄1然:冬，是合整理送HIrtExaminee iVec = newIrtExaminee( irm );double mle = 0.0;double se = 0.0;iVec .setResponseVector( responseData 0);mle = iVec .maximumLikelihoodEstimate(-9, 9);se = iVec .mleStandardErrorAt( mle );勒孑能力汶吧区，竭也揖口D0System.out .println(mle );Syst

11、em.out .println(iVec .getTheta();Python的示例程序的测试流程是将题目分为 3个级别，然后每个级别出3道题 目，3道题目是从未出过的题目中随机出。答题的流程较为简单。以下部分是另一个程序的实现流程。 HYPERLINK /stevenMevans/AdaptiveTest /stevenMevans/AdaptiveTest0. Request next candidate: Set D=0, L=0, H=0, and R=0.Find next item near difficulty (D).Set D at the actual calibratio

12、n of that item.Administer that item.Obtain a response.Score that response.Count the items taken: L = L + 1Add the difficulties used: H = H + DIf response not correct,Target next item difficulty: D = D - 2/LIf response correct,Count right answers: R = R + 1Target next item difficulty: D = D + 2/LIf n

13、ot ready to decide to pass/fail,Go to step 1.If ready to decide pass/fail,Calculate wrong answers: W = L - REstimate measure: B = H/L + loge(R/W)If W = 0 then B = H/L + loge(R-0.5 / W+0.5)If R = 0 then B = H/L + loge(R+0.5 / W-0.5)For a more precise estimate of B, see Estimating Measures with Known ItemDifficultiesEstimate Error