解釋性 IRT


問題

解決

Column 1 Column 2 Column 3
Text Text Text

一、把 Rasch 模型視為 GLMM(廣義線性混合模型)

Rasch 模型可以定義為一種 GLMM。模型中的被解釋變數是一個二元計分的變數,所以這邊的「Rasch 模型」是真正定義上的 Rasch 模型/一參數 IRT 模型。模型中的解釋變數則包括作為固定效應的題目(item)與作為隨機效應的考生能力(latent trait levels)。

二、Linear Logistic Test Model(LLTM)(Fischer, 1973) [考慮題目的差異]

LLTM 模型把題目的屬性(properties)作為解釋變數,用來解釋題目對於成功機率影響的差異。

三、潛在迴歸模型(latent regression)(Zwinderman, 1991) [考慮考生的差異]

潛在迴歸模型是把跟考生有關的變數(examinee-related variables)加進 Rasch 模型,以解釋考生之間能力(潛在特質)的差異。

但潛在迴歸的測量模型不一定是二元計分變數吧?

四、交互作用模型

把題目屬性跟考生屬性都納入解釋性 IRT 模型裡面。作法上就是把 LLTM 跟 latent regression 合起來,這也就是 De Boeck 與 Wilson(2004)書中所稱的 latent regression LLTM。


延伸閱讀

De Boeck, P., & Wilson, M. (2004). Explanatory item response models: A generalized linear and nonlinear approach. Springer Science & Business Media.

#Rasch model #item response theory






Related Posts

GraphQL Summit 2019 與會分享

GraphQL Summit 2019 與會分享

[MTR04] W1 D4 搞懂 Git 交作業流程

[MTR04] W1 D4 搞懂 Git 交作業流程

Behavior Tree 介紹

Behavior Tree 介紹



Comments