试论非参数项目反应理论在维度分析中的运用及评价.docVIP

　　试论非参数项目反应理论在维度分析中的运用及评价 　　　　 　　1 引言 　　 非参数型项目反应理论(NIRT)自兴起、发展以来,多用于构建单维量表,其不同于逻辑斯蒂等参数型项目反应理论(PIRT)模型,不需要利用一个庞大的样本来做复杂的估算,但其介绍与应用在我国还比较少见。汉语水平考试(HSK)作为一种能力测验面临着构想效度的验证问题,但其构想效度的研究还不深入,尚未见到较多的证据,缺乏一个明晰的构想理论[1],方法又多为因素分析等传统方法,具有种种局限性。文章尝试使用NIRT来探索性地分析HSK\的潜在维度结构,并籍此讨论NIRT作为维度分析工具的优劣。 　　2 维度研究的原理 　　过去十年里,用NIRT作为维度分析工具逐渐引起了研究者的兴趣。例如Douglas,Kim,Roussos,Stout和Zhang[2]研究了Laission Test的维度;SchEirs和Sijtsma[3]考察了International Survey of Adult Crying的维度性。 　　用NIRT研究测验维度的过程,实际上是在全部试题中,分析提取出若干个单维量表的过程,依据是量表适宜性系数(scalability coefficients)。具体细分为三种:试题i与试题j间的量表适宜系数Hij;试题Hi与剩余试题全体间的量表适宜系数Hi;试题全体的量表适宜系数H。计算公式如下: 　　Hij=Cov(Xi,Xj)Covmax(Xi,Xj)=Pij-PiPjPi-PiPj=1-Pi-PijPi(1-Pj) 　　Hi=Cov(Xi,R(i))Covmax(Xi,R(i))=∑j≠i(Pij-PiPj)∑jgt;i(Pi-PiPj)+∑jI(PJ-PIPJ) 　　H=∑iCov(Xi,R(i))∑iCovmax(Xi,R(i))=∑i∑j≠i(Pij-PiPj)∑i∑igt;i(Pi-PiPj)+∑i∑jI(PJ-PIPJ) 　　注:R(i)指除i以外其他题的总分。 　　量表适宜性系数的一个优良性质是把保持高相关的,但又不同质的试题控制在低水平值上[4]。在非参数项目反应理论单调匀质模型中,用H系数分析抽取出的量表为Mokken量表。Mokken[4]还提出仅当所有项目的Higt;c时,那个量表才有用。c是低限,可根据需要设定,至少为0.3。当0.3≤Hlt;0.4时,被认为是较弱程度的量表;当0.4≤Hlt;0.5时,程度中等;当0.5≤H时,程度强。换言之,如果H在0到0.3之间,就不能相信项目组有足够共同的东西能将被试在一有意义的潜在特质上排序。 　　3 自动选题策略及MSP 　　自动选题策略是构建Mokken量表的一种算法,而MSP就是根据其设计的操作程序。MSP采用的算法基于项目对的Hij系数,使用自底向上的序列选题策略,具体步骤如下: 　　第一步:在试题样本中选择Hij大于c、最高且检验显著的项目对。 　　第二步:计算每个备选试题与已选试题的Hi系数,选择与之系数最高且满足量表条件的试题。 　　第三步:重复第二步,直至无题可选。如果还有备选题目,那么开始从第一步重复,构建另一个单维量表,直至无题可构成另外的量表。 　　c默认值为0.3,H系数显著性检验的α默认值为0.05,为了减少偶然性风险,每步的检验方法使用Bonferroni校正检验。从本质看,这种序列选题策略是一种顺序聚类算法,分析基础是H系数组成的矩阵[4,5]。Hij系数代表试题间的距离或相似性(distance/proximity),代表项目间的关系强度;Hi系数是已选题组和待选的某个题间的相似性度量,所以量表适宜性系数可看成是标准化的“相关系数”。 　　MSP作为一个能保证区分度的选题策略,在构建量表时,为了保证试题的区分度,可能将测量了同维度、但区分度差的项目剔出去,这会造成分析维度时的两难困境:为了能保证项目正确归类,需提高c值;但提高c值后,又会将区分度差的,对同一维度敏感的项目剔出。 　　第3期 　　张 军 非参数项目反应理论在维度分析中的运用及评价 　　 　　心理学探新2010年 　　 　　对此,Hemker等[6]认为不存在一个适用于任何数据的独特c值,建议在执行MSP时,c值从0开始,以0.05为步长,逐步增加到0.55,这样就得到12种分类结果。如果试题是单维题组时,随着c值的增大,可能呈现出如下几个阶段: 　　1)绝大部分或全部项目归为一个量表;