IRT项目反应理论.ppt

IRT 在人格和态度测量中的应用 组员：雷晓鸣 丁凌云 指导老师：曹亦薇 目录 引言 在成就和才能测验中，IRT程序已经能很好的运用了。但是将IRT模型应用于typical performance(例如，人格、态度) 是很困难的。 在人格和态度测量中使用了IRT模型的已有文献 首先，探索各种IRT模型在人格和态度测量中的适用性和效用的文献.  第二，用IRT程序来处理有实质意义的心理测量问题的文献。 用IRT分析人格和态度量表 评估维度 在分析量表的维度中，尤其是那些是二分项目反应的量表中，人格研究者应该用非线性因素分析还是用一些特别设计用来分析二分或多项项目的相关技术？ 一、非线性因素分析 Waller etal.(1996) 描述了非线性因素分析在人格测量中的角色和效用。  阐释了在量表结构中用标准线性因素分类为何会导致可能的误导和低估最佳结果。 二、多维IRT模型来评定维度 TESTFACT中的全信息项目因素分析 全信息（full-information）是基于这样一个事实，即这一因素分析技术是以整个项目反应矩阵的的所有信息为基础的，而不是仅仅来自协方差或者相关矩阵的信息。 全信息项目分析有一个优势，就是可以运用到大量的二分计分的项目中。此外TESTFACT算法式能处理含有猜测效应和缺失值的项目。  基本上，使用TESTFACT程序进行全信息项目分析基本可以认为是，是二或者三参数正态卵形IRT模型与应试者反应向量拟合。相应的，TESTFACT输出结果不仅包含在一个或者多个潜在特质维度上的因素负荷的估计，而且还包括了IRT项目区分度和难度参数的估计。 用IRT进行量表分析 在评定维度之外，IRT技术提供了一种新的方法评定人格或者态度量表的心理测量属性，这些心理测量属性对于量表结构和解释应试者分数是有意义的。 在IRT也能提供与CTT相类似的项目指数。 IRT项目参数相较于传统项目统计量具有明显优势。 传统说来，人格与态度量表的准确度是依据他们的内部一致性系数和所有被试有相同的标准误来做出判断的。 在IRT的框架下，人格测验项目依据他们提供的信息和应试者在不同的特质水平下游不同的标准误来做出判断。 考虑项目信息的两个重要结果是对测验制作者和测验解释有帮助。 首先项目信息曲线是测量同种潜在变量的项目的累加。因此一个研究者可以通过加总项目信息曲线来估计一个测验或一个子测验包含多少信息。 其次，项目信息函数第二个有用的特征是：它与应试者测量误差的负相关。在一个特定特质水平，一个测验能提供越多的信息，应试者的标准误就越小。 最终，IRT模型与CTT量表分析的差异在于，量表分数解释基于不同的哲学观点： 在传统方法下，原始量表分数用与标准的关系来解释。这些标准源于一些特定的人群。比如，男性/女性或者临床/非临床。 由于应试者特质参数和项目难度参数在同一量表中，IRT模型方便了一个关于应试者潜在特质的更强调以项目内容为基础的解释。 通过IRT发展起来的人格测量工具很少。 事实上，IRT的大部分应用都是针对已有工具的。 Reise和Waller应用二参数模型于多维人格问卷的11个分测验。他们发现11个MPQ量表呈现出相对好的与IRT的吻合，这说明了IRT可被有效地应用于描述两点计分的人格项目反应。这并不使人意外，因为MPQ量表是用因素分析的方法编制的，这导致量表高度单维性。 尽管如此，Steinberg和Thissen的例子证明IRT模型在没有使用因素分析技术的人格测量上同样有用。 其他IRT量表分析的例子有贝克抑郁量表、TRIER人格问卷等等。 Gray-Little的研究发现单维IRT等级反应模型与RSE量表的反应拟合很好。 项目参数估计时，10个项目中7个有几乎确定的项目反应曲线，这意味着他们提供了相似的心理测量信息。大致说来，虽然RSE量表提供了整个特质范围的一些心理测量信息，他们中大部分集中于特质连续体的低端。量表在将低分者从高分应试者中区分出来时表现很好的，但是在区分高的结构的应试者上没有提供高信度。 这一发现与Flannery等人的研究结论一致，当他们在研究用IRT分析自我接受量表时出现类似的结果。 Gray-Little也发现?i1参数（最低反应类别的阈限参数）很难估计，因此说明很少应试者选择这一极端。 在检查10个项目中的7个的ICC图时 ： 态度测量中的IRT Thank You! LOGO * 第12章 用IRT分析人格和态度量表 评估维度 用IRT进行量表分析 态度测量中的IRT Add Your Text in here Co