IRT在量表(测验)编制上的应用83.pptVIP

IRT在量表(測驗)編製上的應用;大綱;一、IRT的概念與發展;試題反應理論(IRT)與古典測驗理論(CTT)比較;信度;二元計分模式 Rasch模式;二元計分模式 二參數模式;二元計分模式 三參數模式;多元計分模式 部份給分模式;多元計分模式 評定量尺模式;單向度 測驗中的所有題目主要都是測量相同的某一項特質，或是受試者在測驗題目上的答題反應主要是受到單一項特質所影響 。 局部獨立性 相同能力水準的受試者，在各個題目上的答對機率是互相獨立的。 ;評量系統公司 ;編製測驗(量表) 測驗等化 建立題庫 組合測驗 電腦化適性測驗 ;二、IRT在測驗編製上的應用 ;每天都有用不完的能量;甲受試者;選擇模式 計分或估計能力時，是否要對題目進行加權？ 對量尺特性的要求。 希望獲得的試題參數類型。 根據量尺特性或測驗分析的目的來決定。 資料與??式的符合度的比較。 ;估計受試者程度值 反應概似函數（likelihood function） 例如：在難度為(-1, -0.5, 0, 1, 2)的題目答出[1,1,0,1,0]時 尋找最佳解的方法： 最大概似法(Maximum Likelihood; ML) 貝氏最大後驗法(maximum a posteriori, MAP) 貝氏期望後驗法(expected a posteriori, EAP) ;尋找概似函數最佳解的方法： 1.最大概似法(Maximum Likelihood; ML) 找出能使受試者的反應概似函數最佳化的能力值，為了 加速找到最佳解，通常使用牛頓-約佛森(Newton-Raphson)法進行疊代： 2.貝氏最大後驗法(maximum a posteriori, MAP) 以受試者的事前能力分布作為加權值，形成事後機率密度函數，並找出能使此事後機率密度函數最大化的能力值。 3.貝氏期望後驗法(expected a posteriori, EAP) 與2.類似，但所尋找的能力值是事後機率密度函數的期望值(相當於平均數)，而不是最大值(相當於眾數) 。;試題分析 反應概似函數（likelihood function） 常見的試題參數估計法 聯合最大概似法(joint maximum likelihood; JML) 先假設試題參數已知 (設定所有題目的難度為0)，估計受試者的暫時程度值；再把題目難度設定為未知，利用暫時的能力估計值來估計題目參數 邊際最大概似法(marginal maximum likelihood; MML) 估計題目參數時，考慮受試者背後常模的分布型態 條件最大概似法(conditional maximum likelihood; CML) 用答對題數來估計受試者能力值，接著再用受試者能力值來估計試題參數 ;測驗訊息量與測量誤差 題目訊息量(item information)： 測驗訊息量為題目訊息量總和。 測量誤差：;檢視資料的符合性 一、基本假設的檢定 單向度：1.受試者反應型態的合理性 2.計算內部一致性信度 3.進行主成分分析 4.使用線性或非線性的因素分析 5.殘差值分析 局部獨立性：依能力高低分成若干組別，分別在每個組別中算出各題得分的相關矩陣，看各題目得分是否有顯著相關 二、模式符合度的檢驗 題目符合度：ICC曲線、Bock(1972)的?2值、多模式的概率比 受試者符合度：能力估計誤差、受試者符合度指標;以IRT編製測驗的範例 (1);以IRT編製測驗的範例(2) ;TdP9M6I2F;Bx=u(q%mZjVfScO8L4H1D.A`w+s*p!lYiUeRaN7J3G:Cy@v)ro#kXgTdP9M5I2E;B~x=t(q%mZjVfSbO8K4H0D.z`w+s*p!lYhUeQaN6J3F:Cy@v)rn#kWgTcP9L5I2E;B~x=t(q$mZiVfRbO8K4H0D.z`w-s*o!lXhUdQaN6J3F:Cy@u)r%n#jWgTcP9L5I1E;A~x+t(p$mZiVfRbO7K4G0Dz`v-s*o!lXhUdQaM6J2F:By=u)r%n#jWgScP8L5H1E.A~x+t(p$mYiVeRbN7K3G0Dz`v-so!kXhTdQ9M6J2F:By=u)q%nZjWfScO8L5H1E.A~w+t*p$lYiUeRbN7K3G0Cz@v-ro#kXhTdQ9M6I2F;Bx=u(q%nZjWfScO8L4H1D.A`w+s*p$lYiUeRaN7J3G:Cy@v-ro#kXgTdP9M5I2E;Bx=u(q%mZjVfSbO8K4H1D