面向工作残疾功能评估电池的自编码稀疏贝叶斯内-IRT 分解、标定与摊销推断
统计方法学
2023-05-10 v4 机器学习
应用统计
摘要
工作残疾功能评估电池（WD-FAB）是一种多维项目反应理论（IRT）工具，旨在基于对项目库的作答评估与工作相关的心理和生理功能。在之前的迭代中，它使用传统方法开发——线性分解与零假设统计检验用于项目划分/选择，最后对不相交的单维 IRT 模型进行事后标定。因此，WD-FAB 与许多其他 IRT 工具一样，是一个事后模型。其基于探索性因子分析的项目划分对最终非线性 IRT 模型视而不见，且未以与最终模型拟合优度一致的方式执行。在本稿中，我们开发了一个贝叶斯分层模型，用于自一致地同时执行以下任务：量表分解、项目选择、参数辨识与作答评分。该方法利用基于稀疏性的收缩来免除开发多维 IRT 模型通常所需的线性分解与零假设统计检验，从而使项目划分与最终非线性因子模型一致。我们还将我们的多维 IRT 模型类比于概率自编码器，指定了一个编码器函数，用于摊销从项目作答中推断能力参数。该编码器函数等价于我们用于整个模型近似贝叶斯推断的随机变分贝叶斯期望最大化（VBEM）程序中的“VBE”步骤。我们将该方法用于一个 WD-FAB 项目作答样本，并将所得项目区分度与使用传统事后方法获得的区分度进行比较。
引用
@article{arxiv.2210.10952,
title = {Autoencoded sparse Bayesian in-IRT factorization, calibration, and amortized inference for the Work Disability Functional Assessment Battery},
author = {Joshua C. Chang and Carson C. Chow and Julia Porcino},
journal= {arXiv preprint arXiv:2210.10952},
year = {2023}
}
备注
Errata corrected relative to camera-ready AISTATS version. Please use this file