基于深度学习的大规模验证性项目因子分析参数估计与拟合优度检验
机器学习
2023-03-17 v3 机器学习
摘要
我们研究了面向具有大量受访者、题项和潜因子的验证性项目因子分析（IFA）的新型参数估计与拟合优度（GOF）评估方法。在参数估计方面，我们将 Urban 和 Bauer（2021）用于探索性 IFA 的深度学习算法扩展到验证性设定，展示了如何处理载荷与因子相关上的约束。在 GOF 评估方面，我们探索了基于仿真的检验与指标，扩展了分类器双样本检验（C2ST）——一种检验深度神经网络能否区分观测数据与从拟合 IFA 模型抽样的合成数据的方法。所提出的扩展包括一个近似拟合检验（用户指定观测与合成数据中应可区分的百分比）以及一个相对拟合指数（RFI），其精神类似于结构方程建模中使用的 RFI。通过仿真研究，我们表明：（1）Urban 和 Bauer（2021）算法的验证性扩展在更短时间内获得了与最先进估计流程相当的估计；（2）基于 C2ST 的 GOF 检验控制了经验第一类错误率，并能检测潜维度被误设的情况；（3）基于 C2ST 的 RFI 的抽样分布依赖于样本量。
引用
@article{arxiv.2109.09500,
title = {Deep Learning-Based Estimation and Goodness-of-Fit for Large-Scale Confirmatory Item Factor Analysis},
author = {Christopher J. Urban and Daniel J. Bauer},
journal= {arXiv preprint arXiv:2109.09500},
year = {2023}
}