用于项目反应数据的因子树 copula 模型
统计方法学
2025-01-08 v1
摘要
当依赖性可通过潜变量解释时,用于项目反应数据的因子 copula 模型比(截断)藤 copula 模型更具可解释性且拟合更好,但对条件独立性的违背不具鲁棒性。为规避这些问题,将用于项目反应数据的截断藤与因子 copula 模型结合以定义一种组合模型,即所谓的因子树 copula 模型,兼具两种方法的各自优势。该方法并非增添因子而导致计算问题及解释与识别困难,而是在一个或多个潜变量条件下的残差上假设截断藤结构。该结构可更好地解释为给定少数可解释潜变量的条件依赖。一方面,因子模型的简约特征得以保持,另一方面任何残差依赖均被考虑。我们讨论了估计与模型选择。特别地,我们提出模型选择算法以选取合理的因子树 copula 模型来捕捉项目反应间的(残差)依赖。我们的通用方法通过广泛的模拟研究加以演示,并通过对创伤后应激障碍的分析予以说明。
引用
@article{arxiv.2201.00339,
title = {Factor tree copula models for item response data},
author = {Sayed H. Kadhem and Aristidis K. Nikoloulopoulos},
journal= {arXiv preprint arXiv:2201.00339},
year = {2025}
}