广义分部计分模型下边际极大似然与马尔可夫链蒙特卡洛估计的参数恢复
应用统计
2018-09-21 v1
摘要
广义分部计分模型（GPCM）是一种流行的多类别IRT模型，已广泛应用于大规模教育调查和医疗服务。与其他IRT模型相同，GPCM可通过边际极大似然估计（MMLE）和马尔可夫链蒙特卡洛（MCMC）方法进行估计。尽管文献中已有比较MMLE和MCMC作为其他多类别IRT模型（如名义反应模型和分级反应模型）估计方法的研究，但尚无研究比较MMLE和MCMC恢复GPCM模型参数的效果。在本研究中，进行了全面的模拟研究以比较通过MMLE和MCMC对GPCM的参数恢复。操纵因素包括潜变量分布、样本量和测验长度，参数恢复通过偏差和均方根误差进行评估。结果发现，MMLE与MCMC在题目位置和能力参数恢复上无统计显著差异；对于题目区分度参数，在正态和均匀潜变量分布下MCMC的参数恢复偏差均小于MMLE，而在偏态潜变量分布下MMLE的参数恢复偏差更小、优于MCMC。使用来自高风险测验的真实数据集演示了用MMLE和MCMC对GPCM的估计。关键词：多类别IRT，GPCM，MCMC，MMLE，参数恢复。
引用
@article{arxiv.1809.07359,
title = {Parameter Recovery with Marginal Maximum Likelihood and Markov Chain Monte Carlo Estimation for the Generalized Partial Credit Model},
author = {Yong Luo},
journal= {arXiv preprint arXiv:1809.07359},
year = {2018}
}
备注
36 pages, 2 figures, 7 tables