Modele IRT i CFA
Transkrypt
Modele IRT i CFA
Modele IRT i CFA · W ostatnich latach kilku autorów zademonstrowało formalną (Takane, de Leeuw, 1987; Bock, Gibbons, Muraki, 1988; Bartholomew, 1987) oraz empiryczną (np., Knol, Berger, 1991; Hoijtink, Rooks, Wilmink, 1991; Raju, Laffitte, Byrne, 2002) ekwiwalencję pomiędzy modelami IRT i CFA · Modele IRT i CFA różnią się zakresem wykorzystania informacji zawartej w danych · Model IRT jest tak zwanym modelem pełnej informacji (fullinformation model), ponieważ wykorzystuje całą informację zawartą we wzorcach odpowiedzi uzyskanych z p dychotomicznych pozycji testowych · Model CFA dla zmiennych dyskretnych jest nazywany modelem ograniczonej informacji (limited-information model), ponieważ wykorzystuje jedynie informacje zawarte w korelacjach tetrachorycznych pomiędzy parami p pozycji testowych Model IRT (2PLM) W modelu IRT, prawdopodobieństwo podania poprawnej · odpowiedzi P (q ) na dychotomiczne zadanie testowe jest monotonicznie rosnącą i nieliniową funkcją cechy latentnej q : Pk (q ) = 1 1+ e ( - Dak q - bk ) , gdzie a to parametr mocy dyskryminacyjnej, a parametr b określa trudność pozycji testowej · Centralnym konceptem modelu IRT jest krzywa charakterystyczna pozycji testowej (item charakteristic curve, ICC). Wysokość krzywej ICC powyżej danego poziomu latentnej cechy q reprezentuje proporcję osób testowanych na tym poziome uzdolnień, którzy mogą odpowiedzieć poprawnie na daną pozycję testową 1.0 Proporcja osób udzielająca poprawnej 0.5 odpowiedzi P( q ) 0.0 -3 -2 -1 0 Cecha latentna q 1 2 3 Model CFA W modelu konfirmacyjnej analizy czynnikowej (confirmatory · factor analysis, CFA) dla zmiennych dyskretnych zakładamy, że dychotomiczna pozycja testowa yk odzwierciedla nieobserwowalną zmienną ciągłą yk* , która posiada rozkład normalny oraz próg t k : ìï1, jeżeli y * ³ t k k yk = í * ïî0, jeżeli yk < t k · Gdy wykorzystujemy macierz korelacji tetrachorycznych pomiędzy zmiennymi latentnymi yk* możemy zastosować analizę czynnikową yk* = t k + lkq + e k , gdzie yk* jest latentną odpowiedzią na pozycje testową yk, t k jest stałą regresji pozycji testowej na latentną cechę q , lk jest ładunkiem czynnikowym danej pozycji testowej na q , a e k reprezentuje błąd pomiarowy · Stosując standardowe założenia modelu analizy czynnikowej otrzymujemy macierz kowariancji Σ pomiędzy zmiennymi y* jako Σ y* = LLT + Y 2 , gdzie L jest wektorem ładunków czynnikowych a Y 2 jest diagonalną macierzą wariancji błędu pomiarowe. · Parametry modelu CFA dla zmiennych dyskretnych są typowo szacowane za pomocą estymatora ważonych najmniejszych kwadratów (weighted least squares, WLS) Relacja pomiędzy parametrami modeli IRT i CFA Takane i de Leeuw (1987) oraz Bartholomew (1987) · niezależnie zademonstrowali, że model IRT (2PLM) oraz model CFA dla zmiennych dyskretnych są formalne ekwiwalentne. Parametry modelu IRT a k i b k (k = 1, 2, ..., p) mogą być wyrażone w postaci parametrów modelu CFA t k , lk , i y k jako a k = lk y k oraz b k = -t k y k , gdzie lk jest ładunkiem czynnikowym pozycji testowej k, y k jest pierwiastkiem wariancji błędu pomiarowego pozycji testowej k, a t k jest stałą regresji pozycji testowej k · Możemy także wyrazić parametry modelu CFA w postaci parametrów modelu IRT: ( lk = ak 1 + a k2 ) ( -1 2 t k = - b k 1 + a k2 oraz ( y k = 1 + a k2 ) ) , -1 2 -1 2