ทฤษฎีการตอบสนองรายการการวิเคราะห์ปัจจัยยืนยัน


14

ฉันสงสัยว่าอะไรคือแกนความแตกต่างที่มีความหมายระหว่างทฤษฎีการตอบสนองข้อสอบกับการวิเคราะห์ปัจจัยยืนยัน

ฉันเข้าใจว่ามีความแตกต่างในการคำนวณ (เน้นที่ไอเท็มเทียบกับโควาเรียส;

อย่างไรก็ตามฉันไม่ทราบว่าสิ่งนี้หมายถึงอะไรจากมุมมองระดับสูง - หมายความว่า IRT นั้นดีกว่า CFA ในบางสถานการณ์หรือไม่? หรือเพื่อจุดประสงค์ที่แตกต่างกันเล็กน้อย?

การใช้ musings ใด ๆ ก็จะเป็นประโยชน์ในการสแกนงานวิจัยที่นำไปสู่การอธิบาย IRT และ CFA มากกว่าการเปรียบเทียบความแตกต่างที่เป็นประโยชน์ของความแตกต่างระหว่างแกน

คำตอบ:


7

@Philchalmers คำตอบอยู่ในจุดและถ้าคุณต้องการการอ้างอิงจากหนึ่งในผู้นำในเขตข้อมูล Muthen (ผู้สร้างของ Mplus) ที่นี่คุณไป: (แก้ไขเพื่อรวมการพูดโดยตรง)

ผู้ใช้ MPlus ถามว่า: ฉันกำลังพยายามอธิบายและแสดงความเหมือนและความแตกต่างในปัจจุบันระหว่างไบนารี CFA และ IRT สำหรับวิทยานิพนธ์ของฉัน วิธีการประมาณค่าเริ่มต้นใน Mplus สำหรับ CFA หมวดหมู่คือ WLSMV ในการรันโมเดล IRT ตัวอย่างในคู่มือของคุณแนะนำให้ใช้ MLR เป็นวิธีการประมาณค่า เมื่อฉันใช้ MLR อินพุตข้อมูลยังคงเป็นเมทริกซ์ความสัมพันธ์ tetrachoric หรือเมทริกซ์การตอบกลับดั้งเดิมใช้

Bengt Muthen ตอบสนอง: ฉันไม่คิดว่าจะมีความแตกต่างระหว่าง CFA ของตัวแปรเชิงหมวดหมู่และ IRT บางครั้งมีการอ้างสิทธิ์ แต่ฉันไม่เห็นด้วย ตัวประมาณแบบใดที่ใช้โดยทั่วไปอาจแตกต่างกัน แต่ไม่จำเป็น MLR ใช้ข้อมูลดิบไม่ใช่เมทริกความสัมพันธ์ tetrachoric ตัวอย่าง ... วิธีการ ML (R) เหมือนกันกับวิธี "marginal ML (MML)" ที่อธิบายไว้ในเช่นงานของ Bock ดังนั้นการใช้ข้อมูลดิบและรวมปัจจัยที่ใช้การรวมตัวเลข MML ถูกเปรียบเทียบกับ "ML แบบมีเงื่อนไข" ที่ใช้เช่นกับวิธีของ Rasch

สมมติว่ามีปัจจัยปกติความสัมพันธ์ของไอเท็มปัจจัยและ probit (ogive ปกติ) และความเป็นอิสระตามเงื่อนไขสมมติฐานจะเหมือนกันสำหรับ ML และสำหรับ WLSMV ซึ่งหลังใช้ tetrachorics นี่เป็นเพราะสมมติฐานเหล่านั้นสอดคล้องกับการสมมติตัวแปรการตอบสนองแฝงที่แฝงอยู่อย่างต่อเนื่องตามปกติหลายตัวแปรที่อยู่เบื้องหลังผลลัพธ์ที่เป็นหมวดหมู่ ดังนั้น WLSMV จะใช้ข้อมูลลำดับที่ 1 และ 2 เท่านั้นในขณะที่ ML ไปจนถึงลำดับสูงสุด อย่างไรก็ตามการสูญหายของข้อมูลมีน้อย ML ไม่เหมาะกับโมเดลกับ tetrachorics ตัวอย่างเหล่านี้ดังนั้นอาจกล่าวได้ว่า WLSMV ใช้วิธีต่างกัน มันเป็นเรื่องของความแตกต่างของตัวประมาณมากกว่าความแตกต่างของแบบจำลอง

เรามีบันทึก IRT บนเว็บไซต์ของเรา:

http://www.statmodel.com/download/MplusIRT2.pdf

แต่อีกครั้งแนวทาง ML (R) ไม่แตกต่างจากสิ่งที่ใช้ใน IRT MML

ที่มา: http://www.statmodel.com/discussion/messages/9/10401.html?1347474605


2
คุณสามารถคัดลอกคำพูดที่เกี่ยวข้องจาก Muthen ลงในคำตอบของคุณได้ไหม โดยทั่วไปคำตอบของลิงก์อย่างเดียวมักจะขมวดคิ้วเนื่องจากลิงก์มีแนวโน้มที่จะเน่า
อะมีบาพูดว่า Reinstate Monica

2
ฉันไม่แน่ใจว่าฉันเห็นด้วยกับคำสั่ง Muthen ที่นี่เนื่องจากเขาดูเหมือนจะกำหนด IRT ในทางที่แคบมาก ใช่รูปแบบการตอบสนอง 2PL และให้คะแนนอย่างช้าๆสามารถเข้าใจได้ในกรอบงาน SEM เพราะมีฟังก์ชั่นการเชื่อมโยงปืนใหญ่ที่ดีและสามารถ rexpressed โดยใช้สถิติที่เพียงพออื่น ๆ แต่รุ่น IRT ทั่วไปอื่น ๆ ที่มีมากขึ้นเช่นรุ่น 3PL, โมเดลจุดอุดมคติ, โมเดลชดเชยบางส่วนเป็นต้น แน่นอนว่าบางรุ่นสามารถเข้าใจได้ในกรอบ SEM แต่ฉันคิดว่าจุดของฉันเกี่ยวกับ IRT ยังคงอยู่
ปรัชญา

17

ในบางวิธีคุณพูดถูก CFA และ IRT ถูกตัดจากผ้าเดียวกัน แต่มันก็มีหลายวิธีที่แตกต่างกันไปเช่นกัน CFA หรือมากกว่ารายการ CFA ที่เหมาะสมคือการปรับตัวของกรอบการสร้างแบบจำลองสมการโครงสร้าง / ความแปรปรวนร่วมเพื่ออธิบายประเภทความแปรปรวนร่วมเฉพาะระหว่างรายการที่ถูกจัดหมวดหมู่ IRT มีความเกี่ยวข้องโดยตรงกับการสร้างแบบจำลองความสัมพันธ์ของตัวแปรหมวดหมู่โดยไม่ใช้เพียงข้อมูลลำดับที่หนึ่งและลำดับที่สองในตัวแปร (ซึ่งเป็นข้อมูลที่สมบูรณ์ดังนั้นโดยทั่วไปข้อกำหนดจะไม่เข้มงวดเท่า)

Item CFA มีประโยชน์หลายประการที่มันอยู่ในกรอบของ SEM และดังนั้นจึงมีการใช้งานที่กว้างมากในระบบหลายตัวแปรของความสัมพันธ์กับตัวแปรอื่น ๆ IRT ตรงกันข้ามมุ่งเน้นไปที่การทดสอบตัวเองเป็นหลักแม้ว่า covariates สามารถรวมอยู่ในการทดสอบโดยตรง (e กรัมดูหัวข้ออธิบาย IRT) ฉันยังพบว่าความสัมพันธ์ของการสร้างแบบจำลองไอเท็มนั้นเป็นเรื่องทั่วไปมากขึ้นในกรอบ IRT ในแบบจำลองที่ไม่ใช่แบบโมโนโทนิกแบบไม่อิงตัวแปรหรือแบบจำลองการตอบสนองไอเท็มที่กำหนดเองแบบธรรมดานั้นง่ายต่อการรับมือ ของการใช้เมทริกซ์สหสัมพันธ์โพลิเชอร์

กรอบทั้งสองมีข้อดีและข้อเสีย แต่โดยทั่วไปแล้ว CFA นั้นมีความยืดหยุ่นมากกว่าเมื่อระดับของการสร้างแบบจำลองนามธรรม / การอนุมานนั้นเน้นไปที่ความสัมพันธ์ภายในระบบของตัวแปร จุดสนใจ


วิเศษมาก - นี่เป็นภาพรวมที่น่ารักและชัดเจน ขอบคุณ Phil
SimonsSchus

2
นี่ควรเป็นคำตอบที่ยอมรับได้
Vladislavs Dovgalecs

2

ฉันเชื่อว่า Yves Rosseel พูดคุยสั้น ๆ ในสไลด์ 91-93 ของการประชุมเชิงปฏิบัติการในปี 2014 ของเขา: http://www.personality-project.org/r/tutorials/summerschool.14/rosseel_sem_cat.pdf

นำมาจาก Rosseel (2014, ลิงก์ด้านบน):

วิธีการข้อมูลแบบเต็ม: โอกาสสูงสุดเล็กน้อย

ต้นกำเนิด: โมเดล IRT (เช่น Bock & Lieberman, 1970) และ GLMM

...

การเชื่อมต่อกับ IRT

•ความสัมพันธ์ทางทฤษฎีระหว่าง SEM และ IRT ได้รับการบันทึกไว้อย่างดี:

Takane, Y. , & De Leeuw, J. (1987) เกี่ยวกับความสัมพันธ์ระหว่างทฤษฎีการตอบสนองข้อสอบกับการวิเคราะห์องค์ประกอบของตัวแปรที่แยกส่วน Psychome- trika, 52, 393-408

Kamata, A. , & Bauer, DJ (2008) หมายเหตุเกี่ยวกับความสัมพันธ์ระหว่างการวิเคราะห์ปัจจัยและแบบจำลองทฤษฎีการตอบสนองข้อ จำกัด แบบจำลองสมการโครงสร้าง, 15, 136-153

Joreskog, KG, & Moustaki, I. (2001) การวิเคราะห์ปัจจัยของตัวแปรลำดับ: การเปรียบเทียบสามวิธี การวิจัยพฤติกรรมหลายตัวแปร, 36, 347-387

พวกเขาเท่ากันเมื่อไหร่?

• probit (ogive ปกติ) และ logit: ทั้งสองเมทริกถูกใช้ในทางปฏิบัติ

• CFA ปัจจัยเดียวในรายการไบนารีเทียบเท่ากับโมเดล IRT 2 พารามิเตอร์ (Birnbaum, 1968):

ใน CFA: ... ใน IRT: ... (ดูสไลด์)

• CFA แบบปัจจัยเดียวในรายการโพลีโคโตมี (ลำดับ) เท่ากับรูปแบบการตอบสนองแบบช้า (Samejima, 1969)

•ไม่มี CFA ที่เทียบเท่าสำหรับโมเดล 3 พารามิเตอร์ (พร้อมพารามิเตอร์การเดา)

•รูปแบบ Rasch เทียบเท่ากับ CFA ปัจจัยเดียวในรายการไบนารี แต่ที่การโหลดปัจจัยทั้งหมดถูก จำกัด ให้เท่ากัน (และเมตริก probit ถูกแปลงเป็นเมทริก logit)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.