169. Çok yüzeyli Rasch modeli (puanlayıcı katılığı, görev güçlüğü, kişi yeteneği)
Şablon kimliği: cok_yuzeyli_rasch · Kategori: psikometri · Dil: R · Dosya: pro/sablonlar/psikometri/cok_yuzeyli_rasch.R (satır 1–194; üstbilgi 1–74) · Örnek veri: _ornek/tam_ex10.csv · Paketler: TAM 4.3-25, R 4.5.3
169.1 Ne işe yarar
Şablon, puanların yalnızca kişi yeteneği ve madde güçlüğüne değil, puanlayıcı (jüri üyesi), görev, ölçüt ya da oturum gibi ek yüzeylere de bağlı olduğu performans değerlendirmelerinde, bu kaynakların etkisini aynı logit ölçeğinde kestirir. Soru şudur: bir öğrenci aynı işi daha katı bir puanlayıcıya verseydi puanı ne kadar düşerdi, ve bu fark kişi ölçümünden ayıklanınca öğrencinin yeteneği ne olur? Model, Rasch (1960) modelinin Linacre (1989) tarafından yüzeylere genişletilmiş biçimidir; kestirim TAM paketinin tam.mml.mfr işleviyledir (Robitzsch ve ark.; çok yüzeyli kuruluş, rasgele katsayılı çok terimli lojit modelinin özel durumudur, Adams ve ark., 1997).
- X_{nirt}: n kişisinin i maddesinde, r puanlayıcısından ve t görevinde aldığı puan (0{,}1,\dots,m).
- \theta_n: kişi yeteneği, \theta_n\sim N(0,\sigma^2).
- \delta_i: madde güçlüğü; \lambda_r, \lambda_t: puanlayıcı ve görev katılığı (büyük değer daha düşük puan demektir).
- \tau_{ik}: i maddesinin k. adım (eşik) parametresi; ikili puanda (m=1) adım yoktur.
- Şablon yüzey sayısını sınırlamaz; yukarıdaki iki yüzey bir örnektir. Aynı satırdaki tüm yüzey düzeyleri aynı \theta_n'e bağlanır (kişi kimliği ile).
Ne zaman kullanılır?
- Yazılı sınav, kompozisyon, proje ya da stüdyo jürisi gibi puanlamanın insan puanlayıcılarla yapıldığı ve her kişinin birden çok puanlayıcıdan puan aldığı veride, puanlayıcı katılığı ve tutarlılığını görmek için.
- Aynı işin farklı görev ya da ölçütlerdeki zorluk farklarını kişi yeteneğinden ayırmak için.
- Puanlayıcı \times madde etkileşiminin (belirli maddede puanlayıcının farklı katı davranması) varlığını sınamak için (
model = etkilesim).
Ne zaman kullanılmaz?
- Puanlayıcı ya da görev yüzeyi yoksa: temel programdaki madde tepki kuramı (IRT / Rasch) analizi uygundur; bu şablon en az bir yüzey ister.
- Kişi başına yalnız bir puanlayıcı varsa ve puanlayıcılar kişilerle eşleşiyorsa (bağlantısız tasarım): puanlayıcı etkisi kişi yeteneğinden ayrılamaz; yüzey düzeyleri arasında bağlantı (aynı kişiyi birden çok puanlayıcı puanlaması ya da ortak kişiler) gerekir.
- Çok boyutlu yetenek varsa:
mirt_cok_boyutluşablonu (Bölüm 174). Maddeler arası ayırt edicilik farklıysa (2 parametreli model): bu şablon Rasch'tır, ayırt edicilikler sabittir. - Puanlayıcıları rastgele etki olarak modellemek istiyorsanız: karma model şablonları (ör. Bölüm 17, Bölüm 19); bu şablonda yüzeyler sabit etkidir.
- Güçlü bir yüzey × yüzey etkileşimi aranıyorsa: yalnız madde × ilk yüzey etkileşimi vardır.
Temel programla ilişki. Temel programdaki IRT/Rasch analizi madde ve kişi parametrelerini kestirir; yüzey (puanlayıcı) parametresi yoktur. Bu şablon aynı Rasch modelini yüzeylerle genişletir; yüzey etkileri sıfıra sabitlendiğinde (model = madde) örnek veride madde güçlükleri -1{,}931 … 1{,}918 olarak TAM belgesinin yayımlanmış değerleriyle aynıdır (169.6).
169.2 Şablonun girdileri
Form, üstbilgideki 9 [[param]] bloğundan kurulur (cok_yuzeyli_rasch.R:10–73). Türlerin anlamı ve formun ortak denetimi Bölüm 1.2'dedir. maddeler sayisal = true olan bir sutunlar alanıdır: Veri sekmesinde "kategorik" görünen bir puan sütunu da seçilebilir ve R'ye sayı olarak gider (Bölüm 1.3). kisi ve yuzeyler sayısal rol değildir.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Kişi kimliği · kisi |
sütun (isteğe bağlı) · Değişkenler | boş | herhangi bir sütun | Aynı kişinin satırlarını eşler; boşsa her satır ayrı kişi (10–15, 80, 101). |
Yüzeyler · yuzeyler |
sütunlar · Değişkenler | boş | en az 1 sütun | Puanlayıcı, görev… (16–21, 81, 98–100). |
Madde puanları · maddeler |
sütunlar (sayısal) · Değişkenler | boş | en az 2 sütun | Yanıt matrisi (22–28, 82, 89–96). |
Model · model |
seçim · Model | ana |
ana, etkilesim, madde |
Formül sağ yanı (29–35, 122–126). |
Adım yapısı · adim |
seçim · Model | kismi |
kismi, derecelendirme |
Yalnız m>1 iken (36–42, 120). |
Ölçek belirleme · kisit |
seçim · Model | cases |
cases, items |
constraint (43–49, 131–132). |
Kuadratür sayısı · kuadratur |
tamsayı · Gelişmiş | 21 | 5–101 | [-6{,}6] üzerinde düğüm sayısı (50–57, 130). |
En çok EM yinelemesi · en_cok_yineleme |
tamsayı · Gelişmiş | 2000 | 10–100 000 | maxiter (58–65, 130, 140–145). |
Yakınsama ölçütü · tolerans |
ondalık · Gelişmiş | 10^{-5} | 10^{-10}–0,01 | conv (66–73, 130). |
Örnek ayar (ornek_param, satır 9): kisi = pid, yuzeyler = [rater], maddeler = I0001…I0005; geri kalanı varsayılan (ana etkiler, kısmi puan, cases, 21 düğüm).
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 78 |
| Kişi kimliği ve maddeler dışında yüzey yok | "Maddelerden ve kişi kimliğinden farklı en az bir yüzey seçin." | 83 |
| 2'den az madde | "En az 2 madde seçin." | 84 |
| 20'den az geçerli satır | "En az 20 geçerli satır gerekli." | 91 |
| Madde sayısal değil | "'…' sayısal olmalı." | 93 |
| Puan negatif ya da tamsayı değil | "'…' 0'dan başlayan tamsayı puanlar içermeli." | 95 |
| Madde sabit | "'…' sabit (tüm puanlar aynı); maddelerden çıkarın." | 96 |
| Gözlenen puanlar \{0{,}1,\dots,m\} değil (1'den başlayan kodlama, atlanmış ara değer) | "'…' puanları 0'dan başlayıp kesintisiz artmalı (0, 1, …, m); gözlenen puanlar: …. Puanları yeniden kodlayın (ör. puan − en küçük puan; hiç görülmeyen ara kategorileri birleştirin)." | 98–103 |
| Yüzey tek düzeyli | "Yüzey '…' tek düzeyli; en az 2 düzey gerekli." | 111 |
| 10'dan az kişi | "En az 10 kişi gerekli." | 119 |
| Model kestirilemedi | "Model kestirilemedi: …" | 131–133 |
| Sapma sonlu değil | "Sapma sonlu değil; model yakınsamadı." | 134 |
Her maddenin puanları \{0{,}1,\dots,m_i\} kümesi olmalıdır: 1'den başlayan puanlar (1–4 Likert) ya da bir ara kategorisi hiç görülmeyen madde, boş bir kategori ya da sınıra giden bir adım üretip anlamsız parametrelere yol açacağından çalıştırmayı durdurur ve yeniden kodlama önerir (98–103; 169.8; B1). Yüzey ya da kişi kimliği eksik olan ve bütün maddeleri boş olan satırlar atılır; ham satır sayısı, atılan sayı ve nedenleri konsola yazılır (87–90, 135–139; B5).
rater Veri sekmesinde sayısal görünür; şablon yüzey düzeylerini sayıya çevrilebiliyorsa sayısal sırayla (1, 2, 3; sayı kodları 2, 10, 3 ise 2, 3, 10), değilse harf sırasıyla kurar (107–109; B7). Düzey sırası kestirimi değiştirmez; parametre tablosundaki satır sırasını ve hangi düzeyin "son düzey" olarak türetildiğini belirler; çıktı her yüzey için düzey sırasını ve türetilen son düzeyi yazar (112–116).
Çok kategorili puanlarda (m>1; en büyük puan 1'den büyük) formüle adım terimi eklenir: item:step (kısmi puan) ya da step (derecelendirme ölçeği, ortak adımlar). Örnek ayarda formül ~item + rater'dır (çıktının son satırı). madde modeli yüzey terimlerini sıfır katsayıyla çarparak yüzey etkilerini sıfıra sabitler; yüzey tablosunda parametreler 0 ve SH 0 yazılır (169.7).
Koddaki tercih
tam.mml.mfr(resp, facets, formulaA, pid, constraint, verbose = FALSE, control = list(progress = FALSE, maxiter, conv [, nodes])) (116–117). facets, yüzey sütunlarının sıralı düzeyli factor biçimidir (107–109); adlar make.names ile geçerli R adlarına çevrilir (110). pid kişi kimliğidir (kişisiz ise seq_len(nrow)).
169.4.2 Kimliklendirme
Model ölçeği ve konumu kısıtlarla belirlenir. (i) Yüzey parametreleri her yüzey için toplamı sıfır olacak biçimde parametrelenir: son düzey, öteki düzeylerin toplamının eksisidir (\lambda_{\text{son}}=-\sum_{r<R}\lambda_r). Örnek veride \lambda_1+\lambda_2+\lambda_3=0{,}0000; benzetimde görev 0{,}2712 ve -0{,}2712. (ii) cases: kişi yeteneğinin ortalaması 0'a sabitlenir ve madde parametreleri serbesttir (örnek veride madde güçlükleri toplamı -0{,}006'dır; kişi ortalaması sabit olduğundan sıfır olmak zorunda değildir). items: madde parametreleri toplamı sıfırdır ve \theta'nın ortalaması serbest kalır; son madde -\sum olarak türetilir. (iii) Kısmi puan modelinde her maddenin adımları toplamı sıfır olacak biçimde parametrelenir: son adım -\sum (örnekte M1:step3 =-(M1{:}step1+M1{:}step2)).
kisit seçimi kişi varyansını ve olabilirliği değiştirmez; yalnız madde parametrelerinin ve SH'lerin referansını: items için sapma 3534{,}356793 (cases: 3534{,}356792), madde güçlükleri -1{,}9559, -1{,}0256, -0{,}0671, 1{,}0626, 1{,}9860 (toplam sıfır), SH 0{,}079 … 0{,}147.
169.4.3 Marjinal olabilirlik ve EM
Kişi yeteneği tümlevden çıkarılır. Kişi n için (tüm satırları ve maddeleri birlikte) olabilirlik:
- \mathcal R_n: n kişisinin tüm gözlenen madde–yüzey bileşimleri; satırlar kişi içinde koşullu bağımsızdır.
- \theta_q: [-6{,}6] üzerinde eşit aralıklı Q düğüm (varsayılan 21); w_q\propto\phi(\theta_q;0,\sigma), toplamı 1'e normlanmıştır.
- \boldsymbol\xi: tüm madde, yüzey ve adım parametreleri; \sigma^2 kişi varyansı (kestirilir).
Toplam sapma, kişi başına olabilirliklerin çarpımından:
\kappa madde, yüzey (toplamı sıfır nedeniyle R-1), adım ve \sigma^2 parametrelerinin sayısıdır; BIC'te N, kişi sayısıdır (398), satır sayısı (675) değil: örnek veride 3534{,}3568+8\log398=3582{,}2484 (şablon: 3582{,}2484; B9).
Kestirim, Bock ve Aitkin (1981) çizgisinde EM ile yapılır; durma ölçütü parametre değişimidir (conv, 10^{-5}) ya da maxiter. Şablon TAM'ın yineleme sayısını (r$iter) okur; en_cok_yineleme'ye ulaşıldıysa çıktıya uyarı yazar (140–145; B4).
169.4.4 Kişi varyansı ve güvenirlik
kişi varyansı σ² kestirilen \hat\sigma^2'dir. EAP güvenirliği ve WLE güvenirliği (Warm, 1989):
- \mathrm{SD}_{\mathrm{EAP}}: kişinin sonsal dağılımının standart sapması; ortalama 398 kişi üzerindendir.
- \hat\theta_{\mathrm{WLE}}: kişi başına ağırlıklı olabilirlik kestirimi (
tam.wle); \mathrm{SE}_{\mathrm{WLE}} standart hatası.
Örnek veride \rho_{\mathrm{EAP}}=0{,}664318, \rho_{\mathrm{WLE}}=0{,}550949 (WLE kişi başına 398 kestirim; tam.wle(r) aynı kişi kimliğiyle toplar).
169.4.5 Standart hatalar
Tablodaki SH, TAM'ın tam.mml.mfr çıktısındaki se.xsi değeridir. Bu değer, parametrelerin ortak bilgi matrisinin tam tersinden gelen SH'den küçüktür: örnek veride madde 1 için TAM 0{,}1124, aynı kestiricinin tam.se işlevi 0{,}1219, bağımsız hesapta tam gözlenen bilgi matrisi (kişi varyansı dahil) 0{,}1377 (R glmer: 0{,}1377; Python: 0{,}1377); puanlayıcı 1 için 0{,}0556 (TAM) ve 0{,}0729 (tam bilgi). Fark %18–25'tir (B2). Şablon bu nedenle çıktıya, SH'lerin TAM'ın yaklaşık hesabı olduğunu ve tam gözlenen bilgiye göre daha küçük olabileceğini belirten bir not yazar (185–186).
169.4.6 Katılık sırası ve çizim
Her yüzey için düzeyler xsi'ye göre büyükten küçüğe sıralanır (sira = 1: en katı), (168–175). madde modelinde yüzey etkileri sıfıra sabit olduğundan yüzey satırları ve bu tablo gösterilmez (160–165). Parametre haritası, madde (mor), yüzey (turuncu) ve adım (mavi) parametrelerinin logit ölçeğindeki noktalı çizelgesidir (188–193).
169.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 75–77 | .m; TAM yüklenir |
— |
| 78–91 | Veri; kişi, yüzey, madde ayrımı; eksiksiz yüzey satırları | Yüzey ya da kişi eksikse satır atılır; tümüyle boş maddeli satır atılır; sayılar saklanır (87–90). |
| 92–104 | Madde denetimleri | Negatif ve kesirli değer ile \{0,\dots,m\} dışındaki puan kümesi reddedilir (B1). |
| 105–119 | Yanıt matrisi; yüzeyler sıralı faktöre; düzey sırası notu; kişi kimliği tamsayıya; \ge10 kişi | Düzeyler sayısal (ya da harf) sırayla kurulur (B7). |
| 120–126 | Adım ve formül kurulur | madde modelinde yüzey terimleri 0\times. |
| 127–134 | tam.mml.mfr; sapma sonlu mu |
sar, uyarıları toplar. |
| 135–145 | Atılan satır bildirimi; yineleme sınırı uyarısı | r$iter \ge en_cok_yineleme ise uyarı (B4, B5). |
| 146–175 | xsi.facets; doldurma satırları ve madde modelinde yüzey satırları çıkarılır; parametre tablosu; katılık sırası |
psf (sahte yüzey) satırları çıkarılır (147); TAM'ın 99 / −198 doldurma satırları da çıkarılır (148–158; B3, B6). |
| 176–183 | tam.wle; uyum ve güvenirlik tablosu |
WLE güvenirliği hata verirse NA. |
| 184–194 | Formül metni; SH notu; uyarılar; parametre haritası | Renk: madde mor, yüzey turuncu, adım mavi. |
169.6 Elle hesap: örnek veride bağımsız yeniden hesap
Ara değerler dogrulama/cok_yuzeyli_rasch/elle_hesap.py (yalnız numpy ve scipy: kendi marjinal olabilirlik, 21 düğüm, BFGS; sayısal Hessian), pcm_hesap.py (kısmi puan, iki yüzey) ve r_dogrulama.R (lme4::glmer, kişi rastgele kesişimi, 25 noktalı uyarlamalı Gauss–Hermite; Bates ve ark., 2015) ile hesaplanmıştır. TAM çağrılmaz.
Adım 1 — Ana etkiler. 8 parametre (5 madde, 2 serbest puanlayıcı, \log\sigma). BFGS ile sapma 3534{,}3552 (R: 3534{,}3555; şablon: 3534{,}3568); \hat\sigma^2=1{,}783670 (R: 1{,}783598; şablon: 1{,}783365). Madde güçlükleri -1{,}9572, -1{,}0269, -0{,}0684, 1{,}0614, 1{,}9849 (şablon: -1{,}9572, -1{,}0268, -0{,}0684, 1{,}0614, 1{,}9848); puanlayıcılar -0{,}0584, -0{,}4568, 0{,}5152 (toplam 0). TAM'ın EM'i 10^{-5}'te durduğundan sapma son ondalıklarda 1{,}6\cdot10^{-3} ayrışır.
Adım 2 — Yalnız madde. 6 parametre; sapma 3594{,}8481 (R: 3594{,}8482; şablon: 3594{,}8491); madde güçlükleri -1{,}9311, -1{,}0235, -0{,}0886, 1{,}0148, 1{,}9182. TAM belgesinin Örnek 10'unda yayımlanmış değerler -1{,}931 (SH 0{,}111), -1{,}023, -0{,}089, 1{,}015, 1{,}918'dir.
Adım 3 — Olabilirlik oranı. Yüzey etkisi yokluğu (\lambda_1=\lambda_2=\lambda_3=0) için 3594{,}849-3534{,}357=60{,}492, 2 serbestlik derecesi, p=7{,}3\cdot10^{-14}. Şablon bu testi yazmaz; iki modeli ayrı çalıştırıp sapma farkı alınır.
Adım 4 — Etkileşim. etkilesim modelinde 16 parametre, sapma 3522{,}8941; ana etkilerle fark 11{,}463, 8 serbestlik derecesi, p=0{,}177: puanlayıcı \times madde etkileşimi bu veride kanıtlanmaz.
Adım 5 — EAP güvenirliği. Kişi başına 21 düğümlü sonsaldan 1-\overline{\mathrm{SD}^2}/\hat\sigma^2=0{,}664349 (şablon: 0{,}664318).
Adım 6 — Kısmi puan, iki yüzey. Benzetim verisi (300 kişi \times 3 puanlayıcı \times 2 görev \times 4 madde; 16 parametre): sapma 15424{,}6743 (şablon: 15424{,}6744), \hat\sigma^2=1{,}4009 (1{,}4006). Madde güçlükleri -0{,}6670, -0{,}0235, 0{,}5026, 0{,}9344 (benzetim değerleri -0{,}6, 0, 0{,}5, 0{,}9); puanlayıcı -0{,}4980, -0{,}0029, 0{,}5009 (benzetim: -0{,}5, 0, 0{,}5); görev 0{,}2712, -0{,}2712 (benzetim: 0{,}3, -0{,}3).
Adım 7 — Standart hatalar. Python (sayısal Hessian) ve R (glmer): madde 1 için 0{,}1377, puanlayıcılar 0{,}0729, 0{,}0716, 0{,}0753. TAM: 0{,}1124, 0{,}0556, 0{,}0546, 0{,}0779 (B2). Sapma ve parametreler uyuşur; SH'ler uyuşmaz ve tabloya girmemiştir.
169.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | Ölçüt | |
|---|---|---|---|---|---|---|
| Ana etkiler: sapma | 3534,35679222 | 3534,35522237 | 3534,35553454 | 4,4e−7 | 1e−5 | ✓ |
| Ana etkiler: kişi varyansı \sigma^2 | 1,78336452 | 1,78367025 | 1,78359802 | 1,7e−4 | 5e−4 | ✓ |
| Ana etkiler: parametre sayısı | 8 | 8 | 8 | 0 | 1e−6 | ✓ |
| Ana etkiler: AIC | 3550,35679222 | 3550,35522237 | 3550,35553454 | 4,4e−7 | 1e−5 | ✓ |
| Ana etkiler: BIC (kişi sayısı 398 ile) | 3582,24840826 | 3582,24683842 | 3582,24715058 | 4,4e−7 | 1e−5 | ✓ |
| Ana etkiler: kişi sayısı | 398 | 398 | 398 | 0 | 1e−6 | ✓ |
| Ana etkiler: madde 1 güçlüğü | −1,95717624 | −1,95721921 | −1,95721155 | 2,2e−5 | 5e−4 | ✓ |
| Ana etkiler: madde 2 güçlüğü | −1,02683144 | −1,02685364 | −1,02684901 | 2,2e−5 | 5e−4 | ✓ |
| Ana etkiler: madde 3 güçlüğü | −0,06842037 | −0,0684201 | −0,06841989 | 4,8e−7 | 5e−4 | ✓ |
| Ana etkiler: madde 4 güçlüğü | 1,06136868 | 1,06139525 | 1,0613903 | 2,5e−5 | 5e−4 | ✓ |
| Ana etkiler: madde 5 güçlüğü | 1,98481305 | 1,98486016 | 1,984852 | 2,4e−5 | 5e−4 | ✓ |
| Ana etkiler: EAP güvenirliği 1-\overline{\mathrm{SD}^2}/\sigma^2 | 0,66431849 | 0,66434861 | — | 3,0e−5 | 5e−4 | ✓ |
| Ana etkiler: puanlayıcı 1 katılığı | −0,05840283 | −0,05840056 | −0,05840042 | 2,4e−6 | 5e−4 | ✓ |
| Ana etkiler: puanlayıcı 2 katılığı | −0,45674003 | −0,45675483 | −0,45675178 | 1,5e−5 | 5e−4 | ✓ |
| Ana etkiler: puanlayıcı 3 katılığı | 0,51514286 | 0,51515539 | 0,5151522 | 1,3e−5 | 5e−4 | ✓ |
| Ana etkiler: puanlayıcıların toplamı | 2,220446·10−16 | 0 | 0 | 2,2e−16 | 5e−4 | ✓ |
| Yalnız madde: sapma | 3594,84909775 | 3594,84813216 | 3594,84817959 | 2,7e−7 | 1e−5 | ✓ |
| Yalnız madde: kişi varyansı \sigma^2 | 1,71374282 | 1,71393857 | 1,71391718 | 1,1e−4 | 5e−4 | ✓ |
| Yalnız madde: parametre sayısı | 6 | 6 | 6 | 0 | 1e−6 | ✓ |
| Yalnız madde: AIC | 3606,84909775 | 3606,84813216 | 3606,84817959 | 2,7e−7 | 1e−5 | ✓ |
| Yalnız madde: BIC (kişi sayısı 398 ile) | 3630,76780979 | 3630,76684419 | 3630,76689162 | 2,7e−7 | 1e−5 | ✓ |
| Yalnız madde: kişi sayısı | 398 | 398 | 398 | 0 | 1e−6 | ✓ |
| Yalnız madde: madde 1 güçlüğü | −1,93104551 | −1,93107414 | −1,93107252 | 1,5e−5 | 5e−4 | ✓ |
| Yalnız madde: madde 2 güçlüğü | −1,0235063 | −1,02352132 | −1,02352048 | 1,5e−5 | 5e−4 | ✓ |
| Yalnız madde: madde 3 güçlüğü | −0,08855828 | −0,0885589 | −0,08855888 | 6,2e−7 | 5e−4 | ✓ |
| Yalnız madde: madde 4 güçlüğü | 1,01479483 | 1,0148112 | 1,01481027 | 1,6e−5 | 5e−4 | ✓ |
| Yalnız madde: madde 5 güçlüğü | 1,91812737 | 1,91815688 | 1,91815584 | 1,5e−5 | 5e−4 | ✓ |
| Kısmi puan, iki yüzey: sapma | 15424,67439027 | 15424,67433034 | — | 3,9e−9 | 1e−6 | ✓ |
| Kısmi puan, iki yüzey: \sigma^2 | 1,40055641 | 1,40088847 | — | 2,4e−4 | 5e−4 | ✓ |
| Kısmi puan: madde 1 güçlüğü | −0,66674312 | −0,66696242 | — | 2,2e−4 | 5e−4 | ✓ |
| Kısmi puan: madde 2 güçlüğü | −0,02326531 | −0,02347373 | — | 2,1e−4 | 5e−4 | ✓ |
| Kısmi puan: madde 3 güçlüğü | 0,50284168 | 0,50263977 | — | 2,0e−4 | 5e−4 | ✓ |
| Kısmi puan: madde 4 güçlüğü | 0,93455605 | 0,93435833 | — | 2,0e−4 | 5e−4 | ✓ |
| Kısmi puan: puanlayıcı 1 | −0,49801142 | −0,4980183 | — | 6,9e−6 | 5e−4 | ✓ |
| Kısmi puan: puanlayıcı 2 | −0,00289482 | −0,00289475 | — | 6,7e−8 | 5e−4 | ✓ |
| Kısmi puan: puanlayıcı 3 | 0,50090624 | 0,50091305 | — | 6,8e−6 | 5e−4 | ✓ |
| Kısmi puan: görev 1 | 0,27117452 | 0,27117821 | — | 3,7e−6 | 5e−4 | ✓ |
| Kısmi puan: madde 1, 1. adım | −0,97707052 | −0,97710412 | — | 3,4e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 1, 3. adım (türetilmiş, -toplam) | 1,0331488 | 1,03317478 | — | 2,5e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 2, 1. adım | −0,69527086 | −0,69529496 | — | 2,4e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 2, 3. adım (türetilmiş, -toplam) | 0,70959822 | 0,70961664 | — | 1,8e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 3, 1. adım | −1,27488723 | −1,27491054 | — | 1,8e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 3, 3. adım (türetilmiş, -toplam) | 1,14537831 | 1,14539431 | — | 1,4e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 4, 1. adım | −0,87521314 | −0,87523126 | — | 1,8e−5 | 5e−4 | ✓ |
| Kısmi puan: madde 4, 3. adım (türetilmiş, -toplam) | 1,12588259 | 1,12589222 | — | 8,6e−6 | 5e−4 | ✓ |
Ölçütü karşılayan: 45/45. Python: kendi marjinal olabilirlik (21 düğüm, -6\ldots6, ağırlık \propto N(\cdot;0,\sigma^2) normlanmış; BFGS). R: lme4::glmer (kişi rastgele kesişimi, 25 noktalı uyarlamalı Gauss–Hermite). TAM'ın EM'i parametre değişimi 10^{-5}'te durduğundan son ondalıklarda 10^{-4} düzeyinde ayrışır; ölçüt parametrelerde 5\cdot10^{-4}, sapmada 10^{-5} bağıldır. Kısmi puan satırları yalnız bağımsız Python ile karşılaştırılır (benzetim verisi veri_uret.py; aynı marjinal olabilirlik, 16 parametre). Standart hatalar karşılaştırılmaz: TAM'ın raporladığı SH (madde 1: 0,1124) tam gözlenen bilgi matrisinden (Python ve R: 0,1377) küçüktür (169.6).
169.7 Çıktıyı okuma
Örnek ayar (p5_cy_ornek) çıktısı olduğu gibi (konsol metni, ardından tablolar):
Model formülü: ~item + rater
Parametreler (tablo 1) ve katılık sırası (tablo 2):
parametre yuzey xsi SH parametre xsi SH sira
I0001 item -1.957176 0.112354 rater3 0.515143 0.077920 1
I0002 item -1.026831 0.095940 rater1 -0.058403 0.055554 2
I0003 item -0.068420 0.089992 rater2 -0.456740 0.054637 3
I0004 item 1.061369 0.095312
I0005 item 1.984813 0.110966
rater1 rater -0.058403 0.055554
rater2 rater -0.456740 0.054637
rater3 rater 0.515143 0.077920
Model uyumu ve güvenirlik (tablo 3):
satir 675 kisi 398 en buyuk puan 1 kisi varyansi σ² 1.783365 EAP guvenirligi 0.664318
WLE guvenirligi 0.550949 sapma 3534.356792 AIC 3550.356792 BIC 3582.248408 parametre sayisi 8
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
item satırları |
Madde güçlüğü \delta_i, logit | Büyük değer zor madde (daha az 1 puanı). cases kısıtında kişi ortalaması 0'dır, madde parametrelerinin toplamı 0 olmak zorunda değildir. |
rater, task satırları |
Yüzey katılığı \lambda, toplam sıfır | Büyük değer daha katı. Örnekte puanlayıcı 3 en katı (0{,}515), 2 en cömert (-0{,}457): aralarındaki 0{,}97 logit, aynı işe verilen puan olasılığında yaklaşık e^{0{,}97}=2{,}6 katlık odds farkı demektir. |
item:step, step |
Adım parametresi \tau | Kısmi puanda madde başına adımlar toplamı sıfır; son adım türetilmiştir (SH'si var). Adımların sırası artmıyorsa kategoriler karışıyor demektir (kategori düzeni sorunu). |
item:rater |
Etkileşim | Puanlayıcının belirli maddede genel katılığından sapması; etkilesim modelinde. |
sira |
Büyük xsi = 1 |
madde modelinde tüm değerler 0'dır; sıra anlamsızdır (B6). |
kişi varyansı σ² |
Kişi yeteneği varyansı | Büyük değer kişilerin ayrıştığını gösterir; birimi logit². |
EAP, WLE güvenirliği |
Kişi ölçüm güvenirliği | WLE genellikle EAP'dan düşüktür; ikisi de kişi başına madde ve puanlayıcı sayısına bağlıdır. |
sapma, AIC, BIC |
Karşılaştırma ölçütleri | Aynı veri ve aynı kişi kümesinde iç içe modeller arası fark (yüzey etkisi, etkileşim) sınanır. |
Şekil 169.1. Şablonun çizdiği parametre haritası (örnek veri): madde (mor) ve yüzey (turuncu) parametreleri logit ölçeğinde; kesikli çizgi 0.

Rapor cümlesi. Beş ikili maddeden oluşan puanlamaya, üç puanlayıcıyı ana etki olarak içeren çok yüzeyli Rasch modeli marjinal en çok olabilirlikle uydurulmuştur (398 kişi, 675 puanlama; sapma =3534{,}36, 8 parametre). Puanlayıcı katılıkları -0{,}46 (puanlayıcı 2) ile 0{,}52 (puanlayıcı 3) logit arasındadır; puanlayıcı etkisi yok varsayan modele göre uyum belirgin iyidir (\Delta D=60{,}49, sd =2, p<0{,}001). Kişi varyansı 1{,}78, EAP güvenirliği 0{,}66'dır.
169.8 Sık hatalar ve tuzaklar
- Puanları 0'dan başlatın. 1–4 Likert gibi 1'den başlayan puan çalıştırmayı durdurur ("puanları 0'dan başlayıp kesintisiz artmalı"); durdurulmasaydı TAM boş bir 0 kategorisi açar ve adım parametreleri anlamsızlaşırdı: benzetim verisinde 0–3 puanlarına 1 eklenince madde güçlükleri -0{,}667 … 0{,}935'ten -2{,}903 … -2{,}027'ye kayar, M_i{:}step1 parametreleri -6{,}7 … -8{,}9 olur ve parametre sayısı 16'dan 20'ye çıkardı (
p5_cy_pcm_1_4; B1). Puanları en küçük puanı çıkararak yeniden kodlayın. - Atlanmış puan değeri. Bir madde 0, 1, 3 değerlerini alıyor ve 2 hiç görülmüyorsa şablon durur ve gözlenen puanları (0, 1, 3) yazar; durdurulmasaydı adım parametresi sınıra giderdi:
M1:step2=59{,}8, SH 3{,}8\cdot10^{11} (p5_cy_pcm_bosluk; B1). Hiç görülmeyen ara kategoriyi komşusuyla birleştirip yeniden kodlayın. - Bir maddenin kategori sayısı ötekilerden azsa. Yalnız 0/1 olan bir madde dört kategorili maddelerle birlikte seçilirse TAM, olmayan adımlar için 99{,}0, 99{,}0 ve -198{,}0 (SH 0) doldurma değerleri üretir (
p5_cy_pcm_karma,M4:step1); şablon bu satırları tablodan çıkarır ve kaç satır çıkarıldığını yazar (B3). - Kişi kimliği.
kisiboşsa her satır ayrı kişi sayılır: aynı kişinin satırları bağımsız kabul edilir; örnek veride kişi sayısı 398 yerine 675 olur, kişi varyansı 1{,}767, EAP güvenirliği 0{,}565 ve WLE güvenirliği 0{,}389 (aynı veri,p5_cy_kisisiz; B8). Uyarı verilmez. - Bağlantısız tasarım. Puanlayıcıların yalnız ayrı kişileri puanladığı tasarımda puanlayıcı katılığı ve kişi yeteneği ayrılamaz; model yine kestirilir ve yüzey parametreleri yorumlanamaz. Şablon bağlantıyı denetlemez.
maddemodeli. Yüzey etkileri sıfıra sabitlendiğinden yüzey satırları ve "Katılık sırası" tablosu gösterilmez (bir not yazılır; B6). Bu model yalnız karşılaştırma içindir.- Standart hatalar. Tablodaki SH, tam bilgi matrisinden %18–25 küçüktür (169.4.5; B2) ve çıktı bunu bir notla belirtir; yüzey katılıklarını karşılaştıran güven aralıklarını bu SH'lerle kurmayın.
- Yakınsama.
en_cok_yineleme = 10örnek veride durur ve \hat\sigma^2=1{,}744 (yakınsamış 1{,}783) ile sapma 3534{,}415 yazar ve "EM en çok yineleme sayısında kesildi" uyarısını verir (p5_cy_iter10; B4).kuadratur = 9kişi varyansını 1{,}818'e çıkarır; 21 ile 41 düğüm arasında fark yoktur (sapma 3534{,}3568 ve 3534{,}3581). - Eksik madde puanı. Kişi–yüzey satırında bazı maddeler boşsa o puanlar olabilirlikten çıkar; satırın tüm maddeleri boşsa satır atılır ve atılan satır sayısı yazılır (
p5_cy_pcm_eksik: 1800 ham satırın 1'i, 1799 satır; B5). - Yüzey kodları. Sayı kodlu yüzeylerde (2, 10, 3) düzey sırası sayısaldır (2, 3, 10); son düzey (10) toplamı sıfır tamamlayan türetilen düzeydir ve çıktı bunu yazar (B7). Kestirimler değişmez;
siratablosuxsi'ye göre sıralıdır.
169.9 Uzman soruları
S1. Neden yüzey parametreleri toplamı sıfır, kişi ortalaması 0? İkisi birlikte yeterli mi?
Her yüzey için toplamı sıfır kısıtı, yüzeyin genel konumunu madde güçlüğünden ayırır (aksi hâlde yüzey ile madde konumu birbirine eklenebilir). Kişi ortalaması 0 (cases) ya da madde toplamı 0 (items) ölçeğin konumunu tanımlar. İkisi birlikte kimliklendirme için yeterlidir; kisit yalnız madde parametrelerinin referansını değiştirir, olabilirliği değiştirmez (sapma 3534{,}356792 ve 3534{,}356793).
S2. Kısmi puan ve derecelendirme ölçeği farkı nedir ve hangisi seçilmelidir?
Kısmi puan (Masters, 1982) her maddeye kendi adım parametrelerini verir; derecelendirme ölçeği (Andrich, 1978) tüm maddelerde ortak adım ister. Benzetim verisinde kısmi puan sapması 15424{,}67 (16 parametre), derecelendirme ölçeği 15493{,}33 (10 parametre): fark 68{,}65, 6 serbestlik derecesi; madde başına adımlar farklı olduğundan kısmi puan seçilir. Veri aynı rubriği kullanan maddeler ise derecelendirme ölçeği tasarruflu olur.
S3. Puanlayıcı katılığı tutarlılıktan nasıl ayrılır?
Şablon katılığı (ana etki) ve puanlayıcı \times ilk yüzey etkileşimini (maddeye göre değişen katılık) verir; puanlayıcı içi tutarlılık (uyum istatistikleri, infit/outfit) üretmez. Etkileşim modeli (p=0{,}177, bu veri) tutarsızlık hakkında kısmi bilgi verir.
S4. Yüzeylerin sabit etki olması ne sonuç doğurur?
Katılıklar belirli bu puanlayıcılara özgü parametrelerdir; başka puanlayıcılara genellenmez. Puanlayıcıları evrenden örneklem sayıyorsanız karma model (rastgele puanlayıcı) tercih edilir ve genellenebilirlik analizi (Bölüm 171) puanlayıcı varyansını doğrudan sunar.
S5. TAM'ın SH'leri neden bağımsız hesaptan küçük?
TAM'ın xsi.facets içindeki se.xsi değerinin hesap yöntemi bu bölümde yeniden kurulmamıştır; yalnız sayılar karşılaştırılmıştır: TAM 0{,}1124, TAM'ın ayrı tam.se işlevi 0{,}1219, tam gözlenen bilgi matrisi (kişi varyansı dahil) 0{,}1377. Sapma ve nokta kestirimleri uyuştuğu için fark yalnız SH'tedir (169.6).
S6. BIC neden kişi sayısıyla hesaplanıyor?
Olabilirlik kişi başına tümlevlendiği için bağımsız birim kişidir; satır sayısı (675) kişi içi bağımlılığı yok sayar. Kişi sayısıyla \mathrm{BIC}=3582{,}248; satır sayısıyla 3534{,}357+8\log675=3586{,}5 olurdu.
S7. Kuadratür düğüm sayısı sonucu ne kadar etkiler?
Varsayılan 21 düğüm ve [-6{,}6] aralığı yeterlidir: 41 düğümde sapma 0{,}0013 ve \hat\sigma^2 0{,}0002 değişir. 9 düğümde \hat\sigma^2=1{,}818 (21'de 1{,}783): küçük düğüm sayısı kişi varyansını ve yüzey katılıklarını bozar.
S8. 1–5 Likert puanını nasıl kodlamalı?
Puanları 0–4'e çevirin (x-1). Aksi hâlde TAM boş bir 0 kategorisini adım olarak kestirir (169.8). Şablonun denetimi 1'den başlamayı yakalamaz.
169.10 Kaynaklar
Adams, R. J., Wilson, M., ve Wang, W.-C. (1997). The multidimensional random coefficients multinomial logit model. Applied Psychological Measurement, 21(1), 1–23. https://doi.org/10.1177/0146621697211001
Andrich, D. (1978). A rating formulation for ordered response categories. Psychometrika, 43(4), 561–573. https://doi.org/10.1007/BF02293814
Bates, D., Mächler, M., Bolker, B., ve Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1). https://doi.org/10.18637/jss.v067.i01
Bock, R. D., ve Aitkin, M. (1981). Marginal maximum likelihood estimation of item parameters: Application of an EM algorithm. Psychometrika, 46(4), 443–459. https://doi.org/10.1007/BF02293801
Linacre, J. M. (1989). Many-facet Rasch measurement. MESA Press.
Masters, G. N. (1982). A Rasch model for partial credit scoring. Psychometrika, 47(2), 149–174. https://doi.org/10.1007/BF02296272
Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danish Institute for Educational Research.
Robitzsch, A., Kiefer, T., ve Wu, M. (2025). TAM: Test analysis modules (R paketi sürüm 4.3-25). https://doi.org/10.32614/CRAN.package.TAM
Warm, T. A. (1989). Weighted likelihood estimation of ability in item response theory. Psychometrika, 54(3), 427–450. https://doi.org/10.1007/BF02294627