MerQuR+Başvuru Kitabı

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).

\log\frac{P(X_{nirt}=k)}{P(X_{nirt}=k-1)}=\theta_n-\delta_i-\lambda_r-\lambda_t-\tau_{ik},\qquad k=1,\dots,m
  • 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_boyutlu şablonu (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:

L_n=\int\prod_{(i,r,t)\in\mathcal R_n}P\big(x_{nirt}\mid\theta,\boldsymbol\xi\big)\ \phi(\theta;0,\sigma^2)\,d\theta\ \approx\ \sum_{q=1}^{Q}w_q(\sigma)\prod_{(i,r,t)\in\mathcal R_n}P\big(x_{nirt}\mid\theta_q,\boldsymbol\xi\big)
  • \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:

D=-2\sum_n\log L_n,\qquad \mathrm{AIC}=D+2\kappa,\qquad \mathrm{BIC}=D+\kappa\log N_{\text{kişi}}

\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):

\rho_{\mathrm{EAP}}=1-\frac{\overline{\mathrm{SD}^2_{\mathrm{EAP}}}}{\hat\sigma^2},\qquad \rho_{\mathrm{WLE}}=\frac{\widehat{\mathrm{Var}}(\hat\theta_{\mathrm{WLE}})-\overline{\mathrm{SE}^2_{\mathrm{WLE}}}}{\widehat{\mathrm{Var}}(\hat\theta_{\mathrm{WLE}})}
  • \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. kisi boşsa 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.
  • madde modeli. 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 = 10 örnek 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 = 9 kişi 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; sira tablosu xsi'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