Please enable JavaScript.
Coggle requires JavaScript to display documents.
第十三章 以IRT編製測驗 - Coggle Diagram
第十三章 以IRT編製測驗
選擇適當模式要考量
希望獲得的試題參數類型?
想要多、完整的試題資訊>>二或三參數
只要難易度跟程度值>>單參數
量尺特性or試題分析的目的
量尺是多元計分>>部份給分模式
計分方式都相同>>評定量尺模式
量尺特性需求?
要等距>>單參數
不一定要符合等距>>二或三參數
資料與模式的符合度比較
無法決定要用哪種IRT模式時，就多用幾個，然後算出不同模式的符合度指標，再用概率比法比較哪種比較好
要加權?
各題都對能力很重要>>不加權>>單參數
題目重要程度有差異>>加權>>二或三參數
試題參數的估計
聯合最大概似法JML
兩階段
邊際最大概似法MML
能力分布型態會影響估計結果
條件最大概似法CML
主要應用在Rasch模式
檢視資料的符合性
受測者符合度的檢驗
模式符合度的檢驗
題目
(實際資料與IRT模式化出來的)ICC曲線、統計數值
受測者作答反應
基本假設的符合性測驗
單向度
受測者反應型態的合理性(難的答對率低)
計算測驗信度，內部一致性高
主成分分析
第一因素的特徵值與第二因素的特徵值比值越高，則越符合單向度<<使用線性or非線性的因素分析
資料的實際值與IRT的理論值兩者間的差異有多大<<殘差值分析
局部獨立性
題目間沒有明顯相關，代表符合局部獨立性檢定
估計受測者的能力或潛在特質
原理
根據答題反應跟IRT的模式建立反應概似函數，找出最可能產生此函數的受測者能力值
以所有受測者在所有題目上的答題反應矩陣所形成的概似函數進行估計>>同時估計所有受測者的程度值
沒有封閉解，只有最佳解/近似解
方法
最大概似法
直接找出受測者反應概似函數最佳化的能力值
貝氏最大後驗法
以受測者的事前能力分布作為加權值，形成事後機率密度函數，找出使事後機率密度函數最大化的程度值
貝氏期望後驗法
尋找事後機率密度函數的期望值(平均數)
測驗訊息量與測量標準誤
所有受測者都一樣<<(傳統)*測量標準誤SEM
隨能力而不同<<測量誤差