przewidywanie_rasch: Oszacowania z modeli Rascha

Description Usage Arguments Details Value

View source: R/przewidywanie_rasch.R

Description

Funkcja przygotowuje przeliczenie z sumy punktów na przewidywanie poziomu umiejętności z modelu IRT (żeby miało to większy sens powinna to być jakaś odmiana modelu Rascha).

Usage

1
przewidywanie_rasch(sumy, oszacowania, maks = NULL, span = 0.2)

Arguments

sumy

data frame zawierający id_obserwacji i obliczone sumy punktów (może to być kilka kolumn z sumami z kilku różnych części egzaminu)

oszacowania

data frame zawierający id_obserwacji i oszacowania umiejętności z modelu

maks

opcjonalnie wektor liczb zawierających maksymalne możliwe do uzyskania wartości sum - jego elementy muszą nazywać się tak, jak kolumny argumentu sumy, opisujące wartości sum punktów

span

wartość liczbowa - parametr span, przekazywany do funkcji loess() przy wygładzaniu i zapełnianiu dziur w przebiegu przekodowania

Details

W modelu Rascha liczba punktów w zasadzie powinna być statystyką dostateczną dla oszacowania poziomu umiejętności bez względu na to, czy test składa się wyłącznie z zadań ocenianych binarnie, czy też zawiera również zadania o większej liczbie poziomów wykonania. Niestety, w Mplusie tak nie jest i jeśli test zawiera zadania o większe liczbie poziomów wykonania, Mplus będzie przypisywał zdającym nieco inne oszacowania w zależności od tego, które konkretnie zadania rozwiązali poprawnie, a które niepoprawnie.

Jeśli napodstawie wyników działania Mplusa chcemy uzyskać funkcję przypisującą jednoznacznie oszacowanie sumie punktów, musimy w związku z tym dokonać jakiegoś przybliżenia. Możliwe są dwa podejścia:

Podejście pierwsze jest teoretycznie bardziej poprawne, ale znajduje zastosowanie tylko dla dosyć krótkich testów, jako że liczba wszystkich możliwych wektorów odpowiedzi rośnie wykładniczo wraz ze wzrostem liczby zadań. Podejście drugie jest aplikowalne zawsze, ale jego sensowność silnie zależy od iczby losowanych wyników (procedura Monte-Carlo) lub liczby obserwacji i rozkładu wyników (wykorzystanie danych rzeczywistych).

Niniejsza funkcja implementuje drugą procedurą, w oparciu o dane rzeczywiste (czyli w zasadzie najbardziej ryzykowną). Stara się przy tym wykryć i naprawić pewne problemy, które mogą się z nią wiązać:

Rozwiązanie obu problemów stara się uzyskać wygładzając i interpoulując przewidywanie przy pomocy regresji nieparametrycznej (funkcją loess(), wywoływana z parametrem span). Jeśli przewidywanie wynikające z regesji nieparametrycznej jest niemonotoniczne, funkcja będzie zwiększać wartość parametru span o 0.05 tak długo, aż przewidywanie stanie się monotoniczne (wtedy zwórcone zostanie ostrzeżenie) lub aż osiągnieta zostanie wartość parametru span większa lub równa 1 (jeśli przewidywanie cały czas będzie niemonotonicze, funkcja zwróci błąd).

Jeśli minimalna wartość występująca w danych nie jest równa 0, to wartościom niższym od najmniejszej występującej (w ramach danej grupy) przypisane zostanie przewidywanie odpowiadające tej minimalnej wartości sumy, występującej w danych (w ramach danej grupy).

Analogicznie, jeśli podana została wartość parametru maks, to w ramach każdej grupy ew. wartościom większym od maksymalnej wartości występującej w danych (w ramach danej grupy) a nie większym od odpowiedniej wartości parametru maks przypisane zostaną przewidywania odpowiadające tej maksymalnej wartości sumy, występującej w danych (w ramach danej grupy).

Value

lista o elementach:


tzoltak/EWDskale documentation built on Oct. 14, 2018, 6:51 a.m.