przewidywanie_rasch: Oszacowania z modeli Rascha

Description Usage Arguments Details Value

View source: R/przewidywanie_rasch.R

Description

Funkcja przygotowuje przeliczenie z sumy punkt<c3><b3>w na przewidywanie poziomu umiej<c4><99>tno<c5><9b>ci z modelu IRT (<c5><bc>eby mia<c5><82>o to wi<c4><99>kszy sens powinna to by<c4><87> jaka<c5><9b> odmiana modelu Rascha).

Usage

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

Arguments

sumy

data frame zawieraj<c4><85>cy id_obserwacji i obliczone sumy punkt<c3><b3>w (mo<c5><bc>e to by<c4><87> kilka kolumn z sumami z kilku r<c3><b3><c5><bc>nych cz<c4><99><c5><9b>ci egzaminu)

oszacowania

data frame zawieraj<c4><85>cy id_obserwacji i oszacowania umiej<c4><99>tno<c5><9b>ci z modelu

maks

opcjonalnie wektor liczb zawieraj<c4><85>cych maksymalne mo<c5><bc>liwe do uzyskania warto<c5><9b>ci sum - jego elementy musz<c4><85> nazywa<c4><87> si<c4><99> tak, jak kolumny argumentu sumy, opisuj<c4><85>ce warto<c5><9b>ci sum punkt<c3><b3>w

span

warto<c5><9b><c4><87> liczbowa - parametr span, przekazywany do funkcji loess() przy wyg<c5><82>adzaniu i zape<c5><82>nianiu dziur w przebiegu przekodowania

Details

W modelu Rascha liczba punkt<c3><b3>w w zasadzie powinna by<c4><87> statystyk<c4><85> dostateczn<c4><85> dla oszacowania poziomu umiej<c4><99>tno<c5><9b>ci bez wzgl<c4><99>du na to, czy test sk<c5><82>ada si<c4><99> wy<c5><82><c4><85>cznie z zada<c5><84> ocenianych binarnie, czy te<c5><bc> zawiera r<c3><b3>wnie<c5><bc> zadania o wi<c4><99>kszej liczbie poziom<c3><b3>w wykonania. Niestety, w Mplusie tak nie jest i je<c5><9b>li test zawiera zadania o wi<c4><99>ksze liczbie poziom<c3><b3>w wykonania, Mplus b<c4><99>dzie przypisywa<c5><82> zdaj<c4><85>cym nieco inne oszacowania w zale<c5><bc>no<c5><9b>ci od tego, kt<c3><b3>re konkretnie zadania rozwi<c4><85>zali poprawnie, a kt<c3><b3>re niepoprawnie.

Je<c5><9b>li napodstawie wynik<c3><b3>w dzia<c5><82>ania Mplusa chcemy uzyska<c4><87> funkcj<c4><99> przypisuj<c4><85>c<c4><85> jednoznacznie oszacowanie sumie punkt<c3><b3>w, musimy w zwi<c4><85>zku z tym dokona<c4><87> jakiego<c5><9b> przybli<c5><bc>enia. Mo<c5><bc>liwe s<c4><85> dwa podej<c5><9b>cia:

Podej<c5><9b>cie pierwsze jest teoretycznie bardziej poprawne, ale znajduje zastosowanie tylko dla dosy<c4><87> kr<c3><b3>tkich test<c3><b3>w, jako <c5><bc>e liczba wszystkich mo<c5><bc>liwych wektor<c3><b3>w odpowiedzi ro<c5><9b>nie wyk<c5><82>adniczo wraz ze wzrostem liczby zada<c5><84>. Podej<c5><9b>cie drugie jest aplikowalne zawsze, ale jego sensowno<c5><9b><c4><87> silnie zale<c5><bc>y od iczby losowanych wynik<c3><b3>w (procedura Monte-Carlo) lub liczby obserwacji i rozk<c5><82>adu wynik<c3><b3>w (wykorzystanie danych rzeczywistych).

Niniejsza funkcja implementuje drug<c4><85> procedur<c4><85>, w oparciu o dane rzeczywiste (czyli w zasadzie najbardziej ryzykown<c4><85>). Stara si<c4><99> przy tym wykry<c4><87> i naprawi<c4><87> pewne problemy, kt<c3><b3>re mog<c4><85> si<c4><99> z ni<c4><85> wi<c4><85>za<c4><87>:

Rozwi<c4><85>zanie obu problem<c3><b3>w stara si<c4><99> uzyska<c4><87> wyg<c5><82>adzaj<c4><85>c i interpouluj<c4><85>c przewidywanie przy pomocy regresji nieparametrycznej (funkcj<c4><85> loess(), wywo<c5><82>ywana z parametrem span). Je<c5><9b>li przewidywanie wynikaj<c4><85>ce z regesji nieparametrycznej jest niemonotoniczne, funkcja b<c4><99>dzie zwi<c4><99>ksza<c4><87> warto<c5><9b><c4><87> parametru span o 0.05 tak d<c5><82>ugo, a<c5><bc> przewidywanie stanie si<c4><99> monotoniczne (wtedy zw<c3><b3>rcone zostanie ostrze<c5><bc>enie) lub a<c5><bc> osi<c4><85>gnieta zostanie warto<c5><9b><c4><87> parametru span wi<c4><99>ksza lub r<c3><b3>wna 1 (je<c5><9b>li przewidywanie ca<c5><82>y czas b<c4><99>dzie niemonotonicze, funkcja zwr<c3><b3>ci b<c5><82><c4><85>d).

Je<c5><9b>li minimalna warto<c5><9b><c4><87> wyst<c4><99>puj<c4><85>ca w danych nie jest r<c3><b3>wna 0, to warto<c5><9b>ciom ni<c5><bc>szym od najmniejszej wyst<c4><99>puj<c4><85>cej (w ramach danej grupy) przypisane zostanie przewidywanie odpowiadaj<c4><85>ce tej minimalnej warto<c5><9b>ci sumy, wyst<c4><99>puj<c4><85>cej w danych (w ramach danej grupy).

Analogicznie, je<c5><9b>li podana zosta<c5><82>a warto<c5><9b><c4><87> parametru maks, to w ramach ka<c5><bc>dej grupy ew. warto<c5><9b>ciom wi<c4><99>kszym od maksymalnej warto<c5><9b>ci wyst<c4><99>puj<c4><85>cej w danych (w ramach danej grupy) a nie wi<c4><99>kszym od odpowiedniej warto<c5><9b>ci parametru maks przypisane zostan<c4><85> przewidywania odpowiadaj<c4><85>ce tej maksymalnej warto<c5><9b>ci sumy, wyst<c4><99>puj<c4><85>cej w danych (w ramach danej grupy).

Value

lista o elementach:


tzoltak/EWDskale documentation built on Jan. 30, 2018, 2:03 a.m.