改进的EMS算法用于M3PL模型中的潜在变量选择
Laixu Shang1, Ping-Feng Xu2,3, Na Shan2
1Zhejiang Normal University, Jinhua, China.
Applied psychological measurement
|November 15, 2024
概括
一个新的改进的预期最大化 (EM) 算法 (IEMS) 准确地识别了复杂的多维3参数物流 (M3PL) 模型中的项目和潜在特征之间的关系. 这种方法增强了MIRT应用程序的潜在变量选择.
科学领域:
- 心理测量 心理测量 心理测量
- 统计建模 统计建模
- 教育测量的教育测量.
背景情况:
- 多维物品响应理论 (MIRT) 模拟了物品和潜在特征之间的复杂关系.
- 隐性变量选择对于理解这些关系至关重要.
- 现有的多维2参数物流 (M2PL) 模型的方法,如与贝叶斯信息标准 (BIC) 最小化的预期最大化 (EM) 算法,由于其额外的猜测参数,面临更复杂的多维3参数物流 (M3PL) 模型的挑战.
研究的目的:
- 提出一个改进的预期最大化 (EM) 算法,称为IEMS,用于在M3PL模型中准确和高效的潜在变量选择.
- 为了证明IEMS算法对M3PL和M2PL模型的有效性.
- 评估IEMS算法的性能与现有最先进的方法相比.
主要方法:
- 改进期望最大化 (IEMS) 算法的开发,这是针对MIRT量身定制的EM算法的扩展.
- 应用IEMS算法,通过最小化观察到的贝叶斯信息标准 (BIC) 来识别M3PL和M2PL模型中的负载结构.
- 通过模拟研究进行比较分析,评估模型恢复,估计精度和计算效率.
主要成果:
- IEMS算法在准确恢复真实负载结构方面表现出竞争性.
- 与其他方法相比,模拟研究显示出更高的估计精度和计算效率.
- IEMS算法有效地处理了M3PL模型中猜测参数所引入的复杂性.
结论:
- 拟议的IEMS算法为MIRT中隐性变量选择提供了强大而高效的解决方案,特别是在M3PL模型中.
- IEMS为心理测量和教育测量的研究人员提供了一个有价值的工具,用于模型识别.
- 该算法的成功应用于真实数据集的应用强调了它的实际实用性.
