Madde Yanıt Teorisi ve Doğrulayıcı Faktör Analizi

Madde Tepki Teorisi ile Doğrulayıcı Faktör Analizi arasındaki temel, anlamlı farklılıkların ne olduğunu merak ediyordum.

Hesaplamalarda farklılıklar olduğunu anlıyorum (maddeye karşı kovaryanslara daha fazla odaklanma; log-lineer ve lineer).

Bununla birlikte, bunun daha üst düzey bir perspektiften ne anlama geldiğine dair hiçbir fikrim yok - bu, IRT'nin bazı durumlarda CFA'dan daha iyi olduğu anlamına mı geliyor? Veya biraz farklı amaçlar için mi?

Herhangi bir takıntı, araştırma literatürünün taranması olarak faydalı olacaktır, aralarındaki temel farklılıkların herhangi bir yararlı karşılaştırmasından daha fazla IRT ve CFA tanımına yol açmıştır.

@Philchalmers cevabı yerinde ve eğer sahadaki liderlerden birinden Muthen (Mplus'un yaratıcısı) bir referans istiyorsanız, işte başlıyoruz: (Doğrudan alıntı dahil etmek için düzenlendi)

Bir MPlus kullanıcısı soruyor: Tezim için ikili CFA ve IRT arasındaki mevcut benzerlikleri ve farklılıkları tarif etmeye ve göstermeye çalışıyorum. Kategorik CFA için Mplus'ta varsayılan tahmin yöntemi WLSMV'dir. Bir IRT modelini çalıştırmak için kılavuzunuzdaki örnek, tahmin yöntemi olarak MLR kullanmanızı önerir. MLR'yi kullandığımda, veri girişi hala tetrashorik korelasyon matrisi mi yoksa orijinal yanıt veri matrisi mi kullanılıyor?

Bengt Muthen cevap veriyor: Kategorik değişkenlerin CFA'sı ile IRT arasında bir fark olduğunu düşünmüyorum. Bazen iddia ediliyor ama kabul etmiyorum. Hangi tahmin edicinin tipik olarak kullanıldığı farklılık gösterebilir, ancak bu zorunlu değildir. MLR, örnek tetraforik korelasyon matrisini değil ham verileri kullanır. ... ML (R) yaklaşımı, örneğin Bock'un çalışmasında açıklanan "marjinal ML (MML)" yaklaşımı ile aynıdır. Ham verileri kullanmak ve sayısal entegrasyon kullanarak faktörler üzerinde entegrasyon yapmak. MML, örneğin Rasch yaklaşımlarında kullanılan "koşullu ML" ile zıttır.

Normal faktörler, probit (normal ogive) madde-faktör ilişkileri ve koşullu bağımsızlık varsayılırsa, varsayımlar ML ve ikincisinin tetratotrileri kullandığı WLSMV için aynıdır. Bunun nedeni, bu varsayımların kategorik sonuçların ardında çok değişkenli normal altta yatan sürekli gizli yanıt değişkenlerinin varsayılacağıdır. Bu nedenle WLSMV yalnızca 1. ve 2. derece bilgileri kullanır, ML ise en yüksek sıraya kadar yükselir. Ancak bilgi kaybı küçük görünmektedir. ML, modeli bu örnek tetratoriklere uymuyor, bu yüzden belki de WLSMV'nin farklı bir şekilde marjinalleştiğini söyleyebiliriz. Bu model farklılıkları yerine tahminci farklılıkları meselesidir.

Web sitemizde bir IRT notumuz var:

http://www.statmodel.com/download/MplusIRT2.pdf

ancak yine ML (R) yaklaşımı IRT MML'de kullanılandan farklı değildir.

Kaynak: http://www.statmodel.com/discussion/messages/9/10401.html?1347474605

Bazı yönlerden haklısınız, CFA ve IRT aynı kumaştan kesilir. Ama birçok farklı şekilde de farklılar. CFA veya daha uygun bir şekilde madde CFA, kategorik maddeler arasında belirli bir tür eşleşmeyi hesaba katmak için yapısal eşitlik / kovaryans modelleme çerçevesinin bir uyarlamasıdır. IRT, değişkenlerde yalnızca birinci ve ikinci dereceden bilgileri kullanmadan kategorik değişken ilişkilerinin modellenmesiyle ilgilidir (tam bilgi, bu nedenle gereksinimleri genellikle katı değildir).

Öğe CFA'nın SEM çerçevesi içinde olmasının birçok avantajı vardır ve bu nedenle diğer değişkenlerle çok değişkenli ilişki sistemlerine çok geniş bir uygulaması vardır. IRT, diğer taraftan, öncelikle testin kendisine odaklanır, ancak ortak değişkenler de doğrudan teste dahil edilebilir (örn. Açıklayıcı IRT ile ilgili konulara bakın). Ayrıca, monotonik olmayan, parametrik olmayan veya sadece düz özelleştirilmiş madde yanıt modellerinin başa çıkması daha kolay olduğu için, öğe modelleme ilişkilerinin IRT çerçevesinde çok daha genel olduğunu keşfettim. ilişki kurar.

Her iki çerçevenin de artıları ve eksileri vardır, ancak genel olarak soyutlama / çıkarım modelleme düzeyi bir değişkenler sistemi içindeki ilişkiye odaklandığında CFA daha esnektir, ancak testin kendisi (ve içindeki öğeler) ilgi odağı.

Yves Rosseel'in 2014 atölyesinin 91-93. Slaytlarında kısaca tartıştığına inanıyorum: http://www.personality-project.org/r/tutorials/summerschool.14/rosseel_sem_cat.pdf

Rosseel'den alınmıştır (2014, yukarıdaki bağlantı):

Tam bilgi yaklaşımı: marjinal maksimum olasılık

kökenleri: IRT modelleri (örneğin Bock & Lieberman, 1970) ve GLMM'ler

...

IRT ile bağlantı

• SEM ve IRT arasındaki teorik ilişki iyi belgelenmiştir:

Takane, Y. ve De Leeuw, J. (1987). Madde tepki teorisi ve ayrık değişkenlerin faktör analizi arasındaki ilişki üzerine. Psikom-trika, 52, 393-408.

Kamata, A. ve Bauer, DJ (2008). Faktör analitiği ve madde tepki teorisi modelleri arasındaki ilişkiye ilişkin bir not. Yapısal Eşitlik Modeli, 15, 136-153.

Joreskog, KG ve Moustaki, I. (2001). Sıra değişkenlerinin faktör analizi: Üç yaklaşımın karşılaştırılması. Çok Değişkenli Davranışsal Araştırma, 36, 347-387.

ne zaman eşdeğerdir?

• logit'e karşı probit (normal-ogive): her iki metrik de pratikte kullanılır

• ikili kalemler üzerindeki tek faktörlü CFA, 2 parametreli IRT modeline eşdeğerdir (Birnbaum, 1968):

CFA'da: ... IRT'de: ... (slayta bakın)

• çok renkli (sıralı) maddeler üzerinde tek faktörlü CFA, derecelendirilmiş yanıt modeline eşdeğerdir (Samejima, 1969)

• 3 parametreli model için bir CFA eşdeğeri yoktur (bir tahmin parametresiyle)

• Rasch modeli, ikili öğelerdeki tek faktörlü bir CFA'ya eşdeğerdir, ancak tüm faktör yüklerinin eşit olmasıyla sınırlandırıldığı (ve probit metriği bir logit metriğine dönüştürüldüğünde)