等级反应模型的Gibbs抽样方法

探讨了MCMC算法在多级评分项目反应模型参数估计中的实现及其估计精度.针对等级反应模型,基于数据扩充技术,提出了一种高效灵活的Gibbs抽样方法,得到了各个参数的Markov链.随着潜在变量的引入,每个参数的满条件分布为相应参数的先验分布的截断分布.这种抽样方法适用于任何类型的先验分布,不受先验分布形式的约束.对应每个待估参数,去掉所得Markov链前面的一些迭代值,用后面的迭代结果作估计,得到相应参数的Bayes后验估计.并通过随机模拟实验验证了该方法的有效性.

多维二参数Logistic项目反应模型的Gibbs抽样法

项目反应理论主要有3个基本假设:单维性,局部独立性和单调性。但是这3个假设存在一些弊端亟待解决。一些科学研究表明,用单维模型来模拟多维测量数据往往会增大测量误差,导致对学生的能力做出不正确的推论。因此,研究者基于各种不同的测验背景,将单维项目反应模型推广到多维项目反应模型。多维项目反应模型涉及到的参数较多,如果采用传统的估计方法,如边际最大似然法和贝叶斯众数估计法处理起来比较困难。然而,在项目反应理论中,Gibbs抽样法可以作为一种高效灵活的估计方法加以应用。基于Gibbs抽样的增加数据的技巧,给出了多维二参数Logistic项目反应模型的Bayes估计方法。随着潜在变量的引入,每个参数的满条件分布都很容易得到,并且不受先验分布选取的限制,这样Gibbs抽样的方法就很容易实施。

基于三参数Logistic模型Gibbs抽样方法的敏感度分析

通过蒙特卡罗(Monte Carlo,MC)方法研究了三参数Logistic(three-parameter Logistic,3PL)模型的Gibbs抽样方法的估计效果。首先,介绍了3PL模型的定义和参数的先验分布;其次,介绍了潜变量的引进及Gibbs抽样过程;最后,进行了模拟实验,考虑了不同的测试长度n=10,20和40,不同的样本容量N=1000,2000和5000,以及项目参数取不同的先验假设下的实验情况。对于结果的评价指标为均方根误差(root mean squared error,RMSE)和偏差(bias)。实验结果表明,随着测试长度或样本容量的增大,RMSE逐渐减小,当项目参数的先验分布方差取值较小时,获得的RMSE比较小。因此,对于3PL模型,当样本容量不是很大或者是测试长度不够长时,项目参数采用方差较小的先验分布可以得到比较准确的估计结果。