مخاطره الگوریتم متروپلیس هستینگز روبینز مونرو در مدل های چندارزشی چند بعدی نظریه سوال پاسخ با در نظر گرفتن نقش داده های گمشده (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
کارایی و سوگیری برآورد پارامترها، در اندازه گیری های علوم رفتاری یکی از مهمترین موضوعات روانسنجی است. وجود الگوریتم های گوناگون مانند MHRM و کاربرد آنها در آزمون های دارای داده گمشده، یکی از چالش های موجود در حوزه مدل های نظریه سوال پاسخ است. هدف این پژوهش بررسی مخاطره الگوریتم MHRM در مدل های چند بعدی نظریه سوال پاسخ در داده های چند ارزشی با در نظر گرفتن مکانیزم و میزان داده گمشده متفاوت، بود. روش پژوهش مورد استفاده آزمایشی و با استفاده از طرح پس آزمون چند گروهی بود. نمونه مورد مطالعه براساس مطالعات شبیه سازی تحت شرایط مختلف متغیرهای مستقل (نوع الگوریتم، نوع داده گمشده و میزان داده گمشده) در 27 حالت با 100 تکرار برای هر کدام، ایجاد شد. مدل مورد استفاده مدل پاسخ مدرج چندبعدی و پارامترهای مورد بررسی شیب و آستانه سوالات بود. جهت بررسی مخاطره هر یک از پارامترها در حالت های مختلف آزمایشی شاخص میانگین توان دوم خطاها (MSE) مورد استفاده قرار گرفت. جهت تولید و تحلیل داده ها ار نرم افزار آماری R استفاده شد. نتایج پژوهش نشان داد الگوریتم MHRM در قیاس با الگوریتم های EM و MCEM دارای مخاطره برآورد کمتری است. همچنین نتایج نشان داد که در میزان مخاطره پارامترهای شیب و آستانه، بین سه مکانیزم متفاوت داده های گمشده تفاوت معنی داری وجود دارد ولیکن در رابطه با متغیر مستقل میزان داده های گمشده، تفاوت معنی داری مشاهده نشد. همچنین بین نوع الگوریتم و مکانیزم گمشدگی نیز تعامل معنی داری وجود داشت که حکایت از عملکرد مطلوب الگوریتم MHRM داشت. در نتیجه زمانی که از این الگوریتم استفاده می شود، میانگین و واریانس MSE پارامترهای شیب و آستانه در هر سه مکانیزم گمشدگی، همزمان که کاهش می یابند، به یکدیگر نزدیک نیز می شوند. پس می توان گفت کاربرد الگوریتم MHRM در داده های با میزان داده گمشده بالا و انواع گمشدگی، ضروری است. بنابراین، به پژوهشگران توصیه می شود که از الگوریتم MHRM در تحلیل داده های با ساختار پیچیده از قبیل میزان داده گمشده بالا و انواع مکانیزم گمشدگی بهره گیرند.The Risk of the Metropolis-Hastings Robbins-Monroe Algorithm in Multidimensional Multidimensional Models of Item-Response Theory Considering the Role of Missing Data
Efficiency and bias of parameter estimation is one of the most important psychometric issues in behavioral science measurements. The existence of various algorithms such as MHRM and their application in tests with missing data is one of the challenges in the field of item-response theory models. The purpose of this study was to investigate the risk of MHRM algorithm in multidimensional models of item-response theory in multi-valued data by considering the mechanism and the amount of missing data. The research method was experimental using a multi-group post-test design. The study sample was created based on simulation studies under different conditions of independent variables in 27 cases with 100 replications for each. The model used was a multidimensional scaled response model and the studied parameters were the slope and threshold of the questions. R statistical software was used to generate and analyze the data. The results showed that MHRM algorithm has less estimated risk compared to EM and MCEM algorithms. The results also showed that there is a significant difference in the risk of slope and threshold parameters between three different mechanisms of missing data, but no significant difference was observed in relation to the independent variable of missing data. There was also a significant interaction between the type of algorithm and the missing mechanism, which indicated the optimal performance of the MHRM algorithm. Thus when this algorithm is used, the mean and variance of the MSE slope and threshold parameters in all three loss mechanisms also converge as they decrease. As a result, it can be said that the application of MHRM algorithm is essential in data with high data missing and types of missing. Therefore, researchers are advised to use the MHRM algorithm in data analysis with complex structure such as high data missing and various missing mechanisms
تبلیغات
