الگوریتم MHRM

پژوهش حاضر با هدف بررسی مخاطره الگوریتم MHRM در مدل های چند بعدی نظریه سؤال پاسخ در داده های دو ارزشی با در نظر گرفتن ابعاد و طول آزمون متفاوت مورد بررسی قرار گرفت. روش پژوهش مورد استفاده آزمایشی واقعی و با استفاده از طرح پس آزمون چند گروهی بود. نمونه مورد مطالعه براساس مطالعات شبیه سازی تحت شرایط مختلف متغیرهای مستقل در 27 حالت با 100 تکرار برای هر کدام ایجاد شد. مدل مورد استفاده مدل دو پارامتری چندبعدی لوجستیک و پارامترهای مورد بررسی شیب و دشواری سؤالات بود. جهت بررسی مخاطره هر یک از پارامترها در حالت های مختلف آزمایشی شاخص میانگین توان دوم خطاها مورد استفاده قرار گرفت. جهت تولید و تحلیل داده ها ار نرم افزارهای آماری R بسته های mirt، interactions، car و psych استفاده شد. نتایج پژوهش نشان داد الگوریتم MHRM در قیاس با الگوریتم های EM و MCEM دارای مخاطره کمتری است. این موضوع بویژه تحت شرایط داده هایی با ابعاد بالا (5 بعد) و طول آزمون کوتاه (15 سؤال) بیشتر مشهود بود. همچنین نتایج پژوهش نشان داد زمانی که ابعاد آزمون افزایش و طول آزمون کاهش می یابد، مخاطره برآورد پارامترها به طور معنی داری افزایش می یابد. در نتیجه می توان گفت کاربرد الگوریتم MHRM در داده های با تعداد ابعاد بالا و طول آزمون کوتاه ضروری است و به پژوهشگران توصیه می شود که از آن در تحلیل داده های با ساختار پیچیده از قبیل تعداد ابعاد بالا بهره گیرند

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.