付志慧,彭毳鑫
(1.沈阳师范大学 数学与系统科学学院,沈阳 110034;2.吉林师范大学 外语部,吉林 四平136000)
近年来,多层建模方法在项目反应理论中得以应用,Adams 1997讨论了将潜在特质变量看作回归分析中的因变量,构造了两层回归模型,第一层是项目反应模型(学生内部模型,描述了项目反应和被试能力之间的测量关系),第二层是学生能力总体分布模型(学生间模型,描述了被试个体之间的差异)[1]。相比于观测分数的多层线性模型方法,潜变量多层建模法最大的优点在于潜在变量(学生的能力)和测验是相互独立的,适用于不完全设计的测验。Fox(2001)提出了更一般的带有预测变量的多层正态卵形项目反应模型,并采用Gibbs抽样的方法进行分析,然而抽样过程要利用正态分布的共轭性,因而模型中参数的先验选取具有局限性。[2]
本文提出了多层Logistic项目反应模型,并在贝叶斯框架下,基于增加数据的Gibbs抽样法给出模型中参数的后验估计[3~6],通过模拟实例表明,计算简单容易操作,而且不受先验分布选取的限制,从而解决了由多层IRT模型中复杂的相依结构带来的多重积分问题。
Bryk 1992[7]年提出了完整的包含预测变量的多层线性模型,将其推广到IRT框架下满足下式:假定有J个总体(学校),分别从第j个总体中抽取i个样本(学生),i=1,2,…nj,j=1,2,…J
θij=β0j+…+βqjXqij+…+βQjXQij+eij, eij~N(0, σ2) 第一层βqj=γq0+…+γqsWsqj+…+γqSWSqj+uqj, uqj~N(0, T) 第二层
其中 Xqij和 βqj,Wsqj和 γqS,q=0,…,Q 分别为第一层模型和第二层模型的预测变量和回归系数,注意此处θij为不可观测的潜在变量,下面给出具体的IRT模型和估计方法。假定Yijk为能力为θij的被试对第k个项目的反应变量,正确反应概率为Pijk,k=1,2,…K。
ak,bk分别为题目的区分度和难度参数
对应于反应变量Yijk,引入潜在变量Uijk,且Uijk服从均匀分布U(0,1),Xik与Uik之间满足如下关系:
Yijk=1当且仅当Uijk≤Pijk
在贝叶斯框架下所有的参数都看为随机变量,则给定观测变量Yijk,预测变量Xqij和Wsqj,所有参数的后验分布为
综上,给定初值,由(1)~(7)即可抽取相应参数的样本,得到后验分布。
本节通过模拟实验来验证Gibbs抽样估计方法的准确性。假定每一层都有预测变量,
θij=β0j+β1jX1ij+eij
β0j=γ00+γ01W10j+u0j
β1j= γ10+ γ11W11j+u1j
图1 参数a1,a2,b9,b10的后验密度估计曲线,虚线由前2000次迭代值绘出,实线由后8000次迭代值绘出
本文首先将多层线性模型与项目反应模型相结合,建立了多层Logistic项目反应模型,并通过引入潜在变量的方法,给出了该模型的Gibbs抽样方法,该方法操作起来很简单。最后通过模拟试验得出各个参数的后验估计,标准差,置信区间,验证了本文所提Bayes方法的准确性和估计精度的合理性。该模型和方法可以广泛应用于教育质量评估和跟踪测验中。
表1 参数的真值及估计值
[1]Adams R J,Wilson M,Wu M.Multilevel Item Response Models:An Approach to Errors in Variable Regression.Journal of Educational and Behavioral Statistics,1997,22.
[2]Fox J P,Glas C A W.Bayesian Estimation of A Multilevel IRT Model Using Gibbs Sampling[J].Psychometrika,2001,66(2).
[3]Fu Z H,Tao J,Shi N Z.Bayesian Estimation in the Multidimensional Three-Parameter Logistic Model. Journal of Statistical Computation and Simulation,2009,79(6).
[4]Fu Z H,Tao J,Shi N Z.Bayesian Estimation of the Multidimensional Graded Response Model with Nonignorable Missing Data[J].Journal of Statistical Computation and Simulation,2010,80(11).
[5]Patz R J,Junker B W.A Straightforward Approach to Markov Chain Monte Carlo Methods for Item Response Models[J].Journal of Educational and Behavioral Statistics,1999a,24.
[6]Patz R J,Junker B W.Applications and Extensions of MCMC in IRT:Multiple Item Types,Missing Data,and Rated Responses[J].Journal of Educational and Behavioral Statistics,1999b,24.
[7]Gelman A,Carlin J B,Stern H S,et al.Bayesian Data Analysis.[M].LondonUK:Chapman&Hall,1995.
[8]Raftery,A E Lewis S M.Implementing MCMC in Markov Chain Monte Carlo in Practice[M].Gilks,W R Richardson,S Spiegelhalter D J,eds.,London:Chapman and Hall,1996.