A Bayesian Robust IRT Outlier-Detection Model
A Bayesian Robust IRT Outlier-Detection Model
复制标题
贝叶斯稳健 IRT 异常值检测模型
DOI：
10.1177/0146621616679394
复制
发表时间：
2017
影响因子：
1.2
通讯作者：
G. Karabatsos
中科院分区：
文献类型：
--
作者：
Nicole K Öztürk;G. Karabatsos
在心理测量实践中，当人们对测试项目的个体反应的项目反应数据包含相对于模型的异常值时，标准项目反应理论（IRT）模型的参数估计可能会产生偏差。此外，手动去除异常值可能是一项耗时且困难的任务。此外，去除异常值会导致参数估计中的数据信息丢失。为了解决这些问题，提出并说明了一个贝叶斯IRT模型，该模型除了包括人的能力和项目参数外，还包括人和潜在项目反应异常值参数，并由项目特征曲线（ICCs）定义，每个特征曲线都由一个鲁棒的学生t分布函数指定。异常值参数和鲁棒ICCs使模型能够自动识别项目反应异常值，并使人的能力和项目参数的估计对异常值更具鲁棒性。因此，在该IRT模型下，不需要从数据分析中去除离群值。我们的IRT模型是通过对两个数据集的分析来说明的，这两个数据集分别涉及二分类和多分类反应项目。
In psychometric practice, the parameter estimates of a standard item-response theory (IRT) model can become biased when item-response data, of persons’ individual responses to test items, contain outliers relative to the model. Also, the manual removal of outliers can be a time-consuming and difficult task. Besides, removing outliers leads to data information loss in parameter estimation. To address these concerns, a Bayesian IRT model that includes person and latent item-response outlier parameters, in addition to person ability and item parameters, is proposed and illustrated, and is defined by item characteristic curves (ICCs) that are each specified by a robust, Student’s t-distribution function. The outlier parameters and the robust ICCs enable the model to automatically identify item-response outliers, and to make estimates of the person ability and item parameters more robust to outliers. Hence, under this IRT model, it is unnecessary to remove outliers from the data analysis. Our IRT model is illustrated through the analysis of two data sets, involving dichotomous- and polytomous-response items, respectively.