CTT与IRT测量原理之比较

通过对经典测量理论与项目反应理论在基本假设、测验精度计量、测验的标准误以及测验项目的筛选等四个主要领域的比较，可以发现项目反应理论具有被试能力估计的项目选择独立性、项目难度参数与能力参数的刻度统一性、项目参数估计的样本独立性、估计测量误差的精确性等几个优点；但是在某些模型中存在单维性假设难以满足、测验条件要求严格以及数学模型简约性差等需要解决的问题。     

考生能力分布与被试量对IRT等值的影响

基于项目反应理论中的LOGISTIC双参数模型研究共同题非等组设计下,考生能力分布与被试量对等值的影响。等值方法采用分别校准下的项目特征曲线法、Stocking-Lord法、Haebara法。等值结果采用等值分数标准误、等值系数标准误、共同题参数稳定性三种方法进行评价。研究结果表明,考生能力分布越接近,被试量越大,等值误差越小;且Stocking-Lord法较Haebara法的等值结果更稳定。     

函数型非参数回归模型及其在金融中的应用

函数型数据分析是分析高频数据的重要工具。在实际中函数型协变量和响应变量之间的线性假设通常不成立。本文提出了函数型非参数部分自回归模型来刻画函数型协变量和响应变量之间的非线性关系,本文接着使用非参数核估计方法给出了该模型的估计,并通过统计模拟验证了该估计方法的优良性,最后我们给出了上证指数的一个实例来说明我们模型的良好预测能力。     

从项目特征曲线的估算比较参数型及非参数型项目反应理论模型

项目反应理论模型的参数估计一般需要较大样本量,小样本量条件下参数型与非参数型项目反应理论模型的相对优势并无定论。通过计算机模拟数据比较两类模型在小样本量时(n<=200)估计项目特征曲线所产生的偏误及均方根误差。当模拟数据基于3PL模型生成时,参数型与非参数型模型在样本量低于200时估值偏误方面无差别,但前者均方根误差较小。在样本量为200时,两模型估算值类似。当真实数据基于3PL模型且样本量小于200时,参数型Rasch模型比非参数核平滑模型更值得推荐。     

BP神经网络估计IRT参数的比较研究

目的:与经典测量理论相比,项目反应理论具有更多的优势,但由于项目反应理论模型的复杂性,进行参数估计时往往需要较大的被试样本;人工神经网络的出现为小样本被试估计项目反应理论的能力参数和项目参数提供了可能,文章的目的是通过神经网络的蒙特卡罗模拟研究寻找更精确的参数估计方法。方法:以项目反应理论的两参数模型为例,以MAB和RMSE为比较指标,通过模拟数据比较经典测量理论的通过率、点二列相关系数、平均得分作为神经网络的输入值与以经过转换的数值(IRT参数估计的初值)作为神经网络的输入值训练网络结果的差异,比较不同条件下MAB指标和RMSE指标的差异。结果:以通过率估计项目参数b与以 bj=zj/rbj估计项目参数b存在差异;以点二列相关系数估计项目参数a与以 aj=rbj/ 1-r2bj^(1/2)估计项目参数a存在差异;以平均得分估计能力参数θ与以 ln[ x/(m-x)]估计能力参数θ存在差异。结论:对于两参数项目反应模型,以通过率估计项目参数b比以 bj=zj/rbj估计项目参数b误差更小,而以点二列相关系数估计项目参数 a 比以 aj=rbj/ 1-r2bj(1/2)估计项目参数a存在差异;以平均得分估计能力参数θ与以 ln[ x/(m-x)]估计能力参数θ存在差异。结论:对于两参数项目反应模型,以通过率估计项目参数b比以 bj=zj/rbj估计项目参数b误差更小,而以点二列相关系数估计项目参数 a 比以 aj=rbj/ 1-r2bj^(1/2)估计项目参数 a 误差更大,以平均得分估计能力参数θ比以ln[ x/(m-x)]估计能力参数θ误差更大。     

混合IRT模型的研究进展与应用

传统的项目反应理论模型由于不能很好地处理非连续数据而影响了对具有潜在类别属性的特质进行精确估计。混合项目反应理论不仅能够精确地估计项目参数和能力参数,而且可以实现按照不同类别属性的潜在特质与行为对被试进行自动鉴别。随着研究的发展,混合分部评分模型、混合Logistic模型、多水平项目反应理论模型以及带协变量的混合项目反应理论模型等相继诞生,并在教育测验分析与编制、项目功能差异分析以及其他拓展性实践应用中展现出优良的品质。开发多维混合项目反应理论模型、多维混合认知诊断模型以及混合题组模型等并对其进行本土化研究与应用将是混合项目反应理论的一大研究热点与方向。     

基于拟合的亚像素边缘检测的算法比较

针对传统的边缘检测算法精度不高,提出了基于不同核函数的最小二乘拟合的亚像素边缘检测算法。采用Canny算子对图像边缘进行粗定位,再以基于梯度幅值拟合的高斯函数与基于灰度值拟合的反正切函数和双曲正切函数作为拟合核函数,对一幅拍有标准量块图像的边缘进行检测,结果表明该算法能够有效的进行亚像素边缘检测。     

对基于项目反映理论的计算机自适应测试方法的再思考

以项目反应理论IRT（ItemResponseTheory）为基础,介绍项目反应理论IRT的特点,以及基于项目反应理论IRT的计算机自适应测试的工作原理,并在此基础上总结了起点选择的方法,提出了测试流程两步制的改进方案,通过对测试流程的改进,大大减少了与被试能力值相差较远的测试项目,缩短了测试时间和计算量,同时能准确地估计被试能力值。     

基于完整似然最短信息长度准则的高斯混合模型聚类(英文)

针对数据真实的概率分布不符合事先假设的高斯混合模型的情形,提出了一种鲁棒的基于高斯混合模型的聚类方法.首先,提出了一种新的模型选择准则,即完整似然最短信息长度准则.该准则不仅能衡量模型对数据的拟合优度,还能度量该模型对数据分组的性能.然后,将该准则作为聚类的代价函数,提出了一种新的期望最大化算法来估计模型参数.与标准的期望最大化算法相比,新算法能较好地避免不理想的局部最优解.实验结果表明:当数据概率分布模型不符合假设的高斯混合模型时,所提方法可克服现有的基于高斯混合模型聚类方法过拟合的缺点,鲁棒地得到准确的聚类结果.     

基于非参数逆向思维的参数推断设计与模拟实验

为了求解参数估计中的统计推断问题,将不含参数的非参数核密度估计和经验分布函数作为"理论分布",含参数的密度函数和分布函数作为"拟合分布",逆向地将实际中的两类分布角色互换,然后构建拟合分布与理论分布偏差的目标函数。再基于优化理论得到使得目标函数达到最小的参数值作为未知参数的估计,由此构建了求解经典的参数推断问题的两种逆向求解法。通过柯西分布参数的随机模拟试验,说明了逆向法的可行性和普适性;再结合Bootstrap方法,对常见分布参数的区间估计和检验p值进行随机模拟。结果表明,逆向方法在上述参数统计推断问题上的可行性;基于分布函数的逆向法优于基于密度函数的逆向法。