基于项目反应理论(irt)的logistic项目特征曲线(icc)参数估计程序
irt_parameter_estimation的Python项目详细描述
该软件包从项目反应理论(IRT)实现Logistic项目特征曲线(ICC)的参数估计。BR/> BR/>最大似然估计(MLE)拟合程序适用于以下Logistic模型:
BR/> *1PL - 1参数Logistic(RuSCH)模型
*B(困难)
*2pl-2参数logistic模型
*a(判别)和b(困难)
*3pl-3参数logistic(birnbaum)模型
*a(判别)、b(困难)和c(伪猜测)
还使用zeta/lamdba/c公式进行拟合。
这里的差异归结为logistic指数。
转换为:
a(θ<;sub>;j<;/sub>;-b)=ζ+λθ<;sub>;j<;/sub>;
``a*(θj-b)=zeta+lambda*theta j``
这种看似微不足道的变化对收敛性有着巨大的影响(特别是在2pl情况下,还有第三方物流的情况)。
我们的
知识以前没有得到或记录。
因此,我们在这里包括数学推导:
[irt zlc formuation.pdf](doc/zlc irt formulation.pdf)
这些手工编码迭代方案的原始python端口可以在文件baker_le.py(作为“baker”导入)中找到。
这些端口主要用于比较目的(例如,2pl
版本将1-1与原始例程的发布值匹配)。
scipy.optimize.root,而不是更高的效率和准确性。
zlc使用混合(zeta,lambda,c)公式,使2pl
和3pl系统更稳定地收敛。
此版本是在顶层导入的版本。
此版本还包括“abc仿真”模式,其中zlc仍在内部使用,但是使用了自动转换,因此函数
将a/b/c作为参数。
abc(在abc_mle.py中)使用(a,b,c)公式,这也可能是有用的(对于3pl,两者都可以尝试!).
如果您真的想深入研究这段代码,那么使用
一个并排的差异工具
(如vimdiff、kdiff3、winmerge、filemerge或meld)来比较abc mu mle.py和zlc.mle.py是非常有用的。
BR/> *1PL - 1参数Logistic(RuSCH)模型
*B(困难)
*2pl-2参数logistic模型
*a(判别)和b(困难)
*3pl-3参数logistic(birnbaum)模型
*a(判别)、b(困难)和c(伪猜测)
还使用zeta/lamdba/c公式进行拟合。
这里的差异归结为logistic指数。
转换为:
a(θ<;sub>;j<;/sub>;-b)=ζ+λθ<;sub>;j<;/sub>;
``a*(θj-b)=zeta+lambda*theta j``
这种看似微不足道的变化对收敛性有着巨大的影响(特别是在2pl情况下,还有第三方物流的情况)。
我们的
知识以前没有得到或记录。
因此,我们在这里包括数学推导:
[irt zlc formuation.pdf](doc/zlc irt formulation.pdf)
这些手工编码迭代方案的原始python端口可以在文件baker_le.py(作为“baker”导入)中找到。
这些端口主要用于比较目的(例如,2pl
版本将1-1与原始例程的发布值匹配)。
scipy.optimize.root,而不是更高的效率和准确性。
zlc使用混合(zeta,lambda,c)公式,使2pl
和3pl系统更稳定地收敛。
此版本是在顶层导入的版本。
此版本还包括“abc仿真”模式,其中zlc仍在内部使用,但是使用了自动转换,因此函数
将a/b/c作为参数。
abc(在abc_mle.py中)使用(a,b,c)公式,这也可能是有用的(对于3pl,两者都可以尝试!).
如果您真的想深入研究这段代码,那么使用
一个并排的差异工具
(如vimdiff、kdiff3、winmerge、filemerge或meld)来比较abc mu mle.py和zlc.mle.py是非常有用的。