BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Genge Ewa (University of Economics in Katowice, Poland)
Tytuł
A Comparison of Dichotomous IRT Models Based on Continuous and Discrete Latent Trait - Polish Households' Saving Skills
Porównanie dychotomicznych modeli IRT o ciągłej i dyskretnej cesze ukrytej - umiejętność oszczędzania wśród polskich gospodarstw domowych
Źródło
Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu, 2017, nr 3 (57), s. 37-46, rys., tab., bibliogr. 27 poz.
Econometrics / Uniwersytet Ekonomiczny we Wrocławiu
Słowa kluczowe
Teoria pomiaru
Theory of measurement
Uwagi
Klasyfikacja JEL: C1, C59
streszcz., summ.
Abstrakt
Teoria reakcji na pozycję (item response theory) zaliczana jest do jednego z dwóch nurtów teorii pomiaru znajdujących zastosowanie w analizie pozycji testowych. W literaturze najczęściej spotykane są zastosowania dychotomicznych modeli IRT w analizach testów edukacyjnych, badaniach psychologicznych czy marketingowych, w których zakłada się, że cecha ukryta pochodzi z rozkładu normalnego. Celem pracy będzie porównanie wspomnianego podejścia klasycznego ze współczesnymi dychotomicznymi modelami IRT o dyskretnej cesze ukrytej, na przykładzie danych dotyczących zdolności do oszczędzania w polskim społeczeństwie. Badania będą przeprowadzone z zastosowaniem pakietów ltm oraz MultiLCIRT programu R.(abstrakt oryginalny)

Item response theory is considered to be one of the two trends in the methodological assessment of the reliability scale. Depending on the complexity of the adopted item parameterization, different types of IRT models for dichotomous items are defined. Most applications carried out in practice concern educational testing or psychological research and are based largely on the continuous assumption of the latent trait.The aim of this paper is to compare the estimation results of the discrete (formulated by the latent class approach) and continuous dichotomous IRT models in the analysis of Polish households' saving skills as well as to assess Poles' responses according to their ability to save money and the difficulty of the items (evaluation of the reliability of the item scale). All the computations and graphics in this paper are prepared using the MultiLCIRT and ltm packages of R.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Agresti A., 2002, Categorical Data Analysis, John Wiley&Sons, Hoboken, NJ.
  2. Alagumalai S., Curtis D.D., Hungi N., 2005, Our Experiences and Conclusion, Springer Netherlands, pp. 343-346.
  3. Akaike H., 1974, A new look at statistical model identification, IEEE Transactions on Automatic Control, 19, pp. 716-723.
  4. Bacci S., Bartolucci F., Gnaldi M., 2014, A class of Multidimensional Latent Class IRT models for ordinal polytomous item responses, Communication in Statistics - Theory and Methods, 43, pp. 787-800.
  5. Baker F.B., 1985, The basic of item response theory, College Park, MD: ERIC Clearinghouse on Assesment and Evaluation.
  6. Baker F., Kim S.H., 2004, Item Response Theory, Marcel Dekker, New York.
  7. Bartolucci F., 2007, A class of multidimensional IRT models for testing unidimensionality and clustering items, Psychometrika, 72, pp. 141-157.
  8. Bartolucci F., Bacci S., Gnaldi M., 2014, MultiLCIRT: An R package for multidimensional latent class item response models, Computational Statistics and Data Analysis, 71, pp. 971-985.
  9. Bartolucci F., Bacci S., Gnaldi M., 2016a, MultiLCIRT: Multidimensional latent class Item Response Theory models. R package version 2.10, URL http://CRAN.R-project.org/package=MultiLCIRT.
  10. Bartolucci F., Bacci S., Gnaldi M., 2016b, Statistical Analysis of Questionnaires. A Unified Approach Based on R and Stata, A Chapman &Hall/ CRC.
  11. Birnbaum A., 1968, Some latent trait models and their use in inferring an examinee's ability, [in:] Lord F.M., Novick M.R., Statistical Theories of Mental Test Scores, Addison-Wesley, Reading, MA, pp. 395-479.
  12. Bezruczko N., 2005, Rasch measurement in health sciences, Maple Grove, MN: Jam Press, Springer-Verlag, New York
  13. Bond T.G., Fox C.M., 2013, Applying the Rasch Model: Fundamental Measurement in the Human Sciences, Hove, UK, Psychology Press.
  14. Brzezińska J., 2016, Modele IRT i modele Rascha w badaniach testowych, [in:] Jajuga K., Walesiak M., Taksonomia 26. Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 426, Wrocław, pp. 49-57.
  15. Christensen K.B., Kreiner S., Mesbah M., 2013, Rasch Models in Health, ISTE-Wiley, London - Hoboken.
  16. Dempster A.P., Laird N.P., Rubin D.B., 1977, Maximum likelihood for incomplete data via the EM algorithm (with discussion), Journal of the Royal Statistical Society, 39, ser. B, pp. 1-38.
  17. Diagnoza społeczna 2015. Warunki i jakość życia Polaków (raport), Czapiński J., Panek T. (eds.), Rada Monitoringu Społecznego, Warszawa (2.02.2017).
  18. Genge E., 2016, Teoria reakcji na pozycję w podejściu modelowym w taksonomii, Ekonometria, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 1(51), Wrocław, pp. 9-19.
  19. Hambleton R.K., Swaminathan H., 1985, Item Response Theory: Principles and Applications, Kluwer Nijhoff, Boston.
  20. Linacre J.M., 1998, Understanding Rasch measurement: Estimation methods for Rasch measures, Journal of Outcome Measurement, 3(4), pp. 382-405.
  21. Mair P., Hatzinger R., 2007, Extended Rasch Modeling: The eRm package for the application of IRT models in R, Journal of Statistical Software, 20(9), pp. 1-20.
  22. Martin A., Quinn K., 2006, MCMCpack: Markov Chain Monte Carlo (MCMC) Package, R package version 0.7-3, URL http://mcmcpack.wustl.edu/.
  23. Panayides P., Robinson, C., Tymms P., 2010, The assessment revolution that has passed England by: Rasch measurement, British Educational Research Journal, 36(4), pp. 611-626.
  24. Rasch G., 1960, Probabilistic Models for Some Intelligence and Attainment Tests, Danish Institute for Educational Research, Copenhagen.
  25. Rizopoulos D., 2015, Latent trait models under IRT, https://cran.r-project.org/web/packages/ltm/ltm.pdf.
  26. Sagan A., 2002, Zastosowanie wielowymiarowych skal czynnikowych i skal Rascha w badaniach marketingowych (na przykładzie oceny efektów komunikacyjnych reklamy), Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, 605, pp. 73-92.
  27. Schwarz G., 1978, Estimating the dimension of a model, Annals of Statistics, 6, pp. 461-464.
Cytowane przez
Pokaż
ISSN
1507-3866
Język
eng
URI / DOI
http://dx.doi.org/10.15611/ekt.2017.3.03
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu