• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Improving IRT parameter estimates with small sample sizes: Evaluating the efficacy of a new data augmentation technique.
【24h】

Improving IRT parameter estimates with small sample sizes: Evaluating the efficacy of a new data augmentation technique.

机译：使用小样本量来改善IRT参数估计：评估新数据增强技术的功效。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The 3PL model is a flexible and widely used tool in assessment. However, it suffers from limitations due to its need for large sample sizes. This study introduces and evaluates the efficacy of a new sample size augmentation technique called Duplicate, Erase, and Replace (DupER) Augmentation through a simulation study. Data are augmented using several variations of DupER Augmentation (based on different imputation methodologies, deletion rates, and duplication rates), analyzed in BILOG-MG 3, and results are compared to those obtained from analyzing the raw data. Additional manipulated variables include test length and sample size. Estimates are compared using seven different evaluative criteria.;Results are mixed and inconclusive. DupER augmented data tend to result in larger root mean squared errors (RMSEs) and lower correlations between estimates and parameters for both item and ability parameters. However, some DupER variations produce estimates that are much less biased than those obtained from the raw data alone. For one DupER variation, it was found that DupER produced better results for low-ability simulees and worse results for those with high abilities. Findings, limitations, and recommendations for future studies are discussed. Specific recommendations for future studies include the application of Duper Augmentation (1) to empirical data, (2) with additional IRT models, and (3) the analysis of the efficacy of the procedure for different item and ability parameter distributions.
机译：3PL模型是一种灵活且广泛使用的评估工具。但是，由于需要大样本量，因此存在局限性。这项研究通过模拟研究介绍并评估了称为“重复，擦除和替换（DupER）增强”的新样本量增加技术的功效。使用DupER Augmentation的多种变体（基于不同的插补方法，删除率和重复率）对数据进行扩充，并在BILOG-MG 3中进行分析，并将结果与​​通过分析原始数据获得的结果进行比较。其他可调节变量包括测试长度和样本量。使用七个不同的评估标准对估计值进行比较。结果是混合的和不确定的。 DupER扩充的数据往往会导致更大的均方根误差（RMSE），并且项目和能力参数的估计值与参数之间的相关性较低。但是，某些DupER变体所产生的估计要比仅从原始数据获得的估计要少得多。对于一种DupER变体，发现DupER对于低能力模拟器产生了更好的结果，而对于高能力模拟器则产生了更差的结果。讨论了发现，局限性和对未来研究的建议。未来研究的具体建议包括将Duper Augmentation（1）应用于经验数据，（2）具有附加的IRT模型，以及（3）针对不同项目和能力参数分布的程序有效性分析。

著录项

  • 作者

    Foley, Brett Patrick.;

  • 作者单位

    The University of Nebraska - Lincoln.;

  • 授予单位 The University of Nebraska - Lincoln.;
  • 学科 Education Tests and Measurements.;Psychology Psychometrics.;Education Educational Psychology.
  • 学位 Ph.D.
  • 年度 2010
  • 页码 154 p.
  • 总页数 154
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号