• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Applied Psychological Measurement >A Multilevel Higher Order Item Response Theory Model for MeasuringLatent Growth in Longitudinal Data
【2h】

A Multilevel Higher Order Item Response Theory Model for MeasuringLatent Growth in Longitudinal Data

机译：一种用于测量的多级高阶项响应理论模型纵向数据的潜在增长

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In educational and psychological testing, individuals are often repeatedly measured to assess the changes in their abilities over time or their latent trait growth. If a test consists of several subtests, the latent traits may have a higher order structure, and traditional item response theory (IRT) models for longitudinal data are no longer applicable. In this study, various multilevel higher order item response theory (ML-HIRT) models for simultaneously measuring growth in the second- and first-order latent traits of dichotomous and polytomous items are proposed. A series of simulations conducted using the WinBUGS software with Markov chain Monte Carlo (MCMC) methods reveal that the parameters could be recovered satisfactorily and that latent trait estimation was reliable across measurement times. The application of the ML-HIRT model to longitudinal data sets is illustrated with two empirical examples.
机译：在教育和心理测试中，经常会反复测量个人，以评估其能力随时间或潜伏性格增长的变化。如果一个测试包含多个子测试，则潜在特征可能具有较高的顺序结构，并且纵向数据的传统项目响应理论（IRT）模型不再适用。在这项研究中，提出了多种多层次的高阶项反应理论（ML-HIRT）模型，用于同时测量二分项和多项项的二阶和一阶潜在性状的增长。使用WinBUGS软件和马尔可夫链蒙特卡洛（MCMC）方法进行的一系列模拟显示，可以令人满意地恢复参数，并且潜在特征估计在整个测量时间内都是可靠的。通过两个经验示例说明了ML-HIRT模型在纵向数据集上的应用。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

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