Sıralı Madde Yanıt Kuramı
Ordinal Item Response Theory · Ayrıca şöyle bilinir: polytomous IRT, ordinal IRT models, graded response models, ordinal latent trait models
Sıralı madde yanıt kuramı (sıralı MRK), bir katılımcının gizil bir özellikteki konumunu, çok kategorili bir madde üzerindeki her bir sıralı yanıt kategorisini seçme olasılığıyla ilişkilendiren olasılıksal model ailesini — en önemlisi Dereceli Yanıt Modeli ve Kısmi Puan Modeli — kapsar. Klasik MRK'yı ikili maddelerin ötesine, psikometrik ölçümde baskın olan Likert tipi ve derecelendirme ölçeği maddelerine genişletir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Maddeleriniz üç veya daha fazla sıralı yanıt kategorisine sahip olduğunda — Likert ölçekleri, derecelendirme ölçekleri, kısmi puan görevleri — ve madde zorluk eşiklerinin ve madde ayrımının örneklemden bağımsız kesin tahminlerine veya kalibre edilmiş standart hatalara sahip kişi yetenek puanlarına ihtiyaç duyduğunuzda sıralı MRK'yı kullanın. Özellikle ölçek geliştirme ve iyileştirme, bilgisayarlı uyarlanabilir test ve eşitleme çalışmaları için değerlidir; burada her özellik düzeyindeki ölçüm hassasiyetini anlamak önemlidir. Numune küçük olduğunda (GRM için grup başına yaklaşık 200–250'den az); tek boyutluluk makul değilse ve bunu faktör analizi ile doğrulamadıysanız; veya yalnızca hızlı bir ölçek puanına ve klasik güvenilirlik endekslerine ihtiyaç duyduğunuzda sıralı MRK kullanmayın.
Güçlü yönler & sınırlılıklar
- Klasik madde analizinin sağlayamadığı madde düzeyinde tanısal bilgi — ayrım, çoklu eşik konumları — sağlar.
- Kişi yetenek tahminleri, bireyselleştirilmiş standart hatalarla birlikte gelir ve hassasiyet ağırlıklı puanlamaya olanak tanır.
- Madde ve kişi parametreleri, model doğru bir şekilde belirtildikten sonra teorik olarak örneklemden bağımsızdır (değişmez).
- Doğrudan bilgisayarlı uyarlanabilir test, eşitleme ve farklı madde işleyişi analizlerini destekler.
- Kategori olasılık eğrileri, komşu yanıt seçeneklerinin ampirik olarak ayırt edilebilir olup olmadığını ortaya koyar.
- Sıralı bilgiyi daraltan ikili MRK modellerinden ziyade Likert ve kısmi puan verileri için daha uygundur.
- Klasik yöntemlerden önemli ölçüde daha büyük örneklemler gerektirir; GRM, kararlı parametre tahmini için tipik olarak 250 veya daha fazla katılımcıya ihtiyaç duyar.
- Tek boyutluluk varsayımı makul ölçüde geçerli olmalıdır; ihlaller parametreleri ve yetenek tahminlerini bozar.
- Rekabet eden sıralı MRK modelleri (GRM, PCM, RSM) arasında model seçimi, uyum karşılaştırmaları ve teorik gerekçelendirme gerektirir.
- Yazılım çıktısı ve eşik parametrelerinin yorumlanması, uygulamalı araştırmacılar için klasik madde istatistiklerinden daha az sezgiseldir.
- Eşik sıralamasının bozulması (daha yüksek bir eşiğin daha düşük bir eşikten önce tahmin edilmesi), madde sorunları olduğunu gösterir ve bu da yeniden kodlama veya madde revizyonu gerektirir.
SSS
Dereceli Yanıt Modeli ile Kısmi Puan Modeli arasındaki fark nedir?
Her ikisi de sıralı çok kategorili maddeleri ele alır ancak parametrelendirmede farklılık gösterir. GRM, kümülatif lojistik fonksiyonları kullanır, her kategoriye eşit veya daha yüksek yanıt verme olasılığını tahmin eder; ayrım maddeler arasında değişebilir. PCM, komşu kategori geçişlerini modeller ve bir madde içindeki ayrımın tüm kategoriler arasında eşit olmasını kısıtlar ancak maddeler arasında değişmesine izin verir. Derecelendirme Ölçeği Modeli, eşikleri tüm maddeler arasında aynı olacak şekilde daha da kısıtlar. Seçim, maddelerinizin ortak bir yanıt formatını paylaşıp paylaşmadığına ve teorik duruşunuza bağlıdır.
Sıralı MRK için ne kadar büyük bir örneğe ihtiyacım var?
GRM için yaygın olarak belirtilen minimum, maddelerin 4-5 kategorisi ve orta düzeyde ayrım gücü olduğunda kararlı eşik tahmini için yaklaşık 200-250 katılımcıdır. Daha karmaşık modeller, daha fazla kategori veya daha düşük ayrım gücü daha büyük örneklemler gerektirir. Reise ve Yu (1990) ve diğerlerinin simülasyon çalışmaları, belirli tasarımlar için özel rehberlik sağlar.
Sıralı MRK ile sıralı CFA arasında nasıl seçim yapmalıyım?
Amacınız kişi yetenek tahminleri, madde tanısal parametreleri elde etmek veya uyarlanabilir test ve eşitlemeyi desteklemekse, sıralı MRK daha uygundur. Teorik bir faktör yapısını test etmek, iç içe geçmiş modelleri karşılaştırmak veya yapısal bir denklem bağlamında faktör puanları hesaplamak istiyorsanız, sıralı CFA daha uygundur. Birçok ölçek geliştirme çalışması her ikisini de kullanır: yapıyı oluşturmak için EFA ve CFA, ardından madde düzeyinde teşhisler için MRK.
Bozuk bir eşik ne anlama gelir?
Bozuk bir eşik (ampirik olarak b_ik > b_{i,k+1}), katılımcıların ara bir kategoriyi atladığı anlamına gelir, bu nedenle kategoriler özellik sürekliliğinde sıralı adımlar olarak işlev görmez. Bu genellikle komşu kategorilerin gereksiz veya yanlış etiketlenmiş olduğunu gösterir. Çözümler arasında kategorileri birleştirmek, etiketleri revize etmek veya maddeyi kaldırmak yer alır.
Sıralı MRK çok boyutlu yapıları ele alabilir mi?
Standart sıralı MRK modelleri tek boyutluluğu varsayar. Çok boyutlu uzantılar (MIRT) mevcuttur ve ilişkili veya bifaktör yapılarını barındırır, ancak daha büyük örneklemler ve daha karmaşık yazılımlar gerektirirler. Ölçeğinizin açık bir çok boyutlu yapısı varsa, MIRT uygulamadan önce CFA ile doğrulayın.
Kaynaklar
- Samejima, F. (1969). Estimation of latent ability using a response pattern of graded scores. Psychometrika Monograph Supplement, 34(4, Pt. 2), 1–97. link ↗
- Embretson, S. E. & Reise, S. P. (2000). Item Response Theory for Psychologists. Lawrence Erlbaum Associates. ISBN: 978-0805828191
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ordinal Item Response Theory. ScholarGate. https://scholargate.app/tr/psychometrics/ordinal-item-response-theory
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Ayırt Edici Madde Fonksiyonu (DIF)Psikometri↔ karşılaştır
- Derecelendirilmiş Yanıt Modeli (GRM)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Sırasal Doğrulayıcı Faktör AnaliziPsikometri↔ karşılaştır
- Kısmi Puan Modeli (PCM / GPCM)Psikometri↔ karşılaştır