Rasch Modeli — Tek Parametreli Lojistik Ölçme Kuramı (IRT)
Rasch Model (One-Parameter Logistic Item Response Theory) · Ayrıca şöyle bilinir: 1PL IRT, one-parameter logistic model, Rasch Modeli — 1PL IRT, 1PL model
Georg Rasch tarafından 1960 yılında tanıtılan Rasch modeli, Madde Tepki Kuramı (IRT) ailesinin en basit üyesidir. Her bir test maddesine tek bir zorluk parametresi atar ve hem madde zorluklarını hem de kişi yeteneklerini aynı logit ölçeğine yerleştirerek, maddeler ve kişiler arasında doğrudan, örneklemden bağımsız karşılaştırmalar yapılmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+17 tane daha
Ne zaman kullanılır
Rasch modeli, gerçek aralıklı ölçüm özelliklerine sahip bir ölçek oluşturmak istediğinizde veya bir dizi maddenin tutarlı, tek boyutlu bir araç olarak davranıp davranmadığını değerlendirmek istediğinizde uygundur. Dört varsayımın geçerli olması gerekir. Birincisi, tek boyutluluk: tüm maddeler aynı tek gizli özelliği ölçmelidir. İkincisi, yerel bağımsızlık: yetenek hesaba katıldığında, madde yanıtları istatistiksel olarak birbirinden bağımsız olmalıdır. Üçüncüsü, özel nesnellik: madde zorluğu, farklı yanıtlayıcı alt grupları arasında değişmemelidir (farklı madde işlevselliği yoktur). Dördüncüsü, monoton madde karakteristik eğrisi: daha yüksek yetenek her zaman doğru bir yanıt olasılığını ima etmeli ve tüm maddeler aynı eğime sahip olmalıdır — 2PL IRT'nin gevşettiği bir kısıtlama. Kararlı parametre tahmini için yaklaşık 150 yanıtlayıcıdan oluşan bir minimum gereklidir ve maddeler ikili (0/1) veya sıralı puanlanmış yanıtlar içermelidir.
Güçlü yönler & sınırlılıklar
- Kişi yeteneklerini ve madde zorluklarını tek bir ortak logit ölçeğine yerleştirir, farklı test formları veya örneklemler arasında doğrudan karşılaştırmalar yapılmasını sağlar.
- Özel nesnellik: madde parametreleri teorik olarak örneklemden bağımsızdır ve kişi parametreleri maddelerden bağımsızdır, bu da sağlam ölçüm değişmezliği sağlar.
- Uyum istatistikleri (INFIT/OUTFIT MNSQ) ve Wright Haritaları, madde kalitesi için somut, yorumlanabilir teşhisler sunar.
- Nispeten basittir — madde başına yalnızca bir parametre — bu da onu orta düzeyde örneklem boyutlarıyla çözülebilir hale getirir ve paydaşlar için şeffaftır.
- Eşit ayrımcılık kısıtlaması güçlü bir varsayımdır; maddeler ayrımcılık yeteneklerinde gerçekten farklılık gösteriyorsa, model uyumsuzluk gösterecektir ve 2PL IRT düşünülmelidir.
- Kararlı madde kalibrasyonu için kabaca 150 yanıtlayıcıdan oluşan bir minimum gereklidir; daha küçük örneklemler kararsız zorluk tahminleri verir.
- Katı tek boyutluluğu varsayar, bu da doğası gereği çok boyutlu olan karmaşık yapılar için ciddi bir sınırlama olabilir.
- Çoktan seçmeli testlerde rastgele doğru yanıtların oluştuğu tahmin (alt asimptot) parametresini modellemez.
SSS
Rasch modeli ile 2PL IRT arasındaki fark nedir?
Rasch modeli, ayrımcılık parametresini (madde karakteristik eğrisinin eğimi) tüm maddeler için eşit olarak sabitler ve madde başına yalnızca bir parametre tahmin eder: zorluk. 2PL IRT, madde başına hem zorluk hem de ayrımcılık tahmin eder, bu da ona daha fazla esneklik sağlar ancak daha büyük bir örneklem gerektirir ve Rasch ölçümünü örneklemler arasında değişmez kılan özel nesnellik özelliğinden ödün verir.
Uygulamada 'özel nesnellik' ne anlama gelir?
Bu, maddeler kalibre edildikten sonra, zorluk parametrelerinin hangi insan grubunun testi aldığına bakılmaksızın geçerli olması — ve kişi yetenek tahminlerinin hangi madde alt kümesinin uygulandığına bakılmaksızın geçerli olması anlamına gelir. Uygulamada bu, farklı madde işlevselliği kontrol edilerek ve örneklem bölünerek ve gruplar arasındaki kalibrasyonlar karşılaştırılarak test edilir. Rasch tabanlı test eşitleme ve yeniden normlama olmadan uyarlanabilir test yapılmasına izin veren bu özelliktir.
INFIT ve OUTFIT MNSQ nasıl yorumlanır?
Her iki istatistiğin de mükemmel Rasch uyumu altında beklenen değeri 1.0'dır. Yaklaşık 0.7'nin altındaki değerler, bir maddenin çok keskin ayrım yaptığını (yanıtlar modelin beklediğinden daha tahmin edilebilir — genellikle madde bağımlılığının bir işareti) düşündürür. Yaklaşık 1.3'ün üzerindeki değerler uyumsuzluğu düşündürür: yanıtlar beklenenden daha gürültülüdür, bu da maddenin amaçlanan özellik dışında bir şeyi ölçüyor olabileceğini gösterir. INFIT, maddenin zorluk düzeyine yakın aykırı yanıtlara daha duyarlıdır; OUTFIT, aşırı yetenek düzeylerindeki aykırı değerlere daha duyarlıdır.
Rasch modeli Likert ölçekli maddelerle kullanılabilir mi?
Evet, Polinomik (sıralı kategori) yanıtları işleyen Dereceli Ölçek Modeli (RSM) veya Kısmi Kredi Modeli (PCM) olarak adlandırılan bir uzantı aracılığıyla. Bu modeller, her maddeye tek bir zorluk atamak yerine her kategori sınırı için eşik parametreleri atar. Dereceli yanıt modeli, aynı durum için tasarlanmış IRT ailesinden bir alternatiftir.
Kaynaklar
- Rasch, G. (1960). Probabilistic Models for Some Intelligence and Attainment Tests. Danish Institute for Educational Research, Copenhagen. link ↗
- Bond, T. G. & Fox, C. M. (2015). Applying the Rasch Model: Fundamental Measurement in the Human Sciences (3rd ed.). Routledge. ISBN: 978-0-415-83342-1
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Rasch Model (One-Parameter Logistic Item Response Theory). ScholarGate. https://scholargate.app/tr/psychometrics/rasch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İki Parametreli Lojistik (2PL) Madde Tepki Kuramı ModeliPsikometri↔ karşılaştır
- Üç Parametreli Lojistik (3PL) ModelPsikometri↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Cronbach'ın Alfa Katsayısı (Güvenilirlik Analizi)İstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Derecelendirilmiş Yanıt Modeli (GRM)Psikometri↔ karşılaştır