Sağlam Raş Modeli
Robust Rasch Model · Ayrıca şöyle bilinir: robust IRT Rasch, robust dichotomous Rasch, outlier-resistant Rasch model, robust item calibration
Sağlam Raş modeli, standart tek parametreli lojistik Raş çerçevesini, aykırı madde yanıtlarının, anormal katılımcıların veya hafif model ihlallerinin etkisini sınırlamak üzere tasarlanmış tahmin prosedürleriyle uygular; bu da sıradan maksimum olabilirlik veya koşullu maksimum olabilirlik Raş tahmininden daha az hassas, kararlı madde ve kişi parametresi tahminleri üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Raş modelini uygulamak için iyi teorik nedenleriniz olduğunda ancak katılımcıların azınlığının tahmin, hile, dikkatsizlik veya aşırı yanıt setleri gibi anormal yanıt örüntüleri sergilediğinden şüphelendiğinizde sağlam Raş modelini kullanın. Küçük bir yüzdelik madde anormalliğinin beklendiği ancak tüm madde bankasının kalibrasyonunu bozmaması gereken büyük ölçekli test bağlamları için uygundur. Gerçek model uyum araştırmasının yerine kullanmayın: eğer maddelerin çoğunluğu büyük artık değerler gösteriyorsa, Raş modelinin kendisi yanlış belirtilmiş olabilir ve daha zengin bir IRT modeli veya farklı bir ölçüm yaklaşımı gerekebilir. Örneklem boyutları çok küçük olduğunda (yaklaşık 100'ün altında n), ağırlık fonksiyonunun rastgele değişimden gerçek aykırı değerleri ayırt etmek için yeterli veriye ihtiyaç duyması nedeniyle sağlam Raş tahmininden kaçının.
Güçlü yönler & sınırlılıklar
- Aykırı veya kirlenmiş küçük bir oranda yanıt olsa bile kararlı madde güçlüğü ve kişi yeteneği tahminleri üretir.
- Raş modelinin psikometrik avantajlarını — belirli nesnellik, kişi ve madde parametrelerinin ayrılabilirliği — korurken aykırılara karşı hassasiyeti azaltır.
- İlkeli bir tanı sağlar: düşük sağlam ağırlık atanan katılımcılar ve maddeler daha fazla inceleme için otomatik olarak işaretlenir.
- Standart Raş yazılım uzantılarıyla uyumludur ve R'deki genel M-tahmini çerçevelerinde (örneğin, TAM veya robustbase paketleri) uygulanabilir.
- Yanıt aykırılığının beklendiği yüksek riskli testlerde madde bankalarının daha güvenilir kalibrasyonu.
- Ağırlık fonksiyonunun ve ayar sabitinin (ağırlıklandırma eşiği) seçimi standartlaştırılmamıştır ve sonuçlar tercihlere göre değişebilir.
- Sağlam ağırlıklar, bazı meşru ancak alışılmadık yanıt örüntülerinin gerçekten anormal olanlarla birlikte ağırlıklandırılması nedeniyle kişi uyum istatistiklerinin yorumlanmasını karmaşıklaştırır.
- Standart hatalar sandviç tahmini veya bootstrap yeniden örneklemesi gerektirir, bu da hesaplama ve yorumlama karmaşıklığını artırır.
- Raş modelinin eşit ayrımcılık varsayımının kendisinin yanlış olduğu durumu ele almaz; iki parametreli lojistik model daha uygun olabilir.
SSS
Sağlam Raş modelini standart Raş tahmininden ayıran nedir?
Standart Raş tahmini (ortak veya koşullu maksimum olabilirlik), tüm yanıt artıklarını eşit şekilde ele alır. Sağlam varyant, alışılmadık derecede büyük artık değerlere sahip yanıtların katkısını azaltan bir ağırlık fonksiyonu uygular, böylece aykırı veya aşırı gözlemler nihai madde ve kişi parametresi tahminleri üzerinde daha az etkiye sahip olur.
Sağlam Raş modeli eşit ayrımcılık varsayımını gevşetir mi?
Hayır. Sağlam Raş modeli, tek parametreli lojistik yapıyı korur ve eşit madde ayrımcılığını varsayar. Sağlamlık, yalnızca aykırı artık değerlere karşı direnç anlamına gelir, maddelerin ayrımcılıklarında farklılık göstermelerine izin vermek anlamına gelmez. Eşitsiz ayrımcılık teorik olarak önemliyse, bunun yerine iki parametreli bir IRT modeli gerekir.
Ağırlık fonksiyonu için ayar sabitini nasıl seçerim?
Yaygın uygulama, sağlam regresyondan gelen gelenekleri izleyerek Huber'in psi'si için 1.28 (standart normalin %90'lık yüzdelik dilimi) veya Tukey'nin biweight'i için 4.685 sabitini kullanır. Psikometrik uygulamalarda, standartlaştırılmış artık değerler için 1.5 ile 2.0 arasındaki değerler de kullanılır. Yüksek riskli kararlar için sonuçlar kullanıldığında sabit değişimli bir hassasiyet analizi önerilir.
Standart Raş yerine ne zaman sağlam Raş'ı tercih etmeliyim?
Azınlık yanıtlarının tahmin, dikkatsizlik veya diğer anormal süreçlerle kirlendiğine dair önceden kanıtınız veya güçlü teorik beklentiniz olduğunda ve verilerin çoğunluğunun Raş modeline makul ölçüde uyacağı beklendiğinde. Eğer model uyumu evrensel olarak zayıfsa, sağlam tahmin çözüm değildir — model yeniden belirtilmelidir.
Sağlam Raş modeli, Raş modelinin tahmin parametreli versiyonu ile aynı mıdır?
Hayır. Üç parametreli lojistik model, olasılık formülüne açık bir tahmin (sözde şans) parametresi ekler. Sağlam Raş modeli, standart tek parametreli formülü korur ve bunun yerine alışılmadık yanıtların etkisini sınırlamak için tahmin algoritmasını ayarlar. İki yaklaşım ilgili bir sorunu ele alır ancak farklı mekanizmalarla ve farklı yorumlarla.
Kaynaklar
- Strobl, C., Wickelmaier, F., & Zeileis, A. (2011). Accounting for individual differences in Bradley-Terry models by means of recursive partitioning. Journal of Educational and Behavioral Statistics, 36(2), 135–153. DOI: 10.3102/1076998609359791 ↗
- Mislevy, R. J., & Bock, R. D. (1982). Biweight estimates of latent ability. Educational and Psychological Measurement, 42(3), 725–737. DOI: 10.1177/001316448204200302 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Rasch Model. ScholarGate. https://scholargate.app/tr/psychometrics/robust-rasch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ayırt Edici Madde Fonksiyonu (DIF)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Rasch ModeliPsikometri↔ karşılaştır
- Sağlamlaştırılmış Doğrulayıcı Faktör Analiziİstatistik↔ karşılaştır
- Sağlam Güvenilirlik AnaliziDeney tasarımı↔ karşılaştır