Mục trả lời Lý thuyết vs Phân tích nhân tố khẳng định

Tôi đã tự hỏi những gì cốt lõi, sự khác biệt có ý nghĩa giữa Lý thuyết đáp ứng vật phẩm và Phân tích nhân tố khẳng định.

Tôi hiểu rằng có sự khác biệt trong các tính toán (tập trung nhiều hơn vào vật phẩm so với hiệp phương sai; log-linear so với tuyến tính).

Tuy nhiên, tôi không biết điều này có nghĩa là gì từ góc độ cấp cao hơn - điều này có nghĩa là IRT tốt hơn CFA trong một số trường hợp? Hoặc cho mục đích cuối cùng hơi khác nhau?

Bất kỳ suy đoán nào cũng sẽ hữu ích khi quét tài liệu nghiên cứu dẫn đến mô tả về IRT và CFA nhiều hơn bất kỳ so sánh hữu ích nào về sự khác biệt cốt lõi giữa chúng.

Câu trả lời của @Philchalmer là đúng, và nếu bạn muốn tham khảo từ một trong những nhà lãnh đạo trong lĩnh vực này, Muthen (người tạo ra Mplus), ở đây bạn đi: (Đã chỉnh sửa để bao gồm trích dẫn trực tiếp)

Một người dùng MPlus hỏi: Tôi đang cố gắng mô tả và minh họa những điểm tương đồng và khác biệt hiện tại giữa CFA nhị phân và IRT cho luận án của tôi. Phương pháp ước tính mặc định trong Mplus cho CFA phân loại là WLSMV. Để chạy mô hình IRT, ví dụ trong hướng dẫn của bạn đề nghị sử dụng MLR làm phương pháp ước tính. Khi tôi sử dụng MLR, đầu vào dữ liệu vẫn là ma trận tương quan tetrachoric hay là ma trận dữ liệu đáp ứng ban đầu được sử dụng?

Bengt Muthen trả lời: Tôi không nghĩ có sự khác biệt giữa CFA của các biến phân loại và IRT. Đôi khi nó được yêu cầu nhưng tôi không đồng ý. Công cụ ước tính nào thường được sử dụng có thể khác nhau, nhưng điều đó không cần thiết. MLR sử dụng dữ liệu thô, không phải là ma trận tương quan tetrachoric mẫu. ... Cách tiếp cận ML (R) giống như cách tiếp cận "ML cận biên (MML)" được mô tả trong công việc của Bock. Vì vậy, sử dụng dữ liệu thô và tích hợp trên các yếu tố sử dụng tích hợp số. MML tương phản với "ML có điều kiện" được sử dụng, ví dụ như với các phương pháp Rasch.

Giả sử các yếu tố bình thường, quan hệ yếu tố vật phẩm (bình thường) và độc lập có điều kiện, các giả định là giống nhau đối với ML và đối với WLSMV, trong đó sau này sử dụng phương pháp tetrachorics. Điều này là do các giả định đó tương ứng với giả định các biến phản ứng tiềm ẩn liên tục tiềm ẩn đa biến đằng sau các kết quả phân loại. Vì vậy, WLSMV chỉ sử dụng thông tin thứ 1 và 2, trong khi ML hoàn toàn đạt được thứ tự cao nhất. Mất thông tin xuất hiện nhỏ, tuy nhiên. ML không phù hợp với mô hình cho các tetrachorics mẫu này, vì vậy có lẽ người ta có thể nói rằng WLSMV ngoài lề theo một cách khác. Đó là vấn đề về sự khác biệt của người ước tính hơn là sự khác biệt về mô hình.

Chúng tôi có một ghi chú IRT trên trang web của chúng tôi:

http://www.statmodel.com/doad/MplusIRT2.pdf

nhưng một lần nữa, cách tiếp cận ML (R) không có gì khác với cách sử dụng trong IRT MML.

Nguồn: http://www.statmodel.com/discussion/messages/9/10401.html?1347474605

Theo một số cách bạn đúng, CFA và IRT được cắt từ cùng một miếng vải. Nhưng nó cũng có nhiều cách khác nhau. CFA, hoặc mục CFA thích hợp hơn, là sự thích ứng của khung phương trình cấu trúc / khung mô hình hiệp phương sai để giải thích cho một kiểu cộng hưởng cụ thể giữa các mục phân loại. IRT trực tiếp hơn về việc mô hình hóa các mối quan hệ biến phân loại mà không chỉ sử dụng thông tin thứ nhất và thứ hai trong các biến (đó là thông tin đầy đủ, do đó, yêu cầu của nó thường không nghiêm ngặt).

Mục CFA có một số lợi ích trong đó nằm trong khung SEM và do đó có ứng dụng rất rộng đối với các hệ thống đa biến về mối quan hệ với các biến khác. IRT, mặt khác, chủ yếu tập trung vào chính thử nghiệm, mặc dù các đồng biến cũng có thể được đưa vào thử nghiệm trực tiếp (ví dụ, xem các chủ đề về IRT giải thích). Tôi cũng thấy rằng các mối quan hệ mô hình hóa vật phẩm nói chung chung hơn nhiều trong khung IRT trong đó các mô hình phản hồi vật phẩm không đơn điệu, không tham số hoặc chỉ đơn giản là dễ đối phó hơn vì người ta không phải lo lắng về tính đầy đủ sử dụng ma trận tương quan đa âm.

Cả hai khung đều có ưu và nhược điểm, nhưng nói chung, CFA linh hoạt hơn khi mức độ trừu tượng hóa / suy luận được tập trung vào mối quan hệ trong một hệ thống các biến, trong khi IRT thường được ưa thích nếu bản thân thử nghiệm (và các mục trong đó) trọng tâm của sự quan tâm.

Tôi tin rằng Yves Rosseel thảo luận ngắn gọn về nó trong các slide 91-93 của hội thảo năm 2014 của mình: http://www.personality-project.org/r/tutorials/summerschool.14/rosseel_sem_cat.pdf

Lấy từ Rosseel (2014, liên kết ở trên):

Cách tiếp cận thông tin đầy đủ: khả năng tối đa cận biên

nguồn gốc: các mô hình IRT (ví dụ Bock & Lieberman, 1970) và GLMM

...

kết nối với IRT

• mối quan hệ lý thuyết giữa SEM và IRT đã được ghi nhận rõ ràng:

Takane, Y., & De Leeuw, J. (1987). Về mối quan hệ giữa lý thuyết đáp ứng vật phẩm và phân tích nhân tố của các biến rời rạc. Tâm thần- trika, 52, 393-408.

Kamata, A., & Bauer, DJ (2008). Một lưu ý về mối quan hệ giữa các mô hình lý thuyết phân tích nhân tố và phản ứng vật phẩm. Mô hình phương trình cấu trúc - ing, 15, 136-153.

Joreskog, KG, & Moustaki, I. (2001). Phân tích nhân tố của các biến số thứ tự: So sánh ba phương pháp. Nghiên cứu hành vi đa biến, 36, 347-387.

khi nào chúng tương đương

• probit (normal-ogive) so với logit: cả hai số liệu được sử dụng trong thực tế

• CFA một yếu tố trên các mục nhị phân tương đương với mô hình IRT 2 tham số (Birnbaum, 1968):

Trong CFA: ... Trong IRT: ... (xem slide)

• CFA một yếu tố trên các vật phẩm đa hình (thứ tự) tương đương với mô hình phản hồi được phân loại (Samejima, 1969)

• không có CFA tương đương với mô hình 3 tham số (với tham số đoán)

• mô hình Rasch tương đương với CFA một yếu tố trên các mục nhị phân, nhưng trong đó tất cả các hệ số tải bị ràng buộc bằng nhau (và số liệu probit được chuyển đổi thành số liệu logit)