Phản hồi của @ Tom là tuyệt vời, nhưng tôi muốn cung cấp một phiên bản mang tính heuristic hơn và giới thiệu một khái niệm bổ sung.
Hồi quy logistic
Hãy tưởng tượng chúng ta có một số câu hỏi nhị phân. Nếu chúng tôi quan tâm đến xác suất trả lời có cho bất kỳ câu hỏi nào và nếu chúng tôi quan tâm đến tác động của một số biến độc lập đối với xác suất đó, chúng tôi sử dụng hồi quy logistic:
P( yTôi= 1 ) = 11 + e x p ( Xβ)= l o gtôi t-1 ( Xβ)
β
IRT
Bây giờ, lưu ý rằng tôi đã nói rằng chúng tôi có một số câu hỏi nhị phân. Những câu hỏi đó có thể nhận được ở một số đặc điểm tiềm ẩn, ví dụ như khả năng bằng lời nói, mức độ trầm cảm, mức độ vượt trội. Thông thường, chúng ta quan tâm đến mức độ của đặc điểm tiềm ẩn.
βθθ
P( yTôi= 1 ) = l o gtôi t-1 [ aTôi( θj- bTôi) ]
mộtTôibTôi
θ
Tôi đã sử dụng các mục nhị phân và hồi quy logistic để đơn giản, nhưng cách tiếp cận khái quát hóa cho các mục được đặt hàng và hồi quy logistic.
IRT giải thích
β
Như đã đề cập trước đó, một mô hình để ước tính đặc điểm tiềm ẩn chỉ là đếm số câu trả lời đúng hoặc cộng tất cả các giá trị của các mục Likert (tức là phân loại) của bạn. Điều đó có sai sót của nó; bạn đang giả định rằng mỗi mục (hoặc mỗi cấp của mỗi mục) có giá trị tương đương với đặc điểm tiềm ẩn. Cách tiếp cận này là đủ phổ biến trong nhiều lĩnh vực.
Có lẽ bạn có thể thấy tôi đang đi đâu với điều này: bạn có thể sử dụng IRT để dự đoán mức độ của đặc điểm tiềm ẩn, sau đó tiến hành hồi quy tuyến tính thông thường. Tuy nhiên, điều đó sẽ bỏ qua sự không chắc chắn trong đặc điểm tiềm ẩn của mỗi người.
θθ
Đọc thêm về phần giới thiệu tuyệt vời của Phil Chalmer cho mirt
gói của anh ấy . Nếu bạn hiểu các loại đai ốc và bu lông của IRT, tôi sẽ chuyển đến phần Hiệu ứng hỗn hợp IRT của các slide này . Stata cũng có khả năng phù hợp với các mô hình IRT giải thích (mặc dù tôi tin rằng nó không thể phù hợp với các mô hình IRT giải thích ngẫu nhiên như tôi đã mô tả ở trên).