class: center, middle, inverse, title-slide .title[ # 📊 Bilgisayar Ortamında Bireye Uyarlanmış Test Nasıl Geliştirilir ] .subtitle[ ##
📊 Madde Tepki Kuramı ile Madde Analizi Uygulaması ] .author[ ### Dr. Kubra Atalay Kabasakal ] .date[ ### 13 Eylül 2022 - Boğaziçi Üniversitesi ] --- <!-- options(download.file.method="libcurl") --> <br> <br> .center[ ##
: Kübra Atalay Kabasakal <br> -- <br> ##
: [Hacettepe Üniversitesi](https://avesis.hacettepe.edu.tr/katalay) <br> -- <br> ] --- ## Madde Tepki Kuramı (MTK) ile Madde Analizi Uygulaması - iki kategorili (doğru-yanlış) MTK modelleri -- - madde ve yetenek parametresi kestirimi -- - madde karakteristik eğrisi çizimi ve yorumlanması -- - model-veri uyumunun incelenmesi -- - madde ve test bilgi fonksiyonu -- --- ## Bugun size ne lazım? - paketler ```r library(mirt) library(ggplot2) library(psych) library(readr) ``` - kullanılacak veriler -
: [Sunu veri](https://raw.githubusercontent.com/atalay-k/mirt_k/main/dichotomous.csv) -
: [Ödev Veri](https://raw.githubusercontent.com/atalay-k/mirt_k/main/dat1.csv) - kodlar -
: [Kodlar](https://raw.githubusercontent.com/atalay-k/mirt_k/main/kodlar.R) -
: [Sunum](https://atalay-k.github.io/mirt_k/#1) --- ## İki kategorili (doğru-yanlış) MTK modelleri - MTK **gizil özelliğin farklı düzeylerindeki bireylerin maddeyi nasıl yanıtlayacağını matematiksel olarak gösterir.** - **Sonsuz sayıda** MTK modeli tasarlamak mümkün olmakla birlikte, **az sayıda** model uygulamada kullanılmaktadır. - En popüler tek boyutlu MTK modelleri arasındaki temel ayrım, maddeleri tanımlamak için kullanılan **parametrelerin sayısındadır. ** -- - En popüler dört tek boyutlu *iki kategorili madde yanıt verisi* MTK modelleri - bir-parametreli lojistik (1-PL) - iki-parametreli lojistik (2-PL) - üç-parametreli lojistik (3-PL) - dört-parametreli lojistik (4-PL) modellerdir. --- ## Bir-Parametreli Lojistik (1-PL) Model - **1PL model** yaygın olarak kullanılan MTK modellerindendir. - **1PL model** için madde karakteristik eğrileri aşağıdaki eşitlikle elde edilir: `$$P_i(\theta) = \frac{exp(\theta-b_i)}{1+exp(\theta-b_i)} = \frac{1}{1+exp[-(\theta-b_i)]}$$` `$$ln(\frac{P_i(\theta)}{1-P_i(\theta)})=\theta - b_{i}$$` Burada, - `\(P_i(θ)\)` : θ yetenek düzeyindeki bir bireyin i maddesini doğru yanıtlama olasılığı - `\(b_i\)`: i maddesinin güçlük parametresi --- ## 1-PL Model - Bir madde için `\(b_i\)` parametresi **yetenek ölçeğinde maddeyi doğru yanıtlama olasılığının 0.5** olduğu noktadır. -- - Bu parametre yer parametresi olup **yetenek ölçeğiyle ilişkili olarak madde karakteristik eğrisinin pozisyonunu** belirtir. -- - `\(b_i\)` parametresinin **daha büyük değerleri**, bir bireyin maddeyi doğru yanıtlamak için **%50 şansa sahip olması için daha büyük yetenek düzeyine sahip olmasını** gerektirir. Diğer bir ifadeyle `\(b_i\)` parametresinin daha büyük değerleri, **daha zor** maddeyi ifade eder. -- - **Zor maddeler yetenek ölçeğinin sağında** veya daha yüksek ucundadır. - **Kolay maddeler yetenek ölçeğinin solunda** veya daha düşük ucundadır. --- ## 1-PL Model - Bir grubun **yetenek düzeyleri ortalaması 0 ve standart sapması 1 olacak** şekilde ölçeklendiğinde, `\(b_i\)` değerleri genel olarak **-2.0 ile +2.0** arasında değişir. -- - `\(b_i\)` değerleri **-2.0’ye yakın** olan maddeler bireyler için oldukça **kolay,*** -- - `\(b_i\)` değerleri **+2.0’ye** yakın olan maddeler bireyler için oldukça **zor** maddelerdir. -- - `\(b_i\)` yetenek düzeyiyle **aynı ölçektedir.** --- ## 1-PL Model .pull-left[ - Elimizde 1PL modelde uygun dört maddelik bir testte yer alan madde parametreleri bulunsun. - Madde 1 için `\(b_1 = 1.0\)` - Madde 2 için `\(b_2 = 2.0\)` - Madde 3 için `\(b_3 = -1.0\)` - Madde 4 için `\(b_4 = 0.0\)` `$$P_i(\theta) = \frac{1}{1+exp[-(\theta-b_i)]}$$` ] .pull-right[ ![](index_files/figure-html/unnamed-chunk-2-1.png)<!-- --> ] --- ## 1-PL Model .pull-left[ - **Eğriler yetenek ölçeğinde** sadece **yerleri bakımından farklılık gösterir.** - 1-PL modelinde birey performansını etkileyen tek madde özelliği **madde güçlüğüdür. ** ] .pull-right[
] --- ## mirt paketi yüklenmesi - Analizler **mirt** paketinde yapılacaktır. - Paketin yüklenmesi ve aktivite edilmesi aşağıdaki kodlarla sağlanır. ```r # install.packages("mirt") library("mirt") ``` - MTK analizlerinin yapılacağı paketlere **ltm** Rizopoulos (2006) ve **irtoys** Partchev vd. (2017) örnek verilebilir. Choi ve Asilkalkan (2019)
[makalesinde](https://doi.org/10.1080/15366367.2019.1586404) 45 farklı MTK paketine ilişkin açıklamalar bulunmaktadır. --- ## 1PL modelin hazırlanması - İlk olarak test edilecek model hazırlanmalıdır. ```r birpl_model <- "F = 1-15 CONSTRAIN = (1-15, a1)" ``` - Kodun ilk satırı, tek bir gizil özelliğin (F'nin) veri setindeki 1 ile 15 arasındaki sütunlardaki maddeler tarafından ölçüldüğünü göstermektedir - CONSTRAIN ile başlayan ikinci satır ise 1'den 15'e kadar olan sütunlardaki maddeleri aynı madde ayırt ediciliğine (a1) sahip olacak şekilde sınırlar. - Sadece ilk 10 maddede madde ayırt ediciliğini aynı olacak şekilde sınırlamak isterseniz modeli aşağıdaki gibi düzenleyebilirsiniz. ```r birpl_model_v1 <- "F = 1-15 CONSTRAIN = (1-10, a1)" ``` --- ## Veri aktarımı
: [Veriyi açılan linkten farklı kaydet ile alabilirsiniz.](https://raw.githubusercontent.com/atalay-k/mirt_k/main/dichotomous.csv) .pull-left[ ```r library(readr) ikikategorili <- read_csv("dichotomous.csv")[,-1] head(ikikategorili[,1:5]) ``` ``` ## # A tibble: 6 × 5 ## V1 V2 V3 V4 V5 ## <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 0 0 0 0 0 ## 2 0 0 0 0 0 ## 3 0 0 0 1 0 ## 4 0 0 0 0 0 ## 5 1 0 0 1 1 ## 6 0 0 0 0 0 ``` ] -- .pull-right[ ```r summary(ikikategorili) ``` ``` ## V1 V2 V3 V4 V5 ## Min. :0.000 Min. :0.000 Min. :0.000 Min. :0.000 Min. :0.00 ## 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.00 ## Median :0.000 Median :0.000 Median :0.000 Median :0.000 Median :0.00 ## Mean :0.182 Mean :0.074 Mean :0.175 Mean :0.164 Mean :0.28 ## 3rd Qu.:0.000 3rd Qu.:0.000 3rd Qu.:0.000 3rd Qu.:0.000 3rd Qu.:1.00 ## Max. :1.000 Max. :1.000 Max. :1.000 Max. :1.000 Max. :1.00 ## V6 V7 V8 V9 V10 ## Min. :0.000 Min. :0.00 Min. :0.000 Min. :0.000 Min. :0.000 ## 1st Qu.:0.000 1st Qu.:0.00 1st Qu.:0.000 1st Qu.:0.000 1st Qu.:1.000 ## Median :1.000 Median :0.00 Median :0.000 Median :0.000 Median :1.000 ## Mean :0.566 Mean :0.44 Mean :0.479 Mean :0.435 Mean :0.915 ## 3rd Qu.:1.000 3rd Qu.:1.00 3rd Qu.:1.000 3rd Qu.:1.000 3rd Qu.:1.000 ## Max. :1.000 Max. :1.00 Max. :1.000 Max. :1.000 Max. :1.000 ## V11 V12 V13 V14 V15 ## Min. :0.000 Min. :0.00 Min. :0.000 Min. :0.000 Min. :0.000 ## 1st Qu.:0.000 1st Qu.:1.00 1st Qu.:1.000 1st Qu.:0.000 1st Qu.:0.000 ## Median :0.000 Median :1.00 Median :1.000 Median :1.000 Median :1.000 ## Mean :0.123 Mean :0.76 Mean :0.936 Mean :0.612 Mean :0.541 ## 3rd Qu.:0.000 3rd Qu.:1.00 3rd Qu.:1.000 3rd Qu.:1.000 3rd Qu.:1.000 ## Max. :1.000 Max. :1.00 Max. :1.000 Max. :1.000 Max. :1.000 ``` ] --- ## Veri aktarımı - Veriyi 1-0 olarak puanlamak için **key2binary()** fonksiyonunu kullanabilirsiniz. ```r veri <- read_csv("veri.csv") library(mirt) dat1 <- key2binary(veri[,-1], key = c(2,3,4,5,2,3,4,5,2,3,4,5)) ``` .pull-left[ ```r head(veri[,1:5]) ``` ``` ## # A tibble: 6 × 5 ## Subject Rot1_2 Rot1_3 Rot1_4 Rot1_5 ## <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 1 2 1 0 0 ## 2 2 2 2 1 1 ## 3 3 2 1 4 1 ## 4 4 2 2 3 1 ## 5 5 2 3 4 5 ## 6 7 2 3 0 2 ``` ] .pull-right[ ```r head(dat1) ``` ``` ## Rot1_2 Rot1_3 Rot1_4 Rot1_5 Rot2_2 Rot2_3 Rot2_4 Rot2_5 Rot3_2 Rot3_3 ## [1,] 0 0 0 0 0 0 0 0 0 0 ## [2,] 0 0 0 0 0 0 0 0 0 0 ## [3,] 0 0 0 0 0 0 0 0 0 0 ## [4,] 0 0 0 0 0 0 0 0 0 0 ## [5,] 0 0 0 0 0 0 0 0 0 0 ## [6,] 0 0 0 0 0 0 0 0 0 0 ## Rot3_4 Rot3_5 ## [1,] 0 0 ## [2,] 0 0 ## [3,] 0 0 ## [4,] 0 0 ## [5,] 0 0 ## [6,] 0 0 ``` ] --- ## Madde Istatistikleri ```r itemstats(ikikategorili) ``` ``` ## $overall ## N mean_total.score sd_total.score ave.r sd.r alpha ## 1000 6.68 2.7 0.114 0.11 0.688 ## ## $itemstats ## N mean sd total.r total.r_if_rm alpha_if_rm ## V1 1000 0.182 0.386 0.626 0.526 0.645 ## V2 1000 0.074 0.262 -0.169 -0.261 0.717 ## V3 1000 0.175 0.380 0.382 0.253 0.678 ## V4 1000 0.164 0.370 0.438 0.317 0.671 ## V5 1000 0.280 0.449 0.427 0.277 0.676 ## V6 1000 0.566 0.496 0.501 0.344 0.666 ## V7 1000 0.440 0.497 0.536 0.384 0.660 ## V8 1000 0.479 0.500 0.532 0.379 0.661 ## V9 1000 0.435 0.496 0.525 0.372 0.662 ## V10 1000 0.915 0.279 0.291 0.193 0.684 ## V11 1000 0.123 0.329 0.375 0.263 0.677 ## V12 1000 0.760 0.427 0.414 0.270 0.676 ## V13 1000 0.936 0.245 0.277 0.190 0.684 ## V14 1000 0.612 0.488 0.517 0.366 0.663 ## V15 1000 0.541 0.499 0.522 0.368 0.663 ## ## $proportions ## 0 1 ## V1 0.818 0.182 ## V2 0.926 0.074 ## V3 0.825 0.175 ## V4 0.836 0.164 ## V5 0.720 0.280 ## V6 0.434 0.566 ## V7 0.560 0.440 ## V8 0.521 0.479 ## V9 0.565 0.435 ## V10 0.085 0.915 ## V11 0.877 0.123 ## V12 0.240 0.760 ## V13 0.064 0.936 ## V14 0.388 0.612 ## V15 0.459 0.541 ``` --- ## Parametre Kestirimleri - mirt paketinin **mirt()** fonksiyonu temel olarak data ve model olarak iki argümanla çalışır. - **ikikategorili** veri setinin **birpl_model** modeli için testi aşağıdaki gibi yapılabilir. ```r birpl_model <- "F = 1-15 CONSTRAIN = (1-15, a1)" birpl_uyum <- mirt(data = ikikategorili, model = birpl_model,SE=TRUE) ``` - birpl_uyum nesnesi - parametre kestirimlerini - gizil özelliğin ortalamasını - gizil özelliğin varyans-kovaryans matrisini - kestirim sürecine ilişkin ek bilgileri içerir. --- ## Varsayımlar - Tek boyutluluk tek boyutlu MTK modelleri, tüm maddelerin tek bir sürekli gizli değişkeni ölçtüğünü varsayar. - Tek boyutluluk varsayımını test etmenin farklı yolları vardır. Örneğin, kavramsal olarak genel bir faktör tarafından hesaplanan ölçek puanlarındaki varyans yüzdesini yansıtan McDonald's hiyerarşik Omega'sını değerlendirebiliriz. ```r library(psych) summary(omega(ikikategorili, plot = F)) ``` ``` ## Omega ## omega(m = ikikategorili, plot = F) ## Alpha: 0.72 ## G.6: 0.71 ## Omega Hierarchical: 0.58 ## Omega H asymptotic: 0.78 ## Omega Total 0.74 ## ## With eigenvalues of: ## g F1* F2* F3* ## 1.86 0.69 0.20 0.28 ## The degrees of freedom for the model is 63 and the fit was 0.05 ## The number of observations was 1000 with Chi Square = 52.2 with prob < 0.83 ## ## The root mean square of the residuals is 0.02 ## The df corrected root mean square of the residuals is 0.03 ## ## RMSEA and the 0.9 confidence intervals are 0 0 0.012 ## BIC = -383Explained Common Variance of the general factor = 0.61 ## ## Total, General and Subset omega for each subset ## g F1* F2* F3* ## Omega total for total scores and subscales 0.74 0.60 0.53 0.39 ## Omega general for total scores and subscales 0.58 0.36 0.43 0.26 ## Omega group for total scores and subscales 0.09 0.25 0.09 0.14 ``` --- ## Varsayımlar - Madde çiftlerinin yerel bağımsızlığını kontrol etmek için ise Yen'in Q3 istatistiği kullanılabilir. - i. ve j. maddelerinden elde edilen artıklar arasındaki korelasyon matrisi ```r Q3 <- residuals(birpl_uyum, type = 'Q3', method = 'ML') ``` ``` ## Q3 summary statistics: ## Min. 1st Qu. Median Mean 3rd Qu. Max. ## -0.183 -0.099 -0.064 -0.069 -0.040 0.027 ## ## V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 ## V1 1.000 -0.183 -0.127 0.016 -0.142 -0.089 -0.049 -0.054 0.026 -0.053 ## V2 -0.183 1.000 0.027 -0.040 -0.034 -0.083 -0.062 -0.056 -0.057 -0.014 ## V3 -0.127 0.027 1.000 -0.134 -0.049 -0.031 -0.100 -0.068 -0.091 -0.009 ## V4 0.016 -0.040 -0.134 1.000 -0.099 -0.056 -0.019 -0.102 -0.098 -0.016 ## V5 -0.142 -0.034 -0.049 -0.099 1.000 -0.117 -0.064 -0.062 -0.082 0.003 ## V6 -0.089 -0.083 -0.031 -0.056 -0.117 1.000 -0.106 -0.143 -0.114 -0.109 ## V7 -0.049 -0.062 -0.100 -0.019 -0.064 -0.106 1.000 -0.155 -0.128 0.007 ## V8 -0.054 -0.056 -0.068 -0.102 -0.062 -0.143 -0.155 1.000 -0.089 -0.046 ## V9 0.026 -0.057 -0.091 -0.098 -0.082 -0.114 -0.128 -0.089 1.000 -0.094 ## V10 -0.053 -0.014 -0.009 -0.016 0.003 -0.109 0.007 -0.046 -0.094 1.000 ## V11 -0.005 -0.020 -0.167 -0.120 -0.076 -0.036 -0.056 -0.072 -0.009 -0.050 ## V12 -0.081 -0.096 -0.041 -0.061 -0.068 -0.090 -0.111 -0.055 -0.104 -0.117 ## V13 0.006 -0.016 -0.039 -0.019 -0.040 -0.062 -0.052 -0.036 -0.053 0.001 ## V14 -0.048 -0.059 -0.067 -0.042 -0.095 -0.083 -0.078 -0.082 -0.130 -0.106 ## V15 -0.018 -0.086 -0.074 -0.070 -0.169 -0.060 -0.127 -0.114 -0.102 -0.063 ## V11 V12 V13 V14 V15 ## V1 -0.005 -0.081 0.006 -0.048 -0.018 ## V2 -0.020 -0.096 -0.016 -0.059 -0.086 ## V3 -0.167 -0.041 -0.039 -0.067 -0.074 ## V4 -0.120 -0.061 -0.019 -0.042 -0.070 ## V5 -0.076 -0.068 -0.040 -0.095 -0.169 ## V6 -0.036 -0.090 -0.062 -0.083 -0.060 ## V7 -0.056 -0.111 -0.052 -0.078 -0.127 ## V8 -0.072 -0.055 -0.036 -0.082 -0.114 ## V9 -0.009 -0.104 -0.053 -0.130 -0.102 ## V10 -0.050 -0.117 0.001 -0.106 -0.063 ## V11 1.000 -0.017 -0.035 -0.054 -0.093 ## V12 -0.017 1.000 -0.076 -0.116 -0.032 ## V13 -0.035 -0.076 1.000 -0.106 -0.055 ## V14 -0.054 -0.116 -0.106 1.000 -0.087 ## V15 -0.093 -0.032 -0.055 -0.087 1.000 ``` ??? --- ## Varsayımlar - Yen .20'den yüksek korelasyonlara problemli olarak yaklaşmayı tavsiye etmiştir. ```r Q3[lower.tri(Q3,diag = TRUE)] <- NA sum(abs(Q3) >0.2,na.rm=TRUE) ``` ``` ## [1] 0 ``` --- ## Model Uyumu ```r M2(birpl_uyum) ``` ``` ## M2 df p RMSEA RMSEA_5 RMSEA_95 SRMSR TLI CFI ## stats 540 104 0 0.0648 0.0594 0.0702 0.0929 0.825 0.827 ``` - Elde edilen - **RMSEA** değeri = 0.0648 (%95 CI[0.0594, 0.0702]) ve - **SRMSR** değeri = 0.0929, önerilen eşik değerleri olan **RMSEA <= .06** - **SRMSR <= .08** kullanılarak verilerin modelin iyi uyum **sağlamadığını** göstermektedir. --- ## Model Uyumu Madde uyumlarına baktığımızda özellikle V1, V2 maddelerinde yüksek ki-kare ve ve RMSEA değerleri gözlenmektedir. ```r itemfit(birpl_uyum) ``` ``` ## item S_X2 df.S_X2 RMSEA.S_X2 p.S_X2 ## 1 V1 85.28 9 0.092 0.000 ## 2 V2 548.10 8 0.260 0.000 ## 3 V3 15.16 9 0.026 0.087 ## 4 V4 13.07 9 0.021 0.160 ## 5 V5 17.62 9 0.031 0.040 ## 6 V6 16.94 9 0.030 0.050 ## 7 V7 10.08 9 0.011 0.344 ## 8 V8 9.69 9 0.009 0.376 ## 9 V9 1.95 9 0.000 0.992 ## 10 V10 1.78 8 0.000 0.987 ## 11 V11 10.54 9 0.013 0.308 ## 12 V12 5.51 8 0.000 0.702 ## 13 V13 10.47 8 0.018 0.234 ## 14 V14 12.53 9 0.020 0.185 ## 15 V15 5.35 9 0.000 0.803 ``` --- ## Parametre Kestirimleri .pull-left[ - Kestirim süreci **birpl_uyum** nesnesine atandıktan sonra, parametreleri inceleme için **coef()** fonksiyonunun kullanabilir. - Çok boyutlu MTK'da yer alan, eğim ve kesişim parametrelerini geleneksel MTK parametrelerine dönüştürmek için **IRTpars** argümanı **TRUE** değeri ile kullanılır. - **simplify** argümanı **TRUE** değeri ile kullanıldığında parametreler liste yapısı yerine veri seti olarak elde edilir. ``` ## Iteration: 1, Log-Lik: -7355.589, Max-Change: 0.07977 Iteration: 2, Log-Lik: -7346.864, Max-Change: 0.03952 Iteration: 3, Log-Lik: -7344.574, Max-Change: 0.02206 Iteration: 4, Log-Lik: -7343.777, Max-Change: 0.00919 Iteration: 5, Log-Lik: -7343.636, Max-Change: 0.00536 Iteration: 6, Log-Lik: -7343.590, Max-Change: 0.00345 Iteration: 7, Log-Lik: -7343.564, Max-Change: 0.00151 Iteration: 8, Log-Lik: -7343.563, Max-Change: 0.00054 Iteration: 9, Log-Lik: -7343.563, Max-Change: 0.00033 Iteration: 10, Log-Lik: -7343.562, Max-Change: 0.00012 Iteration: 11, Log-Lik: -7343.562, Max-Change: 0.00009 ``` ] -- .pull-right[ - parametre kestirimlerini olusturulan **birpl_par** nesnesinin **items** bileşeninden alabiliriz. ```r birpl_par <- coef(birpl_uyum, IRTpars = TRUE, simplify = TRUE) birpl_par$items ``` ``` ## a b g u ## V1 1.01 1.7695 0 1 ## V2 1.01 2.8974 0 1 ## V3 1.01 1.8237 0 1 ## V4 1.01 1.9120 0 1 ## V5 1.01 1.1243 0 1 ## V6 1.01 -0.3201 0 1 ## V7 1.01 0.2882 0 1 ## V8 1.01 0.0996 0 1 ## V9 1.01 0.3126 0 1 ## V10 1.01 -2.7311 0 1 ## V11 1.01 2.2865 0 1 ## V12 1.01 -1.3673 0 1 ## V13 1.01 -3.0578 0 1 ## V14 1.01 -0.5475 0 1 ## V15 1.01 -0.1988 0 1 ``` ] --- ## Parametre Kestirimleri .pull-left[ ```r birpl_par <- coef(birpl_uyum, IRTpars = TRUE, simplify = TRUE) birpl_par$items ``` ``` ## a b g u ## V1 1.01 1.7695 0 1 ## V2 1.01 2.8974 0 1 ## V3 1.01 1.8237 0 1 ## V4 1.01 1.9120 0 1 ## V5 1.01 1.1243 0 1 ## V6 1.01 -0.3201 0 1 ## V7 1.01 0.2882 0 1 ## V8 1.01 0.0996 0 1 ## V9 1.01 0.3126 0 1 ## V10 1.01 -2.7311 0 1 ## V11 1.01 2.2865 0 1 ## V12 1.01 -1.3673 0 1 ## V13 1.01 -3.0578 0 1 ## V14 1.01 -0.5475 0 1 ## V15 1.01 -0.1988 0 1 ``` ] .pull-right[ - Her satır, madde adıyla başlar. - Sütunlar ise sırasıyla - ilk sütun **a** madde ayırtedicliği - ikinci sütun **b** madde güçlüğü - üçüncü sütun **g** alt asimptot (yani tahmin) - son sütun **u** üst asimptottur. - 1PL modeli alt ve üst asimptot parametrelerini içermediğinden, sırasıyla her zaman 0 ve 1 dir. ] --- ## Parametre Kestirimleri .pull-left[ ```r birpl_par <- coef(birpl_uyum, IRTpars = TRUE, simplify = TRUE) birpl_par$items ``` ``` ## a b g u ## V1 1.01 1.7695 0 1 ## V2 1.01 2.8974 0 1 ## V3 1.01 1.8237 0 1 ## V4 1.01 1.9120 0 1 ## V5 1.01 1.1243 0 1 ## V6 1.01 -0.3201 0 1 ## V7 1.01 0.2882 0 1 ## V8 1.01 0.0996 0 1 ## V9 1.01 0.3126 0 1 ## V10 1.01 -2.7311 0 1 ## V11 1.01 2.2865 0 1 ## V12 1.01 -1.3673 0 1 ## V13 1.01 -3.0578 0 1 ## V14 1.01 -0.5475 0 1 ## V15 1.01 -0.1988 0 1 ``` ] .pull-right[ - İlk sütun, 1.01 tahmini ile madde ayırt ayırtedicliği parametresini göstermektedir. - ikinci sütun, madde güçlük parametrelerini göstermektedir. - Peki en kolay madde hangisidir? - En zor madde hangisidir? ] --- ## Madde Karakteristik Eğrisi (MKE) .pull-left-narrow[ - **plot()** fonksiyonu ile oluşturulan nesne içindeki maddeler için tek tek ya da istenilen maddeler için MKE çizdirilebilir. ] .pull-right-wide[ ```r plot(birpl_uyum,type = "trace", which.items = 1:15) ``` ![](index_files/figure-html/unnamed-chunk-24-1.png)<!-- --> ] --- ## MKE .pull-left-narrow[ - mirt paketi grafik çiziminde **lattice** paketini kullanmaktadır. lattice paketi özellikleri ile grafiklerinizi özelleştirebilirsiniz. - Panelin oluşum şekli **layout** argümanı ile x ekseni limitlerini ise **theta_lim** argümanı ile değiştirilebilir. ] .pull-right-wide[ ```r plot(birpl_uyum, type = "trace", which.items = 1:15, layout=c(5, 3),theta_lim = c(-4, 4)) ``` ![](index_files/figure-html/unnamed-chunk-25-1.png)<!-- --> ] --- ## MKE - 1-PL modelinde KTK **madde ayırt edicilik indeksine** karşılık gelen bir madde parametresi yoktur. -- - Bu bütün maddelerin **eşit ayırt ediciliğe** sahip olduğunu varsaymaya eşdeğerdir. -- - 1-PL modelinde madde karakteristik eğrilerinin **alt asimptotu sıfırdır.** - Bu **çok düşük yetenek düzeyine** sahip bireylerin maddeyi **doğru yanıtlama olasılığının sıfır** olduğunu belirtir. --- ## MKE .pull-left-narrow[ ```r plot(birpl_uyum, type = "trace", which.items = 1:15, layout=c(5, 3), panel=function(x, y){ panel.grid(h=-1, v=-1) panel.xyplot(x, y) panel.abline(h=0.5, lwd=1, lty=1)}) ``` ] .pull-right-wide[ ![](index_files/figure-html/unnamed-chunk-27-1.png)<!-- --> ] ??? - Böylece çoktan seçmeli maddelerde **düşük yetenek düzeyine** sahip bireylerin **tahmin olasılığına izin verilmez.** Tahmin olmaması sayıltısı çoktan-seçmeli maddeleri içeren bir testin çok kolay olduğu durumlarda karşılanabilir. --- ## MKE .pull-left-narrow[ - **facet_items** argümanının FALSE değeri ile tüm maddelerin MKE tek bir grafikte elde edilebilir. ] .pull-right-wide[ ```r plot(birpl_uyum, type = "trace", which.items = 1:15, facet_items = FALSE) ``` ![](index_files/figure-html/unnamed-chunk-28-1.png)<!-- --> ] --- ## İki-Parametreli Lojistik (2-PL) Model - **2-PL** model yaygın olarak kullanılan MTK modellerindendir. -- - **2-PL** model için madde karakteristik eğrileri aşağıdaki eşitlikle elde edilir: `$$P_i(\theta) = \frac{exp[a_i(\theta-b_i)]}{1+exp[a_i(\theta-b_i)]}=\frac{1}{1+exp(-[a_i(\theta-b_i)])}$$` `$$ln(\frac{P_i(\theta)}{1-P_i(\theta)})=a_i(\theta - b_{i})$$` Burada, - `\(P_i(\theta)\)`: θ yetenek düzeyindeki bir bireyin i maddesini doğru yanıtlama olasılığı - `\(b_i\)`: i maddesinin güçlük parametresi - `\(a_i\)`: i maddesinin ayırt edicilik parametresi - .xsmall[Çoğu durumda ai(θ - bi), D = 1.7 normalleştirme sabitiyle çarpılır.] --- ## 2-PL Model - Tarihsel olarak MTK modeli **kümülatif normal model (normal ogive model)** olarak geliştirilmiştir. -- - Ancak zamanla kümülatif normal model yerine, matematiksel olarak daha kolay ele alındığından, **kümülatif lojistik model** kullanılmaya başlamıştır. -- - Eğer `\(a_i(θ - b_i)\)` **1.7** normalleştirme sabitiyle çarpılırsa, iki model arasındaki **fark neredeyse ihmal edilir düzeyde olacaktır.** Yetenek düzeyinin bütün değerleri için iki modelle elde edilen olasılık değerleri arasındaki fark 0.01’den küçük olacaktır. ??? - MTK modeli başlangıçta **normal ogive modeli olarak** geliştirildiğinden, çoğu psikometrisyen geleneksel olarak lojistik modeli normal ogive model gibi yapma eğilimindedir. - BILOG ve MULTILOG gibi özelleşmiş çoğu MTK yazılımı sadece lojistik modeli kullanır. - D sabitinin kullanılıp kullanılmaması tercihe kalmıştır. --- ## 2-PL Model - Bir madde için `\(a_i\)` parametresi yetenek ölçeğinde `\(b_i\)` noktasında **madde karakteristik eğrisinin eğimiyle orantılıdır.** -- - Daha **dik eğimli** maddeler farklı yetenek düzeylerindeki bireyleri ayırmada **daha az eğimli** maddelere göre daha kullanışlıdır. -- - Bir maddenin bir θ yetenek düzeyinin yakınındaki bireyler arasındaki ayırt ediciliği - (θ düzeyine eşit veya daha düşük yetenek düzeyine sahip bireyleri θ düzeyinden yüksek yetenek düzeyine sahip bireylerden ayırma gücü) θ değerindeki madde karakteristik **eğrisinin eğimiyle** belirlenir. - `\(a_i\)` değerleri kuramsal olarak (-∞, +∞) ölçeğindedir. ??? - Başarı testlerinde **eksi yönde ayırt ediciliğe sahip maddeler**, testten çıkarılır. - Çünkü yetenek düzeyi arttıkça maddenin doğru yanıtlanma olasılığının düşmesi maddeyle ilgili bir probleme (yanlış anahtarlama gibi) işaret eder. - Ayrıca uygulamada genellikle 2.0’den büyük ayırt edicilik değerlerine rastlanmaz. Bu nedenle `\(a_i\)` parametresi için olağan aralık (0, 2)’dir. --- ## 2-PL Model MKE .pull-left[ - Elimizde 2PL modelde uygun dört maddelik bir testte yer alan madde parametreleri bulunsun. - Madde 1 için `\(b_1\)` = 1.0 ve `\(a_1\)` = 1.0 - Madde 2 için `\(b_2\)` = 2.0 ve `\(a_2\)` = 0.5 - Madde 3 için `\(b_3\)` = -1.0 ve `\(a_3\)` = 1.5 - Madde 4 için `\(b_4\)` = 0.0 ve `\(a_4\)` = 1.2 ] .pull-right[
] --- ## 2-PL Model MKE .pull-left[ - Eğriler 1-PL modelinde olduğu gibi **paralel değildir.** Her eğrinin **eğimi farklılık gösterir.** Bu da madde ayırt edicilik parametrelerinin farklı olduğunu yansıtır. - 2-PL modelinde birey performansını etkileyen madde özellikleri **madde güçlüğü ve madde ayırt ediciliğidir. ** ] .pull-right[
] ??? - **2-PL** modelinde 1-PL modelinde olduğu gibi madde karakteristik eğrilerinin **alt asimptotu sıfırdır. ** - Bu çok düşük yetenek düzeyine sahip bireylerin maddeyi doğru yanıtlama olasılığının sıfır olduğunu belirtir. Böylece çoktan seçmeli maddelerde **düşük yetenek düzeyine** sahip bireylerin **tahmin olasılığına izin verilmez.** - Tahmin olmaması sayıltısı çoktan-seçmeli maddeleri içeren bir testin çok zor olmadığı durumlarda karşılanabilir. --- ## 2-PL Model için Analiz - Modelin hazırlanması ```r ikipl_model <- "F = 1 - 15" ``` - Modelin testi ```r ikipl_uyum <- mirt(data = ikikategorili, model = ikipl_model, itemtype = "2PL", SE=TRUE) ``` ``` ## Iteration: 1, Log-Lik: -7355.589, Max-Change: 1.36358 Iteration: 2, Log-Lik: -7198.383, Max-Change: 0.65912 Iteration: 3, Log-Lik: -7170.537, Max-Change: 0.46260 Iteration: 4, Log-Lik: -7162.738, Max-Change: 0.38909 Iteration: 5, Log-Lik: -7159.685, Max-Change: 0.29704 Iteration: 6, Log-Lik: -7158.349, Max-Change: 0.22782 Iteration: 7, Log-Lik: -7157.056, Max-Change: 0.10551 Iteration: 8, Log-Lik: -7156.900, Max-Change: 0.09235 Iteration: 9, Log-Lik: -7156.824, Max-Change: 0.07639 Iteration: 10, Log-Lik: -7156.702, Max-Change: 0.03322 Iteration: 11, Log-Lik: -7156.687, Max-Change: 0.02994 Iteration: 12, Log-Lik: -7156.681, Max-Change: 0.03699 Iteration: 13, Log-Lik: -7156.667, Max-Change: 0.00433 Iteration: 14, Log-Lik: -7156.661, Max-Change: 0.00143 Iteration: 15, Log-Lik: -7156.661, Max-Change: 0.00070 Iteration: 16, Log-Lik: -7156.661, Max-Change: 0.00037 Iteration: 17, Log-Lik: -7156.661, Max-Change: 0.00185 Iteration: 18, Log-Lik: -7156.661, Max-Change: 0.00130 Iteration: 19, Log-Lik: -7156.661, Max-Change: 0.00080 Iteration: 20, Log-Lik: -7156.661, Max-Change: 0.00065 Iteration: 21, Log-Lik: -7156.661, Max-Change: 0.00039 Iteration: 22, Log-Lik: -7156.661, Max-Change: 0.00129 Iteration: 23, Log-Lik: -7156.661, Max-Change: 0.00063 Iteration: 24, Log-Lik: -7156.661, Max-Change: 0.00045 Iteration: 25, Log-Lik: -7156.661, Max-Change: 0.00127 Iteration: 26, Log-Lik: -7156.661, Max-Change: 0.00079 Iteration: 27, Log-Lik: -7156.660, Max-Change: 0.00052 Iteration: 28, Log-Lik: -7156.660, Max-Change: 0.00025 Iteration: 29, Log-Lik: -7156.660, Max-Change: 0.00123 Iteration: 30, Log-Lik: -7156.660, Max-Change: 0.00071 Iteration: 31, Log-Lik: -7156.660, Max-Change: 0.00024 Iteration: 32, Log-Lik: -7156.660, Max-Change: 0.00120 Iteration: 33, Log-Lik: -7156.660, Max-Change: 0.00071 Iteration: 34, Log-Lik: -7156.660, Max-Change: 0.00024 Iteration: 35, Log-Lik: -7156.660, Max-Change: 0.00118 Iteration: 36, Log-Lik: -7156.660, Max-Change: 0.00069 Iteration: 37, Log-Lik: -7156.660, Max-Change: 0.00023 Iteration: 38, Log-Lik: -7156.660, Max-Change: 0.00115 Iteration: 39, Log-Lik: -7156.660, Max-Change: 0.00067 Iteration: 40, Log-Lik: -7156.660, Max-Change: 0.00023 Iteration: 41, Log-Lik: -7156.660, Max-Change: 0.00112 Iteration: 42, Log-Lik: -7156.660, Max-Change: 0.00066 Iteration: 43, Log-Lik: -7156.660, Max-Change: 0.00022 Iteration: 44, Log-Lik: -7156.660, Max-Change: 0.00110 Iteration: 45, Log-Lik: -7156.660, Max-Change: 0.00064 Iteration: 46, Log-Lik: -7156.660, Max-Change: 0.00022 Iteration: 47, Log-Lik: -7156.660, Max-Change: 0.00107 Iteration: 48, Log-Lik: -7156.660, Max-Change: 0.00063 Iteration: 49, Log-Lik: -7156.660, Max-Change: 0.00021 Iteration: 50, Log-Lik: -7156.660, Max-Change: 0.00105 Iteration: 51, Log-Lik: -7156.660, Max-Change: 0.00062 Iteration: 52, Log-Lik: -7156.660, Max-Change: 0.00021 Iteration: 53, Log-Lik: -7156.660, Max-Change: 0.00102 Iteration: 54, Log-Lik: -7156.660, Max-Change: 0.00060 Iteration: 55, Log-Lik: -7156.660, Max-Change: 0.00020 Iteration: 56, Log-Lik: -7156.660, Max-Change: 0.00100 Iteration: 57, Log-Lik: -7156.660, Max-Change: 0.00059 Iteration: 58, Log-Lik: -7156.660, Max-Change: 0.00020 Iteration: 59, Log-Lik: -7156.660, Max-Change: 0.00097 Iteration: 60, Log-Lik: -7156.660, Max-Change: 0.00058 Iteration: 61, Log-Lik: -7156.660, Max-Change: 0.00019 Iteration: 62, Log-Lik: -7156.660, Max-Change: 0.00095 Iteration: 63, Log-Lik: -7156.660, Max-Change: 0.00056 Iteration: 64, Log-Lik: -7156.660, Max-Change: 0.00019 Iteration: 65, Log-Lik: -7156.660, Max-Change: 0.00093 Iteration: 66, Log-Lik: -7156.660, Max-Change: 0.00055 Iteration: 67, Log-Lik: -7156.660, Max-Change: 0.00018 Iteration: 68, Log-Lik: -7156.660, Max-Change: 0.00091 Iteration: 69, Log-Lik: -7156.660, Max-Change: 0.00054 Iteration: 70, Log-Lik: -7156.660, Max-Change: 0.00018 Iteration: 71, Log-Lik: -7156.660, Max-Change: 0.00089 Iteration: 72, Log-Lik: -7156.660, Max-Change: 0.00053 Iteration: 73, Log-Lik: -7156.659, Max-Change: 0.00018 Iteration: 74, Log-Lik: -7156.659, Max-Change: 0.00087 Iteration: 75, Log-Lik: -7156.659, Max-Change: 0.00052 Iteration: 76, Log-Lik: -7156.659, Max-Change: 0.00017 Iteration: 77, Log-Lik: -7156.659, Max-Change: 0.00085 Iteration: 78, Log-Lik: -7156.659, Max-Change: 0.00051 Iteration: 79, Log-Lik: -7156.659, Max-Change: 0.00017 Iteration: 80, Log-Lik: -7156.659, Max-Change: 0.00083 Iteration: 81, Log-Lik: -7156.659, Max-Change: 0.00050 Iteration: 82, Log-Lik: -7156.659, Max-Change: 0.00016 Iteration: 83, Log-Lik: -7156.659, Max-Change: 0.00081 Iteration: 84, Log-Lik: -7156.659, Max-Change: 0.00048 Iteration: 85, Log-Lik: -7156.659, Max-Change: 0.00016 Iteration: 86, Log-Lik: -7156.659, Max-Change: 0.00079 Iteration: 87, Log-Lik: -7156.659, Max-Change: 0.00047 Iteration: 88, Log-Lik: -7156.659, Max-Change: 0.00016 Iteration: 89, Log-Lik: -7156.659, Max-Change: 0.00077 Iteration: 90, Log-Lik: -7156.659, Max-Change: 0.00046 Iteration: 91, Log-Lik: -7156.659, Max-Change: 0.00015 Iteration: 92, Log-Lik: -7156.659, Max-Change: 0.00075 Iteration: 93, Log-Lik: -7156.659, Max-Change: 0.00045 Iteration: 94, Log-Lik: -7156.659, Max-Change: 0.00015 Iteration: 95, Log-Lik: -7156.659, Max-Change: 0.00074 Iteration: 96, Log-Lik: -7156.659, Max-Change: 0.00044 Iteration: 97, Log-Lik: -7156.659, Max-Change: 0.00015 Iteration: 98, Log-Lik: -7156.659, Max-Change: 0.00072 Iteration: 99, Log-Lik: -7156.659, Max-Change: 0.00043 Iteration: 100, Log-Lik: -7156.659, Max-Change: 0.00014 Iteration: 101, Log-Lik: -7156.659, Max-Change: 0.00070 Iteration: 102, Log-Lik: -7156.659, Max-Change: 0.00043 Iteration: 103, Log-Lik: -7156.659, Max-Change: 0.00014 Iteration: 104, Log-Lik: -7156.659, Max-Change: 0.00069 Iteration: 105, Log-Lik: -7156.659, Max-Change: 0.00042 Iteration: 106, Log-Lik: -7156.659, Max-Change: 0.00014 Iteration: 107, Log-Lik: -7156.659, Max-Change: 0.00067 Iteration: 108, Log-Lik: -7156.659, Max-Change: 0.00041 Iteration: 109, Log-Lik: -7156.659, Max-Change: 0.00013 Iteration: 110, Log-Lik: -7156.659, Max-Change: 0.00066 Iteration: 111, Log-Lik: -7156.659, Max-Change: 0.00040 Iteration: 112, Log-Lik: -7156.659, Max-Change: 0.00013 Iteration: 113, Log-Lik: -7156.659, Max-Change: 0.00064 Iteration: 114, Log-Lik: -7156.659, Max-Change: 0.00039 Iteration: 115, Log-Lik: -7156.659, Max-Change: 0.00013 Iteration: 116, Log-Lik: -7156.659, Max-Change: 0.00063 Iteration: 117, Log-Lik: -7156.659, Max-Change: 0.00038 Iteration: 118, Log-Lik: -7156.659, Max-Change: 0.00012 Iteration: 119, Log-Lik: -7156.659, Max-Change: 0.00061 Iteration: 120, Log-Lik: -7156.659, Max-Change: 0.00037 Iteration: 121, Log-Lik: -7156.659, Max-Change: 0.00012 Iteration: 122, Log-Lik: -7156.659, Max-Change: 0.00060 Iteration: 123, Log-Lik: -7156.659, Max-Change: 0.00036 Iteration: 124, Log-Lik: -7156.659, Max-Change: 0.00012 Iteration: 125, Log-Lik: -7156.659, Max-Change: 0.00058 Iteration: 126, Log-Lik: -7156.659, Max-Change: 0.00036 Iteration: 127, Log-Lik: -7156.659, Max-Change: 0.00012 Iteration: 128, Log-Lik: -7156.659, Max-Change: 0.00057 Iteration: 129, Log-Lik: -7156.659, Max-Change: 0.00035 Iteration: 130, Log-Lik: -7156.659, Max-Change: 0.00011 Iteration: 131, Log-Lik: -7156.659, Max-Change: 0.00056 Iteration: 132, Log-Lik: -7156.659, Max-Change: 0.00034 Iteration: 133, Log-Lik: -7156.659, Max-Change: 0.00011 Iteration: 134, Log-Lik: -7156.659, Max-Change: 0.00055 Iteration: 135, Log-Lik: -7156.659, Max-Change: 0.00033 Iteration: 136, Log-Lik: -7156.659, Max-Change: 0.00011 Iteration: 137, Log-Lik: -7156.659, Max-Change: 0.00053 Iteration: 138, Log-Lik: -7156.659, Max-Change: 0.00033 Iteration: 139, Log-Lik: -7156.659, Max-Change: 0.00011 Iteration: 140, Log-Lik: -7156.659, Max-Change: 0.00052 Iteration: 141, Log-Lik: -7156.659, Max-Change: 0.00032 Iteration: 142, Log-Lik: -7156.659, Max-Change: 0.00010 Iteration: 143, Log-Lik: -7156.659, Max-Change: 0.00051 Iteration: 144, Log-Lik: -7156.659, Max-Change: 0.00031 Iteration: 145, Log-Lik: -7156.659, Max-Change: 0.00010 Iteration: 146, Log-Lik: -7156.659, Max-Change: 0.00050 Iteration: 147, Log-Lik: -7156.659, Max-Change: 0.00031 Iteration: 148, Log-Lik: -7156.659, Max-Change: 0.00010 ## ## Calculating information matrix... ``` --- ## 2-PL Model için Model Uyum ```r M2(ikipl_uyum) ``` ``` ## M2 df p RMSEA RMSEA_5 RMSEA_95 SRMSR TLI CFI ## stats 88.1 90 0.538 0 0 0.0163 0.0247 1 1 ``` --- ## 2-PL Model için Madde Uyum ```r itemfit(ikipl_uyum) ``` ``` ## item S_X2 df.S_X2 RMSEA.S_X2 p.S_X2 ## 1 V1 5.56 5 0.011 0.352 ## 2 V2 12.23 9 0.019 0.201 ## 3 V3 16.67 9 0.029 0.054 ## 4 V4 9.71 8 0.015 0.286 ## 5 V5 9.36 9 0.006 0.405 ## 6 V6 15.27 9 0.026 0.084 ## 7 V7 8.63 9 0.000 0.472 ## 8 V8 8.50 9 0.000 0.485 ## 9 V9 2.62 9 0.000 0.977 ## 10 V10 1.70 8 0.000 0.989 ## 11 V11 7.63 8 0.000 0.470 ## 12 V12 4.07 8 0.000 0.851 ## 13 V13 11.14 8 0.020 0.194 ## 14 V14 12.27 9 0.019 0.199 ## 15 V15 5.33 9 0.000 0.805 ``` --- ## 2-PL Model Parametrelerin incelenmesi ```r ikipl_par <- coef(ikipl_uyum, IRTpars = TRUE, simplify = TRUE) ``` --- ## 2-PL Model Madde Parametreleri - Madde parametreleri oluşturulan nesnenin **items** bileşeninde yer almaktadır. ```r ikipl_par$items ``` ``` ## a b g u ## V1 4.977 0.9739 0 1 ## V2 -1.506 -2.2354 0 1 ## V3 0.827 2.1212 0 1 ## V4 1.247 1.6606 0 1 ## V5 0.817 1.3180 0 1 ## V6 1.017 -0.3152 0 1 ## V7 1.141 0.2702 0 1 ## V8 1.104 0.0982 0 1 ## V9 1.160 0.2897 0 1 ## V10 0.896 -3.0037 0 1 ## V11 1.141 2.1006 0 1 ## V12 0.922 -1.4612 0 1 ## V13 1.048 -2.9899 0 1 ## V14 1.118 -0.5082 0 1 ## V15 1.160 -0.1772 0 1 ``` --- ## 2-PL Model MKE ```r plot(ikipl_uyum, type = "trace", which.items = 1:15) ``` ![](index_files/figure-html/unnamed-chunk-37-1.png)<!-- --> --- ## 2-PL Model MKE ```r plot(ikipl_uyum, type = "trace", which.items = 1:15,facet_items = FALSE, abline=c(h=0.5)) ``` ![](index_files/figure-html/unnamed-chunk-38-1.png)<!-- --> --- ## 3-PL Model - 3-PL model için madde karakteristik eğrileri aşağıdaki eşitlikle elde edilir: `$$P_i(\theta) = c_i + (1- ci)* \frac{exp[a_i(\theta-b_i)]}{1+exp[a_i(\theta-b_i)]}=c_i +\frac{1-c_i}{1+exp(-[a_i(\theta-b_i)])}$$` - `\(P_i(θ):\)` θ yetenek düzeyindeki bir bireyin i maddesini doğru yanıtlama olasılığı - `\(b_i\)` : i maddesinin güçlük parametresi - `\(a_i\)` : i maddesinin ayırt edicilik parametresi - `\(c_i\)` : i maddesinin sahte-tahmin parametresi - Tahmin yerine sahte-tahmin denmesinin nedeni, parametrenin tahminden fazlasını içermesidir. Örneğin, madde yazarları çekici ancak yanlış seçenekler geliştirebilir. ??? - Seçmeli-yanıtlı (çoktan-seçmeli gibi) maddeler gibi tahmin yoluyla doğru yanıtlara izin veren madde formatlarından elde edilen verilere **1-PL** ve **2-PL** modellerin uygulanmasında problemle karşılaşılabilir. - 1-PL ve 2-PL modellerinde **maddeyi doğru yanıtlama olasılığı yetenek düzeyi düştükçe sıfıra** yaklaşır. Ancak **çok düşük yetenek** düzeyindeki bireyler için bile maddeyi doğru yanıtlama olasılığı, bireyler **doğru yanıtı tahmin edebileceklerinden sıfırdan büyüktür. ** - **3-PL** modelinde yer alan `\(c_i\)` parametresi, seçmeli-yanıtlı test maddelerindeki performansta tahminin bir etken olduğu durumlarda, yetenek ölçeğinin düşük ucundaki performansı hesaba katar. - Sıfırdan farklı `\(c_i\)` parametresi, testi alan herhangi bir bireyin maddeyi doğru yanıtlama olasılığının sıfırdan farklı olduğunu yansıtır. - Yetenek düzeyinin çok düşük değerleri için bile bireylerin en az %20’si maddeyi doğru yanıtlayacaktır. --- ## 3-PL Model için Analiz - Modelin hazırlanması ```r ucpl_model <- "F = 1 - 15" ``` - Modelin testi ```r ucpl_uyum <- mirt(data = ikikategorili, model = ucpl_model, itemtype = "3PL") ``` ``` ## Iteration: 1, Log-Lik: -7658.778, Max-Change: 2.58886 Iteration: 2, Log-Lik: -7257.494, Max-Change: 1.80258 Iteration: 3, Log-Lik: -7196.191, Max-Change: 0.86544 Iteration: 4, Log-Lik: -7172.568, Max-Change: 0.36251 Iteration: 5, Log-Lik: -7163.490, Max-Change: 0.57814 Iteration: 6, Log-Lik: -7159.566, Max-Change: 0.74891 Iteration: 7, Log-Lik: -7164.697, Max-Change: 0.66705 Iteration: 8, Log-Lik: -7153.433, Max-Change: 0.75366 Iteration: 9, Log-Lik: -7152.258, Max-Change: 0.38706 Iteration: 10, Log-Lik: -7151.965, Max-Change: 1.18505 Iteration: 11, Log-Lik: -7151.522, Max-Change: 0.31671 Iteration: 12, Log-Lik: -7151.408, Max-Change: 0.25146 Iteration: 13, Log-Lik: -7151.277, Max-Change: 0.24664 Iteration: 14, Log-Lik: -7151.226, Max-Change: 0.25273 Iteration: 15, Log-Lik: -7151.189, Max-Change: 0.23262 Iteration: 16, Log-Lik: -7151.101, Max-Change: 0.05469 Iteration: 17, Log-Lik: -7151.091, Max-Change: 0.00194 Iteration: 18, Log-Lik: -7151.091, Max-Change: 0.00143 Iteration: 19, Log-Lik: -7151.091, Max-Change: 0.00082 Iteration: 20, Log-Lik: -7151.091, Max-Change: 0.00050 Iteration: 21, Log-Lik: -7151.091, Max-Change: 0.00037 Iteration: 22, Log-Lik: -7151.091, Max-Change: 0.00963 Iteration: 23, Log-Lik: -7151.090, Max-Change: 0.00179 Iteration: 24, Log-Lik: -7151.090, Max-Change: 0.00092 Iteration: 25, Log-Lik: -7151.090, Max-Change: 0.00024 Iteration: 26, Log-Lik: -7151.089, Max-Change: 0.00122 Iteration: 27, Log-Lik: -7151.089, Max-Change: 0.00048 Iteration: 28, Log-Lik: -7151.089, Max-Change: 0.00025 Iteration: 29, Log-Lik: -7151.089, Max-Change: 0.00120 Iteration: 30, Log-Lik: -7151.089, Max-Change: 0.00089 Iteration: 31, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 32, Log-Lik: -7151.089, Max-Change: 0.00120 Iteration: 33, Log-Lik: -7151.089, Max-Change: 0.00105 Iteration: 34, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 35, Log-Lik: -7151.089, Max-Change: 0.00120 Iteration: 36, Log-Lik: -7151.089, Max-Change: 0.00093 Iteration: 37, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 38, Log-Lik: -7151.089, Max-Change: 0.00119 Iteration: 39, Log-Lik: -7151.089, Max-Change: 0.00094 Iteration: 40, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 41, Log-Lik: -7151.089, Max-Change: 0.00119 Iteration: 42, Log-Lik: -7151.089, Max-Change: 0.00091 Iteration: 43, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 44, Log-Lik: -7151.089, Max-Change: 0.00118 Iteration: 45, Log-Lik: -7151.089, Max-Change: 0.00090 Iteration: 46, Log-Lik: -7151.089, Max-Change: 0.00024 Iteration: 47, Log-Lik: -7151.088, Max-Change: 0.00118 Iteration: 48, Log-Lik: -7151.088, Max-Change: 0.00089 Iteration: 49, Log-Lik: -7151.088, Max-Change: 0.00024 Iteration: 50, Log-Lik: -7151.088, Max-Change: 0.00118 Iteration: 51, Log-Lik: -7151.088, Max-Change: 0.00088 Iteration: 52, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 53, Log-Lik: -7151.088, Max-Change: 0.00117 Iteration: 54, Log-Lik: -7151.088, Max-Change: 0.00087 Iteration: 55, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 56, Log-Lik: -7151.088, Max-Change: 0.00117 Iteration: 57, Log-Lik: -7151.088, Max-Change: 0.00086 Iteration: 58, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 59, Log-Lik: -7151.088, Max-Change: 0.00117 Iteration: 60, Log-Lik: -7151.088, Max-Change: 0.00085 Iteration: 61, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 62, Log-Lik: -7151.088, Max-Change: 0.00116 Iteration: 63, Log-Lik: -7151.088, Max-Change: 0.00084 Iteration: 64, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 65, Log-Lik: -7151.088, Max-Change: 0.00116 Iteration: 66, Log-Lik: -7151.088, Max-Change: 0.00083 Iteration: 67, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 68, Log-Lik: -7151.088, Max-Change: 0.00116 Iteration: 69, Log-Lik: -7151.088, Max-Change: 0.00082 Iteration: 70, Log-Lik: -7151.088, Max-Change: 0.00023 Iteration: 71, Log-Lik: -7151.088, Max-Change: 0.00115 Iteration: 72, Log-Lik: -7151.088, Max-Change: 0.00082 Iteration: 73, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 74, Log-Lik: -7151.087, Max-Change: 0.00115 Iteration: 75, Log-Lik: -7151.087, Max-Change: 0.00081 Iteration: 76, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 77, Log-Lik: -7151.087, Max-Change: 0.00115 Iteration: 78, Log-Lik: -7151.087, Max-Change: 0.00080 Iteration: 79, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 80, Log-Lik: -7151.087, Max-Change: 0.00114 Iteration: 81, Log-Lik: -7151.087, Max-Change: 0.00080 Iteration: 82, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 83, Log-Lik: -7151.087, Max-Change: 0.00114 Iteration: 84, Log-Lik: -7151.087, Max-Change: 0.00079 Iteration: 85, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 86, Log-Lik: -7151.087, Max-Change: 0.00114 Iteration: 87, Log-Lik: -7151.087, Max-Change: 0.00079 Iteration: 88, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 89, Log-Lik: -7151.087, Max-Change: 0.00114 Iteration: 90, Log-Lik: -7151.087, Max-Change: 0.00078 Iteration: 91, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 92, Log-Lik: -7151.087, Max-Change: 0.00113 Iteration: 93, Log-Lik: -7151.087, Max-Change: 0.00077 Iteration: 94, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 95, Log-Lik: -7151.087, Max-Change: 0.00113 Iteration: 96, Log-Lik: -7151.087, Max-Change: 0.00077 Iteration: 97, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 98, Log-Lik: -7151.087, Max-Change: 0.00113 Iteration: 99, Log-Lik: -7151.087, Max-Change: 0.00076 Iteration: 100, Log-Lik: -7151.087, Max-Change: 0.00023 Iteration: 101, Log-Lik: -7151.087, Max-Change: 0.00113 Iteration: 102, Log-Lik: -7151.087, Max-Change: 0.00076 Iteration: 103, Log-Lik: -7151.087, Max-Change: 0.00022 Iteration: 104, Log-Lik: -7151.087, Max-Change: 0.00112 Iteration: 105, Log-Lik: -7151.086, Max-Change: 0.00076 Iteration: 106, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 107, Log-Lik: -7151.086, Max-Change: 0.00112 Iteration: 108, Log-Lik: -7151.086, Max-Change: 0.00075 Iteration: 109, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 110, Log-Lik: -7151.086, Max-Change: 0.00112 Iteration: 111, Log-Lik: -7151.086, Max-Change: 0.00075 Iteration: 112, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 113, Log-Lik: -7151.086, Max-Change: 0.00112 Iteration: 114, Log-Lik: -7151.086, Max-Change: 0.00074 Iteration: 115, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 116, Log-Lik: -7151.086, Max-Change: 0.00111 Iteration: 117, Log-Lik: -7151.086, Max-Change: 0.00074 Iteration: 118, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 119, Log-Lik: -7151.086, Max-Change: 0.00111 Iteration: 120, Log-Lik: -7151.086, Max-Change: 0.00074 Iteration: 121, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 122, Log-Lik: -7151.086, Max-Change: 0.00111 Iteration: 123, Log-Lik: -7151.086, Max-Change: 0.00073 Iteration: 124, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 125, Log-Lik: -7151.086, Max-Change: 0.00111 Iteration: 126, Log-Lik: -7151.086, Max-Change: 0.00073 Iteration: 127, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 128, Log-Lik: -7151.086, Max-Change: 0.00111 Iteration: 129, Log-Lik: -7151.086, Max-Change: 0.00073 Iteration: 130, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 131, Log-Lik: -7151.086, Max-Change: 0.00110 Iteration: 132, Log-Lik: -7151.086, Max-Change: 0.00072 Iteration: 133, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 134, Log-Lik: -7151.086, Max-Change: 0.00110 Iteration: 135, Log-Lik: -7151.086, Max-Change: 0.00072 Iteration: 136, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 137, Log-Lik: -7151.086, Max-Change: 0.00110 Iteration: 138, Log-Lik: -7151.086, Max-Change: 0.00072 Iteration: 139, Log-Lik: -7151.086, Max-Change: 0.00022 Iteration: 140, Log-Lik: -7151.086, Max-Change: 0.00110 Iteration: 141, Log-Lik: -7151.085, Max-Change: 0.00072 Iteration: 142, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 143, Log-Lik: -7151.085, Max-Change: 0.00110 Iteration: 144, Log-Lik: -7151.085, Max-Change: 0.00071 Iteration: 145, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 146, Log-Lik: -7151.085, Max-Change: 0.00109 Iteration: 147, Log-Lik: -7151.085, Max-Change: 0.00071 Iteration: 148, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 149, Log-Lik: -7151.085, Max-Change: 0.00109 Iteration: 150, Log-Lik: -7151.085, Max-Change: 0.00071 Iteration: 151, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 152, Log-Lik: -7151.085, Max-Change: 0.00109 Iteration: 153, Log-Lik: -7151.085, Max-Change: 0.00071 Iteration: 154, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 155, Log-Lik: -7151.085, Max-Change: 0.00109 Iteration: 156, Log-Lik: -7151.085, Max-Change: 0.00071 Iteration: 157, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 158, Log-Lik: -7151.085, Max-Change: 0.00109 Iteration: 159, Log-Lik: -7151.085, Max-Change: 0.00070 Iteration: 160, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 161, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 162, Log-Lik: -7151.085, Max-Change: 0.00070 Iteration: 163, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 164, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 165, Log-Lik: -7151.085, Max-Change: 0.00070 Iteration: 166, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 167, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 168, Log-Lik: -7151.085, Max-Change: 0.00070 Iteration: 169, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 170, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 171, Log-Lik: -7151.085, Max-Change: 0.00070 Iteration: 172, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 173, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 174, Log-Lik: -7151.085, Max-Change: 0.00069 Iteration: 175, Log-Lik: -7151.085, Max-Change: 0.00022 Iteration: 176, Log-Lik: -7151.085, Max-Change: 0.00108 Iteration: 177, Log-Lik: -7151.085, Max-Change: 0.00069 Iteration: 178, Log-Lik: -7151.085, Max-Change: 0.00021 Iteration: 179, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 180, Log-Lik: -7151.084, Max-Change: 0.00069 Iteration: 181, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 182, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 183, Log-Lik: -7151.084, Max-Change: 0.00069 Iteration: 184, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 185, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 186, Log-Lik: -7151.084, Max-Change: 0.00069 Iteration: 187, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 188, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 189, Log-Lik: -7151.084, Max-Change: 0.00069 Iteration: 190, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 191, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 192, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 193, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 194, Log-Lik: -7151.084, Max-Change: 0.00107 Iteration: 195, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 196, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 197, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 198, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 199, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 200, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 201, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 202, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 203, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 204, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 205, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 206, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 207, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 208, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 209, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 210, Log-Lik: -7151.084, Max-Change: 0.00068 Iteration: 211, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 212, Log-Lik: -7151.084, Max-Change: 0.00106 Iteration: 213, Log-Lik: -7151.084, Max-Change: 0.00067 Iteration: 214, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 215, Log-Lik: -7151.084, Max-Change: 0.00105 Iteration: 216, Log-Lik: -7151.084, Max-Change: 0.00067 Iteration: 217, Log-Lik: -7151.084, Max-Change: 0.00021 Iteration: 218, Log-Lik: -7151.084, Max-Change: 0.00105 Iteration: 219, Log-Lik: -7151.084, Max-Change: 0.00067 Iteration: 220, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 221, Log-Lik: -7151.083, Max-Change: 0.00105 Iteration: 222, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 223, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 224, Log-Lik: -7151.083, Max-Change: 0.00105 Iteration: 225, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 226, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 227, Log-Lik: -7151.083, Max-Change: 0.00105 Iteration: 228, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 229, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 230, Log-Lik: -7151.083, Max-Change: 0.00105 Iteration: 231, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 232, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 233, Log-Lik: -7151.083, Max-Change: 0.00105 Iteration: 234, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 235, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 236, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 237, Log-Lik: -7151.083, Max-Change: 0.00067 Iteration: 238, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 239, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 240, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 241, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 242, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 243, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 244, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 245, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 246, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 247, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 248, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 249, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 250, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 251, Log-Lik: -7151.083, Max-Change: 0.00104 Iteration: 252, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 253, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 254, Log-Lik: -7151.083, Max-Change: 0.00103 Iteration: 255, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 256, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 257, Log-Lik: -7151.083, Max-Change: 0.00103 Iteration: 258, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 259, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 260, Log-Lik: -7151.083, Max-Change: 0.00103 Iteration: 261, Log-Lik: -7151.083, Max-Change: 0.00066 Iteration: 262, Log-Lik: -7151.083, Max-Change: 0.00021 Iteration: 263, Log-Lik: -7151.083, Max-Change: 0.00103 Iteration: 264, Log-Lik: -7151.082, Max-Change: 0.00066 Iteration: 265, Log-Lik: -7151.082, Max-Change: 0.00021 Iteration: 266, Log-Lik: -7151.082, Max-Change: 0.00103 Iteration: 267, Log-Lik: -7151.082, Max-Change: 0.00066 Iteration: 268, Log-Lik: -7151.082, Max-Change: 0.00021 Iteration: 269, Log-Lik: -7151.082, Max-Change: 0.00103 Iteration: 270, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 271, Log-Lik: -7151.082, Max-Change: 0.00021 Iteration: 272, Log-Lik: -7151.082, Max-Change: 0.00103 Iteration: 273, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 274, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 275, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 276, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 277, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 278, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 279, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 280, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 281, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 282, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 283, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 284, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 285, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 286, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 287, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 288, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 289, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 290, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 291, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 292, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 293, Log-Lik: -7151.082, Max-Change: 0.00102 Iteration: 294, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 295, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 296, Log-Lik: -7151.082, Max-Change: 0.00101 Iteration: 297, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 298, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 299, Log-Lik: -7151.082, Max-Change: 0.00101 Iteration: 300, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 301, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 302, Log-Lik: -7151.082, Max-Change: 0.00101 Iteration: 303, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 304, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 305, Log-Lik: -7151.082, Max-Change: 0.00101 Iteration: 306, Log-Lik: -7151.082, Max-Change: 0.00065 Iteration: 307, Log-Lik: -7151.082, Max-Change: 0.00020 Iteration: 308, Log-Lik: -7151.082, Max-Change: 0.00101 Iteration: 309, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 310, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 311, Log-Lik: -7151.081, Max-Change: 0.00101 Iteration: 312, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 313, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 314, Log-Lik: -7151.081, Max-Change: 0.00101 Iteration: 315, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 316, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 317, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 318, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 319, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 320, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 321, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 322, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 323, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 324, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 325, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 326, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 327, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 328, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 329, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 330, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 331, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 332, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 333, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 334, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 335, Log-Lik: -7151.081, Max-Change: 0.00100 Iteration: 336, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 337, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 338, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 339, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 340, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 341, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 342, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 343, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 344, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 345, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 346, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 347, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 348, Log-Lik: -7151.081, Max-Change: 0.00064 Iteration: 349, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 350, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 351, Log-Lik: -7151.081, Max-Change: 0.00063 Iteration: 352, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 353, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 354, Log-Lik: -7151.081, Max-Change: 0.00063 Iteration: 355, Log-Lik: -7151.081, Max-Change: 0.00020 Iteration: 356, Log-Lik: -7151.081, Max-Change: 0.00099 Iteration: 357, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 358, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 359, Log-Lik: -7151.080, Max-Change: 0.00099 Iteration: 360, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 361, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 362, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 363, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 364, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 365, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 366, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 367, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 368, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 369, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 370, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 371, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 372, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 373, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 374, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 375, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 376, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 377, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 378, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 379, Log-Lik: -7151.080, Max-Change: 0.00020 Iteration: 380, Log-Lik: -7151.080, Max-Change: 0.00098 Iteration: 381, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 382, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 383, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 384, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 385, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 386, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 387, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 388, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 389, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 390, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 391, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 392, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 393, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 394, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 395, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 396, Log-Lik: -7151.080, Max-Change: 0.00063 Iteration: 397, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 398, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 399, Log-Lik: -7151.080, Max-Change: 0.00062 Iteration: 400, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 401, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 402, Log-Lik: -7151.080, Max-Change: 0.00062 Iteration: 403, Log-Lik: -7151.080, Max-Change: 0.00019 Iteration: 404, Log-Lik: -7151.080, Max-Change: 0.00097 Iteration: 405, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 406, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 407, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 408, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 409, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 410, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 411, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 412, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 413, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 414, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 415, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 416, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 417, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 418, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 419, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 420, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 421, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 422, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 423, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 424, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 425, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 426, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 427, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 428, Log-Lik: -7151.079, Max-Change: 0.00096 Iteration: 429, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 430, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 431, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 432, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 433, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 434, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 435, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 436, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 437, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 438, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 439, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 440, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 441, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 442, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 443, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 444, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 445, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 446, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 447, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 448, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 449, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 450, Log-Lik: -7151.079, Max-Change: 0.00062 Iteration: 451, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 452, Log-Lik: -7151.079, Max-Change: 0.00095 Iteration: 453, Log-Lik: -7151.079, Max-Change: 0.00061 Iteration: 454, Log-Lik: -7151.079, Max-Change: 0.00019 Iteration: 455, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 456, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 457, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 458, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 459, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 460, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 461, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 462, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 463, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 464, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 465, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 466, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 467, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 468, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 469, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 470, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 471, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 472, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 473, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 474, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 475, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 476, Log-Lik: -7151.078, Max-Change: 0.00094 Iteration: 477, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 478, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 479, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 480, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 481, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 482, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 483, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 484, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 485, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 486, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 487, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 488, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 489, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 490, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 491, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 492, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 493, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 494, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 495, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 496, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 497, Log-Lik: -7151.078, Max-Change: 0.00093 Iteration: 498, Log-Lik: -7151.078, Max-Change: 0.00061 Iteration: 499, Log-Lik: -7151.078, Max-Change: 0.00019 Iteration: 500, Log-Lik: -7151.078, Max-Change: 0.00093 ``` - Parametrelerin incelenmesi ```r ucpl_par <- coef(ucpl_uyum, IRTpars = TRUE, simplify = TRUE) ``` --- ## 3-PL Model için Model Uyum ```r M2(ucpl_uyum) ``` ``` ## M2 df p RMSEA RMSEA_5 RMSEA_95 SRMSR TLI CFI ## stats 67.5 75 0.72 0 0 0.0141 0.025 1 1 ``` --- ## 3-PL Model için Madde Uyum ```r itemfit(ucpl_uyum) ``` ``` ## item S_X2 df.S_X2 RMSEA.S_X2 p.S_X2 ## 1 V1 5.57 4 0.020 0.233 ## 2 V2 12.21 7 0.027 0.094 ## 3 V3 15.87 8 0.031 0.044 ## 4 V4 11.47 8 0.021 0.177 ## 5 V5 9.38 8 0.013 0.312 ## 6 V6 15.05 8 0.030 0.058 ## 7 V7 8.68 8 0.009 0.370 ## 8 V8 8.47 8 0.008 0.389 ## 9 V9 2.18 8 0.000 0.975 ## 10 V10 1.76 7 0.000 0.972 ## 11 V11 7.72 7 0.010 0.358 ## 12 V12 3.95 7 0.000 0.786 ## 13 V13 5.32 5 0.008 0.379 ## 14 V14 12.28 8 0.023 0.139 ## 15 V15 5.04 8 0.000 0.753 ``` --- ## 3-PL Model Madde Parametreleri - Madde parametreleri oluşturulan nesnenin **items** bileşeninde yer almaktadır. ```r ucpl_par$items ``` ``` ## a b g u ## V1 5.010 0.973 6.86e-05 1 ## V2 -1.786 -2.125 7.45e-03 1 ## V3 0.826 2.124 2.19e-04 1 ## V4 1.507 1.613 2.28e-02 1 ## V5 0.832 1.303 4.39e-04 1 ## V6 1.013 -0.312 9.97e-04 1 ## V7 1.143 0.275 1.17e-03 1 ## V8 1.114 0.104 1.63e-03 1 ## V9 1.400 0.468 8.29e-02 1 ## V10 0.886 -2.964 5.06e-02 1 ## V11 1.210 2.056 4.70e-03 1 ## V12 0.925 -1.450 4.69e-03 1 ## V13 5.925 -0.127 8.57e-01 1 ## V14 1.134 -0.484 9.60e-03 1 ## V15 1.163 -0.173 8.85e-04 1 ``` --- ## 3-PL Model MKE ```r plot(ucpl_uyum, type = "trace", which.items = 1:15) ``` ![](index_files/figure-html/unnamed-chunk-45-1.png)<!-- --> --- ## 3-PL Model MKE ```r plot(ucpl_uyum, type = "trace", which.items = 1:15,facet_items = FALSE, abline=c(h=0.5)) ``` ![](index_files/figure-html/unnamed-chunk-46-1.png)<!-- --> --- ## 3-PL Model için MKE ![](index_files/figure-html/unnamed-chunk-47-1.png)<!-- --> ??? - Madde 1 için `\(b_1\)` = 1.0 ve `\(a_1\)` = 1.8 ve `\(c_1\)` = 0 - Madde 2 için `\(b_2\)` = 1.0 ve `\(a_2\)` = 0.8 ve `\(c_2\)` = 0 - Madde 3 için `\(b_3\)` = 1.0 ve `\(a_3\)` = 1.8 ve `\(c_3\)` = 0.25 - Madde 4 için `\(b_4\)` = -1.5 ve `\(a_4\)` = 1.8 ve `\(c_4\)` = 0 - Madde 5 için `\(b_5\)` = -0.5 ve `\(a_5\)` = 1.2 ve `\(c_5\)` = 0.10 - Madde 6 için `\(b_6\)` = 0.5 ve `\(a_6\)` = 0.4 ve `\(c_6\)` = 0.15 ## 3-PL Model MKE
--- ## 3-PL Model MKE - Madde 1 ve Madde 4 ait MKE arasındaki karşılaştırma hangi parametrenin rolunu vurgulamaktadır? --
--- ## 3-PL Model MKE - Madde 1 için `\(b_1\)` = 1.0 ve `\(a_1\)` = 1.8 ve `\(c_1\)` = 0 - Madde 4 için `\(b_4\)` = -1.5 ve `\(a_4\)` = 1.8 ve `\(c_4\)` = 0 --- ## 3-PL Model MKE - Madde 1 ve Madde 2 ait MKE arasındaki karşılaştırma hangi parametrenin rolunu vurgulamaktadır? --
--- ## 3-PL Model MKE - Madde 1 için `\(b_1\)` = 1.0 ve `\(a_1\)` = 1.8 ve `\(c_1\)` = 0 - Madde 2 için `\(b_2\)` = 1.0 ve `\(a_2\)` = 0.8 ve `\(c_2\)` = 0 --- ## 3-PL Model MKE - Madde 1 ve Madde 3 ait MKE arasındaki karşılaştırma hangi parametrenin rolunu vurgulamaktadır? --
--- ## 3-PL Model MKE - Madde 1 için `\(b_1\)` = 1.0 ve `\(a_1\)` = 1.8 ve `\(c_1\)` = 0 - Madde 3 için `\(b_3\)` = 1.0 ve `\(a_3\)` = 1.8 ve `\(c_3\)` = 0.25 --- ## 3-PL Model MKE - Yandaki 6 maddeden hangi madde θ = 0.0 değerinde en zor maddedir?
--- ## 3-PL Model MKE - Yandaki 6 maddeden hangi madde θ = 0.0 değerinde en zor maddedir?
--- ## 3-PL Model MKE Yandaki 6 maddeden hangi iki madde θ = -1.0 değerinde eşit güçlükteki maddelerdir?
--- ## 3-PL Model MKE Yandaki 6 maddeden hangi iki madde θ = -1.0 değerinde eşit güçlükteki maddelerdir?
--- ## 3-PL Model için Madde Karakteristik Eğrisi Yandaki 6 maddeden hangi madde θ = 3.0 değerinde en ayırt edici maddedir?
??? Madde 2 --- ## Yetenek Parametresi Kestirimi MTK modellerinde başlıca üç yolla puanlama yapılır: - Maksimum Likelihood (ML) - Maksimum a Posteriori (MAP) - Expected/estimated a Posteriori (EAP) --- ## Yetenek Parametresi Kestirimi - Bireylerin faktör puanları veya gizil özellik düzeyi kestirimleri **fscores()** fonksiyonuyla hesaplanabilir. - **fscores()** fonksiyonunun birinci argümanı object olup bu argümanın değeri **mirt()** fonksiyonunun çıktısı olarak kaydedilen nesnelerdir. Kestirim yönteminin türü method argümanıyla maksimum olabilirlik (ML) olarak belirlenmiştir. - full.scores.SE argümanı için de TRUE değeri seçilerek kestirimlerin standart hataları istenebilir. ```r ML <- fscores(ikipl_uyum, method="ML",full.scores.SE=TRUE) MAP <- fscores(ikipl_uyum, method="MAP", full.scores.SE=TRUE) EAP <- fscores(ikipl_uyum, method="EAP",full.scores.SE=TRUE) ``` --- ## Yetenek Parametresi Kestirimi .three-column[ ```r head(ML) ``` ``` ## F SE_F ## [1,] 0.7360 0.381 ## [2,] 0.5359 0.457 ## [3,] 0.8977 0.346 ## [4,] -0.5036 0.632 ## [5,] 2.3398 0.819 ## [6,] -0.0337 0.603 ``` ] .three-column[ ```r head(MAP) ``` ``` ## F SE_F ## [1,] 0.6356 0.384 ## [2,] 0.4366 0.445 ## [3,] 0.7981 0.342 ## [4,] -0.3610 0.530 ## [5,] 1.5725 0.491 ## [6,] -0.0247 0.516 ``` ] .three-column[ ```r head(EAP) ``` ``` ## F SE_F ## [1,] 0.5552 0.407 ## [2,] 0.3483 0.438 ## [3,] 0.7493 0.383 ## [4,] -0.3892 0.520 ## [5,] 1.7016 0.491 ## [6,] -0.0737 0.493 ``` ] --- ## Yetenek Parametresi Kestirimi ```r yetenek <- data.frame(ML= ML[,1],MAP=MAP[,1],EAP=EAP[,1]) apply(yetenek,2,summary) ``` ``` ## ML MAP EAP ## Min. -Inf -2.5228 -2.57e+00 ## 1st Qu. -0.9165 -0.6457 -6.67e-01 ## Median -0.0645 -0.0472 -9.43e-02 ## Mean -Inf 0.0228 -5.42e-05 ## 3rd Qu. 0.7064 0.6054 5.22e-01 ## Max. 19.9999 2.2015 2.30e+00 ``` --- ## Yetenek Parametresi Kestirimi ```r yetenek_v1 <- yetenek[!is.infinite(yetenek$ML),] apply(yetenek_v1,2,summary) ``` ``` ## ML MAP EAP ## Min. -3.8881 -2.1960 -2.22860 ## 1st Qu. -0.9153 -0.6449 -0.66644 ## Median -0.0637 -0.0466 -0.09374 ## Mean 0.0137 0.0254 0.00252 ## 3rd Qu. 0.7064 0.6054 0.52177 ## Max. 19.9999 2.2015 2.29584 ``` --- ## Yetenek Parametresi Kestirimi .pull-left[ ```r cor(yetenek_v1) ``` ``` ## ML MAP EAP ## ML 1.000 0.817 0.817 ## MAP 0.817 1.000 0.998 ## EAP 0.817 0.998 1.000 ``` ] .pull-right[ ```r pairs(yetenek_v1) ``` ![](index_files/figure-html/unnamed-chunk-64-1.png)<!-- --> ] --- ## Model Seçimi ```r anova(birpl_uyum,ikipl_uyum) ``` ``` ## AIC SABIC HQ BIC logLik X2 df p ## birpl_uyum 14719 14747 14749 14798 -7344 ## ikipl_uyum 14373 14425 14429 14521 -7157 373.807 14 0 ``` ```r anova(ikipl_uyum,ucpl_uyum) ``` ``` ## AIC SABIC HQ BIC logLik X2 df p ## ikipl_uyum 14373 14425 14429 14521 -7157 ## ucpl_uyum 14392 14470 14476 14613 -7151 11.162 15 0.741 ``` --- ## Madde Bilgi Fonksiyonu - Teknik olarak, **bilgi** bir parametre **kestiriminin standart hatasının tersiyle** ilişkili bir değerdir. -- - Yüksek bilgi değeri parametre kestirimi hakkında daha fazla bilgiye sahip olunduğunu belirtir. -- - MTK'da **bilgi** birey yeteneğini kestirmek için kullanılan maddelerin toplamından elde edilen bilgiyi ifade eder. -- --- ## Test Bilgi Fonksiyonu - Bilginin miktarı yetenek değerine bağlıdır, bu nedenle **test bilgi fonksiyonu** olarak adlandırılır. -- - Bilgi miktarı uygulamada test düzeyinde değerlendirilir. -- - Ancak bilgi madde düzeyinde elde edilir ve **test bilgi fonksiyonu** `\(I_T(θ)\)` madde bilgi fonksiyonlarının `\(I_i(θ)\)` toplamıdır. `\(I_T(θ)= \sum{I_i(θ)}\)` --- ## Madde Bilgi Fonksiyonu i maddesi için belli bir yetenek düzeyinde (θ değerinde) bilgi miktarı için farklı MTK modellerinde kullanılan eşitlikler aşağıdaki gibidir: - 1PL - `\(I_i(θ)=P_i(θ)*Q_i(θ)\)` - `\(Q_i(θ)=1-P_i(θ)\)` - 2PL - `\(I_i(θ)=a_i^2P_i(θ)*Q_i(θ)\)` - 3PL - `\(I_i(θ)=a_i^2 \frac{Q_i(θ)}{P_i(θ)}[\frac{P_i(θ) - c_i}{1- c_i}]^2\)` --- ## 1-PL Modeli için Madde Bilgi Fonksiyonu - 1-PL (a = 1.0, c = 0.0, D = 1.7 sabiti yok) - b = 1.2 madde güçlüğü ile θ = 1.0 yetenek düzeyindeki bir birey için `$$P_i(\theta) = \frac{1}{1+exp[-(\theta-b_i)]}$$` `$$P_i(1) = \frac{1}{1+exp[-(1-1.2)]} = 0.45$$` `\(I_i(θ)= 0.45 * (1-0.45) =2.48\)` ```r p <- 1/(1+exp(-(1-1.2))) p * (1-p) ``` ``` ## [1] 0.248 ``` --- ## Madde Bilgi Fonksiyonu .pull-left[ ![](index_files/figure-html/unnamed-chunk-67-1.png)<!-- --> ] .pull-right[ ```r b <- c(1.2) theta <- seq(-4,4,0.01) prob <- c() for(j in 1:length(theta)){ dir <- 1/(1 + exp(-(theta[j] - b))) prob[j] <- dir j=j+1 } bilgi = prob * (1- prob) p <- data.frame(prob,bilgi) MBF <- ggplot(p, aes(theta, bilgi)) + geom_line() ``` ] --- ## 2-PL Model Madde Bilgi Fonksiyonu - 2-PL (a = 0.8, c = 0.0, D = 1.7 sabiti yok) - b = 1.2 madde güçlüğü ile θ = 1.0 yetenek düzeyindeki bir birey için ```r b <- 1.2 a <- 0.8 theta <- seq(-4,4,0.01) p <- 1/(1+exp(-(0.8*(1-1.2)))) a^2 * p * (1-p) ``` ``` ## [1] 0.159 ``` --- ## 2-PL Modeli Madde Bilgi Fonksiyonu .pull-left[ ![](index_files/figure-html/unnamed-chunk-70-1.png)<!-- --> ] .pull-right[ ```r prob <- c() for(j in 1:length(theta)){ dir <- 1/(1 + exp(-(a*(theta[j] - b)))) prob[j] <- dir j=j+1 } bilgi = a*a * prob * (1- prob) p <- data.frame(prob,bilgi) MBF2 <- ggplot(p, aes(theta, bilgi)) + geom_line() ``` ] --- ## Madde Bilgi Fonksiyonu .three-column[ ```r plot(birpl_uyum, type = "infotrace", which.items = 5) ``` ![](index_files/figure-html/unnamed-chunk-72-1.png)<!-- --> ] .three-column[ ```r plot(ikipl_uyum, type = "infotrace", which.items = 5) ``` ![](index_files/figure-html/unnamed-chunk-73-1.png)<!-- --> ] .three-column[ ```r plot(ucpl_uyum, type = "infotrace", which.items = 5) ``` ![](index_files/figure-html/unnamed-chunk-74-1.png)<!-- --> ] --- ## Madde Bilgi Fonksiyonu ![](index_files/figure-html/unnamed-chunk-75-1.png)<!-- --> --- ## Madde Bilgi Fonksiyonu ![](index_files/figure-html/unnamed-chunk-76-1.png)<!-- --> --- ## Madde Bilgi Fonksiyonu ```r madde1 <- extract.item(ikipl_uyum, 1) Theta <- matrix(seq(-6,6, by = .1)) info.1 <- iteminfo(madde1, Theta) plot(Theta, info.1, type = 'l', main = 'Item information') ``` ![](index_files/figure-html/unnamed-chunk-77-1.png)<!-- --> --- ## Madde Bilgi Fonksiyonu - i maddesi için maksimum bilgi farklı MTK modellerinde aşağıdaki yetenek düzeylerinde (θ değerinde) elde edilir: - 1-PL - `\(\theta=b_i\)` - 2-PL - `\(\theta=b_i\)` - 3-PL - `\(\theta=b_i + \frac{1}{Da_i}[ln\frac{1 + \sqrt{1+8c_i}}{2}]^2\)` --- ## Test Bilgi Fonksiyonu - Bireysel maddelerin teste katkısının miktarı testteki diğer maddelerin bilgisi olmadan belirlenebilir. - Bu klasik test kuramında mümkün değildir. - Örneğin, güvenirlik veya nokta-çift serili korelasyon testteki maddelerin geri kalanından bağımsız olarak belirlenemez. - Testteki madde sayısı daha fazlaysa, daha yüksek test bilgi fonksiyonu elde edilir. --- ## Test Bilgi Fonksiyonu - Lord (1977) tarafından önerilen test geliştirme yöntemi: - Beklenen test bilgi fonksiyonunun şekli belirlenir: Hedef bilgi fonksiyonu Örneğin, <img src="img/bilgi.png" width="60%" style="display: block; margin: auto;" /> - Maddeler seçilir ve test bilgi fonksiyonu hesaplanır ve hedef bilgi fonksiyonuyla karşılaştırılır. - Bir önceki basamak beklenen sonuçlar elde edilene kadar tekrar edilir. --- ## Test Bilgi Fonksiyonu .three-column[ ```r tinfo <- testinfo(ikipl_uyum, Theta,which.items = 1:5) plot(Theta, tinfo, type = 'l') ``` ![](index_files/figure-html/unnamed-chunk-79-1.png)<!-- --> ] .three-column[ ```r tinfo <- testinfo(ikipl_uyum, Theta,which.items = 1:10) plot(Theta, tinfo, type = 'l') ``` ![](index_files/figure-html/unnamed-chunk-80-1.png)<!-- --> ] .three-column[ ```r tinfo <- testinfo(ikipl_uyum, Theta,which.items = 1:15) plot(Theta, tinfo, type = 'l') ``` ![](index_files/figure-html/unnamed-chunk-81-1.png)<!-- --> ] --- ## Test Bilgi Fonksiyonu ```r tinfo <- testinfo(ikipl_uyum, Theta,which.items = c(1,3:5,7:10,11)) plot(Theta, tinfo, type = 'l') ``` ![](index_files/figure-html/unnamed-chunk-82-1.png)<!-- --> --- ## Test Bilgi Fonksiyonu ```r plot(ikipl_uyum, type='infoSE') ``` ![](index_files/figure-html/unnamed-chunk-83-1.png)<!-- --> --- ## Sıra Sizde 1.
: [Veriyi açılan linkten farklı kaydet ile alabilirsiniz.](https://raw.githubusercontent.com/atalay-k/mirt_k/main/dat1.csv) 2. MTK varsayamlarını test ediniz. 3. Verinin hangi MTK modeline daha iyi uyum sağladığını inceleyiniz. 4. Madde parametrelerini ve madde karakteristik eğrileri ile birlikte raporlayınız. 5. Yetenek paramterelerini kestiriniz 6. Test bilgi fonskiyonun grafiğini çiziniz. --- ## Kaynaklar - Atar, B., Atalay Kabasakal, K, Unsal Ozberk, E. B., Ozberk, E. H. & Kibrislioglu Uysal, N. (2020). R ile Veri Analizi ve Psikometri Uygulamaları, Pegem Akademi, Ankara. - Chalmers, R. P. (2012). mirt: A multidimensional item response theory package for the R environment. Journal of Statistical Software, 48(6), 1-29. - Desjardins, C.D., & Bulut, O. (2017). Handbook of Educational Measurement and Psychometrics Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b20498 --- .center[ <br> <br> <br> .hand[Teşekkürler] 🙏 ]