Modern Test Theory - Modellen
10 belangrijke vragen over Modern Test Theory - Modellen
Wat betekent het als modellen genest zijn?
Hoe kan je aan de hand van informatie criteria AIC en BIC of een loglikelihood ratio test bepalen welk model het best bij de data past? & Leg de volgende formule uit: T=-2*(logl(model B) - logl(model A))
- X2 is formele toetsingsgrootheid.
- H0: a1 = a2 = a3 = etc. dus 1PL model, Ha: de a parameters zijn niet gelijk. Als de toets significant is, kun je vervolgens de toets uitvoeren om te bepalen of je het 2PL of 3PL model moet hebben, maar dat hoeven we niet te doen.
- Formule: de toetsingsgrootheid is min 2x verschil in loglikelihood, waarbij model B genest is onder model A (dus 1PL genest onder 2PL).
- df = het verschil in parameters tussen de 2 modellen (a+b), bv. bij 8 items: 16 - 9 = 7
Wat is het graded respons model (GRM)? & Op wat voor soort kansen en op welke schaal is GRM gebaseerd? & Formule: p(Xk≥1|Q) = exp(ak*(Q-bk1)) / (1+exp(ak*(Q-bk1))
Het GRM is gebaseerd op cumulatieve kansen:
- p0k +p1k +p2k: antwoord 0, 1 of 2 = prob(Xk ≥ 0), bv. .5+.3+.2 = 1
- p1k +p2k: antwoord 1 of 2 = prob(Xk ≥ 1), bv. .3+.2 = .5
- p2k: antwoord 2 = prob(Xk ≥ 2), bv. .2
Dit blijft hetzelfde principe bij zowel geconditioneerde als ongeconditioneerde kansen.
prob(Xk≥1|Q) = exp(ak*(Q-bk1)) / (1+exp(ak*(Q-bk1))
- Hogere cijfers + sneller leren
- Niets twee keer studeren
- 100% zeker alles onthouden
Leg de 2 afbeeldingen uit behorende bij het GRM (afbeelding 2 staat bij het antwoord).
- Afb. 1: scores 0,1,2. prob(Xk≥1|Q) (zwart) & prob(Xk≥2|Q) (rood). Cumulatieve kansen > hier leiden we de eigenlijke items responses uit af (afb. 2). De a parameter is steeds hetzelfde, b verschilt.
- Afb. 2: Item respons curves (IRC's). Lijn 2 is dezelfde lijn als de rode lijn in afb. 1 (want: prob(Xk≥2|Q) = prob(Xk=2|Q) ).
Wat is de versie van Muraki van het GRM?
Nominal response model (NRM)
Er wordt een standaard normaal verdeling van de latente trek in de populatie aangenomen (net zoals bij de meeste modellen).
Wat zijn Item Information Curves (IIC's) en de Test Information Curve?
Door alle IICs bij elkaar op te tellen krijg je de Test information curve: deze geeft info over hoe goed er gediscrimineerd wordt bij elke waarde van theta (hoe hoger hoe meer info).
Vervolgens: herzien test door slechte items te verwijderen. Bij een wat lagere a hoef je een item niet direct te verwijderen, want het kan zijn dat er anders een te groot gat ontstaat tussen de b parameters (een gebied van theta waarin niet goed gediscrimineerd wordt).
Leg de volgende formule uit: SEM(Q) = 1/√ Ik(Q)
Ik(Q) = de item information curve van theta, oftewel, de a parameter.
Dus hoe groter a, hoe beter de discriminatie op die waarde van theta en hoe kleiner de SEM.
Wat zijn twee manieren om de theta van een persoon te schatten?
- De item parameters (geschat)
- Item responses van de persoon (geobserveerd)
Het is een schatting dus er is een SEM.
Wat wordt bedoeld met de aanname van IRT modellen dat er lokale onafhankelijkheid bestaat?
- Bv. stel theta = 2 dan zegt het feit dat je op vraag 1 respons 1 geeft niks over of je dat bij vraag 2 ook doet. De items onderling zijn onafhankelijk van elkaar.
- (Voorbeeld: gasstand oven (theta) bepaalt de temperatuur en luchtvochtigheid. Hoge gasstand = hoge T en hoge L. Maar: als je de oven uit zet is er geen correlatie meer tussen T en L.)
De vragen op deze pagina komen uit de samenvatting van het volgende studiemateriaal:
- Een unieke studie- en oefentool
- Nooit meer iets twee keer studeren
- Haal de cijfers waar je op hoopt
- 100% zeker alles onthouden