Bachelorarbeit
1.0.0
Draxler & Zessin (2015) ont proposé une classe de tests pseudo-exacts ou conditionnels pour les calculs de puissance des hypothèses du modèle Rasch. Des algorithmes d'échantillonnage sont nécessaires pour simuler les données requises pour le calcul de la puissance. Verhelst (2008) a conçu un algorithme relativement rapide appelé Rasch Sampler qui se rapproche de la vraie distribution à l'aide de procédures de Monte Carlo par chaîne de Markov. Miller et Harrison (2013) ont développé un algorithme appelé Exact Sampler qui peut compter et extraire la distribution exacte. La précision des deux échantillonneurs est comparée en examinant les influences potentielles de la taille de l'échantillon, des paramètres DIF et de la difficulté des éléments sur la précision du calcul de puissance. De plus, la phase de rodage et le paramètre de pas sont vérifiés comme facteurs d'influence sur l'échantillonneur Rasch. La précision des échantillonneurs ne diffère pas de manière significative. À mesure que la taille de l’échantillon augmente, la puissance augmente. Même avec des écarts de modèle plus importants, tant positifs que négatifs, une puissance plus élevée peut être observée. Avec une difficulté d'élément modérée, la puissance est presque la même pour les paramètres DIF positifs et négatifs. S'il existe un léger écart de modèle pour un élément léger, la puissance est plus grande pour un écart positif que pour un écart négatif. Avec un item difficile, une tendance inverse peut être observée, à la différence que la dispersion est nettement plus élevée. Ni la phase de rodage ni le paramètre de pas n'ont d'influence sur la précision de l'échantillonneur Rasch. En raison de calculs plus efficaces, le Rasch Sampler doit toujours être utilisé. Les résultats concernant le comportement de la puissance lors de la variation de divers paramètres correspondent aux observations de Draxler & Zessin (2015).
Draxler & Zessin (2015) ont proposé une classe de tests pseudo-exacts ou conditionnels pour le calcul de puissance des hypothèses du modèle Rasch. Des algorithmes d'échantillonnage sont nécessaires pour simuler les données requises pour le calcul de la puissance. Verhelst (2008) a conçu un algorithme relativement rapide appelé Rasch Sampler, qui se rapproche de la vraie distribution à l'aide de procédures de Monte Carlo par chaîne de Markov. Miller et Harrison (2013) ont développé un algorithme appelé Exact Sampler, qui peut compter la distribution exacte et en tirer des leçons. La précision des deux échantillonneurs est comparée en examinant les influences potentielles de la taille de l'échantillon, des paramètres DIF et de la difficulté des éléments sur la précision du calcul de puissance. De plus, la phase de déverminage et les paramètres d'étape sont vérifiés comme facteurs d'influence sur le Rasch Sampler. La précision des échantillonneurs ne diffère pas de manière significative. La puissance augmente avec la taille de l’échantillon. De plus, la puissance augmente avec les écarts positifs et négatifs du modèle. Avec une difficulté d'élément modérée, la puissance des paramètres DIF positifs et négatifs est presque égale. Si un item facile s’écarte du modèle, la puissance est plus grande si l’écart est positif que si l’item est négatif. Avec un élément difficile, une tendance contrastée peut être observée, à la différence que la plage des valeurs de puissance est nettement plus élevée. Ni la phase de rodage ni le paramètre de pas n'ont d'influence sur la précision du Rasch Sampler. En raison d'un calcul plus efficace, le Rasch Sampler doit être utilisé dans tous les cas. Les résultats concernant le comportement de la puissance sous variation de différents paramètres correspondent aux observations de Draxler & Zessin (2015).
Mots clés : Modèle Rasch, Puissance, Tests pseudo-exacts, Tests conditionnels, Rasch Sampler, Exact Sampler
