Bachelorarbeit

Varians kekuatan uji pseudo-eksak atau kondisional dari asumsi model Rasch

Perbandingan Rasch Sampler dengan Exact Sampler

Ringkasan:

Draxler & Zessin (2015) telah mengusulkan kelas uji pseudo-eksak atau kondisional untuk perhitungan kekuatan asumsi model Rasch. Algoritme pengambilan sampel diperlukan untuk mensimulasikan data yang diperlukan untuk penghitungan daya. Verhelst (2008) merancang algoritma yang relatif cepat yang disebut Rasch Sampler yang memperkirakan distribusi sebenarnya menggunakan prosedur Markov Chain Monte Carlo. Miller & Harrison (2013) telah mengembangkan algoritma yang disebut Exact Sampler yang dapat menghitung dan mengekstrak distribusi yang tepat. Keakuratan kedua sampler dibandingkan dengan menguji potensi pengaruh ukuran sampel, parameter DIF dan kesulitan item terhadap keakuratan penghitungan daya. Selain itu, fase pembakaran dan parameter langkah diperiksa sebagai faktor yang mempengaruhi pada sampler Rasch. Keakuratan sampler tidak berbeda secara signifikan. Ketika ukuran sampel bertambah, kekuatannya meningkat. Bahkan dengan deviasi model yang lebih besar, baik positif maupun negatif, kekuatan yang lebih tinggi dapat diamati. Dengan tingkat kesulitan item sedang, kekuatannya hampir sama untuk parameter DIF positif dan negatif. Jika terdapat deviasi model sedikit saja, maka daya deviasi positif lebih besar dibandingkan deviasi negatif. Dengan item yang sulit, tren sebaliknya dapat diamati, dengan perbedaan bahwa penyebarannya jauh lebih tinggi. Baik fase burn-in maupun parameter langkah tidak berpengaruh terhadap keakuratan sampler Rasch. Karena penghitungan yang lebih efisien, Rasch Sampler harus selalu digunakan. Hasil mengenai perilaku daya ketika memvariasikan berbagai parameter sesuai dengan pengamatan Draxler & Zessin (2015).

Abstrak:

Draxler & Zessin (2015) telah mengusulkan kelas tes pseudo-eksak atau kondisional untuk perhitungan kekuatan asumsi model Rasch. Algoritme pengambilan sampel diperlukan untuk mensimulasikan data yang diperlukan untuk perhitungan daya. Verhelst (2008) telah merancang algoritma yang relatif cepat yang disebut Rasch Sampler, yang memperkirakan distribusi sebenarnya menggunakan prosedur Markov Chain Monte Carlo. Miller & Harrison (2013) telah mengembangkan algoritma yang disebut Exact Sampler, yang dapat menghitung distribusi yang tepat dan mengambil data darinya. Keakuratan kedua sampler dibandingkan dengan memeriksa pengaruh potensial ukuran sampel, parameter DIF dan kesulitan item terhadap keakuratan penghitungan daya. Selanjutnya, fase burn-in dan parameter langkah diperiksa sebagai faktor yang mempengaruhi pada Rasch Sampler. Keakuratan sampler tidak berbeda secara berarti. Kekuatan meningkat dengan ukuran sampel yang lebih tinggi. Kekuatan juga meningkat dengan deviasi model positif dan negatif yang lebih besar. Dengan tingkat kesulitan item sedang, kekuatan untuk parameter DIF positif dan negatif hampir sama. Jika suatu item mudah menyimpang dari model, kekuatannya lebih besar jika penyimpangannya positif dibandingkan jika itemnya negatif. Dengan soal yang sulit, tren kontras dapat diamati dengan perbedaan bahwa kisaran nilai pangkat lebih tinggi. Baik fase burn-in maupun parameter langkah tidak berpengaruh terhadap keakuratan Rasch Sampler. Karena penghitungan yang lebih efisien, Rasch Sampler harus digunakan dalam hal apa pun. Hasil mengenai perilaku daya pada variasi parameter yang berbeda sesuai dengan pengamatan Draxler & Zessin (2015).

Kata Kunci : Model Rasch, Daya, Pseudo-exact test, Conditional test, Rasch Sampler, Exact Sampler