Bachelorarbeit
1.0.0
Draxler & Zessin (2015) propuseram uma classe de testes pseudoexatos ou condicionais para cálculos de poder das suposições do modelo Rasch. Algoritmos de amostragem são necessários para simular os dados necessários para o cálculo da potência. Verhelst (2008) projetou um algoritmo relativamente rápido chamado Rasch Sampler que aproxima a distribuição verdadeira usando procedimentos de Markov Chain Monte Carlo. Miller & Harrison (2013) desenvolveram um algoritmo chamado Exact Sampler que pode contar e extrair a distribuição exata. A precisão dos dois amostradores é comparada examinando possíveis influências do tamanho da amostra, parâmetros DIF e dificuldade do item na precisão do cálculo do poder. Além disso, a fase de burn-in e o parâmetro step são verificados como fatores de influência no amostrador Rasch. A precisão dos amostradores não difere significativamente. À medida que o tamanho da amostra aumenta, o poder aumenta. Mesmo com desvios de modelo maiores, tanto positivos quanto negativos, pode-se observar maior poder. Com dificuldade moderada de item, o poder é quase o mesmo para parâmetros DIF positivos e negativos. Se houver um desvio do modelo de um item pequeno, o poder é maior para o desvio positivo do que para o desvio negativo. Com um item difícil, pode-se observar uma tendência oposta, com a diferença de que o spread é significativamente maior. Nem a fase de burn-in nem o parâmetro step influenciam a precisão do amostrador Rasch. Devido a cálculos mais eficientes, o Rasch Sampler deve ser sempre utilizado. Os resultados referentes ao comportamento da potência ao variar diversos parâmetros correspondem às observações de Draxler & Zessin (2015).
Draxler & Zessin (2015) propuseram uma classe de testes pseudoexatos ou condicionais para cálculo do poder das suposições do modelo Rasch. Algoritmos de amostragem são necessários para simular os dados necessários para o cálculo de potência. Verhelst (2008) projetou um algoritmo relativamente rápido chamado Rasch Sampler, que aproxima a distribuição verdadeira usando procedimentos de Markov Chain Monte Carlo. Miller & Harrison (2013) desenvolveram um algoritmo chamado Exact Sampler, que pode contar a distribuição exata e extrair dela. A precisão dos dois amostradores é comparada examinando as possíveis influências do tamanho da amostra, dos parâmetros DIF e da dificuldade do item na precisão do cálculo do poder. Além disso, a fase de burn-in e os parâmetros do passo são verificados como fatores de influência no Rasch Sampler. A precisão dos amostradores não difere significativamente. O poder aumenta com maior tamanho de amostra. Além disso, o poder aumenta com maiores desvios positivos e negativos do modelo. Com dificuldade moderada do item, o poder dos parâmetros DIF positivos e negativos é quase igual. Se um item fácil se desviar do modelo, o poder será maior se o desvio for positivo do que se o item for negativo. Com um item difícil, pode-se observar uma tendência contrastante com a diferença de que a faixa dos valores de potência é relevantemente maior. Nem a fase de burn-in nem o parâmetro step têm qualquer influência na precisão do Rasch Sampler. Devido ao cálculo mais eficiente, o Rasch Sampler deve ser usado em qualquer caso. Os resultados relativos ao comportamento da potência sob variação de diferentes parâmetros correspondem às observações de Draxler & Zessin (2015).
Palavras-chave: Modelo Rasch, Potência, Testes Pseudo-exatos, Testes Condicionais, Amostrador Rasch, Amostrador Exato
