Bachelorarbeit
1.0.0
Draxler & Zessin (2015) ได้เสนอคลาสการทดสอบแบบหลอกตรงหรือแบบมีเงื่อนไขสำหรับการคำนวณกำลังของสมมติฐานแบบจำลอง Rasch อัลกอริธึมการสุ่มตัวอย่างจำเป็นสำหรับการจำลองข้อมูลที่จำเป็นสำหรับการคำนวณกำลังไฟฟ้า Verhelst (2008) ได้ออกแบบอัลกอริธึมที่ค่อนข้างเร็วที่เรียกว่า Rasch Sampler ซึ่งประมาณการกระจายที่แท้จริงโดยใช้ขั้นตอนของ Markov Chain Monte Carlo Miller & Harrison (2013) ได้พัฒนาอัลกอริทึมที่เรียกว่า Exact Sampler ซึ่งสามารถนับและแยกการกระจายที่แน่นอนได้ ความแม่นยำของเครื่องเก็บตัวอย่างทั้งสองเครื่องจะถูกเปรียบเทียบโดยการตรวจสอบอิทธิพลที่เป็นไปได้ของขนาดตัวอย่าง พารามิเตอร์ DIF และความยากของรายการต่อความแม่นยำของการคำนวณกำลัง นอกจากนี้ เฟสการเบิร์นอินและพารามิเตอร์ขั้นตอนจะได้รับการตรวจสอบว่าเป็นปัจจัยที่มีอิทธิพลต่อเครื่องเก็บตัวอย่าง Rasch ความแม่นยำของตัวอย่างไม่แตกต่างกันอย่างมีนัยสำคัญ เมื่อขนาดตัวอย่างเพิ่มขึ้น กำลังจะเพิ่มขึ้น แม้ว่าจะมีความเบี่ยงเบนของแบบจำลองมากกว่า ทั้งด้านบวกและด้านลบ ก็สามารถสังเกตพลังงานที่สูงกว่าได้ ด้วยความยากของไอเท็มระดับปานกลาง กำลังเกือบจะเท่ากันสำหรับพารามิเตอร์ DIF บวกและลบ หากมีการเบี่ยงเบนแบบจำลองของรายการเล็กน้อย กำลังสำหรับค่าเบี่ยงเบนเชิงบวกจะมากกว่าค่าเบี่ยงเบนเชิงลบ ไอเทมที่ยากสามารถสังเกตแนวโน้มตรงกันข้ามได้ โดยความแตกต่างคือการกระจายจะสูงกว่าอย่างมาก ทั้งเฟสการเบิร์นอินหรือพารามิเตอร์สเต็ปไม่มีผลต่อความแม่นยำของตัวอย่าง Rasch เนื่องจากการคำนวณมีประสิทธิภาพมากขึ้น จึงควรใช้ Rasch Sampler เสมอ ผลลัพธ์เกี่ยวกับพฤติกรรมของกำลังเมื่อเปลี่ยนแปลงพารามิเตอร์ต่างๆ สอดคล้องกับข้อสังเกตของ Draxler & Zessin (2015)
Draxler & Zessin (2015) ได้เสนอชั้นเรียนของการทดสอบแบบหลอกตรงหรือแบบมีเงื่อนไขสำหรับการคำนวณกำลังของสมมติฐานของแบบจำลอง Rasch อัลกอริธึมการสุ่มตัวอย่างจำเป็นสำหรับการจำลองข้อมูลที่จำเป็นสำหรับการคำนวณกำลังไฟฟ้า Verhelst (2008) ได้ออกแบบอัลกอริธึมที่ค่อนข้างเร็วที่เรียกว่า Rasch Sampler ซึ่งประมาณการกระจายที่แท้จริงโดยใช้ขั้นตอนของ Markov Chain Monte Carlo Miller & Harrison (2013) ได้พัฒนาอัลกอริทึมที่เรียกว่า Exact Sampler ซึ่งสามารถนับการกระจายที่แน่นอนและดึงออกมาได้ ความแม่นยำของตัวอย่างทั้งสองจะถูกเปรียบเทียบโดยการตรวจสอบอิทธิพลที่อาจเกิดขึ้นของขนาดตัวอย่าง พารามิเตอร์ DIF และความยากของรายการต่อความถูกต้องของการคำนวณกำลัง นอกจากนี้ เฟสการเบิร์นอินและพารามิเตอร์ขั้นตอนจะได้รับการตรวจสอบว่าเป็นปัจจัยที่มีอิทธิพลต่อ Rasch Sampler ความแม่นยำของเครื่องเก็บตัวอย่างไม่ได้แตกต่างกันอย่างมีนัยสำคัญ กำลังเพิ่มขึ้นตามขนาดตัวอย่างที่สูงขึ้น นอกจากนี้ พลังยังเพิ่มขึ้นตามการเบี่ยงเบนแบบจำลองเชิงบวกและเชิงลบที่มากขึ้น ด้วยความยากของรายการระดับปานกลาง กำลังของพารามิเตอร์ DIF บวกและลบเกือบจะเท่ากัน ถ้าไอเท็มง่าย ๆ เบี่ยงเบนไปจากโมเดล กำลังจะมากกว่าถ้าค่าเบี่ยงเบนเป็นบวก มากกว่าถ้าไอเท็มนั้นเป็นลบ สำหรับรายการที่ยาก แนวโน้มที่ตัดกันสามารถสังเกตได้จากความแตกต่างที่ว่าช่วงของค่าพลังงานนั้นสูงขึ้นอย่างเกี่ยวข้อง ทั้งเฟสการเบิร์นอินและพารามิเตอร์ขั้นตอนไม่มีผลต่อความแม่นยำของ Rasch Sampler เนื่องจากการคำนวณมีประสิทธิภาพมากขึ้น จึงควรใช้ Rasch Sampler ไม่ว่าในกรณีใดก็ตาม ผลลัพธ์ที่เกี่ยวข้องกับพฤติกรรมของกำลังภายใต้การเปลี่ยนแปลงของพารามิเตอร์ต่างๆ สอดคล้องกับข้อสังเกตของ Draxler & Zessin (2015)
คำสำคัญ: แบบจำลอง Rasch, กำลัง, การทดสอบแบบหลอกตรง, การทดสอบแบบมีเงื่อนไข, เครื่องเก็บตัวอย่าง Rasch, เครื่องเก็บตัวอย่างที่แน่นอน
