心理科学进展
心理科學進展
심이과학진전
Advances In Psychological Science
2014年
6期
1036~1046
,共null页
田伟 辛涛 康春花
田偉 辛濤 康春花
전위 신도 강춘화
项目反应理论 潜在心理特质 “填补” 边际极大似然函数估计 EM算法 MH—RM算法
項目反應理論 潛在心理特質 “填補” 邊際極大似然函數估計 EM算法 MH—RM算法
항목반응이론 잠재심리특질 “전보” 변제겁대사연함수고계 EM산법 MH—RM산법
item response theory; latent trait; data augmentation; maximum marginal likelihood estimation; EM algorithm; MH-RM algorithm
在心理与教育测量中，项目反应理论（Item Response Theory，IRT）模型的参数估计方法是理论研究与实践应用的基本工具。最近，由于IRT模型的不断扩展与EM（expectation-maximization）算法自身的固有问题，参数估计方法的改进与发展显得尤为重要。这里介绍了IRT模型中边际极大似然估计的发展，提出了它的阶段性特征，即联合极大似然估计阶段、确定性潜在心理特质“填补”阶段、随机潜在心理特质“填补”阶段，重点阐述了它的潜在心理特质“填补”（dataaugmentation）思想。EM算法与Metropolis-Hastings Robbins—Monro（MH-RM）算法作为不同的潜在心理特质“填补”方法，都是边际极大似然估计的思想跨越。目前，潜在心理特质“填补”的参数估计方法仍在不断发展与完善。
在心理與教育測量中，項目反應理論（Item Response Theory，IRT）模型的參數估計方法是理論研究與實踐應用的基本工具。最近，由于IRT模型的不斷擴展與EM（expectation-maximization）算法自身的固有問題，參數估計方法的改進與髮展顯得尤為重要。這裏介紹瞭IRT模型中邊際極大似然估計的髮展，提齣瞭它的階段性特徵，即聯閤極大似然估計階段、確定性潛在心理特質“填補”階段、隨機潛在心理特質“填補”階段，重點闡述瞭它的潛在心理特質“填補”（dataaugmentation）思想。EM算法與Metropolis-Hastings Robbins—Monro（MH-RM）算法作為不同的潛在心理特質“填補”方法，都是邊際極大似然估計的思想跨越。目前，潛在心理特質“填補”的參數估計方法仍在不斷髮展與完善。
재심리여교육측량중，항목반응이론（Item Response Theory，IRT）모형적삼수고계방법시이론연구여실천응용적기본공구。최근，유우IRT모형적불단확전여EM（expectation-maximization）산법자신적고유문제，삼수고계방법적개진여발전현득우위중요。저리개소료IRT모형중변제겁대사연고계적발전，제출료타적계단성특정，즉연합겁대사연고계계단、학정성잠재심리특질“전보”계단、수궤잠재심리특질“전보”계단，중점천술료타적잠재심리특질“전보”（dataaugmentation）사상。EM산법여Metropolis-Hastings Robbins—Monro（MH-RM）산법작위불동적잠재심리특질“전보”방법，도시변제겁대사연고계적사상과월。목전，잠재심리특질“전보”적삼수고계방법잉재불단발전여완선。
Abstract： The parameter estimation techniques in item response theory modeling are indispensable to theoretical researches and real applications. This paper focused on its data augmentation techniques and described its historical development from the Bock and Aitkin＇s （1981） deterministic EM algorithm to the Cai＇s （2010） Metropolis-Hastings Robbins-Monro （MH-RM） algorithm （the integration of Markov Chain Monte Carlo and maximum marginal likelihood estimation, known as the stochastic data augmentation）. Currently, the statistical computing still needs to be developed in new applications. Key words： item response theory; latent trait; data augmentation; maximum marginal likelihood estimation; EM algorithm; MH-RM algorithm
