论文部分内容阅读
本研究尝试将HGLM用于认知诊断模型DIF分析,研究分为两部分,第一部分先对该模型如何在认知诊断中进行DIF检验进行了探索,建立了运用该方法的理论框架;第二部分为该方法的性能研究,将其与目前在认知诊断中使用的MH、Wald方法进行了比较,研究采用了5个自变量,包括匹配变量、样本容量、DIF类型、DIF大小、DIF试题比例,比较的检验指标主要为一类误差和统计检验力。研究的结果表明:1、总体而言,HGLM方法在认知诊断的KS匹配时有最优的效果,从统计检验力来看,HGLM方法表现优于MH,略差于Wald方法,从一类误差来看,HGLM方法表现优于Wald,差于MH方法。2、HGLM方法的一类误差在使用总分和能力值匹配时存在膨胀的情况,但相对Wald来说表现更好,在使用认知诊断的KS匹配时则不存在一类误差膨胀。3、HGLM方法在非一致性DIF情况下明显比一致性DIF更好的控制一类误差。4、三种方法都在检验非一致性DIF时出现了较大的统计检验力下降,MH方法下降的最多。5、对于一类误差和统计检验力,都存在DIF大小是最主要的影响因素,其次是样本容量,最后是DIF试题比例。HGLM方法具有的优势包括不基于模型、可以同时对多个题目进行DIF检测、可以适用于多层级的数据结构、可以对多个组别之间的DIF进行检测。而该方法的缺点主要在于使用起来比较复杂、估计参数时间较长,因此,如果需要在认知诊断的情境中做DIF检验,并且使用KS作为匹配变量、或者存在多层数据结构、需要对多组群体进行DIF检测时,该方法较为适用。