Численный пример сопровождающий лекцию

Численный пример сопровождающий лекцию – Код для программы R
Этот пример также описан в книге Bartholomew, D., Steel, F.,
Moustaki, I. and Galbraith, J. (2002) The Analysis and
Interpretation of Multivariate Data for Social Scientists.
London: Chapman and Hall.
Сельские жительницы (N = 8445)из Бангладеш (Huq & Cleland,
1990) заполнили короткий опросник, измеряющий социальную
мобильность и свободу. Женщин спросили, могут ли они выполнить
следующие действия самостоятельно (ДА или НЕТ):
1. Сходить в любую часть деревни/села / города.
2. Выйти за пределы деревни/села / города.
3. Поговорить с незнакомым мужчиной.
4. Сходить в кино / посетить культурное мероприятие.
5. Пройтись по магазинам.
6. Сходить в кооператив / клуб / клуб матерей.
7. Принять участие в политическом собрании.
8. Сходить в поликлинику / больницу.
Данные включены в пакет “ltm” (аббревиатура «latent trait
modelling»)статистической программы R. Полное руководство к
этому пакету может быть загружено по ссылке
https://duckduckgo.com/?q=ltm+package&t=ffsb
Инструкции
Начните с инсталляции пакета ltm из меню Packages Install
package(s)…. Потом загрузите пакет в рабочую память R
следующей командой:
library(ltm)
Теперь посмотрите как выглядят первые несколько строк массива
данных Mobility:
head(Mobility)
Вы должны увидеть следующее:
Item 1 Item 2 Item 3 Item 4 Item 5 Item 6 Item 7 Item
1
1
1
1
1
0
0
0
2
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
5
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
Это ответы на 8 вопросов первых шести женщин в выборке.
8
0
0
0
0
0
0
Теперь мы готовы к обсчету параметров. Подходящая модель – это
логистическая модель с 2мя параметрами (2PL). Функция «ltm»
применяет именно эту модель к нашему массиву данных
(Mobility), и записывает результаты в новый объект model2PL:
model2PL <- ltm(Mobility ~ z1)
Параметр «z1» уточняет, что наша модель подразумевает только
одно латентное качество (которое будет обозначаться z).
Вызовите новый объект model2PL чтобы посмотреть результаты
обсчета модели:
model2PL
Вы должны увидеть дискриминативность и сложность каждого
пункта.
Теперь нарисуйте характеристические кривые для всех пунктов:
plot (model2PL, type = "ICC")
А теперь подсчитайте баллы по мобильности используя метод
максимального правдоподобия с а-приори нормальным
распределением (метод «эмпирический Байес» или “EB”):
MobilityIRT <- factor.scores(model2PL, method="EB",
resp.patterns = Mobility)
Баллы будут сохранены в новом объекте MobilityIRT. Этот объект
содержит слишком много строк и не может быть показан целиком.
Чтобы посмотреть что содержится в этом объекте, вызовите
полный список его компонент:
ls(MobilityIRT)
Вы увидите следующие компоненты:
[1] "B" "call" "coef" "method" "resp.pats" "score.dat"
Из этого списка, нас интересуют непосредственно подсчитанные
баллы (score.dat). Список баллов также очень длинный (8445
человек), поэтому посмотрите только первые 30 человек:
MobilityIRT$score.dat[1:30,]
Столбец “z1” содержит оцененный балл IRT на z шкале (тета).
Столбец “se.z1” содержит стандартную ошибку измерения этого
балла. Постройте график на котором для каждой испытуемой из
выборки ее балл (ось X) показан с соответствующей ошибкой
измерения (ось Y).
plot(MobilityIRT$score.dat$z1, MobilityIRT$score.dat$se.z1)
Для сравнения, также давайте подсчитаем классические баллы
суммированием всех пунктов:
MobilitySum<-rowSums(Mobility)
Имея два разных набора баллов, постройте график соответствия
между IRT и классическими баллами:
plot(MobilityIRT$score.dat$z1, MobilitySum)