原文链接：http://tecdat.cn/?p=23068 

Rasch 剖析是取得主观的、最根本的累加型测量值（兼顾分析模型中的规范误和品质管制如拟合统计值）的一种分析方法，实用于通过随机观测有序、分级类反馈取得的数据分析。

Rasch 模型是如何解决数据的呢？

在Rasch 模型，研究者应用概率预计的办法对某个具体问题的答复（答对/答错 ）建模，提出了一个同时包含了人和问题参数的函数。最早的模型是把正确答案的概率用模型表白为一个logistic 函数，来考查人的参数和问题参数的不同之处。

要应用该模型，要满足一些条件：

  1. 数据类型应该是有序类数据，比方张三比李四个子高，李四比王五个子高，等等依此类推。
  2. 不同于其余统计模型，Rasch 心愿能达到测量工具的恒定无效，不论在哪种环境下，和题目，和加入的人无关。也就是说它的指标是去取得适宜模型的数据。而不是仅仅用于形容某个数据集，也不是去依据模型和数据的拟合度去订正参数而后去承受或回绝参数。

R语言扩大的Rasch模型

对于Rasch的次要性能。

对Rasch进行剖析并生成对象

  • person.parameter(drmobj) 生成ppar类的对象。
  • 从dRm对象中绘制图表： plotPImap(), plotICC(), plotjointICC()
  • 从ppar对象中绘制图表：plot()
  • 从dRm对象中提取信息：coef(), vcov(), confint(), logLik(), model.matrix()
  • 从ppar对象中提取信息：confInt(), logLik()
  • eRm对象的层次结构

plotjointICC()只实用于dRm（二分法RM），对象 LRtest()实用于dRm和Rm对象，等等。

拟合RM

> rm.res

默认为(datamatrix, sum0 = TRUE, 其余选项)。

sum0示意约束条件（用于预计性）。TRUE总和为零，FALSE第一项设置为0。

输入给出难度参数。

约束条件和设计矩阵

> model.matrix

> model.matrix(sum0 = FALSE))

 

> summary(rm.res)

 

提取信息

我的项目的参数估计

> coef

我的项目参数估计值的方差-协方差矩阵

> vcov

我的项目参数估计的置信区间

> confint

条件对数似然

logLik

绘制ICCs

> plot(res)

绘制繁多的ICC

> plot( subset = 3)

绘制ICCs

> plotICC(rm.res, item.subset = 1:4, ask = F, empICC = list("raw"),+ empCI = list(lty = "solid"))

绘制人-问题图

> plotPImap(rm.res)

人参数估计

person.para

如果数据中存在NA，则对每个NA模式的组别预计不同的人的参数。

人参数估计办法的后果

> logLik

> confint

 

 

留神：confint(pp)给出了所有受试者的数值，如果数据中存在NA，则输入每个NA组的置信区间。

个参数估计图

> plot(pp)

最受欢迎的见解

1.R语言多元Logistic逻辑回归 利用案例

2.面板平滑转移回归(PSTR)剖析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型剖析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度测验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存剖析与Cox回归中计算IDI，NRI指标