Bayesian Analysis of Item Response Theory Models Using SAS

ویرایش:  
نویسندگان: Clement A. Stone,  Xiaowen Zhu  
سری:  
ISBN (شابک) : 1629596507, 9781629596501 
ناشر: SAS Institute 
سال نشر: 2015 
تعداد صفحات: 280 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

قیمت کتاب (تومان) : 31,000

این کتاب به‌ویژه برای روان‌سنج‌ها، توسعه‌دهندگان مقیاس، و پزشکان علاقه‌مند به کاربردهای تخمین بیزی و بررسی مدل مدل‌های نظریه پاسخ آیتم (IRT) نوشته شده است، این کتاب به شما می‌آموزد که چگونه همه اینها را با روش SAS MCMC انجام دهید. > به دلیل ساختار آموزشی آن، تحلیل بیزی مدل‌های نظریه پاسخ آیتم با استفاده از SAS برای کاربران SAS با پیشینه مقدماتی در مدل‌های IRT و پارادایم بیزی، کاربرد عملی فوری خواهد داشت.

با کار بر روی مثال‌های این کتاب، یاد خواهید گرفت که چگونه کد برنامه‌نویسی PROC MCMC را برای تخمین مدل‌های مختلف ساده و پیچیده‌تر IRT، از جمله انتخاب و مشخصات توزیع‌های قبلی، مشخصات مدل احتمال، و تفسیر نتایج بنویسید. به طور خاص، کد برنامه نویسی PROC MCMC را برای تخمین مدل های خاص و راه هایی برای تفسیر نتایجی که تشخیص همگرایی و استنتاج پارامترها را نشان می دهد، و همچنین نتایجی را که می تواند توسط توسعه دهندگان مقیاس استفاده شود - به عنوان مثال، ترسیم توابع پاسخ آیتم، یاد خواهید گرفت. علاوه بر این، نحوه مقایسه مدل‌های IRT رقیب برای یک برنامه کاربردی و همچنین ارزیابی تناسب مدل‌ها با استفاده از روش‌های بررسی مدل پیش‌بینی پسین را خواهید آموخت.

برنامه‌های متعددی برای انجام این تحلیل‌ها ارائه شده و حاشیه‌نویسی شده است تا بتوانید به راحتی آنها را برای برنامه‌های خود تغییر دهید.

Written especially for psychometricians, scale developers, and practitioners interested in applications of Bayesian estimation and model checking of item response theory (IRT) models, this book teaches you how to accomplish all of this with the SAS MCMC Procedure. Because of its tutorial structure, Bayesian Analysis of Item Response Theory Models Using SAS will be of immediate practical use to SAS users with some introductory background in IRT models and the Bayesian paradigm.

Working through this book’s examples, you will learn how to write the PROC MCMC programming code to estimate various simple and more complex IRT models, including the choice and specification of prior distributions, specification of the likelihood model, and interpretation of results. Specifically, you will learn PROC MCMC programming code for estimating particular models and ways to interpret results that illustrate convergence diagnostics and inferences for parameters, as well as results that can be used by scale developers—for example, the plotting of item response functions. In addition, you will learn how to compare competing IRT models for an application, as well as evaluate the fit of models with the use of posterior predictive model checking methods.

Numerous programs for conducting these analyses are provided and annotated so that you can easily modify them for your applications.