ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Extended Rasch Modeling: The eRm Package for the Application of IRT Models in R + Code

دانلود کتاب مدل سازی توسعه یافته Rasch: بسته eRm برای استفاده از مدل های IRT در R + Code

Extended Rasch Modeling: The eRm Package for the Application of IRT Models in R + Code

مشخصات کتاب

Extended Rasch Modeling: The eRm Package for the Application of IRT Models in R + Code

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: ,   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 301 کیلوبایت 

قیمت کتاب (تومان) : 36,000



کلمات کلیدی مربوط به کتاب مدل سازی توسعه یافته Rasch: بسته eRm برای استفاده از مدل های IRT در R + Code: کتابخانه، ادبیات کامپیوتر، ر



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Extended Rasch Modeling: The eRm Package for the Application of IRT Models in R + Code به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدل سازی توسعه یافته Rasch: بسته eRm برای استفاده از مدل های IRT در R + Code نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مدل سازی توسعه یافته Rasch: بسته eRm برای استفاده از مدل های IRT در R + Code

مدل‌های نظریه پاسخ زمانی (IRT) به طور فزاینده‌ای در تحقیقات علوم اجتماعی، به‌ویژه در تجزیه و تحلیل عملکرد یا داده‌های نگرشی در روان‌شناسی، آموزش، پزشکی، بازاریابی و سایر زمینه‌هایی که تست مرتبط است، تثبیت می‌شوند. ما بسته R eRm (مدل سازی توسعه یافته Rasch) را برای محاسبه مدل های Rasch و چندین برنامه افزودنی پیشنهاد می کنیم. ویژگی اصلی برخی از مدل‌های IRT، که مدل راش برجسته‌ترین آنهاست، مربوط به جداسازی دو نوع پارامتر است، یکی که کیفیت موضوع مورد بررسی را توصیف می‌کند، و دیگری به کیفیت‌های موقعیتی مربوط می‌شود که تحت آن پاسخ یک موضوع مشاهده می شود. با استفاده از تخمین حداکثر احتمال شرطی (CML) هر دو نوع پارامتر ممکن است به طور مستقل از یکدیگر تخمین زده شوند. مدل‌های IRT برای مقابله با پاسخ‌های دوگانه و چندگانه مناسب هستند، جایی که دسته‌های پاسخ ممکن است نامرتب و مرتب باشند. ادغام ساختارهای خطی امکان مدل‌سازی اثرات متغیرهای کمکی را فراهم می‌کند و تجزیه و تحلیل اندازه‌گیری‌های طبقه‌بندی مکرر را امکان‌پذیر می‌سازد. بسته eRm با مدل‌های زیر مطابقت دارد: مدل راش، مدل مقیاس رتبه‌بندی (RSM) و مدل اعتباری جزئی (PCM) و همچنین پارامترهای مجدد خطی از طریق ساختارهای متغیری مانند مدل آزمون لجستیک خطی (LLTM)، مقیاس رتبه‌بندی خطی. مدل (LRSM) و مدل اعتبار جزئی خطی (LPCM). ما از یک رویکرد CML واحد و کارآمد برای تخمین پارامترهای آیتم و خطاهای استاندارد آنها استفاده می‌کنیم. ابزارهای گرافیکی و عددی برای ارزیابی مناسب بودن ارائه شده است.


توضیحاتی درمورد کتاب به خارجی

Tem response theory models (IRT) are increasingly becoming established in social science research, particularly in the analysis of performance or attitudinal data in psychology, education, medicine, marketing and other fields where testing is relevant. We propose the R package eRm (extended Rasch modeling) for computing Rasch models and several extensions. A main characteristic of some IRT models, the Rasch model being the most prominent, concerns the separation of two kinds of parameters, one that describes qualities of the subject under investigation, and the other relates to qualities of the situation under which the response of a subject is observed. Using conditional maximum likelihood (CML) estimation both types of parameters may be estimated independently from each other. IRT models are well suited to cope with dichotomous and polytomous responses, where the response categories may be unordered as well as ordered. The incorporation of linear structures allows for modeling the effects of covariates and enables the analysis of repeated categorical measurements. The eRm package fits the following models: the Rasch model, the rating scale model (RSM), and the partial credit model (PCM) as well as linear reparameterizations through covariate structures like the linear logistic test model (LLTM), the linear rating scale model (LRSM), and the linear partial credit model (LPCM). We use an unitary, efficient CML approach to estimate the item parameters and their standard errors. Graphical and numeric tools for assessing goodness-of-fit are provided.





نظرات کاربران