DIF-Richtung in Conquest/eatModel: Was bedeuten negative Werte in der “estDif”-Spalte?

statistics

eatModel

Author

Karoline Sachse

In eatModel wird nur der erste Teil der zweiten Tabelle \(\text{item}\times\text{[DIFvariable]}\) aus Conquest übertragen. Das bedeutet, dass negative Werte in der eatModel-estDif-Spalte dafür stehen, dass die jeweiligen Items in der ersten Gruppe der \(\text{[DIFvariable]}\) leichter sind. Die erste Gruppe ist die mit dem numerisch kleineren Gruppenindikatorwert. Zur Illustration ein Beispiel, das Daten aus dem TAM-Paket verwendet:

library(kableExtra)
library(eatTools)
library(eatModel)
data(data.ex08, package="TAM")
# Gesamtdatensatz bauen, der sowohl Personen-ID, DIF-Variable als auch responses enthaelt
dat <- data.frame(id = 1:nrow(data.ex08[["resp"]]), female = unlist(data.ex08[["facets"]])-1, data.ex08[["resp"]])
def <- defineModel(dat, items= -c(1:2), id="id", DIF.var = "female", software="tam")

14 subject(s) do not solve any item:
   115 (10 false), 613 (10 false), 979 (10 false) ... 
7 subject(s) solved each item: 119 (10 correct), 514 (10 correct), 774 (10 correct) ... 
Dataset is completely linked.
'gauss' has been chosen for estimation method. Number of nodes was not explicitly specified. Set nodes to 20.
Q matrix specifies 1 dimension(s).

run <- runModel(def)
res <- getResults(run, verbose=FALSE)
item <- itemFromRes(res)

Das einzige Item mit B-DIF entsprechend der ETS-Kriterien ist Item Nummer 6:

item6 <- subset(roundDF(item,digits = 3), item == "I0006")
cols  <- c("item", "itemP", "est", "estDif", "absDif", "difIndex", "ETS")
# ausgewaehlte Spalten fuer Items 6 anzeigen lassen 
kbl(item6[,cols], row.names=FALSE) %>% 
    kable_styling(bootstrap_options = "striped", full_width = FALSE, position = "center")

item	itemP	est	estDif	absDif	difIndex	ETS
I0006	0.454	0.226	0.31	0.62	1	B

Die allgemeine Lösungshäufigkeit des Items ist 45.4 Prozent. Der positive DIF-Wert von 0.3098146 bedeutet, dass das Item in der ersten Gruppe (also female = 0, die Gruppe der Jungen) schwerer ist. Die Lösungshäufigkeit sollte also für female = 0 geringer sein, als für female = 1:

tapply(dat[,"I0006"], dat[,"female"], mean)

    0     1 
0.410 0.498

Weitere Fragen und/oder deren Antworten können abgelegt und eingesehen werden unter: t:/SIG/SIG Methoden/Liste methodischer Fragen.docx