HILFE Rasch-Modell + R

[viorasch]

Hey Ihr lieben, ich hoffe jemand von Euch kennt sich mit IRT und Rasch-Modellen aus, das wäre traumhaft!

Ich habe momentan einen Datensatz von ca 300 Personen zu Verhaltensweisen (Antworten: ja/nein/NA) + Variablen zu Alter, Wohnort(Stadt/Land), Einkommen etc.

Ich möchte prinzipiell für die Gesamtstichprobe die Itemschwierigkeiten herausfinden (mit welchem R-Paket am besten?-Wie geht das?)
und im nächsten Schritt dann verschiedene Gruppen (jung/alt, Stadt/Land, Einkommen(Mediansplit) bezüglich ihrer evtl. signifikant unterschiedlichen Itemschwierigkeiten untersuchen.
Wie mache ich das??? (ist das mit Wald-tests, Rasch trees, oder raschmix mögliche?) (brauche ich latente Gruppen - die datengetrieben gruppiert werden und muss dann schauen?)

Wäre der wahnsinn, wenn jemand mir weiterhelfen könnte.
Mfg
viorasch

[jogo]

Hallo Vio,

willkommen im Forum!
Auf SO gibt es folgendes:
https://stackoverflow.com/search?q=%5Br%5D+rasch

Gruß, Jörg

[bigben]

Eine Antwort von mir findest Du im anderen Forum: http://www.statistik-forum.de/allgemein ... tml#p42145

Kurz: IRTShiny, ltm und eRm machen Raschanalysen und sehr viel mehr möglich.

Dieses dünne Buch habe ich vor ein paar Jahren mal gelesen. Es ist sehr verständlich und lässt sich auch sehr leicht in R übertragen, behandelt aber nur Rasch-Modelle. Für mehrstufige Antworten (nicht nur ja/nein) fand sich darin leider nichts. Für 20 Euro allemal ein guter Einstieg: https://www.amazon.de/Das-Rasch-Modell- ... 95710050X/

LG,
Bernhard

[viorasch]

Habe mich jetzt nochmal mehr damit auseinandergesetzt vielen Dank schonmal für die ersten Antworten.
Habe in meinem Datensatz recht viele NA's + bin mir recht sicher, dass es Gruppenunterschiede geben wird (sprich die Items nicht gänzlich rasch konform sind..)

jetzt habe ich mich einmal durch die ersten Schritte des R-Packets eRm gehangelt und Itemschwierigkeiten (CLM) + Personenschwierigkeiten (je nach Muster der NA's) berechnet.
Im zweiten Schritt wollte ich jetzt die Anderson-LM-Berechnungen machen
- Bei Mediansplit der Personenparameter kam jedoch p-value = 0 , was total seltam ist ... wie sollte man das interpretieren??
- Bei Mean-split kam dann ein nicht signifikanter p wert raus -> das wäre ja gut oder?
- + des weiteren wollte ich alter-median-splits und andere selbst gesetzten gruppen vergleichen, wobei auch oft entweder p = 0 oder andere (realistischere) p-WErte rauskommen --> wie ist dies zu interpretieren?`
im Weiteren schritt wollte ich dann raschtree analysen ausprobieren um evtl. die DIF herauszufinden

jedoch hab ich mit R ein großes Problem da bei meinem Datensatz mit400 personen a 100 Items eine lm analyse ca 3 stunden lädt ... ich weiss nicht an was das liegen kann ... könnte mir hier jemand weiterhelfen

und entschuldige, falls ich manche dinge noch nicht so ganz durchschaue

[bigben]

Im zweiten Schritt wollte ich jetzt die Anderson-LM-Berechnungen machen

Weißt Du, das Forum wird von weniger als zwei Handvoll Menschen getragen, die hier regelmäßig aktiv sind und Rasch-Analysen sind schon etwas sehr spezielles. Nur wenige Leute hier werten Fragebögen aus und das dan meistens mit klassischer Testtheorie.
Du kannst ja mal bei Google "Anderson-LM" eingeben und schauen, wie lange Du herunter scrollen musst, bis Du bei "Andersen-LR" ankommst. Vielleicht wäre es schlauer, Rasch-Jargon möglichst zu vermeiden und bestimmt wäre es schlauer, verwendete Funktionen zu benennen.

Zur Testung der Annahme der Gleichheit der Itemparameter zwischen Subpopulationen kommt der bedingte Likelihood-Quotienten-Test nach Andersen (s. Abschnitt 4.5.4.1.2 in Eid & Schmidt, 2014) mit dem Split-Kriterium „Geschlecht“ zum Einsatz. Die Funktion LRtest() übernimmt als Argument das Objekt rm1, das durch die Funktion RM() erzeugt wurde. Das Split-Kriterium (Trennkriterium für die beiden Gruppen) wird über das Argument splitcr=data$sex angegeben.
[...]
Die Teststatistik des bedingten Likelihood-Quotienten-Tests beträgt mit 9 Freiheitsgraden 𝜒2 = 9.30. Die Überschreitungswahrscheinlichkeit beträgt p = .41. Damit kann die Nullhypothese, dass sich die Itemparameter in den Geschlechtsgruppen nicht unterscheiden, beibehalten werden.

aus: http://www3.hogrefe.de/fileadmin/redakt ... _R_neu.pdf

p>.05 ist also "gut", p=0 ist also schlecht.

- Bei Mediansplit der Personenparameter kam jedoch p-value = 0 , was total seltam ist ... wie sollte man das interpretieren??

Wenn Du sonst alles richtig gemacht hast, dann also großen Unterschied zwischen denen unter und denen über dem Median.

jedoch hab ich mit R ein großes Problem da bei meinem Datensatz mit400 personen a 100 Items eine lm analyse ca 3 stunden lädt

Mal angenommen, dass Du mit "lm analyse" ein Raschmodell meinst: Du hast 100 verschiedene Items erhoben, die alle gemeinsam eine einzige Skala bilden sollen? Und Du wunderst Dich, dass diese 100 Items nicht für alle Subgruppen gleich funktionieren?

LG,
Bernhard