Aproximación Analítica del Error de Vinculación del Jackknife en Modelos de Respuesta a Ítems Utilizando una Expansión de Taylor de la Función de Verosimilitud Logarítmica
Autores: Robitzsch, Alexander
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aproximación Analítica del Error de Vinculación del Jackknife en Modelos de Respuesta a Ítems Utilizando una Expansión de Taylor de la Función de Verosimilitud Logarítmica
Categoría
Matemáticas
Subcategoría
Matemáticas aplicadas
Palabras clave
Errores
Modelos de respuesta de ítems
Dependencia
ítems elegidos
Enfoque jackknife
Error de vinculación.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Los errores de vinculación en los modelos de respuesta de ítems cuantifican la dependencia de los ítems elegidos en medias, desviaciones estándar u otros parámetros de distribución. El enfoque de jackknife se emplea con frecuencia en el cálculo del error de vinculación. Sin embargo, este error de vinculación jackknife podría ser computacionalmente tedioso si se involucraran muchos ítems. En este artículo, proporcionamos una aproximación analítica del error de vinculación jackknife. El nuevo enfoque propuesto resulta ser computacionalmente mucho menos exigente. Además, el nuevo enfoque de error de vinculación funcionó satisfactoriamente para conjuntos de datos con al menos 20 ítems.
Descripción
Los errores de vinculación en los modelos de respuesta de ítems cuantifican la dependencia de los ítems elegidos en medias, desviaciones estándar u otros parámetros de distribución. El enfoque de jackknife se emplea con frecuencia en el cálculo del error de vinculación. Sin embargo, este error de vinculación jackknife podría ser computacionalmente tedioso si se involucraran muchos ítems. En este artículo, proporcionamos una aproximación analítica del error de vinculación jackknife. El nuevo enfoque propuesto resulta ser computacionalmente mucho menos exigente. Además, el nuevo enfoque de error de vinculación funcionó satisfactoriamente para conjuntos de datos con al menos 20 ítems.