Analiza przedmiotu dla początkującego R.

Próbuję ocenić 20-elementowy test wielokrotnego wyboru. Chcę przeprowadzić analizę przedmiotu, taką jak w tym przykładzie . Tak więc dla każdego pytania chcę wartość P i korelację z sumą oraz rozkład wybranych opcji.

Nie wiem nic o różnych pakietach oprogramowania statystycznego, ale chciałbym używać R, ponieważ czuję się swobodnie w programowaniu, a R jest oprogramowaniem typu open source. Wyobrażam sobie pseudo-workflow:

1. przygotuj dane w programie Excel i wyeksportuj do CSV

2. ładować dane w R.

3. załaduj pakiet, który robi to, czego potrzebuję

4. wykonać polecenia tego pakietu

5. eksport i raport.

Jestem pewny z 1 i 2, ale mam problemy z 3, prawdopodobnie dlatego, że nie mam słownictwa statystycznego, aby porównać pakiety, które przeglądałem w CRAN. ltmwygląda na to, że może to być odpowiedni pakiet, ale nie mogę powiedzieć. Bez względu na zastosowany pakiet, jakie byłyby polecenia?

Pytanie poboczne: jak myślisz, co oznacza skrót MC i MI?

Mogę zasugerować ci co najmniej dwa pakiety, które pozwalają na wykonanie tych zadań: psych ( score.items) i ltm ( descript). CTT pakiet wydaje się również do procesu MCQ ale nie mam doświadczenia z nim. Więcej informacji można znaleźć na stronie internetowej W Revelle, The Personality Project , esp. strona poświęcona psychometrii z R, która zawiera instrukcje krok po kroku dotyczące importowania, analizowania i raportowania danych. Ponadto widok zadań CRAN dotyczący psychometrii zawiera wiele dodatkowych zasobów.

Jak opisano w twoim linku, MC oznacza „Średni całkowity surowy wynik osób, które odpowiedziały na element z prawidłową odpowiedzią”, a MI oznacza „Średni całkowity wynik osób, które nie odpowiedziały na element z prawidłową odpowiedzią”. Korelacja punkt-biserial (R (IT)) jest również dostępna w ltmpakiecie ( biserial.cor). Jest to w zasadzie wskaźnik siły odróżniającej elementu (ponieważ jest to korelacja elementu i całkowitego wyniku) i jest związany z parametrem dyskryminacji modelu IRT 2-PL lub ładunkiem czynnikowym w analizie czynnikowej.

Jeśli naprawdę chcesz odtworzyć pokazaną tabelę, myślę, że będziesz musiał owinąć część tego kodu niestandardowym kodem, przynajmniej w celu wygenerowania tego samego rodzaju tabeli. Zrobiłem szybki i brudny przykład, który odtwarza twój stół:

dat <- replicate(10, sample(LETTERS[1:4], 100, rep=TRUE))
dat[3,2] <- dat[67,5] <- NA
itan(dat)

         P      R    MC    MI NC OMIT  A  B  C  D
 [1,] 0.23 -0.222 2.870 2.169 23    0 23 22 32 23
 [2,] 0.32 -0.378 3.062 1.985 32    1 32 20 14 33
 [3,] 0.18 -0.197 2.889 2.207 18    0 18 33 22 27
 [4,] 0.33 -0.467 3.212 1.896 33    0 33 18 29 20
 [5,] 0.27 -0.355 3.111 2.056 27    1 27 23 23 26
 [6,] 0.17 -0.269 3.118 2.169 17    0 17 25 25 33
 [7,] 0.21 -0.260 3.000 2.152 21    0 21 24 25 30
 [8,] 0.24 -0.337 3.125 2.079 24    0 24 32 22 22
 [9,] 0.13 -0.218 3.077 2.218 13    0 13 29 33 25
[10,] 0.25 -0.379 3.200 2.040 25    0 25 25 31 19

Ponieważ są to losowe odpowiedzi, korelacja biserialna i trudność przedmiotu nie mają większego znaczenia (oprócz sprawdzenia, czy dane są naprawdę losowe :). Warto również sprawdzić możliwe błędy, ponieważ opracowałem funkcję R w 10 '...

Funkcja psych pakietu alfa tworzy to, czego szukasz.

Aby to wyeksportować, zapisz obiekt i użyj funkcji xtable, aby utworzyć znaczniki LaTeX, które następnie można sformatować w dowolnym edytorze LaTeX.