Bridging Item Response Theory and Factor Analysis: A Four-Parameter Mixture-Dichotomized Model with Bayesian Estimation

तकनीकी सारांश: चार-पैरामीटर मिश्रण-द्विभाजित मॉडल के माध्यम से आइटम रिस्पॉन्स थ्योरी (IRT) और फैक्टर एनालिसिस (FA) को जोड़ना

समस्या विवरण
आइटम रिस्पॉन्स थ्योरी (IRT) और फैक्टर एनालिसिस (FA) बहु-आइटम डेटा का उपयोग करके अंतर्निहित गुणों (latent traits) को मॉडल करने के लिए मौलिक रूपरेखाएँ हैं। जबकि दो-पैरामीटर (2P) IRT मॉडल और द्विभाजित सिंगल-फैक्टर FA मॉडल के बीच समानता स्थापित है, अतिरिक्त पैरामीटर वाले IRT मॉडलों—विशेष रूप से तीन-पैरामीटर (3P) और चार-पैरामीटर (4P) मॉडलों—के लिए इस पत्राचार को विस्तारित करना कम सामान्य है। 4P IRT मॉडल अनुमान लगाने (guessing) या असावधानी (inattention) जैसे प्रतिक्रिया व्यवहारों को ध्यान में रखने के लिए स्यूडो-गेसिंग ($c$) और इनअटेंशन ($d$) पैरामीटरों को शामिल करता है। हालांकि, मानक द्विभाजित FA मॉडल इन पैरामीटरों द्वारा पेश किए गए लोअर और अपर एयसम्पटोट्स (lower and upper asymptotes) को स्वाभाविक रूप से समायोजित नहीं कर सकते हैं। फलस्वरूप, 4P IRT मॉडल के विश्लेषणात्मक रूप से समकक्ष होने वाले एक औपचारिक FA सूत्रीकरण का अभाव है, जो उच्च-पैरामीटर मॉडलों के लिए FA-विशिष्ट अनुमान ढाँचों या व्याख्यात्मक लाभों का उपयोग करने की क्षमता को सीमित करता है।

कार्यप्रणाली
लेखक एक फोर-पैरामीटर फैक्टर-एनालिटिक (4P FA) मॉडल प्रस्तावित करते हैं जो एक पदानुक्रमित मिश्रण (hierarchical mixture) संरचना के माध्यम से पारंपरिक द्विभाजित FA ढांचे का विस्तार करता है।

1. मॉडल निर्माण:

   • मॉडल एक मानक रैखिक FA संरचना के साथ शुरू होता जहाँ एक निरंतर अंतर्निहित आइटम रिस्पॉन्स $Y^*_i$ को $Y^*_i = \alpha_i \theta + \epsilon_i$ के रूप में परिभाषित किया जाता है, जहाँ $\theta$ अंतर्निहित गुण (latent trait) है।
   • एक प्रथम-स्तरीय द्विभाजन (dichotomization) एक थ्रेशोल्ड $\tau_i$ पर होता है, जो एक अंतर्निहित बाइनरी इंडिकेटर $Z_i$ बनाता है। यदि $Y^*_i \geq \tau_i$, तो उत्तरदाता को आइटम "हल किया हुआ" माना जाता है ($Z_i=1$); अन्यथा, उन्होंने इसे हल नहीं किया है ($Z_i=0$)।
   • एक द्वितीय-स्तरीय मिश्रण मॉडल $Z_i$ के आधार पर प्रेक्षित बाइनरी रिस्पॉन्स $Y_i$ उत्पन्न करता है:
     • यदि $Z_i = 0$ (थ्रेशोल्ड से नीचे अंतर्निहित प्रदर्शन), तो $Y_i$ सफलता की प्रायिकता $c_i$ (गेसिंग पैरामीटर) के साथ बर्नौली वितरण का पालन करता है।
     • यदि $Z_i = 1$ (थ्रेशोल्ड से ऊपर अंतर्निहित प्रदर्शन), तो $Y_i$ सफलता की प्रायिकता $d_i$ (इनअटेंशन पैरामीटर, जहाँ $d_i < 1$ चूक/लैप्स को दर्शाता है) के साथ बर्नौली वितरण का पालन करता है।
   • यह संरचना 4P FA मॉडल प्रदान करती है, जिसे लेखक सिद्ध करते हैं कि यह 4P IRT मॉडल के विश्लेषणात्मक रूप से समकक्ष है। FA पैरामीटर ($\alpha_i, \tau_i$), मानक रूपांतरणों के माध्यम से IRT भेदभाव ($a_i$) और कठिनाई ($b_i$) से मैप होते हैं, जबकि $c_i$ और $d_i$ सीधे साझा किए जाते हैं।

2. अनुमान प्रक्रिया:

   • चार आइटम पैरामीटर ($a, b, c, d$), अंतर्निहित गुण स्कोर ($\theta$), और समायोजित क्षमता स्कोर का अनुमान लगाने के लिए एक बायेसियन अनुमान (Bayesian estimation) प्रक्रिया विकसित की गई है।
   • मॉडल को R (JAGS के माध्यम से runjags पैकेज का उपयोग करते हुए) और Python ( pymc के माध्यम से) में डायरेक्टेड एसाइक्लिक ग्राफ्स (DAGs) का उपयोग करके लागू किया गया है।
   • JAGS कार्यान्वयन गिब्स सैंपलिंग (Gibbs sampling) का उपयोग करता है, जबकि पायथन कार्यान्वयन नो-यू-टर्न सैंपलर (NUTS) का उपयोग करता है, हालांकि बाद वाले को वैकल्पिक सैंपलर के माध्यम से डिस्क्रीट लेटेंट वेरिएबल्स ($Z_i$) को संभालना आवश्यक होता है, जिससे कम्प्यूटेशनल गति प्रभावित होती है।
   • यह ढांचा "NGNI" (नॉन-गेसिंग एंड नॉट-इनअटेंटिव) स्कोर के अनुमान की अनुमति देता है, जो गेसिंग और इनअटेंशन के प्रभावों को हटाकर क्षमता स्कोर को समायोजित करता है।

प्रमुख योगदान

• सैद्धांतिक विस्तार: यह पेपर 4P FA मॉडल और 4P IRT मॉडल के बीच विश्लेषणात्मक समानता को औपचारिक रूप से स्थापित करके 2P मामले से परे FA-IRT पत्राचार को विस्तारित करता है।
• पदानुक्रमित मिश्रण सूत्रीकरण: यह गेसिंग और इनअटेंशन को ध्यान में रखने के लिए FA ढांचे के भीतर एक विशिष्ट पदानुक्रमित मिश्रण संरचना पेश करता है, जो एक ऐसा लेटेंट-वेरिएबल सूत्रीकरण प्रदान करता है जिसकी मानक FA मॉडलों में कमी है।
• सॉफ्टवेयर कार्यान्वयन: लेखक दोनों R और Python में ओपन-सोर्स कार्यान्वयन प्रदान करते हैं, जिससे इस जटिल मॉडल के अनुप्रयोग को सुगम बनाया जा सके।
• स्कोर समायोजन: यह कार्य पद्धति गेसिंग और इनअटेंशन के प्रभावों को हटाकर क्षमता स्कोर को समायोजित करने वाले "शुद्ध" क्षमता स्कोर (NGNI) की गणना करने में सक्षम बनाती है, जो मानक IRT क्षमता अनुमानों से परे एक नैदानिक उपकरण प्रदान करती है।

परिणाम

• सिमुलेशन अध्ययन: एक सिमुलेशन अध्ययन ने प्रस्तावित 4P FA बायेसियन अनुमान (4FA-B) की तुलना एक विशिष्ट 4P IRT बायेसियन अनुमान (4IRT-B) और EM एल्गोरिथ्म का उपयोग करने वाले फ्रिक्वेंटिस्ट 4P IRT अनुमान (4IRT-EM) से की।
  • अभिसरण (Convergence): EM एल्गोरिथ्म (4IRT-EM) अक्सर अभिसरण करने में विफल रहा या विचलन प्रदर्शित किया, विशेष रूप से छोटे सैंपल साइज (जैसे, $n=50$) या अधिक आइटम्स के साथ। बायेसियन दृष्टिकोण (दोनों FA और IRT पैरामीट्रिज़ेशन) बेहतर स्थिरता प्रदर्शित करते हैं।
  • परिशुद्धता (Precision): जबकि EM एल्गोरिथ्म (4IRT-EM) कम्प्यूटेशनल रूप से तेज़ था (बायेसियन विधियों के मिनटों/घंटों बनाम सेकंडों में), बायेसियन अनुमानों ने विशेष रूप से छोटे सैंपल परिदृश्यों में कम मीन स्क्वेर्ड एरर (MSE) प्रदर्शित किया।
  • पैरामीट्रिज़ेशन: अध्ययन में पाया गया कि FA पैरामीट्रिज़ेशन (4FA-B) अक्सर विशिष्ट 4P IRT बायेसियन पैरामीट्रिज़ेशन (4IRT-B) की तुलना में वास्तविक सिम्युलेटेड मानों के अधिक अनुरूप भेदभाव और कठिनाई अनुमान प्रदान करता है, जो अनुमान प्रदर्शन में संभावित व्यावहारिक लाभों का सुझाव देता है।
• अनुभवजन्य उदाहरण: मॉडल को दो डेटासेट पर लागू किया गया: एक प्रवेश परीक्षा (MSATB, 1407 उत्तरदाता, 20 आइटम) और एक चिंता सूची (766 उत्तरदाता, 29 आइटम)।
  • परिणामों ने पुष्टि की कि एक सामान्य मीट्रिक में रूपांतरित होने पर 4P FA और 4P IRT पैरामीटर अनुमानों के बीच मजबूत सहमति है।
  • अनुप्रयोग ने NGNI, NG (नॉन-गेसिंग), और NI (नॉन-इनअटेंशन) स्कोर की गणना को प्रदर्शित किया, जो दिखाता है कि कैसे ये समायोजित स्कोर प्रतिक्रिया पैटर्न और आइटम कठिनाई के आधार पर प्रेक्षित कुल योग से भिन्न होते हैं।

महत्व और दावे
यह शोध पत्र 4P IRT मॉडल के लिए एक कठोर FA प्रतिरूप प्रदान करके साइकोमेट्रिक मॉडलिंग के एक महत्वपूर्ण अंतर को पाटने का दावा करता है। लेखक तर्क देते हैं कि यह समानता शोधकर्ताओं को गेसिंग और इनअटेंशन पैरामीटर वाले मॉडलों के लिए FA-विशिष्ट अनुमान ढाँचों का लाभ उठाने की अनुमति देती है। वे सुझाव देते हैं कि FA पैरामीट्रिज़ेशन, विशेष रूप से बायेसियन संदर्भों में स्थिरता और परिशुद्धता के संबंध में, अनुमान प्रदर्शन में व्यावहारिक लाभ प्रदान कर सकता है। इसके अलावा, गेसिंग और इनअटेंशन के विशिष्ट स्रोतों को ध्यान में रखते हुए "प्यूरीफाइड" (शुद्ध) क्षमता स्कोर (NGNI) प्राप्त करने की क्षमता को इस कार्यप्रणाली के एक नवीन अनुप्रयोग के रूप में रेखांकित किया गया है, जो मानक IRT मॉडलों की तुलना में उत्तरदाता के व्यवहार के बारे में गहरी नैदानिक अंतर्दृष्टि प्रदान करता है। यह कार्य मौजूदा IRT विधियों को बदलने का दावा नहीं करता है, बल्कि जटिल प्रतिक्रिया व्यवहारों को समायोजित करने के लिए FA परंपरा का विस्तार करता है, जिससे दो प्रमुख साइकोमेट्रिक परंपराओं को एक एकल, लचीले ढांचे के तहत एकीकृत किया जाता है।