Vortrag: Annäherung der Transformationsfunktion von Logit Measures auf Fair Me...

Stammdaten
Titel: Annäherung der Transformationsfunktion von Logit Measures auf Fair Measures im Multifacetten-Raschmodell (MFRM) durch logistische Regression. Eine Simulationsstudie
Beschreibung:

Ziel dieser Simulationsstudie ist die Entwicklung mathematischer Transformationsfunktionen, um den Zusammenhang zwischen den MFRM basierten Logit und Fair Measures zu modellieren. Im MFRM ist dieser Zusammhang in der Test Charakteristic Curve (TCC) dargestellt. Entwickelt und verglichen werden zwei methodische Ansätze: das allgemeine logistische Regressionsmodell und ein modifiziertes logistisches Regressionsmodell.

Der allgemeine logistische Regressionsansatz benötigt die Bestimmung des Regressionskoeffizienten b1 (entspricht der Steigung im linearen Regressionsmodell) und des konstanten Terms b0 (entspricht dem Ordinatenabstand im linearen Regressionsmodell). Im logistischen Regressionsansatz werden die beiden Modellparameter Steigung und Ordinatenabstand direkt aus den empirischen Daten heraus bestimmt, und zwar ohne auf das allgemeine logistische Modell zurückgreifen zu müssen. Beide Ansätze werden auf die beiden Facetten (Haupteffekte) Aufgabe und Person angewendet. Die Bewertung der finalen Approximationsqualität basiert auf diesen beiden Haupteffekten. Dabei werden die approximierten Fair Measures aus dem allgemeinen logistischen Regressionsmodell und jene aus dem modifizierten logistischen Regressionsmodell mit den von Facets (MFRM) generierten Fair Measures verglichen. Zur Beschreibung der Unterschiede zwischen diesen beiden Modellen werden verschiedene Statistiken herangezogen. Auf Basis der vorliegenden Daten scheinen beide Modelle gleichermaßen dafür geeignet zu sein, die TCC in angemessener Form zu modellieren.
Schlagworte:
Titel: Approximating the Transformation Function from Logit Measures to Fair Measures by Logistic Regression in the Many-Facet Rasch Model (MFRM). A Simulation Study
Beschreibung:

The aim of this simulation study is to develop mathematical transformation functions to approximate the relation between MFRM-based Logit and Fair Measures. In MFRM this relation is represented as the Test Characteristic Curve. Two methodological approaches are distinguished, namely the general logistic regression approach and a modified logistic regression approach.

The general logistic regression approach requires determination of the regression coefficient b1 (slope in linear regression) and the constant term b0 (intercept in linear regression). For the modified logistic regression approach the model parameters Slope and Location are derived directly from the empirical data for an interval of interest. This is possible without recourse to general logistic regression. Both approaches are applied to the two facets (main effects) of task and person. The quality of the approximation is assessed on the basis of these two main effects. This is done by comparing the approximated fair measures resulting from the general logistic approach and those from the modified logistic approach with the fair measures provided by Facets. Statistics for describing differences are developed and reported. For the data at hand, both approaches turn out to be equally suitable for modelling the Test Characteristic Curve.
Schlagworte:
Typ: Angemeldeter Vortrag
Homepage: https://www.aau.at/en/language-testing-centre/conferences/ltia2018/
Veranstaltung: Symposium Language Testing in Austria: Towards a Research Agenda (Klagenfurt)
Datum: 19.10.2018
Vortragsstatus:

Beteiligte
Hermann Cesnik
Hermann.Cesnik@aau.at
Forschungsaktivitäten
zur Visitenkarte
(intern)
  • Vortragende/r
  • AutorIn

Zuordnung
Organisation Adresse
Universität Klagenfurt
  Zentraler Informatikdienst (ZID)
Universitätsstr. 65-67
A-9020 Klagenfurt
Österreich
  +43 463 2700 9600
   zid@aau.at
http://zid.aau.at
zur Organisation
Universitätsstr. 65-67
AT - A-9020  Klagenfurt

Kategorisierung
Sachgebiete
  • 101018 - Statistik
  • 101028 - Mathematische Modellierung
  • 602007 - Angewandte Sprachwissenschaft
Forschungscluster
  • Bildungsforschung
Vortragsfokus
  • Science to Science (Qualitätsindikator: n.a.)
Klassifikationsraster der zugeordneten Organisationseinheiten:
  • Für die zugeordneten Organisationseinheiten sind keine Klassifikationsraster vorhanden
TeilnehmerInnenkreis
  • Überwiegend national
Publiziert?
  • Ja
Arbeitsgruppen
  • Angewandte Linguistik

Kooperationen
Keine Partnerorganisation ausgewählt