مخاطره الگوریتم متروپلیس هستینگز روبینز مونرو در مدل های چندارزشی چند بعدی نظریه سوال پاسخ با در نظر گرفتن نقش داده های گمشده abstract
کارایی و سوگیری برآورد پارامترها، در اندازه گیری های علوم رفتاری یکی از مهمترین موضوعات روانسنجی است. وجود الگوریتم های گوناگون مانند MHRM و کاربرد آنها در آزمون های دارای داده گمشده، یکی از چالش های موجود در حوزه مدل های نظریه سوال پاسخ است. هدف این پژوهش بررسی
مخاطره الگوریتم MHRM در مدل های چند بعدی نظریه سوال پاسخ در داده های چند ارزشی با در نظر گرفتن مکانیزم و میزان داده گمشده متفاوت، بود. روش پژوهش مورد استفاده آزمایشی و با استفاده از طرح پس آزمون چند گروهی بود. نمونه مورد مطالعه براساس مطالعات شبیه سازی تحت شرایط مختلف متغیرهای مستقل (نوع الگوریتم، نوع داده گمشده و میزان داده گمشده) در ۲۷ حالت با ۱۰۰ تکرار برای هر کدام، ایجاد شد. مدل مورد استفاده مدل پاسخ مدرج چندبعدی و پارامترهای مورد بررسی شیب و آستانه سوالات بود. جهت بررسی
مخاطره هر یک از پارامترها در حالت های مختلف آزمایشی شاخص میانگین توان دوم خطاها (MSE) مورد استفاده قرار گرفت. جهت تولید و تحلیل داده ها ار نرم افزار آماری R استفاده شد. نتایج پژوهش نشان داد
الگوریتم MHRM در قیاس با الگوریتم های EM و MCEM دارای
مخاطره برآورد کمتری است. همچنین نتایج نشان داد که در میزان
مخاطره پارامترهای شیب و آستانه، بین سه مکانیزم متفاوت
داده های گمشده تفاوت معنی داری وجود دارد ولیکن در رابطه با متغیر مستقل میزان داده های گمشده، تفاوت معنی داری مشاهده نشد. همچنین بین نوع الگوریتم و مکانیزم گمشدگی نیز تعامل معنی داری وجود داشت که حکایت از عملکرد مطلوب
الگوریتم MHRM داشت. در نتیجه زمانی که از این الگوریتم استفاده می شود، میانگین و واریانس MSE پارامترهای شیب و آستانه در هر سه مکانیزم گمشدگی، همزمان که کاهش می یابند، به یکدیگر نزدیک نیز می شوند. پس می توان گفت کاربرد
الگوریتم MHRM در داده های با میزان داده گمشده بالا و انواع گمشدگی، ضروری است. بنابراین، به پژوهشگران توصیه می شود که از
الگوریتم MHRM در تحلیل داده های با ساختار پیچیده از قبیل میزان داده گمشده بالا و انواع مکانیزم گمشدگی بهره گیرند.