شناسایی بهینه ترین مدل مبتنی بر توزیع لجستیک برای جایگزینی پرسش های بی پاسخ (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
بی پاسخی چالشی اجتناب ناپذیر در برابر مطالعات بزرگ مقیاس است و می تواند از یک سو موجب اتلاف هزینه، زمان و نیروی انسانی درگیر در گردآوری داده ها شود و از سوی دیگر، مطالعه را از رسیدن به اهدافش به ویژه توزیع نمرات باز دارد. از این رو، روش های جایگزینی برای برآورد پاسخ پرسش های بی پاسخ ابداع شده اند تا امکان استنباط از یک مجموعه داده کامل شده را فراهم آورند. این مقاله از طریق شبیه سازی روی یک مجموعه داده واقعی بر اساس یک الگوی طرح آزمایش چندمتغیره، دقت سه مدل جایگزینی را شامل لُجیت های تراکمی، پاسخ مدرج و پرسش پاسخ تبیینی مورد ارزیابی قرار می دهد. یافته ها نشان می دهند که تحت بی پاسخی تصادفی، جایگزینی های هر سه مدل در حدی مطلوب قرار دارند هر چند جایگزینی های مدل پرسش پاسخ تبیینی همواره دقیق تر از دو مدل دیگر است. اگر بی پاسخی غیرتصادفی باشد، تنها در نرخ بی پاسخی 5 درصد به نتایج مطلوبی برای مدل پرسش پاسخ تبیینی دست خواهیم یافت و دقت دو مدل دیگر قابل پذیرش نیست. همچنین، یافته ها حاکی از آن هستند که جایگزینی پرسش های دارای بی پاسخی و محاسبه نمره کل فرد از ترکیب پاسخ های جایگزین شده و پاسخ های واقعی کم خطاتر از جایگزینی مستقیم نمره کل او است.َAn optimum imputation mode for item nonresponse imputation
Nonresponse is an inevitable challenge to large-scale studies and can result in wasting money, time and human resource involved in data collection and can also prevent the studies from obtaining their objects especially scores distribution. Imputation methods have thus been invented to estimate item nonresponses in order to make inference from a completed data set. Using a simulation study on a real data set in the form of a multivariate experimental design, this paper evaluates the accuracy of three models including cumulative logit model, graded response model and explanatory item response model. The results show that the imputed values of all three models are acceptable under random nonresponse mechanism although the imputed values of the explanatory item response model are always more accurate than those of the other models. If nonrandom nonresponses are occurred, explanatory item response model has acceptable imputed values only at 5% nonresponse rate and the other models are not accurate at all. The results also show that it is more accurate to impute individual item nonresponses and then compute the total score instead of directly imputing the total score.
تبلیغات
