ارزیابی توان آماری تحلیل رگرسیون لوجستیک در آشکارسازی کنش افتراقی سؤال های آزمون (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
اگر چه تحلیل رگرسیون لوجستیک برای شناسایی سؤال های سودار آزمون های روان شناسی و علوم تربیتی معرفی شده است، اما تحقیقات اندکی به صورت تجربی توان آماری آن را مورد ارزیابی قرار داده است. هدف از تحقیق حاضر ارزیابی توان آماری تحلیل رگرسیون لوجستیک و بررسی عوامل مداخله گر در آشکارسازی کنش افتراقی سؤال های آزمون بود. برای پاسخگویی به سؤال های تحقیق از روش مطالعات شبیه سازی مونت کارلو استفاده شد. داده های مورد نیاز با استفاده از نرم افزار WINGEN و با توجه به عوامل مداخله گر شامل سه حجم نمونه متفاوت، دو نوع DIF هماهنگ یا ناهماهنگ ، چهار مقدار با شدت متفاوت DIF و سه سطح درصد سؤال های دارای DIF در 72 شرایط مختلف آزمایشی با صد تکرار شبیه سازی شد. نتایج تحقیق حاضر نشان گر توان آماری مطلوب تحلیل رگرسیون لوجستیک در آشکارسازی کنش افتراقی سؤال است و پیشنهاد می شود این روش بیشتر برای تشخیص DIF هماهنگ و برای کارکرد دقیق در حجم های نمونه بسیار بزرگ استفاده شود.Evaluating the Statistical Power of Logistic Regression Analysis in Detecting Differential Functioning of Test Items
Although logistic regression analysis has been introduced for detecting biased items of psychological and educational tests, but few researches have empirically investigated its power. The objectives of this research are to evaluate the statistical power of logistic regression analysis and to investigate the mediating factors in detecting differential functioning of test items. Monte Carlo simulation methods were used to answer the research questions. The required data were simulated using WINGEN software with respect to the mediating factors. The data include 3 different sample sizes, 2 types of uniform and non-uniform DIF, 4 different amounts of DIF and 3 levels of DIF items embedded in the simulated tests in 72 different experimental conditions with 100 iterations. So the results of current research is an indicator of desired statistical power of logistic regression analysis and it is proposed that this method is used more when DIF type is uniform and sample size is very large