項目反応理論による2値項目の分析
Stanスクリプト
各項目が2値(「正答」と「誤答」、「Yes」と「No」など)をとる場合、第項目の回答をで表すと
とおける。各項目が3値以上の順序カテゴリ値をとる場合については別のウェブサイトで扱っている。
2値の場合、
とおく。詳しくは、<岡本安晴「心理学データ分析と測定」、第9章;岡本安晴「計量心理学」、第6章>などを参照されたい。
上のモデルに基づいてStanスクリプトを以下のように用意した。
============ irt_bin.stan ==========================
data {
int Npsn;
//
Number of persons
int Nitm;
//
Number of items
int Ntot;
// Number of data, Ntot = Nprn * Nitm
int<lower = 1, upper =
Npsn> IDpsn[Ntot]; // Person ID
int<lower = 1, upper =
Nitm> IDitm[Ntot]; // Item ID
int<lower = 1, upper =
2> Res[Ntot];
//
Response-> 1: No,
2: Yes
}
parameters {
real<lower = 0.0> a[Nitm];
real
b[Nitm];
real
F[Npsn];
}
transformed parameters {
vector[2] p[Ntot];
for (i in 1:Ntot){
p[i][2] = inv_logit(1.7 * a[IDitm[i]] * (F[IDpsn[i]] - b[IDitm[i]]));
p[i][1] = 1.0 - p[i][2];
}
}
model {
for (i in 1:Npsn)
F[i]
~ normal(0.0, 1.0);
for (i in 1:Ntot)
Res[i] ~ categorical(p[i]);
}
===========================================
上のStanスクリプトを用いるPyhtonスクリプトを以下のように用意した。プログラムのファイルは、サンプルデータファイルも含めて圧縮ファイルPrgIRTbin.zipにまとめた。ファイル名PrgIRTbin.zipをクリックしてダウンロードすることができる。なお、このPythonスクリプトでは能力の推定値は出力されないが、特性(能力)(上のStanスクリプトではパラメータFで表されている)の推定値も出力するスクリプトはこのウェブサイトの後半に示した。
=============== main.py ===================
import pystan
def calc_mean_med( d
):
d.sort()
med = d[len(d) // 2]
sum = 0
for v in d:
sum
+= v
mean = sum / len(d)
return mean, med
#
# Prepare
the input data file
#
fn_in =
input("Input data file = ")
f_in = open(fn_in,
"r")
#
# Set the
contents of the input data file in the object data_f
#
data_f =
f_in.readlines()
f_in.close()
#
# Prepare
the output file
#
fn_out =
input("Output data file = ")
f_out = open(fn_out,
"w")
f_out.write("Input
data file = " + fn_in + "\n\n")
pos = 0
while True:
if len(data_f[pos]) > 0:
if
data_f[pos][0] == "/":
break
pos += 1
pos += 1
N = int(data_f[pos])
pos += 1
M = int(data_f[pos])
print('N = ', N,
' M = ', M)
X = []
for i in range(N):
X.append([])
pos += 1
temp_strs =
data_f[pos].split()
for j in range(M):
X[i].append(int(temp_strs[j + 1]))
IDpsn = []
IDitm = []
Res = []
for i in range(N):
for j in range(M):
IDpsn.append(i + 1)
IDitm.append(j + 1)
Res.append(X[i][j] + 1)
f_out.write('\nData...\n')
for i in range(N):
f_out.write('{0:>5}: '.format(i+1))
for j in range(M):
f_out.write(' {0}'.format(X[i][j]))
f_out.write('\n')
Data = {'Npsn': N,
'Nitm': M, 'Ntot': N * M, 'IDpsn': IDpsn, 'IDitm': IDitm, 'Res': Res}
fit =
pystan.stan(file = 'irt_bin.stan', data = Data,
seed = 999, pars = ["a", "b"], n_jobs = 1)
print(fit)
a = fit['a']
b = fit['b']
print('len(a) = ',
len(a))
print('len(b) = ',
len(b))
a_smpls = []
b_smpls = []
for i in range(M):
a_smpls.append([])
b_smpls.append([])
for v in a:
for i in range(M):
a_smpls[i].append(v[i])
for v in b:
for i in range(M):
b_smpls[i].append(v[i])
print('\nlen(a) = ',
len(a), ' len(a_smpls) = ',
len(a_smpls),
' len(a_smpls[0] = ', len(a_smpls[0]))
print('\nlen(b) = ',
len(b), ' len(b_smpls) = ',
len(b_smpls),
' len(b_smpls[0] = ',
len(b_smpls[0]))
f_out.write('\n')
for i in range(M):
mean_a, med_a =
calc_mean_med(a_smpls[i])
f_out.write('a[{0}] =
{1:<.5}(mean) {2:<.5}(med)\n'.
format(i+1, mean_a, med_a))
f_out.write('\n')
for i in range(M):
mean_b, med_b =
calc_mean_med(b_smpls[i])
f_out.write('b[{0}] =
{1:<.5}(mean)
{2:<.5}(med)\n'.
format(i+1, mean_b, med_b))
f_out.close()
==========================================
上のPythonスクリプトを実行すると、入力データファイル名と出力データファイル名の設定が求められる(図1)。
図1
出力データ用ファイル名は適当なテキストファイル名を設定すればよいが、入力データファイルは図2に示す形式で用意する。
・
・
・
図2
先頭がスラッシュ / で始まる行の次の行にデータ数(回答者数)を書く。その次の行には項目数を書く。その次の行から、1行に1人の回答データを書いていく。まず、先頭に回答者IDを書く。通し番号を書いておくとよいが、文字列として読み込まれるので通し番号以外でもよい。回答者IDに続いて回答カテゴリ値(1または0)を空白文字で区切って並べていく。
入力データファイル名の入力の次に、出力用ファイル名の設定が求められる。出力用ファイル名には適当なテキストファイル名を設定する。出力用ファイル名を入力すると、計算が始まる。回答者数N,項目数Mの値が出力された後、Stanによる計算が始まる(図3)。
図3
回答者数300人、項目数10個の図2のデータの場合、図4では1つのchain当たりの計算時間が約1分になっている。Chainが1つずつ順番に実行される場合には、全体の計算時間はそれらのchainの計算時間の和になる。
図4
計算が終わると図5のようにStanによる計算の統計量が表示される。
図5
プログラムの終了後、出力ファイルを開くと図6、図7のようになっている。
図6
まず、読み込んだデータが通し番号付きで書き出されている。これにより、データが正しく読み込まれたかどうかの確認ができる。読み込みデータの書き出しに続いて、各パラメータの推定値が平均値と中央値で示されている(図7)。
図7
必要に応じてプログラムを書き換えれば、種々の分析が可能である。
特性(能力)の推定値も出力するスクリプト
特性値(StanスクリプトではパラメータFで表されている)の推定値も図T1のように出力されるようにしたPythonスクリプトも作成した。
・
・
・
図T1
以下のPythonスクリプトでは、特性(能力)パラメータFをリストthetaに読み込んで処理をしている。スクリプトとサンプルデータファイルは圧縮ファイルPrgIRTbin_theta.zipにまとめたので、ファイル名PrgIRTbin_theta.zipをクリックしてダウンロードできる。
================ main_theta.py ====================
import pystan
def calc_mean_med( d ):
d.sort()
med = d[len(d) // 2]
sum = 0
for v in d:
sum
+= v
mean = sum / len(d)
return mean, med
#
# Prepare
the input data file
#
fn_in = input("Input data file =
")
f_in = open(fn_in, "r")
#
# Set the
contents of the input data file in the object data_f
#
data_f = f_in.readlines()
f_in.close()
#
# Prepare
the output file
#
fn_out = input("Output data file
= ")
f_out = open(fn_out, "w")
f_out.write("Input data file =
" + fn_in + "\n\n")
pos = 0
while True:
if len(data_f[pos]) > 0:
if
data_f[pos][0] == "/":
break
pos += 1
pos += 1
N = int(data_f[pos])
pos += 1
M = int(data_f[pos])
print('N = ', N, ' M = ', M)
X = []
for i in range(N):
X.append([])
pos += 1
temp_strs =
data_f[pos].split()
for j in range(M):
X[i].append(int(temp_strs[j + 1]))
IDpsn = []
IDitm = []
Res = []
for i in range(N):
for j in range(M):
IDpsn.append(i + 1)
IDitm.append(j +
1)
Res.append(X[i][j] + 1)
f_out.write('\nData...\n')
for i in range(N):
f_out.write('{0:>5}:
'.format(i+1))
for j in range(M):
f_out.write(' {0}'.format(X[i][j]))
f_out.write('\n')
Data = {'Npsn': N, 'Nitm': M, 'Ntot':
N * M, 'IDpsn': IDpsn, 'IDitm': IDitm, 'Res': Res}
fit = pystan.stan(file =
'irt_bin.stan', data = Data,
seed = 999, pars = ["a", "b", "F"], n_jobs
= 1)
print(fit)
a = fit['a']
b = fit['b']
theta = fit['F']
print('len(a) = ', len(a))
print('len(b) = ', len(b))
print('len(theta)', len(theta))
print('len(theta[0]) = ',
len(theta[0]))
a_smpls = []
b_smpls = []
for i in range(M):
a_smpls.append([])
b_smpls.append([])
for v in a:
for i in range(M):
a_smpls[i].append(v[i])
for v in b:
for i in range(M):
b_smpls[i].append(v[i])
f_out.write('\n')
for i in range(M):
mean_a, med_a =
calc_mean_med(a_smpls[i])
f_out.write('a[{0}] =
{1:<.5}(mean)
{2:<.5}(med)\n'.
format(i+1, mean_a, med_a))
f_out.write('\n')
for i in range(M):
mean_b, med_b =
calc_mean_med(b_smpls[i])
f_out.write('b[{0}] =
{1:<.5}(mean)
{2:<.5}(med)\n'.
format(i+1, mean_b, med_b))
f_out.write('\ntheta...')
theta_smpls = []
for i in range(N):
theta_smpls.append([])
for v in theta:
for i in range(N):
theta_smpls[i].append(v[i])
for i in range(N):
mean_theta, med_theta =
calc_mean_med(theta_smpls[i])
f_out.write('\nPerson-{0:<7}
{1:>10.5}(mean)
{2:>10.5}(med)'.format(i, mean_theta, med_theta))
f_out.close()
=============================================
プログラムの実行終了後、出力ファイルを開くと図T2のようになっている。図T1に示されている能力の推定値(パラメータFの値として示されている)がthetaの平均値と中央値で出力されている。
図T2