Rasch树模型在差异项目功能(DIF)分析中的应用：样本与项目特征对DIF检测效能的系统性影响

来自多领域的研究人员针对差异项目功能(DIF)检测中的方法学挑战，开展了基于Rasch树模型的系统性研究。通过实证分析与模拟实验，揭示了样本量、DIF存在性与协变量平衡对节点选择的显著影响，为测量工具的效度验证提供重要方法学支撑。

　　

识别差异项目功能(Differential Item Functioning, DIF)是评估测量程序效度(validity)与公平性(fairness)的关键环节。Rasch树模型为研究者提供了一种数据驱动式的探索性分析方法，能同时依据多重协变量（如人口统计学分组）对受试者进行分层识别。尽管该方法前景广阔，但关于样本特征与测量工具特性影响的研究仍显不足。

本研究通过真实数据分析与模拟实验相结合的方式，系统检验了样本量(sample size)、亚组差异(subgroup differences)以及含DIF项目数量对Rasch树模型DIF检测精度的影响。结果表明：样本规模、DIF存在情况与协变量平衡性(covariate balance)均会显著影响树模型节点划分的准确性。这些发现为DIF检测实践提供了重要方法论指导，对推进测量工具的开发与验证具有实质性意义。