编辑推荐：
本研究提出了一种基于Copula函数的联合模型，该模型放松了多模态数据（如项目反应与反应时间）联合建模中潜特质之间的多元正态性（MVN）假设。在结构模型中，潜特质的联合分布通过具有尾部依赖性的Copula函数来定义。研究实施了带有随机逼近的期望最大化（EM）算
本研究提出了一种基于Copula函数的联合模型，该模型放松了多模态数据（如项目反应与反应时间）联合建模中潜特质之间的多元正态性（MVN）假设。在结构模型中，潜特质的联合分布通过具有尾部依赖性的Copula函数来定义。研究实施了带有随机逼近的期望最大化（EM）算法进行参数估计。一项模拟研究评估了所提出方法在各种条件下能力估计的准确性，并与传统方法进行了比较。通过更好地捕捉潜能力与速度之间的依赖结构，所提出的方法优于具有多元正态性假设的传统方法。将该方法应用于多种实证数据集，展示了其灵活性和模型拟合的改进。基于Copula的潜变量建模可推广至涉及多元潜特质的心理测验中的更广泛应用。
论文解读
一、研究背景与问题
在教育测验领域，项目反应理论（IRT）模型常用于估计被试的潜在能力。随着计算机化测验的普及，研究者越来越关注利用反应时间数据作为辅助信息，以提高IRT建模中能力估计的准确性。最常用的方法是van der Linden提出的分层建模方法：在第一层，定义观测到的项目反应和反应时间在给定潜能力和速度条件下的条件分布；在第二层，假设潜特质服从多元正态（MVN）分布，这是一个方便但往往不现实的假设。
分层模型对实证数据的拟合不佳已在文献中有所讨论，表明反应与反应时间之间的依赖关系未被该模型充分捕捉。已有研究从两个方向解决这一问题：一是放松项目反应与反应时间在给定潜特质条件下的条件独立性假设，例如Bolsinova等人明确建模项目反应与反应时间之间的条件依赖（CD），Kang等人引入扩散IRT（DIRT）模型；二是处理分层模型的参数假设问题，例如Liu和Wang提出半参数因子分析框架，更灵活地建模反应与反应时间的联合分布。
本研究针对潜特质结构多元正态性假设可能被违反的问题，特别是当依赖关系在分布某一极端更强时。速度与准确性之间的非对称依赖可以在两个层面表现：个体内层面和总体层面。在个体内层面，Domingue等人分析了29个实证认知测验数据集，发现速度-准确性权衡的一致模式：能力估计较低者在速度上变异更大。在总体层面，当能力与速度之间的依赖强度随潜特质谱系变化时，出现非对称依赖，特别是速度与能力之间的依赖在分布某一极端比另一极端更强。本研究聚焦于总体层面，假设个体潜速度在项目间固定，但潜速度与能力之间在总体层面存在非对称依赖。
二、研究内容与意义
本研究在IRT框架内提出了基于Copula的速度与准确性联合模型。与建模反应与反应时间之间的条件依赖不同，该方法通过引入潜特质之间更灵活的依赖结构来解决模型失配问题。所提出的模型使用Copula函数来指定潜能力与速度的联合分布，允许非对称的、更强的尾部依赖结构，如图1所示。这种灵活性预期能比基于MVN分布的模型获得更好的实证数据拟合，同时保留项目反应和反应时间条件分布的原始测量模型（如双参数逻辑斯蒂克模型[2PL]和对数正态模型）。
Copula理论允许通过“耦合”任意单变量边缘分布来灵活建模随机变量的联合分布。Sklar定理指出，任何多元累积分布函数（CDF）都可以用其单变量边缘CDF和一个Copula函数重新表述。在连续情形下，这种重新表述是唯一的。Copula构造保留了单变量边缘分布，因此建模可以从选择适合问题的单变量边缘开始，然后通过适当的Copula函数耦合这些边缘来构建联合依赖结构。
Copula在计量经济学、金融学和生存分析中已成为处理传统多元建模方法局限性的有力工具。例如，2008年全球金融危机暴露了依赖高斯Copula建模公司违约等依赖关系的关键缺陷：高斯Copula在极端值处假设渐近独立，导致对联合风险的系统性低估。作为回应，研究者越来越多地采用灵活的Copula模型（如Gumbel、Joe和Student's t Copula），这些模型能更准确地建模尾部依赖和联合极值。
在心理测量学和潜变量建模中，Copula具有相当大的潜力，可解决三个关键挑战：捕捉非对称尾部依赖、建模非正态联合分布、在建模灵活依赖结构的同时保留边缘分布。尽管在其他领域影响显著，Copula在心理测量学中的应用仍然有限。本研究通过IRT背景下采用基于Copula的方法来弥合这一差距。
Copula理论在潜变量建模中的应用沿着两条主要研究路线发展。一条路线聚焦于建模违反条件独立性假设的局部项目依赖，如Braeken等人将Copula方法引入Rasch模型中项目反应之间的残差依赖建模，并扩展到结构方程模型（SEM）和认知诊断模型（DINA）。另一条路线聚焦于传统因子分析框架内项目反应与潜特质之间的依赖结构，如Krupskii和Joe引入因子Copula模型，Nikoloulopoulos和Joe将其扩展到多元离散数据，Kadhem和Nikoloulopoulos进一步扩展到双因子和二阶模型。
本研究与先前工作的不同之处在于，使用Copula建模潜特质之间的依赖，而非观测反应之间的依赖，同时允许每个特质遵循其自身的不同边缘分布。估计基于Copula的潜变量模型的计算挑战在于边际似然函数的难解性，许多先前工作使用两阶段估计方法。本研究提出带有随机逼近的期望最大化（EM）算法，允许全信息边际最大似然（MML）估计和个体水平潜特质联合后验估计的直接推导，并伴随模型选择方法。
三、主要技术方法
本研究采用以下关键技术方法：第一，Copula函数建模潜能力与速度的联合分布，使用Gumbel和Joe Copula及其旋转版本（90°、180°、270°旋转）来建模不同类型的依赖结构，包括正负关联和上下尾依赖；第二，期望最大化（EM）算法结合随机逼近进行边际最大似然估计；第三，基于最小描述长度（MDL）的功能复杂度比较，评估不同Copula的模型复杂度；第四，通过Kendall's τ进行依赖强度的参数化；第五，模拟研究比较所提出方法与传统MVN假设方法在不同依赖条件下的表现。
四、研究结果
模型设定方面，在第一层，假设被试p正确回答项目i的概率（给定潜能力θ_p）遵循2PL模型，观测反应时间T_pi（给定潜速度τ_p）遵循对数正态分布，项目反应与反应时间在给定潜特质条件下独立。在第二层，假设潜能力和速度因子的边缘分布为正态分布，为模型可识别性设定μ_θ=μ_τ=0和σ2_θ=1，潜特质（θ_p, τ_p）的联合分布通过Copula函数C定义。传统分层模型可视为所提出框架的特例，即当潜特质边缘分布为正态且联合分布通过高斯Copula定义时。
旋转Copula方面，标准Gumbel和Joe Copula仅建模具有上尾依赖的正关联。为建模不同类型的依赖结构，研究使用旋转Copula。90°旋转的Gumbel Copula创建具有下尾依赖的负关联，270°旋转也创建负关联但具有上尾依赖。旋转Copula可通过变换原始Copula函数中的参数u和v来实现，例如C???(u,v)=u-C(u,1-v)，其密度为c???(u,v)=c(u,1-v)。类似地，C??(u,v)=v-C(1-u,v)，C???(u,v)=u+v-1+C(1-u,1-v)。EM算法的联合对数似然梯度为每个旋转Copula推导。
功能复杂度方面，尽管MVN和Copula模型的未知参数数量相等，模型的复杂度可通过参数数量之外来解释。研究使用最小描述长度（MDL）比较双变量高斯、Gumbel和Joe Copula的功能复杂度。MDL考虑模型复杂度的三个维度：参数数量、样本量和函数形式。对于双变量Copula，Fisher信息矩阵基于Copula密度对依赖参数δ的偏导数计算，复杂度项为ln∫√det(I(δ))dδ。积分域取决于每个Copula的参数空间：高斯Copula为ρ∈(-1,1)，Gumbel和Joe Copula为δ∈[1,∞)。
五、讨论与结论
研究所提出的基于Copula的联合模型通过更灵活地建模潜能力与速度之间的依赖结构，解决了传统分层模型MVN假设可能被违反的问题。通过模拟研究评估，所提出方法在能力估计准确性方面优于传统MVN假设方法，特别是在存在非对称尾部依赖的条件下。应用于多种实证认知测验数据集，展示了该方法的灵活性和模型拟合的改进。Copula方法能够捕捉传统方法无法充分建模的非对称尾部依赖，这对于理解速度-准确性权衡的潜在机制具有重要意义。该框架的通用性允许扩展到更广泛的涉及多元潜特质的心理测验应用，包括不同的Copula函数选择和不同的边缘分布假设。未来研究可进一步探索Copula方法在其他潜变量模型中的应用，以及在不同测验情境下的表现。
