《British Journal of Mathematical and Statistical Psychology》：On the asymmetry, complexity and predicted data patterns of nontraditional item response theory models
编辑推荐：
传统的项目反应理论（IRT）模型涉及对称的响应概率函数，但一个发展中的研究领域已关注非对称替代模型。迄今为止，这些研究主要集中于引入新的非对称模型，详细阐述其数学公式，解释如何解读其项目参数，并通过模拟和实证数据分析展示其独特的心理测量学特性。研究人员为这一蓬
传统的项目反应理论（IRT）模型涉及对称的响应概率函数，但一个发展中的研究领域已关注非对称替代模型。迄今为止，这些研究主要集中于引入新的非对称模型，详细阐述其数学公式，解释如何解读其项目参数，并通过模拟和实证数据分析展示其独特的心理测量学特性。研究人员为这一蓬勃发展的研究领域增添了内容，通过探索非对称IRT背景下的模型评估。研究人员首先介绍了一种基于Aranda-Ordaz（Biometrika, 68, 1981, 357）连接函数的新非对称IRT模型，并将其与两个以不同方式参数化非对称性的已有模型进行比较。这些模型之间的比较随后使研究人员能够展示三种非传统的IRT模型评估方法：（1）表征响应概率和伪信息函数中的非对称性，（2）通过拟合倾向分析量化构型复杂性，以及（3）探索每个模型的模式特征。通过这种深入的评估，研究人员发现所有三个模型都具有微妙独特的心理测量学特性，这将有益于应用研究。更广泛地说，本研究中考虑的模型评估方法可以为任何IRT模型提供独特的见解。
论文解读文章
**研究背景与问题**
传统项目反应理论（IRT）模型（如Rasch模型和双参数逻辑模型）采用对称的响应概率函数，但近年来的研究关注非对称模型，以捕捉项目对认知需求的不同影响或作为参数复杂的3PLM和4PLM的简约替代。尽管非对称IRT模型研究增多，但现有工作主要集中于提出新模型并与对称基线比较，而不同非对称模型之间的内在差异（如LPE、RH和AO模型通过不同数学机制实现非对称性）尚未被直接检验。这种差异可能导致模型在数据模式偏好上存在本质区别，因此需要超越全局拟合度的综合评估方法。
**研究内容与意义**
研究人员引入了三种互补的评估方法：（1）通过响应概率非对称性指数（ф）和伪信息非对称性指数（ψ）表征非对称性的方向和大小；（2）采用拟合倾向（FP）框架评估模型的构型复杂性；（3）通过模式签名分析揭示各模型倾向于预测的响应模式。通过比较逻辑正指数（LPE）模型、残差异方差（RH）模型和基于Aranda-Ordaz（AO）连接函数的新模型，研究人员发现三个模型具有独特的心理测量学特性，且模型评估方法能为任何IRT模型提供新见解。该论文发表在《British Journal of Mathematical and Statistical Psychology》。
**主要关键技术方法**
- 使用响应概率非对称性指数（ф）和伪信息非对称性指数（ψ）量化非对称性，基于中心函数对称性原理。
- 采用拟合倾向（FP）框架，通过从单位单纯形均匀采样生成5000个五项目二分类数据集，计算Y2/N统计量评估模型拟合度，并绘制经验累积分布函数（ECDF）和欧拉图。
- 通过模式签名分析，比较AO和LPE模型获胜数据集中的响应模式平均采样概率，识别其偏好模式。
**研究结果**
**3.4 结果：表征非对称性**
- 响应概率非对称性（ф）分析表明：LPE模型呈现方向依赖的宽域衰减（κ>0时宽松，κ<0时严格，最大幅度在θ≈0附近）；RH模型表现为阈值附近局部扰动（ф在θ=0附近狭窄波峰/波谷，因IRF绕固定点旋转）；AO模型呈现方向依赖的持久性（κ>0时严格持久，κ<0时宽松快速衰减，因灵活性集中于上尾）。
- 伪信息非对称性（ψ）提供非冗余诊断：LPE模型中ψ呈驼峰状且随κ变号，反映拐点偏移；RH模型中ψ局部化但结构复杂，体现异方差缩放；AO模型中ψ相对较小且平滑，与固定拐点一致。
**4.3 结果：评估复杂性**
- 拟合倾向（FP）分析显示：在5000个数据集上，2PL、LPE和AO模型的平均Y2/N值接近（0.025、0.026、0.026），而RH模型较大（0.032）。ECDF和欧拉图表明RH模型FP较低，而2PL、LPE、AO模型重叠区域大（52.93%共同拟合），RH模型独有区域（3.19%）较大。LPE和AO模型FP几乎相同，但模式签名分析揭示差异：LPE获胜数据集偏好低分和极端分数（如总和分数0、1、4、5），AO获胜数据集偏好高分（如总和分数4）但非全对模式（11111）。这反映LPE下尾灵活性和AO上尾灵活性。
**讨论与结论**
讨论部分指出，非对称IRT模型并非可互换的对称基线扩展，各模型编码不同的响应过程假设：LPE集中灵活性于下尾，AO集中于上尾，RH集中于阈值附近。数学差异并不直接映射到整体复杂性上，2PL、LPE和AO的FP相当，而RH更简约。模式签名分析表明，FP相似的模型仍有不同的响应过程含义。研究人员强调，IRT模型选择应基于综合评估，包括IRF编码的独特响应行为和构型复杂性（体现在FP和模式签名中）。研究结论翻译如下：
“总之，IRT模型评估不仅限于全局、项目和人员拟合：参数数量相同的模型可能在FP上不同，甚至FP相当的模型也可能暗示不同的潜在响应过程并偏好不同的数据模式。重要的是，虽然本研究聚焦于非对称IRT模型，但任何IRT模型的FP和模式签名均可被评估。总体而言，我们的发现支持IRT模型（包括对称和非对称变体）的选择应基于对被编码在IRF中的独特实质性响应行为以及固有复杂性（在FP和模式签名中均明显可见）的综合评估，这种复杂性为任何对样本数据的观测拟合度提供了背景。”
