潜在类别-项目反应理论模型在存在项目功能差异与多维性情形下的两步估计方法

《Educational and Psychological Measurement》：A Two-Step Estimation Approach of Latent Class-Item Response Theory Models in the Presence of DIF and Multidimensionality

　　

潜在类别项目反应理论（LC-IRT）模型的估计通常采用全信息极大似然（FIML）方法，该方法计算负担重、易出现收敛问题且存在解释性混淆。研究人员提出一种针对含协变量与项目功能差异（DIF）的单维与多维LC-IRT模型的两步估计方法。第一步估计测量模型，当DIF为最终测量设定的一部分时，将协变量对题目作答的直接效应纳入其中；第二步在将测量参数视为固定的前提下，估计协变量对潜在类别隶属概率的影响。研究人员通过模拟研究评估该两步估计量，明确了其在测量质量与熵值充足等条件下偏倚较低的情形。随后将该法应用于学生统计学成绩数据。

研究背景方面，潜在类别项目反应理论（LC-IRT）模型融合连续潜在特质与离散潜在类别，可同时刻画作答数据中的定量与定性异质性，被广泛应用于学业技能诊断、风险行为识别及项目功能差异（DIF）检验等领域。标准估计采用全信息极大似然（FIML），需同时估计测量与结构成分，在多维设定下计算负荷大、收敛困难，且协变量引入易导致解释性混淆，即协变量关系改变潜在变量本身含义。逐步估计思路在潜类别分析与结构方程模型（SEM）中已成熟，分为固定参数法、单指标法与偏差校正法三类，其中固定参数（两步）法最具扩展至LC-IRT框架的灵活性。已有研究证实在分类不确定有限时两步法性能可比FIML，且计算更高效、可扩展性更强。

研究人员据此开展一项方法学拓展：提出覆盖单维与多维LC-IRT、含协变量与DIF的两步估计程序，并通过模拟与学生统计学表现实证数据检验其参数恢复能力与适用边界。论文发表于《Educational and Psychological Measurement》。

关键技术方法上，研究人员采用边际极大似然框架，第一步用题目作答（无DIF时）或题目作答联合DIF协变量与类别预测变量（有DIF时）估计测量参数（类别比例π_c、区分度α_kc、难度τ_krc、类别内特质均值μ_c与方差σ_c²，及DIF直接效应β_krc^DIF），第二步将测量参数固定，用多项逻辑回归估计协变量对类别隶属的影响γ_c，DIF协变量在第一步与第二步间作相应固定或重估处理；模拟研究操控测量质量、熵、样本量与维度数，实证部分采用学生统计学技能数据集。

研究结果按原文小节展开。在“Two-Step Estimation of Latent Class IRT Models With Covariates”中，研究人员给出LC-IRT生成方程：P(Y_i)=∑_c=1^Cπ_c∫_Θc∏_k=1^KP(Y_ik|θ_i,X_i=c)f_c(θ_i)dθ_i，并定义协变量对类别隶属的多项逻辑模型与对题目作答的DIF线性预测子g[P(Y_ik=r|θ_i,X_i=c,Z_i)]=α_kc(θ_i?τ_krc)+β_krcZ_i′；结论为两步法在测量与结构成分间设壁垒，可避解释性混淆。在“Estimation Procedure: The Proposed Two-Step Method”中，第一步对数似然?₁(?₁)或?₁(?₁,γ_c^DIF)仅依题目与DIF协变量拟合，第二步?₂(??₁,?₂)固定??₁仅估?₂=(π_c,γ_c)；结论为第二步标准误因忽略固定参数变异而有微小向下偏倚，但复杂模型中可忽略。在“Multidimensional Latent Class IRT Models and Two-Step Estimation”中，将θ_i扩为(θ_i1,…,θ_iD)，题目预测子改为α_kc(∑_d=1^DI_kdθ_id?τ_krc)+β_krcZ_i′，各类特质服从多元正态N(μ_c,Σ_c)；结论为多维下两步法同样分离测量与结构估计，计算优势更明显。

讨论与结论部分，研究人员指出LC-IRT的FIML估计在含协变量、DIF与多维结构时面临计算与解释双重困境，所提两步固定参数法通过先立测量模型再估结构关系，在分类熵充足、测量信度可接受时偏倚低、收敛稳、可模块化试错。模拟显示其在单维/多维、有无DIF设定下均接近FIML的恢复力，实证应用于学生统计技能数据验证了可解释性。该方法允许两阶段使用不同子样本协变量，利于辅助变量不全场景，为LC-IRT在大规模教育心理测评中的落地提供可扩展替代方案。