tirt

the simulation of Thurstone Item Response Theory, include fixed forced test and adaptive forced test. 模拟瑟斯顿项目反应理论，包括固定测验和自适应测验。

瑟斯顿IRT模型简介和应用

瑟斯顿IRT模型主要应用于迫选式非认知测验（人格测验，动机测验，兴趣测验等）。 瑟斯顿IRT模型同时也是一种多维项目反应理论（MIRT）模型。

迫选式非认知测验

迫选测验形式可以如下

也可以如下

也可以四个陈述一题，选最符合和最不符合或排序

当然最重要的一点是，这些陈述都是分属不同维度

install

pip install tirt

TIRT简介

题型

支持三选二（一题三个陈述，选最符合和最不符合）和二选一（一题两个陈述，选最符合）

模型

支持probit和logistic两种，如果你用的是mplus的WLSMV算法进行的项目参数估计，建议你使用probit模型

参数估计

支持极大似然估计（ml）和贝叶斯极大后验（map）

迭代算法

支持牛顿迭代和梯度上升，梯度上升更稳健，考虑加入更稳健的迭代加权最小二乘估计

固定测验模拟

模拟100个被试，30个维度，每个维度10个陈述，每道题3个陈述，所以模拟的测验总共有100题

from tirt import SimFixedTirt

fixed_tirt = SimFixedTirt(subject_nums=100, trait_size=30, items_size_per_dim=10)
theta_list = fixed_tirt.sim()
score_list = fixed_tirt.scores

for i, theta in enumerate(theta_list):
    print score_list[i]
    print theta

自适应测验模拟

模拟1个被试，题库600道题，30个维度，首先随机抽10题，第二阶段抽最合适的题，每次抽1道，终止规则是40题结束，总共50道题

from tirt import SimAdaptiveTirt

sat = SimAdaptiveTirt(subject_nums=1, item_size=600, trait_size=30, max_sec_item_size=40)
sat.sim()

for key, value in sat.thetas.items():
    print sat.scores[key]
    print value

自适应测验的模拟结果显示，自适应测验50题的精度，相当于固定测验90题的精度，自适应测验能减少44%的题量

一致性

迫选测验通常都没有测谎量表（迫选测验本身抗作假），而衡量被试是否认真作答有更好的一致性分数

from tirt import irt_consistency_score, sim_scores, BayesProbitModel, gen_item_dict, SimFixedTirt
from tirt.utils import random_params

# 生成试题字典
item_dict = gen_item_dict(30, 10, block_size=3)
# 生成试题参数
a, b = random_params(item_dict, 30, block_size=3)
# 生成随机得分
scores = sim_scores(30, 10, 10)

for score in scores:
    model = BayesProbitModel(a, b, score=score)
    # 打印一致性
    print irt_consistency_score(model)

model = SimFixedTirt(trait_size=30, items_size_per_dim=10, subject_nums=100, model='bayes_probit')
model.sim()
print model.get_consistency_scores()

API

详见源码注释