文献

J-GLOBAL ID：202102210408367519   整理番号：21A2576047

テストレット効果モデルを推定するための補助変数に基づく新しい高効率Bayesサンプリングアルゴリズム【JST・京大機械翻訳】

A Novel and Highly Effective Bayesian Sampling Algorithm Based on the Auxiliary Variables to Estimate the Testlet Effect Models

著者 (5件)： Lu Jing (Key Laboratory of Applied Statistics of MOE, School of Mathematics and Statistics, Northeast Normal University, Changchun, China) ,  Zhang Jiwei (Key Lab of Statistical Modeling and Data Analysis of Yunnan Province, School of Mathematics and Statistics, Yunnan University, Kunming, China) ,  Zhang Zhaoyuan (Department of Statistics, School of Mathematics and Statistics, Northeast Normal University, Changchun, China) ,  Xu Bao (Institute of Mathematics, Jilin Normal University, Siping, China) ,  Tao Jian (Key Laboratory of Applied Statistics of MOE, School of Mathematics and Statistics, Northeast Normal University, Changchun, China)
資料名： Frontiers in Psychology (Web)  (Frontiers in Psychology (Web))
巻： 12  ページ： 509575  発行年： 2021年 
JST資料番号： U7096A  ISSN： 1664-1078  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,一般的テストレット内のアイテム間の局所依存性をモデル化するために,テストレット識別パラメータを導入することによって,二分アイテムに対する新しい2パラメータロジスティックテストレット応答理論モデルを提案した。さらに,補助変数に基づく高度に有効なBayesサンプリングアルゴリズムを提案し,テストレット効果モデルを推定した。新しいアルゴリズムは,適切な受容確率を達成するために,回転パラメータを調整するMetroolis-Hastingsアルゴリズムを避けるだけではなく,また,共役事前分布に関するGibbsサンプリングアルゴリズムの依存性を克服する。従来のBayes推定法と比較して,新アルゴリズムの優位性を,様々なタイプの事前分布から分析する。Markov連鎖モンテカルロ(MCMC)出力に基づいて,2つのBayesモデル評価方法を,モデル間の適合の良さに関して調査した。最後に,3つのシミュレーション研究と経験的用例解析を与えて,さらに新しいテストレット効果モデルとベイジアンサンプリングアルゴリズムの利点を説明した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  *アルゴリズム ,  シミュレーション ,  共役 ,  Bayes推定 ,  Markov連鎖 ,  対数
準シソーラス用語： 理論モデル ,  高効率 ,  MCMC ,  尤度 ,  事前分布 ,  Gibbsサンプリング ,  Bayes法 , 【Automatic Indexing@JST】

著者キーワード (7件)： ベイズ推論 ,  逸脱情報基準 ,  擬似marignal尤度の対数 ,  項目応答理論 ,  テストレット効果モデル ,  スライス-Gibbsサンプリングアルゴリズム ,  Markov連鎖モンテカルロ法

分類 (1件)： 信号理論  (ND02020G)

引用文献 (72件)：

• Aitkin M. (1991). Posterior bayes factor (with discussion). J. R. Stat. Soc. B 53, 111-142. doi: 10.1111/j.2517-6161.1991.tb01812.x
• Akaike H. (1973). Information theory and an extension of the maximum likelihood principle, in Second International Symposium on Information Theory, eds Petrov B. N., Csaki F. (Budapest: Academiai Kiado), 267-281. doi: 10.1111/j.2517-6161.1991.tb01812.x
• Albert J. H. (1992). Bayesian estimation of normal ogive item response curves using Gibbs sampling. J. Educ. Stat. 17, 251-269. doi: 10.3102/10769986017003251
• Ando T. (2011). Predictive bayesian model selection. Am. J. Math. Manag. Sci. 31, 13-38. doi: 10.1080/01966324.2011.10737798
• Berger J. O., Pericchi L. R. (1996). The intrinsic Bayes factor for linear models. in Bayesian Statistics 5, eds Bernardo J. M., Berger J. O., Dawid A. P., Smith A. F. M. (Oxford: Oxford University Press), 25-44. doi: 10.1080/01966324.2011.10737798

タイトルに関連する用語 (6件)： モデル ,  推定 ,  変数 ,  高効率 ,  サンプリング ,  アルゴリズム