Zwischen naturwissenschaftlichem Experiment und sozialwissenschaftlicher Hermeneutik Band II: Quantität und Qualität
Formelsammlung
1. Textinterpretation und Inhaltsanalyse 1.4.5 Quantitative Inhaltsanalyse
[1.4.5.1]
∑
−=
= m 1
0 i ii
0 n
n
P 1 Beobachteter Anteil der konkordanten Kodierungen
[1.4.5.2]
∑
−=
= m 1
0
i ii
e e
n
P 1 Zufällig erwarteter Anteil der konkordanten Kodierungen
[1.4.5.3]
n n
eij = nio oj Erwartete Häufigkeiten
[1.4.5.4]
e e 0
P 1
P P
−
= −
κ Koeffizient κ
2. Psychometrie 2.1 Grundlagen
2.1.1 Die Anfänge der Testpsychologie
[2.1.1.1] IQ=100*IA/LA Intelligenzquotient
2.1.2 Die Fragestellungen der Testtheorie
[2.1.2.1]
∑
=
= k
1
i vi
vo x
x Summenscore
[2.1.2.2]
∑
• = =k α
1
i i vi
v x
x Gewichteter Summenscore
[2.1.2.3] xv =
(
xv1,...,xvk)
Antwortvektor[2.1.2.4] X=
( ) ( )
xvi Antwortmatrix[2.1.2.5]
∑
=
= n
1
v vi
oi x
x Itemrandsumme
2.1.3 Die Beurteilung von Testleistungen
[2.1.3.1] IQ...N
(
100;152)
Verteilung des Intelligenzquotienten [2.1.3.2]σ μ
= xvo −
z Standardtransformation
[2.1.3.3] IQ=100+15z Transformation in IQ-Punkte
2.2 Testen und Messen
2.2.1 Grundannahmen der klassischen Testtheorie
[2.2.1.1] Fot =Xot−Τot Fehlervariable des Tests t in der Referenzpopulation
[2.2.1.2] fvt =xvt −τvt Messfehler der Vp v in Test t
( )
F 0E : 1
A ot = 1. Axiom von Gulliksen
(
,F)
0: 2
A ρΤot ot = 2. Axiom von Gulliksen
(
F ,F)
0 :3
A ρ ot ot' = 3. Axiom von Gulliksen
(
F ,)
0: 4
A ρ ot Τot' = 4. Axiom von Gulliksen
[2.2.1.3] τvt =E
( )
Xvt Definition des True-Scores nach Novick2.2.2 Reliabilität und Validität
[2.2.2.1] ρ2(Xot,Τot)=ρ2XΤ Reliabilität
[2.2.2.2] ρ
(
Xot,Yot')
=ρXY Validität[2.2.2.3] ρ
(
Xot,Yot') (
=ρXot,Τot) (
ρΤot,Τot') (
ρYot',Τot')
[2.2.2.4] 2
(
ot ot')
X =ρX ,Y
ρ Τ Bei essentieller Parallelität
[2.2.2.5]
( ) ( ) ( )
2 2YX ' ot ' ot ot ot ' ot
ot,Y X , Y ,
X =ρ Τ ρ Τ = ρΤ ρΤ
ρ
[2.2.2.6] ρ
(
Xot,Yot')
<ρ2XΤ Bei Verletzung der essentiellen τ-Äquivalenzund gleicher Messgenauigkeit
[2.2.2.7]
( )
2 2YX ' ot ot,Y
X < ρΤ ρΤ
ρ Bei Verletzung der essentiellen τ-Äquivalenz
und unterschiedlicher Messgenauigkeit
[2.2.2.8]
( )
2 2YX ' ot ot,Y
X ≤ ρ Τρ Τ
ρ Allgemein
[2.2.2.9] σ
(
Xot,Fot')
=0[2.2.2.10] ρ
(
Xot,Yot') (
=ρXot,Τot') (
ρYot',Τot')
[2.2.2.11] ρ
(
Xot,Τot') (
=ρXot,Τot) (
ρΤot,Τot')
[2.2.2.12] ρXY ≤ ρ2XΤ Größtmögliche Validität eines Tests
[2.2.2.13]
( )
( ) ( )
( )
2( )
ot ot2 ot 2
ot 2
ot 2 2
X X σ Τ +σ F
Τ
= σ σ
Τ
= σ
ρ Τ Reliabilität = systematischer Varianzanteil
[2.2.2.14]
( )
( ) ( )
ot ot ot otX X
, X
Τ σ σ
Τ
= σ
ρ Τ Quadratwurzel aus der Reliabilität
[2.2.2.15]
( ) ( )
ot2 ot ot,
X Τ =σ Τ σ
[2.2.2.16] σ
( ) ( )
Fot =σXot 1−ρ2XΤ Standardmessfehler[2.2.2.17] 2
X 2 2 X X
o o
1 2
Τ Τ
Τ +ρ
= ρ
ρ Spearman-Brown Formel
[2.2.2.18]
( )
( ) ( )
(
o1 o2)
2
2 o 1 o 2
ot 2
ot 2 2
X X σ X +X
Τ + Τ
= σ σ
Τ
= σ
ρΤ Reliabilität
[2.2.2.19]
( ) ( )
2( )
o2(
o1 o2)
1 o 2 2 o 1 o
2 Τ +Τ =σ Τ +σ Τ +2σΤ ,Τ
σ
[2.2.2.20]
( ) ( )
2( )
o2(
o1 o2) ( ) ( )
o1 o2 1o 2 2 o 1 o
2 X +X =σ X +σ X +2ρX ,X σX σX
σ
[2.2.2.21]
( )
2( )
oo2 o 1 o
2 Τ +Τ =4σ Τ
σ
[2.2.2.22]
( ) ( )
oo(
2X)
2 2 o 1 o 2
1 o
X 2 X
X + = σ +ρ Τ
σ
[2.2.2.23]
( )
2X2 2 X
X
o o
1 n 1
n
Τ Τ
Τ + − ρ
= ρ
ρ Verallgemeinerte Spearman-Brown Formel
[2.2.2.24]
( )
(
1 R)
r r 1 n R−
= − Für gewünschte Reliabilität erforderliche Testlänge
[2.2.2.25] 2 o
(
o1 o2)
X ≅rX ,X
ρ Τ Reliabilität zweier (essentiell) paralleler Subtests
[2.2.2.26] n( )n21 n1
( )
1 j
n 1 j
'j oj oj'
2
Xo − − rX ,X
= =+
Τ ≅
∏ ∏
ρ Reliabilität mehrerer (essentiell) paralleler Subtests
[2.2.2.27] ρ2Τ≥α
X Koeffizient Alpha
[2.2.2.28]
( ) ( )
( )
⎟⎟⎠⎞⎜⎜⎝
⎛
σ σ +
−σ
= α
ot 2
2 o 2 1 o 2
2 X
X 1 X
2 Koeffizient Alpha für n = 2
[2.2.2.29]
( )
( )
⎟⎟⎟⎟
⎠
⎞
⎜⎜
⎜⎜
⎝
⎛ σ
σ
− −
=
α
∑
= ot 2 n
1
j 2 oj
n X
X 1 1
n
n Koeffizient Alpha für n ≥ 2
[2.2.2.30]
( )
( )
⎟⎟⎟⎟⎠
⎞
⎜⎜
⎜⎜
⎝
⎛ σ
−
− −
=
α
∑
= ot 2 k
1
i oi oi
k X
p 1 p 1 1
k
k Koeffizient Alpha für n = k binäre Items (KR 20)
[2.2.2.31]
( )
( )
⎟⎟⎠⎞⎜⎜⎝
⎛ σ
− −
= − α
ot 2
oo oo
k X
p 1 p 1 k 1 k
k Spezialfall für parallele Items (KR 21)
[2.2.2.32]
( )
( ) ( )
( )
ot 22 o 1 o ot
2 ot 2 2
X X
, 4
X σ
Τ Τ
≥ σ σ
Τ
= σ ρ Τ
[2.2.2.33] σ
(
Xo1,Xo2) (
=σΤo1,Τo2)
[2.2.2.34]
( ) ( ) ( )
oj 2 oo 2 oj2 X =σ Τ +σ F
σ Für (essentiell) τ-äquivalente Subtests
[2.2.2.35]
( )
2( )
oo ot2 Τ =4σ Τ
σ Für (essentiell) τ-äquivalente Subtests
[2.2.2.36]
( ) ( ) ( )
2( )
o2 1o 2 oo 2 ot
2 X =4σ Τ +σ F +σ F
σ Für (essentiell) τ-äquivalente Subtests
[2.2.2.37]
( )
( ) ( )
2( )
o2 1o 2 oo 2
oo 2 2
X 4 F F
4
σ + σ + Τ σ
Τ
= σ
ρ Τ Für (essentiell) τ-äquivalente Subtests
[2.2.2.38]
( ) ( )
( ) ( )
( ) ( ( )
2( )
o2)
oo 2 1 o 2 oo 2
oo 2 2
o 1
o ,X F F
X σ Τ +σ σ Τ +σ
Τ
= σ
ρ Für (essentiell) τ-äquivalente Subtests
[2.2.2.39]
( )
( )
=ρ +
ρ
2 o 1 o
2 o 1 o
X , X 1
X , X 2
( ) ( ( ) ( ) ( ) ) ( ( )
2( )
o2)
oo 2 1 o 2 oo 2 oo
2
oo 2
F F
2 2
4
σ + Τ σ σ + Τ σ + Τ σ
Τ
= σ Für (essentiell) parallele Subtests
[2.2.2.40]
(
σ( )
Τ +σ( ) ) (
σ( )
Τ +σ2( )
o2)
=oo 2 1 o 2 oo
2 F F
2
( ) ( ) ( )
o2 2 1 o 2 oo2 F F
2σ Τ +σ +σ
= Für (essentiell) parallele Subtests
[2.2.2.41]
(
2 n k)
2
X ≥maxα ,α ,α
ρ Τ Untere Schranke für die Reliabilität
2.2.3 Stochastische Testmodelle
[2.2.3.1]
( [
xvi =1] [
∧ xwi =0] )
⇒ v>o w Empirische Ordnungsrelation der Guttman-Skala [2.2.3.2]⎩⎨
⎧
δ
≤ θ
δ
>
= θ
i v
i v
vi 0 wenn
wenn
x 1 Itemcharakteristikfunktion der Guttman-Skala
[2.2.3.3]
∑
=
=
θ k
1
i vi
v x Rangplatz der Vp v auf der Guttman-Skala
[2.2.3.4] X→Y:x→y=a+cx mit c>0 Positive lineare Transformation [2.2.3.5] ∀v∀i∈I: pvi =fi
( )
θv Itemcharakteristikfunktion dichotomer Latent-Trait-Modelle [2.2.3.6] θv >θw ⇔pvi >pwi Empirische Ordnungsrelation dichotomer Latent-Trait-Modelle[2.2.3.7]
( ) ( )
( ) ( )
( )
⎪⎩
⎪⎨
⎧
≤ δ
− θ α
≤ δ
− θ α
≤ δ
− θ α
≥ δ
− θ α
= θ
0 für
0
1 0
für
1 für
1 f
i v i
i v i i
v i
i v i v
i Lineare Itemcharakteristik
[2.2.3.8] fi
( ) ( )
θv =f•θv =pv• =θv Itemcharakteristik des Binomialmodells (BM) [2.2.3.9] fi( )
θv =Φ(
αi(
θv−δi) )
α(θ∫
−δ)∞
−
−
= i v i π
2
dz 2 e
1 2z Itemcharakteristik des Normal-Ogive-Modells
[2.2.3.10]
( )
i(vi(vi)i)e 1 fi v eααθ−θδ−δ
= +
θ Itemcharakteristik des Birnbaum-Modells
[2.2.3.11]
( )
v vi ie 1 fi v eθ−θδ−δ
= +
θ Itemcharakteristik des Rasch-Modells (RM)
[2.2.3.12]
( ) ( )
v ve 1 f e
fi v • v θ θ
= + θ
=
θ Darstellung des BM als Spezialfall des RM
[2.2.3.13] ( ) ( ) ( ) ( ) ⎟⎟⎠
⎜⎜ ⎞
⎝
⎛
= − θ
→
= θ Θ
→ Θ
•
•
•
v v R
v v B v R B
p 1 ln p p
: Skalentransformation BM → RM
[2.2.3.14]
( ) ∏ ∑ ∏
= = = ⎟⎟⎠
⎜⎜ ⎞
⎝
⎛ ∈ = ∈
= n
1 v
h 1 g
k 1 i
vi
vi x v g}
prob{X g}
prob{v X
prob Grundgleichung der Latent-Class-Analyse
[2.2.3.15]
∏
=
= k
1 i
i
max m
h Anzahl der möglichen Antwortmuster
2.2.4 Das Konzept der lokalen stochastischen Unabhängigkeit
[2.2.4.1]
( ) ( ) ∏ ( )
=
=
= k
1
i vi
vk 1 v
v probx ,...,x probx x
prob Definition der lokalen Unabhängigkeit
[2.2.4.2 ]
( ) ( ) ∏ ( ( ) )
= −
=
= k
1
i vi v1 vi1
vk 1 v
v probx ,...,x probx x ,...,x x
prob Definition der seriellen Abhängigkeit
2.3 Klassische und stochastische Testtheorie 2.3.1 Ein allgemeines testtheoretisches Modell
[2.3.1.1]
( ) ∏ ( )
=
= k
1
i vi vi
vk 1
v,...,x f x x
prob Lokale Unabhängigkeit
[2.3.1.2] Xvi ≡X•• Pure-Random-Modell
[2.3.1.3] fvi
( )
x =f••( )
x =prob(
Xvi =x)
=p••x Wahrscheinlichkeitsdichte des PR-Modells[2.3.1.4] Xvi ≡X•i Identische Personen (LC1)
[2.3.1.5] fvi
( )
x =f•i( )
x =prob(
Xvi =x)
=p•ix Wahrscheinlichkeitsdichte der LC1 [2.3.1.6] fvi( )
x =prob(
Xvi =xθv)
=fi(
x,θv)
Wahrscheinlichkeitsdichte der Latent-Trait-Modelle [2.3.1.7](
=)
= ∞∫ ( ) ( )
θ θ θ∞
−
d g , x f x X
prob vi i Antwortwahrscheinlichkeit einer zufällig
herausgegriffenen Vp
[2.3.1.8] Xvi ≡Xv• Identische Items (II-Modell)
[2.3.1.9] fvi
( )
x =fv•( )
x =prob(
Xvi =xθv)
=pv•x Wahrscheinlichkeitsdichte des II-Modells [2.3.1.10] v∈g⇔θv =θg Latente Variable der Latent-Class-Modelle [2.3.1.11] fvi( )
x =prob(
Xvi =xθv)
(
Xvi xv g)
pgixprob = ∈ =
= Klassenspezifische Kategorienwahrscheinlichkeiten
[2.3.1.12]
( ) ∑
=
=
= h
1
g gix g
vi x p p
X
prob Antwortwahrscheinlichkeit einer zufällig herausgegriffenen Vp
[2.3.1.13] pg =prob
(
v∈g)
Klassengröße[2.3.1.14]
( ) ( )
⎩⎨
⎧ =
=
∈
=
= 0 sonst
x x für g 1
v x X prob x
fvi vi gi Saturiertes Modell
[2.3.1.15]
( ) ∑
−( )
=
= m 1
0
x vi
vi
i x f x
X
E Erwartungswert der Antwortvariablen
[2.3.1.16]
( ) ∑
−( )
=m=1 0
x 2 vi
2 vi
i x f x
X
E Zweites Moment der Antwortvariablen
[2.3.1.17]
( ) ( ) ( )
vi 2 2vi vi
2 X =EX −EX
σ Varianz der Antwortvariablen
[2.3.1.18]
∑
=
= k
1
i vi
vt x
x Summenscore
[2.3.1.19]
( ) ∑ ∑ ( )
=
−
=
= k
1 i
1 m
0
x vi
vt
i xf x
X
E Erwartungswert des Summenscores
[2.3.1.20]
( ) ∑ ( )
= σ
=
σ k
1
i vi
2 vt
2 X X Varianz des Summenscores
[2.3.1.21]
∑
=
= k
1
i gi
gt x
x Spezialfall: Summenscore des saturierten Modells
2.3.2 Rechtfertigung der Scorebildung
[2.3.2.1]
( ) ∑
−= ••
•
• =
=
τ m 1
0
x x
vt
i xp
k X E
k Pure-Random-Modell
[2.3.2.2]
∑ ( ) ∑ ∑
=
−
= •
= • =
=
τ k
1 i
1 m
0
x ix
k 1
i i
vt
i xp
X
E Identische Personen (LC1)
[2.3.2.3]
∑ ( ) ( ) ∑
−= •
= • = • =
=
τ m1
0
x vx
v k
1
i v
vt EX kEX k xp Identische Items
[2.3.2.4] τvt =kpv• Spezialfall für dichotome Items (Binomialmodell)
[2.3.2.5]
∑ ∑ ( )
=
−
= θ
=
τ k
1 i
1 m
0
x i v
vt
i xf x, Latent-Trait-Modelle
[2.3.2.6]
∑ ( )
= θ
=
τ k
1
i i v
vt f Spezialfall für dichotome Items
[2.3.2.7]
∑
= θ−δ
δ
− θ
= +
τ k
1
vt i v i
i v
e 1
e Rasch-Modell
[2.3.2.8]
∑ ∑
=
−
=
= τ
=
τ k
1 i
1 m
0
x gix
gt vt
i xp Latent-Class-Modelle
[2.3.2.9]
∑
=
= τ
=
τ k
1
i gi
gt
vt p Spezialfal für dichotome Items
[2.3.2.10]
∑
=
=
= τ
=
τ k
1
i gi
gt gt
vt x x Saturiertes Modell
[2.3.2.11] pgi =prob
(
Xvi =1v∈g)
Klassenspezifische Itemlösungswahrscheinlichkeiten [2.3.2.12] θg >θq ⇔pgi >pqi für i = 1,…,k Quantitativ verschiedene latente Klassen [2.3.2.13] θv >θw ⇔pvi >pwi für i = 1,…,k Anordnung der Vpn auf einer latenten Dimension[2.3.2.14]
{ } { ( ) }
(
vo v)
v vk 1 v vo
vk 1
v probx
x ,..., x x prob
) x ,..., x (
prob θ
= θ Suffizienz des Summenscores
[2.3.2.15] prob
{ (
xv1,...,xvk)
θv}
xvo(
v)
kxvov 1−θ −
θ
= Binomialmodell
[2.3.2.16]
{ } ( )
vo vo(
v)
kxvox v k x v
vo 1
x
prob θ = θ −θ − Binomialmodell
[2.3.2.17] prob
{
(xv1,...,xvk)xvo =g} ( )
= kg −1 für g = 0,…,k Binomialmodell[2.3.2.18] fix
( )
θv =prob(
Xvi =x)
Rasch-Modellvi x
vi
1+λ
= λ mit λvi =ξvεi
( )
i v
x i v
1+ξε ε
= ξ mit ξv =exp
( )
θv undεi=exp( )
−δi( )
( )
(
v i)
i v
exp 1
x exp
δ
− θ +
δ
−
= θ mit θv =ln
( )
ξv undδi =−ln( )
εi[2.3.2.19] fix.r
( )
θv =prob(
Xvi =xx(voi) =r)
Dynamisches Testmodellr . vi x
r . vi
1+λ
= λ mit λvi.r =ξv.rε.ir
⎪⎪
⎩
⎪⎪
⎨
⎧
σ = + ξ
ψ
− σ
σ = + ξ
ψ + ξ
=
0 x für
1 x für
i v
r i
i v
r v
mit ξv.r =ξv+ψr undε.ir =
(
σi−ψr)
−1 ,[2.3.2.20] pvi.r =pvi+
(
1−pvi)
pri Dynamisches Testmodell [2.3.2.21]i v i vi 1 v
p +ξε ε
= ξ Trait-bedingte Aufgabenlösung
[2.3.2.22] pri =ψrεi Transfer-bedingte Aufgabenlösung [2.3.2.23] nvo =
(
nvo0,...,nvom−1)
Scorevektor für polytome Antwortvariablen[2.3.2.24] fix
( )
θv =prob(
Xvi =x)
Polytomes Rasch-Modell∑
−= λ
= mλ1
0
y viy
vix mit λvix =ξvxεix
∑
−= ξ ε ε
= mξ1
0
y vy iy
ix
vx mit ξvx =exp
( )
θvx undεix =exp( )
−δix( )
( )
∑
−= θ −δ
δ
−
= m1 θ
o
y vy iy
ix vx
exp
exp mit θvx =ln
( )
ξvx undδix =−ln( )
εix[2.3.2.25] θv =
(
θv0,...,θvm−1)
und δi =(
δi0,...,δim−1)
Polytomes Rasch-Modell [2.3.2.26] ξv =(
ξv0,...,ξvm−1)
und εi =(
εi0,...,εim−1)
Polytomes Rasch-Modell [2.3.2.27]∑
−( )
=1 θ =
m 0
x fix v 1 Polytomes Rasch-Modell
[2.3.2.28]
( ) ( )
( )
∑
−= θ −δ
δ
−
= θ θ m1
0
y v iy
ix v v
ix expy
x
f exp mit δi0 = 0 Ordinales Rasch-Modell
[2.3.2.30]
{ } ( ( ) )
ix v
ix v vi
vi 1 exp
x exp X 1 x x X
prob + θ −α
α
−
= θ
≤
≤
−
= Schwellenwahrscheinlichkeiten
[2.3.2.31]
∑
= α
=
δ x
1
j ij
ix Kategorienschwierigkeiten
[2.3.2.32] fix
( )
ξv =prob(
Xvi =x)
Poisson-Modelle vi
! x
x vi −λ
= λ mit λvi =ξvεi
( )
e vi! x
x i
vε −ξε
= ξ .
[2.3.2.33]
{ }
ix v
ix vi v
vi xx 1 X x 1
X
prob +ξα
α
= ξ
≤
≤
−
= Schwellenwahrscheinlichkeiten
[2.3.2.34] αix =εix−1 Schwellenparameter
2.3.3 Notwendige und hinreichende Bedingungen für die Suffizienz des Summenscores
[2.3.3.1]
{ ( )
=}
=∏
γε( )
ε= g k
1 i
x i vo
vk 1 v
vi
g x x ,..., x
prob für g = 0,…,k Rasch-Modell
[2.3.3.2] γ0
( )
ε =1 Symmetrische Grundfunktionen( )
1 k1ε =ε +...+ε γ
( )
1 2 1 3 1 k 2 3 k1 k2 ε =εε +εε +...+εε +ε ε +...+ε ε
γ −
( )
1 2 3 1 2 4 1 2 k 1 3 4 k2 k1 k3 ε =εε ε +εε ε +...+εεε +εεε +...+ε ε ε
γ − −
……
( )
1 2 3 kk ε =εε ε ...ε
γ
[2.3.3.2]
( )
εγ( )( )
ε= + ε
γ
∑
+ = i
g k
1
i i
1
g g 1
1 Rekursionsformeln
( )
( )
ε =γ( )
ε −εγ( )( )
ε γgi+1 g+1 i gi[2.3.3.3] prob
{ (
xv1,...,xvk)
θv}
( ) ∏
∏
==
ε ε ξ +
= ξ k
1 i
x k i
1
i v i
g
v vi
1 Rasch-Modell
[2.3.3.4] prob
(
xvo =gθv)
( )
γ( )
ε ε ξ += ξ
∏
= k g1
i v i
g v
1 Rasch-Modell
[2.3.3.5]
{ ( ) } { ( ) }
(
vo v)
v vk 1 v vo
vk 1
v probx g
x ,..., x g prob x
x ,..., x
prob = θ
= θ
=
[2.3.3.6]
{ ( )
=}
=∏
γ= ε( )
εg k
1 i
x i vo
vk 1 v
vi
g x x ,..., x
prob Suffizienz des Summenscores
[2.3.3.7]
1 v 1
v 1 vp
p
= −
ξ Definition von ξv
[2.3.3.8]
v 1 v v
1 p 1
f +ξ
= ξ
= Itemcharakteristik des ersten Items
[2.3.3.9]
{ ( ) } { ( ) }
(
x)
cprob x , x x prob
x , x prob
v vo
v 2 v 1 v vo
2 v 1
v =
θ
= θ Suffizienz des Summenscores
[2.3.3.10]
2 v
2 v 2 v
2 p 1
f +ξε
ε
= ξ
= Itemcharakteristik des zweiten Items
[2.3.3.11]
i v
i v
i 1
f +ξε ε
= ξ Itemcharakteristiken der ersten k Items
[2.3.3.12]
∑
=
= k
1
i vi
vo x
x Summenscore
[2.3.3.13]
∑
+= = + +
=k1
1
i vi vo vk1
*
v x x x
x Erweiteter Summenscore
[2.3.3.14] prob
{ (
xv1,...,xvk,xvk+1)
xv*}
= Suffizienz des erweiterten Summenscores( )
{ }
{
x}
cprob x , x ,..., x prob
v
* v
v 1 vk vk 1
v =
θ
= + θ
[2.3.3.15]
1 k v
1 k 1 v
vk 1
k p 1
f
+ + +
+ +ξ ε
ε
= ξ
= Itemcharakteristik des [k+1]-ten Items
[2.3.3.16]
{ ( )
=}
=∏ ∏
=(
σ(
−ψψσ) )
( )−
=
−
, , g g G
x x ,..., x prob
k 1 i
1 i
0 r
x 1 z r i vo
vk 1 v
vi vir
Dynamisches Testmodell
[2.3.3.17]
( ) ∑ ∏∏ ( )
( )= =
−
=
ψ −
− σ
= σ ψ
g y : y
k 1 i
1 i
0 r
y 1 a r i vo
v
vi
, vir
, g G
[2.3.3.18] prob
{ (
xv1,...,xvk)
ξv} ( ) ( )
( )∏
−∏ ∏
= =
−
=
−
σ + ξ
ψ
− σ ψ
+ ξ
= g1
0 r
k 1
i v i
1 i
0 r
x 1 z r i r
v
vi vir
Dynamisches Testmodell
[2.3.3.19] prob
(
xvo =gξv) ( ) ( )
( )∏
−∑ ∏ ∏
= = =
−
=
−
σ + ξ
ψ
− σ ψ
+ ξ
= g1
0
r y:y g
k 1
i v i
1 i
0 r
y 1 a r i r
v
vo v
vi vir
Dynamisches Testmodell
[2.3.3.20]
{ ( ) } { ( ) }
(
vo v)
v vk 1 v vo
vk 1
v probx g
x ,..., x g prob x
x ,..., x
prob = ξ
= ξ
=
[2.3.3.21]
{ ( ) } ( )
( )( )
( )∑ ∏ ∏
∏∏
= =
−
=
−
=
−
=
−
ψ
− σ
ψ
− σ
=
=
g y : y
k 1 i
1 i
0 r
y 1 a r i k
1 i
1 i
0 r
x 1 z r i vo
vk 1 v
vo v
vi vir
vi vir
g x x ,..., x
prob Suffizienz des Summenscores
[2.3.3.22]
( )
kg( ) ( )( )
m0
m m g, kgm 1
, , g
G ψ σ =
∑
− β ψ γ σ −= −−
[2.3.3.23]
( ) ∑ ( )
=
−
+ β ψ
ψ
= ψ +
β m
0
j m j j
1 g
mg 1, g, Rekursionsformel
[2.3.3.24]
0 . 1 0 .
v 1 1f
f
= −
ξ Definition von ξv
[2.3.3.25]
0 . 2
0 . 2 0 . 1 0 . 2 1
f f 1 f 1
f −
= −
σ Definition von σ2
[2.3.3.26]
f 1
v 0 v .
1 ξ +
= ξ Bedingte Itemcharakteristik, Item 1, r = 0
[2.3.3.27]
2 v
v 0 .
f2
σ + ξ
= ξ Bedingte Itemcharakteristik, Item 2, r = 0
[2.3.3.28]
{ ( ) } { ( ) }
{ ( )
1,0}
prob{ ( )
0,1}
cprob
0 , 1 1 prob
x 0 , 1 prob
v v
v
vo =
ξ +
ξ
= ξ
= Suffizienz des Summenscores
[2.3.3.29]
{ ( ) } { ( ) }
{ ( )
1,0}
prob{ ( )
0,1}
cprob
1 , 0 1 prob
x 1 , 0 prob
v v
v
vo =
ξ +
ξ
= ξ
= Suffizienz des Summenscores
[2.3.3.30]
{ ( ) }
{ ( ) } ( (
1.0)
2.0)
1 . 2 0 . 1 v vf f 1
f 1 f 1 , 0 prob
0 , 1 prob
−
= − ξ
ξ = c
[2.3.3.31]
2 v
1 v 1 .
f2
σ + ξ
ψ +
= ξ Bedingte Itemcharakteristik, Item 2, r = 1
[2.3.3.32]
i v
r v r
f.i
σ + ξ
ψ +
= ξ Bedingte Itemcharakteristiken der ersten k Items
[2.3.3.33]
1 k v
1 k 1 v
k . 1
fk
+
− −
+ ξ +σ
ψ +
= ξ Bedingte Itemcharakteristik, Item k+1, r = k-1
[2.3.3.34]
1 k v
k k v
. 1
fk
+
+ ξ +σ
ψ +
= ξ Bedingte Itemcharakteristik, Item k+1, r = k
[2.3.3.35] prob
{ (
xv1,...,xvk,0)
xv* =k}
= Suffizienz des erweiterten Summenscores( )
{ } ( )
(
x k) (
1 f)
prob(
x k 1)
f cprob
f 1 k x x ,..., x prob
1 k . 1 k v vo
k . 1 k v vo
k . 1 k v vo vk 1
v =
ξ
−
= +
− ξ
=
− ξ
=
= ∧
− + +
+
[2.3.3.36]
( )
(
1 f prob)
probx(
x k k1)
cf
v vo k
. 1 k
v vo
1 k . 1
k =
ξ
=
−
ξ
−
=
+
− +
2.4 Parameterschätzung, Modellkontrolle und Beurteilung der Testleistung der Probanden in der klassischen Testtheorie
2.4.1 Parameterschätzung
[2.4.1.1] ˆτvt =xvt Schätzwert für den True-Score
[2.4.1.2] σ
( ) ( ) ( )
ˆτvt ≅σFot =σXot 1−ρ2XΤ Fehlerstreuung der True-Score Schätzung2.4.2 Überprüfung der Modellannahmen
[2.4.2.1] E
( ) ( )
Xot =EXot' Gilt für τ-Äquivalenz und Parallelität [2.4.2.2]( )
2( )
ot'ot
2 X =σ X
σ Gilt für Parallelität und essentielle Parallelität [2.4.2.3] ρ
(
Xot,Yo) (
=ρXot',Yo)
Gilt für Parallelität und essentielle Parallelität [2.4.2.4] E(
Xot−Xot')
=ctt' Gilt für essentielle τ-Äquivalenz [2.4.2.5] E(
X1t −X1t') (
=EX2t−X2t')
Gilt für essentielle τ-Äquivalenz[2.4.2.6]
( )
(
ot ot')
' ot ot
X X ˆ
X X nm
t σ −
= − mit df = n-1 Test für [2.4.2.1]
[2.4.2.7]
( ) ( )
( )
2(
2t 2t')
' t 1 t 1 2
' t 2 t 2 ' t 1 t 1
X X ˆ X X ˆ
X X m X X m 2 t n
− σ +
− σ
−
−
= − mit df = n-2 Test für [2.4.2.5]
[2.4.2.8]
( )
(
ot ot')
' ot ot
D D ˆ
D D n m
t σ −
= − mit df = n-1 Test für [2.4.2.2]
[2.4.2.9]
( )
1 Y ' t tY
CV 2 2
z z 3 z n
−
−
= − Test für [2.4.2.3]
2.4.3 Beurteilung der Testleistungen
[2.4.3.1] KONFγ
{
xvt −cσ( )
Fot ≤τvt ≤xvt+cσ( )
Fot}
Konfidenzintervall für den True-Score [2.4.3.2] prob{
−c≤Z≤c}
=γ[2.4.3.3]
( )
ot krit vtF z x
σ τ
= − Test für den True-Score
[2.4.3.4]
( )
ot wt vtF 2
x z x
σ
= − Kritische Differenz zweier Vpn
[2.4.3.5]
( ) ( )
x( )
y( )
ny0 y
n y
10 x Fx p 1 p
n
prob −
=
−
=
=
≤
∑
Test von McNemar2.5 Parameterschätzung und Modellkontrolle im saturierten Modell 2.5.1 Parameterschätzung
[2.5.1.1]
∏
=
= k
1
i i
max m
h Anzahl der möglichen Antwortmuster
[2.5.1.2]
( ) ∏ { ( ) }
=
= n
1
v prob xv1,...,xvk
X
L
∏
=
=hmax g
1 g
n
pg Likelihood der Antwortmatrix
[2.5.1.3]
{ } ( ) ∑ ( )
=
=hmax
1 g nglnpg
X L
ln Log-Likelihood der Antwortmatrix
[2.5.1.4] pg =prob
(
v∈g)
=prob{ (
xv1,...,xvk)
=(
xg1,...,xgk) }
Klassengrößen [2.5.1.5]n
pˆg =ng ML-Schätzer der Klassengrößen
[2.5.1.6]
( )
pˆg pg(
1n pg)
= −
σ Fehlerstreuung des ML-Schätzers [2.5.1.5]
[2.5.1.7]
∑
= max =
h 1
g pg 1
[2.5.1.8] n(Psat)=hmax −1 Anzahl der unabhängigen Modellparameter
2.6 Parameterschätzung und Modellkontrolle in Modellen mit personen- und/oder itemunabhängigen Antwortvariablen
2.6.1 Parameterschätzung
[2.6.1.1] mi =m Pure-Random-Modell
[2.6.1.2] prob
(
Xvi =x)
=p••x Kategorienwahrscheinlichkeiten[2.6.1.3]
( ) ∏ { ( ) }
=
= n
1
v prob xv1,...,xvk
X
L
∏
−= ••
=m1
0 x
n x
poox Likelihood der Antwortmatrix
[2.6.1.4]
⎩⎨
⎧ =
= O sonst x x wenn
nvix 1 vi
[2.6.1.5]
∑ ∑
= =
= n
1 v
k 1
i vix
oox n
n
[2.6.1.6]
{ } ( ) ∑
−( )
= ••
=m1
0
x nooxlnp x
X L
ln Log-Likelihood der Antwortmatrix
[2.6.1.7]
k n
pˆ••x = noox ML-Schätzer der Kategorienwahrscheinlichkeiten
[2.6.1.8]
( )
pˆ x p••x(
1nkp••x)
•
•
= −
σ Fehlerstreuung des ML-Schätzers [2.6.1.7]
[2.6.1.9] m1p 1
0 x
∑
− x == ••
[2.6.1.10] n
( )
PPR =m−1 Anzahl der unabhängigen Modellparameter [2.6.1.11] prob(
Xvi =x)
=p•ix Identische Personen (LC1)[2.6.1.12]
( ) ∏ { ( ) }
=
= n
1
v prob xv1,...,xvk
X
L
∏ ∏
=
−
= •
= k
1 i
1 m
0 x
n ix
i poix Likelihood der Antwortmatrix
[2.6.1.13]
∑
=
= n
1
v vix
oix n
n
[2.6.1.14]
{ } ( ) ∑ ∑ ( )
=
−
= •
= k
1 i
1 m
0
x oix ix
i n lnp
X L
ln Log-Likelihood der Antwortmatrix
[2.6.1.15]
n
pˆ•ix =noix ML-Schätzer der Kategorienwahrscheinlichkeiten
[2.6.1.16]
( ) ( )
n p 1 pˆ•ix p•ix − •ix
=
σ Fehlerstreuung des ML-Schätzers [2.6.1.15]
[2.6.1.17]
∑
−=1 • =
m 0
x ix
i p 1
[2.6.1.18]
( ) ∑ ( )
= −
= k
1
i i
1
LC m 1
P
n Anzahl der unabhängigen Modellparameter
[2.6.1.19] n
( ) (
PLC1 =km−1)
Spezialfall für mi = m; i = 1,…,k [2.6.1.20] prob(
Xvi=xθv)
=pv•x Identische Items (II-Modell)[2.6.1.21] θvx =pv•x Kategorienwahrscheinlichkeiten
[2.6.1.22] L
(
xv θv)
=prob{ (
xv1,...,xvk)
θv} ∏
−= •
=m1
0 x
n x vvox
p Likelihood des Antwortvektors
[2.6.1.23]
∑
=
= k
1
i vix
vox n
n
[2.6.1.24]
{ ( ) } ∑
−( )
= •
= θ m1
0
x vox vx
v
v n lnp
x L
ln Log-Likelihood des Antwortvektors
[2.6.1.25]
k
pˆv•x = nvox ML-Schätzer der Kategorienwahrscheinlichkeiten
[2.6.1.26]
( ) ( )
k p 1 pˆv•x pv•x − v•x
=
σ Fehlerstreuung des ML-Schätzers [2.6.1.25]