论文部分内容阅读
为研究人格测验的项目反应过程与数据分析方法,该博士论文选取了生活取向测验(LOT)及其修订版(LOT-R)作为例子。因为这两个测验具有典型人格测验的特点,即项目数少,并由相同数量的正负性词项目组成。这两个测验的维度在西方研究者中引起了广泛的争论。争议的焦点是测验编制者根据自我调节理论认为这两个测验的维度是单维的,但采用因素分析方法分析时却得到两个维度。为了验证这两个测验单维性的违背并不是西方文化特有的产物,也不是项目因素导致的方法效应,而主要是由于研究者所采用的因素分析方法对测验的项目反应过程作了错误的限定,作者在中国文化背景下采用传统的因素分析方法和理想点方法同时对两个测验的维度和反应过程进行了验证,结果验证了两个测验单维性的违背具有跨文化的一致性,LOT和LOT-R的项目反应过程是一种理想点过程,LOT-R的单维性之所以违背主要是由于因素分析方法对它的项目反应过程错误地限定为优势过程。由于LOT-R的项目反应过程是一种理想点过程,作者假设建立在该过程基础上的展开模型比优势模型更拟合该测验的项目反应数据。通过比较拓广等级展开模型(GGUM)、等级反应模型(GRM)和拓广分部评分模型(GPCM)的模型-数据拟合发现,GGUM的模型-数据拟合确实优于其它两个模型,但该模型的绝对拟合仍不是很好,作者尝试从减少数据的复杂性和增加模型的复杂性两个方面改善模型-数据拟合。当对LOT-R的反应数据重新编码为2种类别的数据后,GGUM的模型-数据拟合确实得到了进一步的改善;当对GGUM进行拓展,使之变为更复杂的拓广分部展开模型(GPUM)后,新模型的模型-数据拟合也变得较原有的GGUM更拟合LOT-R的反应数据。进而,作者提出对一些人格测验的数据应该减少数据的复杂性或采用更复杂的模型才可能取得更好的拟合。在考查展开模型对LOT-R反应数据的拟合的同时,作者也对展开模型的参数估计方法进行了研究。结果发现,当对5种反应类别的LOT-R数据进行分析时,边际极大似然(MML)方法估计的GGUM项目参数不太准确,LOT-R的反应数据重新编码为2种类别的数据之后,GGUM的项目参数估计值的准确性得到了一些改善。同时,对GGUM中的阈限参数施加一定限制之后,大多数项目的参数估计值的准确性也得到了改善。但是MML方法仍存在高估项目位置参数及其标准误的情况。为了消除上述不良影响,作者引入马尔科夫链蒙特卡洛(MCMC)方法对GGUM的参数进行估计,结果发现这种方法得到的估计值显得比MML方法得到的项目位置参数和标准误估计值都更合理。并且它能用于估计更复杂的GPUM的参数。因此作者认为MCMC方法相对于MML方法更不会限制复杂模型的使用。该博士论文中还开发了一个用于检验模型.数据拟合的计算机程序,其计算结果与广泛使用的MODFIT程序计算得到的结果几乎是一致的。与MODFIT相比,新开发的程序不需要对样本容量和项目数进行限制,并可用于新模型的模型-数据拟合研究,但是该论文中开发的程序不能用于计算校正的χ~2/df。