#### Syntax Kapitel 5 #### # # Zum Ausführen des Skripts, wechseln Sie bitte # in das Arbeitsverzeichnis, in dem die Daten liegen. # # z.B. # setwd("C:/R/Daten") (für Windows) # setwd("/home/hosoya/R/daten") (für Unix/Linux/Mac) library(memisc) # *.sav-file einlesen data<-as.data.set(spss.system.file('Daten-kapitel-5-sex.sav')) # Konvertierung der Daten in den Typ data.frame data<-data.frame(data) # Deskriptive Statistiken mean<-apply(data[2:7],2,mean) mean median<-apply(data[2:7],2,median) median var<-apply(data[2:7],2,var) var # Gamma-Koeffizient library(vcdExtra) tab1<-table(data$item_1, data$item_2) GKgamma(tab1, level=0.95) # relativer Informationsgehalt item_1_factor<- factor(data$item_1, labels=c('1','2','3','4','5')) item_1_p<-prop.table(table(item_1_factor)) item_1_i<-(-1/log(5))*sum((item_1_p*log(item_1_p))) item_1_i # Anpassung des Partial-Credit-Modells mit eRm() library(eRm) # Konvertierung der Test-Daten in den Typ matrix data.mat<-as.matrix(data[,2:7], dimnames=names(data)[2:7]) # CML-Schätzung der Item-Parameter pcm<-PCM(data.mat) summary(pcm) # Berechnung der Schwellenparameter thresholds(pcm) # Darstellung der Itemcharakteristik-Kurven plotICC(pcm) # Darstellung der Person-Item-Map plotPImap(pcm) # ML-Schätzung der Personenwerte p.par<-person.parameter(pcm) summary(p.par) print(p.par) # Likelihood-Ratio-Test mit Geschlecht # als Split-Kriterium lrt1<-LRtest(pcm, splitcr=data$sex) summary(lrt1) # Grafischer Modelltest plotGOF(lrt1, conf=list()) # Waldtest mit Geschlecht # als Split-Kriterium Waldtest(pcm, splitcr=data$sex) # Martin-Loef-Test mit # benutzerdefiniertem Split-Kriterium MLoef(pcm, splitcr=c(1,0,1,1,0,0)) # Item-Fit itemfit(p.par) # Personen-Fit personfit(p.par) ## Anpassung des generalisierten Partial-Credit-Modells library(ltm) gpcm<-gpcm(data.mat) summary(gpcm) GoF.gpcm(gpcm, B=300) # Goodness of Fit bootstrap ## Analyse der Items 1, 3 und 4 # Auswahl der Items 1, 3 und 4 data.sub<-data.mat[,c(4,1,3)] # Anpassen des Partial-Credit-Modells pcm.sub<-PCM(data.sub) summary(pcm.sub) thresholds(pcm.sub) # Anpassen des Ratingskalen-Modells rsm.sub<-RSM(data.sub) summary(rsm.sub) thresholds(rsm.sub) plotPImap(rsm.sub)