Słownik metodologiczny · Ludzie statystyki

Georg Rasch (1901–1980) – kim był i co wniósł do statystyki

Georg Rasch, duński matematyk i statystyk, stworzył model, w którym szansa poprawnej odpowiedzi zależy tylko od różnicy między zdolnością osoby a trudnością zadania. Przedstawiamy jego biografię naukową, oś czasu i przykład w R na klasycznych danych testu LSAT – warunkowe szacowanie trudności i obiektywność specyficzną w liczbach.

Strona główna / Słownik / Georg Rasch
W skrócie: Georg Rasch (1901–1980) – duński matematyk i statystyk, profesor Uniwersytetu Kopenhaskiego (1962–1972), twórca modelu Rascha (1960): szansa poprawnej odpowiedzi zależy w nim tylko od różnicy między zdolnością osoby a trudnością zadania, a dzięki wnioskowaniu warunkowemu trudności zadań można oszacować niezależnie od badanych osób.

Kim był Georg Rasch?

Georg Rasch (1901–1980) urodził się 21 września 1901 r. w Odense (Wright, 1980). Studiował matematykę na Uniwersytecie Kopenhaskim i w 1930 r., mając 29 lat, uzyskał doktorat za rozprawę o rachunku macierzowym i jego zastosowaniach w teorii równań różniczkowych i różnicowych. Uchodził za jednego z najzdolniejszych duńskich matematyków młodego pokolenia, ale nie stworzono dla niego odpowiedniego stanowiska, więc został konsultantem w dziedzinie analizy danych i statystyki (Andersen, 1982).

W połowie lat 30. pracował w Londynie u Ronalda Fishera, którego idee – największa wiarygodność, statystyki dostateczne – przeniósł do Danii (Andersen, 1982; Wright, 1980). W latach 1940–1956 kierował założonym przez siebie działem biostatystyki Państwowego Instytutu Surowic, gdzie terminowało u niego niemal całe następne pokolenie duńskich statystyków, m.in. Anders Hald. O katedrę statystyki Uniwersytetu Kopenhaskiego postarał się dopiero w 1961 r., mając prawie 60 lat; profesorem był w latach 1962–1972. Zmarł w 1980 r. w wieku 79 lat (Andersen, 1982).

Najważniejsze pomysły

  • Model Rascha. Według Andersena (1982) psychologia i pedagogika zajęły Rascha na dobre od połowy lat 50., gdy był konsultantem ministerstwa spraw społecznych, wojskowej służby psychologicznej i Duńskiego Instytutu Badań Pedagogicznych; Wright (1980) wymienia wcześniejsze zlecenia – standaryzację testu inteligencji dla ministerstwa obrony w 1945 r. i badanie czytania na początku lat 50. Rasch odrzucił metody oparte na analizie czynnikowej i w 1960 r. w pełni sformułował model, w którym szansa poprawnej odpowiedzi zależy tylko od różnicy między zdolnością osoby a trudnością zadania (Andersen, 1982; Rasch, 1960/1980).
  • Model Poissona dla czytania. Punktem wyjścia były powtarzane testy głośnego czytania młodzieży z trudnościami w nauce: Rasch opisał szybkość i liczbę błędów multiplikatywnym modelem opartym na rozkładzie Poissona – osobny parametr dla osoby, osobny dla tekstu (Wright, 1980).
  • Wnioskowanie warunkowe i obiektywność specyficzna. Liczba poprawnych odpowiedzi jest statystyką dostateczną dla zdolności, więc po warunkowaniu na niej parametry osób znikają z wiarygodności, a trudności zadań da się oszacować bez nich. Rasch nazwał tę własność obiektywnością specyficzną: porównanie zadań nie zależy od tego, kto je rozwiązywał, a porównanie osób – od tego, jakie zadania dostały (Wright, 1980). Andersen (1970) udowodnił, że estymatory warunkowej metody największej wiarygodności są zgodne, a Andersen (1973) zbudował na nich test dopasowania modelu.

Ciekawostka

Najważniejszą własność swojego modelu Rasch zrozumiał w pełni podczas rozmowy z ekonomistą. Na jubileuszu Uniwersytetu Kopenhaskiego w 1959 r. tłumaczył norweskiemu ekonomiście Ragnarowi Frischowi model Poissona na przykładzie szybkości czytania: jeśli warunkuje się na łącznej liczbie słów przeczytanych w dwóch tekstach, podział tej liczby między teksty zależy tylko od ich trudności, a parametr ucznia się skraca. Frisch – jak wspominał sam Rasch – wykrzyknął kilka razy: „It was eliminated, that is most interesting!” (Wright, 1980).

Od tej uwagi Rasch zaczął traktować rozdzielenie parametrów osób i zadań jako zasadniczą cechę całej klasy modeli. Rok później L. J. Savage sprowadził go z wykładami do Chicago; słuchał ich Benjamin Wright, który potem uznał książkę Rascha za najważniejsze dzieło psychometrii od czasów Thurstone’a (Wright, 1980).

Przykład: pięć zadań testu LSAT

Używamy klasycznych danych z pakietu ltm: odpowiedzi 1000 osób na 5 zadań sekcji VI testu Law School Admission Test – według pliku pomocy pochodzą one z pracy Bocka i Liebermana z 1970 r.. Odsetki poprawnych odpowiedzi wynoszą od .553 (Z3) do .924 (Z1); 298 osób rozwiązało wszystko, a 3 nic. Warunkowa metoda największej wiarygodności (pakiet eRm) daje trudności od −1.256 (Z1, SE = 0.104) do 1.236 (Z3, SE = 0.069) logita.

Ten sam model można dopasować jako regresję logistyczną z osobnym efektem każdej osoby i każdego zadania. Wtedy 699 osób z wynikiem od 1 do 4 wymaga 703 parametrów, a trudności wychodzą 1.27 razy bardziej rozciągnięte (np. Z3: 1.629 zamiast 1.236). To problem parametrów ubocznych opisany przez Andersena (1970) – i powód, dla którego Rasch warunkował na wyniku surowym, tak jak robi to warunkowa regresja logistyczna.

Obiektywność specyficzną widać wprost w liczbach. Bierzemy osoby, które rozwiązały dokładnie jedno z pary zadań Z1 i Z3: logarytm ilorazu „rozwiązało Z1” do „rozwiązało Z3” wynosi 2.69, 2.87 i 2.45 w grupach z 1, 2 i 3 poprawnymi odpowiedziami w pozostałych zadaniach, a model przewiduje 2.49 niezależnie od zdolności. Wreszcie test ilorazu wiarygodności Andersena, porównujący trudności oszacowane osobno u słabszych (wynik 0–3) i mocniejszych (4–5), daje LR = 0.168, df = 4, p = .997 – brak śladu niedopasowania.

Na rysunku

Pozioma oś czasu od 1900 do 1980 z dziesięcioma zdarzeniami: 1901 urodzony w Odense; 1930 doktorat z matematyki; 1935 u R. A. Fishera w Londynie; 1940 kieruje działem biostatystyki Instytutu Surowic; 1945 test inteligencji dla wojska; 1952 badanie czytania i model Poissona; 1959 rozmowa z R. Frischem; 1960 książka o modelach probabilistycznych; 1962 profesor statystyki w Kopenhadze; 1980 zmarł. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – nauka, trójkąt – praca, romb – metoda, odwrócony trójkąt – publikacja
Rysunek 1. Oś czasu: Georg Rasch, 1901–1980. Lata według Andersena (1982) i Wrighta (1980). Rysunek: R, pakiet ggplot2.

Co widać. Przez trzydzieści lat Rasch był matematykiem i biostatystykiem; zdarzenia związane z modelem mieszczą się w latach 1945–1962, a sama teoria powstała – jak pisze Andersen (1982) – w ciągu trzech, czterech lat.

Na co uważać. Źródła różnią się w szczegółach: Wright (1980) datuje przyjazd do Fishera na wrzesień 1934 r., Andersen (1982) na lata 1935–1936; badanie czytania przypada na lata 1951–1952 zależnie od relacji, a Andersen (1982) pisze, że zastosowaniami w psychologii Rasch zajął się dopiero w połowie lat 50. Na osi przyjęto lata 1935 i 1952.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Georga Rascha, 1901–1980. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, nauka, praca, metoda, publikacja).
Dwa panele dla danych LSAT. A: logarytm ilorazu liczby osób, które rozwiązały zadanie Z zamiast Z3, w trzech grupach wyniku na pozostałych zadaniach (1, 2, 3) dla par z zadaniami Z1 (niebieskie kółka), Z2 (pomarańczowe trójkąty), Z4 (zielone kwadraty) i Z5 (różowe romby); punkty z 95% przedziałami układają się wokół poziomych przerywanych linii przewidywanych przez model Rascha: 2.49, 0.76, 1.07 i 1.86. B: trudności pięciu zadań oszacowane u osób z wynikiem 0–3 (oś pozioma) i 4–5 (oś pionowa) z 95% przedziałami w obu kierunkach; wszystkie pięć punktów leży na przekątnej, od Z1 (około −1.25) do Z3 (około 1.24)
Rysunek 2. Obiektywność specyficzna w danych LSAT (sekcja VI, N = 1000, 5 zadań): porównania par zadań w grupach zdolności (A) i trudności w grupie słabszej i mocniejszej – test Andersena (B). Obliczenia i rysunek: R, pakiety eRm, ggplot2 i patchwork.

Co widać. Na panelu A porównanie dwóch zadań daje mniej więcej tę samą liczbę w każdej grupie zdolności – po to Rasch skonstruował swój model. Na panelu B trudności z dwóch grup osób leżą na przekątnej.

Na co uważać. Test ma tylko pięć łatwych zadań, więc grupy z niskim wynikiem są małe, a przedziały szerokie. Grupa „3” na panelu A to dla wszystkich par ten sam wzorzec odpowiedzi (wszystko poprawnie poza jednym zadaniem), więc te punkty nie są niezależne.

Podpis do pracy:

Rysunek 2. Sprawdzenie obiektywności specyficznej w modelu Rascha dla pięciu zadań testu LSAT (sekcja VI, N = 1000). (A) Logarytm ilorazu liczby osób, które rozwiązały zadanie Z, a nie Z3, do liczby osób, które rozwiązały Z3, a nie Z, w grupach wyniku na pozostałych zadaniach; linie przerywane – różnice trudności z warunkowej metody największej wiarygodności. (B) Trudności zadań oszacowane osobno u osób z wynikiem 0–3 i 4–5. Uwaga. Pionowe i poziome odcinki – 95% przedziały ufności; linia przerywana na panelu B – równość oszacowań.

Gdzie spotkasz Rascha w swojej pracy

Spory, mity i trudne strony

  • Model czy dane? Rasch nie przyjmował modelu na wiarę: zanim go zaakceptował, sprawdzał dopasowanie setkami prostych tabel i wykresów (Andersen, 1982).
  • Trudny człowiek. Andersen (1982) pisze w nekrologu, że współpraca z Raschem bywała trudna, ale tym, którzy przyjęli jego styl i pracowali z nim blisko, okazywał otwartość, hojność i lojalność.
Przykład reprodukowalny

Rasch w R

Kod rysuje oś czasu, dopasowuje model Rascha do danych LSAT warunkową metodą największej wiarygodności (eRm) i jako regresję logistyczną z efektami osób i zadań (glm), liczy porównania par zadań w grupach zdolności i test Andersena. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

rozkład wyników, odsetki poprawnych odpowiedzi, trudności z CML i JML, porównania par zadań z Z3 w grupach zdolności i test Andersena z trudnościami w dwóch grupach.

Dane wejściowe: Oś czasu i model Rascha na danych LSAT

Co odczytać: dane data(LSAT, package = "ltm") – odpowiedzi 1000 osób na 5 zadań sekcji VI testu LSAT (według pliku pomocy – z pracy Bocka i Liebermana z 1970 r.); bez losowania; daty osi czasu z cytowanych źródeł.

Kod R rysunków 1 i 2
# Georg Rasch: oś czasu i model Rascha na danych LSAT (sekcja VI, 1000 osób, 5 zadań)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(eRm)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73",
        fiolet = "#CC79A7", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według Andersena 1982 i przedmowy Wrighta do wydania z 1980 r.)
zdarzenia <- data.frame(
  rok = c(1901, 1930, 1935, 1940, 1945, 1952, 1959, 1960, 1962, 1980),
  opis = c("urodzony w Odense", "doktorat\nz matematyki", "u R. A. Fishera\nw Londynie", "kieruje działem biostatystyki\nInstytutu Surowic",
           "test inteligencji\ndla wojska", "badanie czytania:\nmodel Poissona", "rozmowa\nz R. Frischem",
           "książka o modelach\nprobabilistycznych", "profesor statystyki\nw Kopenhadze", "zmarł"),
  rodzaj = c("życie", "nauka", "nauka", "praca", "praca", "metoda", "metoda", "publikacja", "praca", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2, 1.2, -1, 2.1, -2, 1.2, -1)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "metoda" = 23, "publikacja" = 25), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
                               "metoda" = oi[["pomaranczowy"]], "publikacja" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1900, 1980, 10), limits = c(1893, 1988)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
  labs(title = "Georg Rasch (1901–1980)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Dane: Law School Admission Test, sekcja VI (Bock i Lieberman 1970), odpowiedzi 0/1
data(LSAT, package = "ltm")
X <- as.matrix(LSAT)
colnames(X) <- paste0("Z", 1:5)
table(wynik = rowSums(X))
round(colMeans(X), 3)                       # odsetek poprawnych odpowiedzi

# 3. Model Rascha warunkową metodą największej wiarygodności (CML): wynik surowy jest statystyką
#    dostateczną dla zdolności, więc po warunkowaniu na nim parametry osób znikają z wiarygodności.
m_cml <- RM(X)
trudnosc_cml <- setNames(-m_cml$betapar, colnames(X))   # eRm podaje łatwość; trudność = −łatwość (suma = 0)
round(cbind(trudnosc = trudnosc_cml, SE = m_cml$se.beta), 3)

# 4. Ten sam model jako regresja logistyczna z efektem każdej osoby i każdego zadania (łączna wiarygodność, JML).
#    Osoby z wynikiem 0 lub 5 nie wnoszą informacji o zadaniach, więc je pomijamy.
srodek <- rowSums(X) > 0 & rowSums(X) < 5
dl <- data.frame(osoba = factor(rep(which(srodek), 5)), zadanie = factor(rep(colnames(X), each = sum(srodek))),
                 y = c(X[srodek, ]))
m_jml <- glm(y ~ 0 + osoba + zadanie, family = binomial, data = dl)
b <- c(Z1 = 0, coef(m_jml)[paste0("zadanie", colnames(X)[-1])])
trudnosc_jml <- setNames(-(b - mean(b)), colnames(X))
round(rbind(CML = trudnosc_cml, JML = trudnosc_jml), 3)
c(osoby_w_glm = sum(srodek), parametry_glm = length(coef(m_jml)))
round(sd(trudnosc_jml) / sd(trudnosc_cml), 3)   # ile razy rozpiętość trudności z JML przekracza CML

# 5. Obiektywność specyficzna w liczbach: dla pary zadań (i, Z3) bierzemy osoby, które rozwiązały
#    dokładnie jedno z nich. Logarytm ilorazu „rozwiązało i, nie Z3” do „rozwiązało Z3, nie i” szacuje
#    różnicę trudności b(Z3) − b(i) i według modelu nie zależy od zdolności – sprawdzamy to w grupach
#    wyniku na trzech pozostałych zadaniach.
pary <- do.call(rbind, lapply(c("Z1", "Z2", "Z4", "Z5"), function(i) {
  reszta <- rowSums(X[, setdiff(colnames(X), c(i, "Z3"))])
  do.call(rbind, lapply(1:3, function(s) {
    n_i <- sum(X[, i] == 1 & X[, "Z3"] == 0 & reszta == s)
    n_3 <- sum(X[, i] == 0 & X[, "Z3"] == 1 & reszta == s)
    data.frame(zadanie = i, reszta = s, n_i = n_i, n_Z3 = n_3, log_iloraz = log(n_i / n_3),
               se = sqrt(1 / n_i + 1 / n_3), z_modelu = trudnosc_cml[["Z3"]] - trudnosc_cml[[i]])
  }))
}))
pary$dolna <- pary$log_iloraz - 1.96 * pary$se
pary$gorna <- pary$log_iloraz + 1.96 * pary$se
print(transform(pary, log_iloraz = round(log_iloraz, 2), se = round(se, 2), z_modelu = round(z_modelu, 2),
                dolna = round(dolna, 2), gorna = round(gorna, 2)), row.names = FALSE)

# 6. Test Andersena: trudności oszacowane osobno w grupie słabszej (wynik 0–3) i mocniejszej (4–5)
lr <- LRtest(m_cml, splitcr = "mean", se = TRUE)
lr
grupy <- data.frame(zadanie = colnames(X),
                    slabsi = -lr$betalist$low, se_slabsi = lr$selist$low,
                    mocniejsi = -lr$betalist$high, se_mocniejsi = lr$selist$high)
grupy[, -1] <- round(grupy[, -1], 3)
print(grupy, row.names = FALSE)

# Rysunek 2A: różnica trudności w parach zadań w trzech grupach zdolności
pA <- ggplot(pary, aes(factor(reszta), log_iloraz, colour = zadanie, shape = zadanie, group = zadanie)) +
  geom_hline(aes(yintercept = z_modelu, colour = zadanie), linetype = "dashed", linewidth = 0.6, show.legend = FALSE) +
  geom_errorbar(aes(ymin = dolna, ymax = gorna), width = 0.12, position = position_dodge(width = 0.45)) +
  geom_point(size = 3, fill = "white", stroke = 1.1, position = position_dodge(width = 0.45)) +
  scale_colour_manual(values = c(Z1 = oi[["niebieski"]], Z2 = oi[["pomaranczowy"]], Z4 = oi[["zielony"]], Z5 = oi[["fiolet"]]),
                      name = "Para z Z3:") +
  scale_shape_manual(values = c(Z1 = 21, Z2 = 24, Z4 = 22, Z5 = 23), name = "Para z Z3:") +
  labs(title = "A. Porównanie zadań bez udziału zdolności",
       x = "Liczba poprawnych odpowiedzi w trzech pozostałych zadaniach",
       y = "Logarytm ilorazu: Z zamiast Z3") +
  motyw + theme(legend.position = "bottom")
# Rysunek 2B: trudności w dwóch grupach (test Andersena)
pB <- ggplot(grupy, aes(slabsi, mocniejsi)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey50", linetype = "dashed") +
  geom_errorbar(aes(ymin = mocniejsi - 1.96 * se_mocniejsi, ymax = mocniejsi + 1.96 * se_mocniejsi), width = 0.05, colour = "grey35") +
  geom_errorbar(aes(xmin = slabsi - 1.96 * se_slabsi, xmax = slabsi + 1.96 * se_slabsi), width = 0.05,
                orientation = "y", colour = "grey35") +
  geom_point(shape = 21, size = 3.2, fill = oi[["cynober"]]) +
  geom_text(aes(label = zadanie), nudge_x = -0.17, nudge_y = 0.13, size = 3.6) +
  coord_equal(xlim = c(-1.7, 1.7), ylim = c(-1.7, 1.7)) +
  labs(title = "B. Trudności w dwóch grupach",
       x = "Trudność – osoby z wynikiem 0–3 (logity)", y = "Trudność – osoby z wynikiem 4–5 (logity)") +
  motyw
p_metoda <- pA + pB + plot_layout(widths = c(1.15, 1))
p_os
p_metoda
Wynik w R
wynik
  0   1   2   3   4   5 
  3  20  85 237 357 298 
   Z1    Z2    Z3    Z4    Z5 
0.924 0.709 0.553 0.763 0.870 
   trudnosc    SE
Z1   -1.256 0.104
Z2    0.475 0.070
Z3    1.236 0.069
Z4    0.168 0.073
Z5   -0.623 0.086
        Z1    Z2    Z3    Z4     Z5
CML -1.256 0.475 1.236 0.168 -0.623
JML -1.549 0.561 1.629 0.165 -0.806
  osoby_w_glm parametry_glm 
          699           703 
[1] 1.27
 zadanie reszta n_i n_Z3 log_iloraz   se z_modelu dolna gorna
      Z1      1  59    4       2.69 0.52     2.49  1.68  3.70
      Z1      2 158    9       2.87 0.34     2.49  2.19  3.54
      Z1      3 173   15       2.45 0.27     2.49  1.92  2.97
      Z2      1  24    7       1.23 0.43     0.76  0.39  2.07
      Z2      2  93   47       0.68 0.18     0.76  0.33  1.03
      Z2      3 173   80       0.77 0.14     0.76  0.51  1.04
      Z4      1  25    4       1.83 0.54     1.07  0.78  2.89
      Z4      2 118   42       1.03 0.18     1.07  0.68  1.39
      Z4      3 173   61       1.04 0.15     1.07  0.75  1.33
      Z5      1  48    6       2.08 0.43     1.86  1.23  2.93
      Z5      2 153   28       1.70 0.21     1.86  1.30  2.10
      Z5      3 173   28       1.82 0.20     1.86  1.42  2.22

Andersen LR-test: 
LR-value: 0.168 
Chi-square df: 4 
p-value:  0.997 

 zadanie slabsi se_slabsi mocniejsi se_mocniejsi
      Z1 -1.267     0.120    -1.229        0.213
      Z2  0.488     0.093     0.445        0.114
      Z3  1.254     0.109     1.216        0.095
      Z4  0.159     0.092     0.174        0.124
      Z5 -0.634     0.101    -0.605        0.164

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (model Rascha – pakiet eRm; dane – pakiet ltm; regresja logistyczna – funkcja glm() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. eRm (wersja 1.0.10): Mair, P., & Hatzinger, R. (2007). Extended Rasch modeling: The eRm package for the application of IRT models in R. Journal of Statistical Software, 20(9). https://doi.org/10.18637/jss.v020.i09
  3. ltm (wersja 1.2.0): Rizopoulos, D. (2006). ltm: An R package for latent variable modeling and item response theory analyses. Journal of Statistical Software, 17(5), 1–25. https://doi.org/10.18637/jss.v017.i05
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Georg Rasch?

Duńskim matematykiem i statystykiem (1901–1980). Po doktoracie z matematyki (1930) pracował jako konsultant statystyczny, w połowie lat 30. u R. A. Fishera w Londynie, potem kierował działem biostatystyki Państwowego Instytutu Surowic, a w latach 1962–1972 był profesorem statystyki Uniwersytetu Kopenhaskiego.

Skąd Rasch wziął pomysł swojego modelu?

Z analizy prawdziwych danych: powtarzanych testów głośnego czytania, które opisał modelem Poissona z osobnym parametrem dla ucznia i dla tekstu, oraz testów inteligencji dla duńskiego wojska. Model dla odpowiedzi 0/1 przedstawił w książce z 1960 r.

Co to jest obiektywność specyficzna?

Tak Rasch nazwał własność swojego modelu: porównanie dwóch zadań nie zależy od tego, które osoby je rozwiązywały, a porównanie dwóch osób – od tego, jakie zadania dostały. Wynika to z tego, że wynik surowy jest statystyką dostateczną i po warunkowaniu na nim parametry osób znikają.

Dlaczego model Rascha szacuje się warunkowo?

Bo dopasowanie z osobnym parametrem dla każdej osoby (np. regresją logistyczną z efektami osób) przy kilku zadaniach daje obciążone trudności – w danych LSAT o 27% zbyt rozciągnięte. Warunkowa metoda największej wiarygodności usuwa parametry osób i daje estymatory zgodne.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Andersen, E. B. (1970). Asymptotic properties of conditional maximum-likelihood estimators. Journal of the Royal Statistical Society: Series B (Methodological), 32(2), 283–301. https://doi.org/10.1111/j.2517-6161.1970.tb00842.x
  2. Andersen, E. B. (1973). A goodness of fit test for the Rasch model. Psychometrika, 38(1), 123–140. https://doi.org/10.1007/bf02291180
  3. Andersen, E. B. (1982). Georg Rasch (1901–1980). Psychometrika, 47(4), 375–376. https://doi.org/10.1007/bf02293703
  4. Rasch, G. (1980). Probabilistic models for some intelligence and attainment tests (Expanded ed.). University of Chicago Press.
  5. Wright, B. D. (1980). Foreword. In G. Rasch, Probabilistic models for some intelligence and attainment tests (Expanded ed.). University of Chicago Press. https://www.rasch.org/memo63.htm ● Otwarty dostęp

Cytowania BibTeX

@article{andersen1970asymptotic, author={Andersen, Erling B.}, title={{Asymptotic properties of conditional maximum-likelihood estimators}}, journal={Journal of the Royal Statistical Society: Series B (Methodological)}, year={1970}, volume={32}, number={2}, pages={283--301}, doi={10.1111/j.2517-6161.1970.tb00842.x}}
@article{andersen1973goodness, author={Andersen, Erling B.}, title={{A goodness of fit test for the Rasch model}}, journal={Psychometrika}, year={1973}, volume={38}, number={1}, pages={123--140}, doi={10.1007/bf02291180}}
@article{andersen1982georg, author={Andersen, Erling B.}, title={{Georg Rasch (1901–1980)}}, journal={Psychometrika}, year={1982}, volume={47}, number={4}, pages={375--376}, doi={10.1007/bf02293703}}
@book{rasch1980probabilistic, author={Rasch, Georg}, title={{Probabilistic models for some intelligence and attainment tests}}, year={1980}, edition={Expanded ed.}, publisher={University of Chicago Press}}
@incollection{wright1980foreword, author={Wright, Benjamin D.}, title={{Foreword}}, booktitle={G. Rasch, Probabilistic models for some intelligence and attainment tests}, year={1980}, edition={Expanded ed.}, publisher={University of Chicago Press}, url={https://www.rasch.org/memo63.htm}}
R