IRTPRO™ 常见问答（下）—— 算法、输出、图形、错误处理与高阶技巧

1. 使用 MH-RM 算法时，何时应关注 AR（接受率）值？

每次迭代时都应关注。理想 AR 值：

• 高维模型（3~4 个因子以上）：约 0.25

• 维度较低：0.4~0.5 也可接受

若 AR 过高 → 增加建议分布离散常数
若 AR 过低 → 减小离散常数
可从 1.0 开始，逐步调整（如每次增减 0.1 或 0.2）。AR 会随机波动，0.28 与 0.25 效率相近。

2. M2 拟合统计量何时输出？

仅在 BAEM 算法下输出。因为自适应求积（ADQ）和 MH-RM 算法尚无法快速计算后验概率、雅可比矩阵和权重。

3. 3PL 模型中的 Logit(g) 或 g 参数是什么？

• g 是伪猜测参数（下渐近参数）

• IRTPRO 实际估计的是 logit(g)，即 log(g/(1-g))，因其对数似然更接近二次型，优化更稳定

• 转换公式：g = 1 / (1 + exp(-z))，其中 z = logit(g)

4. IRTPRO 输出中的“c 参数”是什么？

c 是截距，不是猜测参数。其与阈值 b 的关系为：b = -c / a（a 为斜率）。
截距/斜率参数化便于推广到多维 IRT。在多维情形下，可按 Reckase (2009) 或 Wirth & Edwards (2007) 的公式转换为阈值。

5. IRTPRO 是否包含缩放常数 1.7？

不包含。所有迹线方程均不包含 D=1.7。

6. IRTPRO 能否分析重复测量/纵向数据？

可以。适用于某些模型，例如 Cai (2010-a) 中的双层全信息项目因子分析模型。具体见示例 2.2。

7. 能否基于测试特征曲线生成估计观察分数？

可以。在绘制测试特征曲线时，曲线本身即为估计观察分数。点击 Table 按钮可查看底层数据。

8. 能否将经验题回答曲线叠加到估计题回答曲线上？

不支持。但 IRTPRO 提供 S-X2 统计量，基于观察频数与期望频数在总分上的差异，可以表格形式查看类似信息。

9. 能否计算标准化区分度参数？

可以。在“选项 → 杂项”中勾选“打印因子载荷”，即得到标准化区分度。

10. 评分输出文件的各列如何解读？

对于 K 维模型，评分文件列顺序为：

1. 组编号

2. 被试 ID（内部 ID 必选，若用户指定 ID 变量则额外列印）

3. K 列：各维度分数点估计

4. K 列：各维度标准误

5. K(K+1)/2 列：后验协方差矩阵的下三角元素（K=1 时省略蕞后一部分）

11. 在新笔记本电脑上安装 IRTPRO 后，部分对话框显示不全怎么办？

通常为显示缩放比例过大导致。解决方法：

• 右键桌面 无内容的地方 → 显示设置

• 将缩放比例调到蕞小

• 如未解决，尝试调整屏幕分辨率

12. 尝试运行所有参数固定的示例时程序崩溃，如何解决？

IRTPRO 要求要有一个自由参数才能启动估计。若需基于新数据但使用旧参数全部固定，可：

• 读入旧参数作为起始值，保存 .irtpro 语法文件

• 用记事本打开，将 Startvalues: 替换为 Constraints:

• 若仍需计算拟合统计量，可临时释放一个不显著的参数，并对其施加严格先验（如 N(0,0.01)）

13. 题目名称中能否使用特殊字符？

建议使用：0-9, a-z, A-Z
可尝试（未完整测试）：@ _ $ #
建议不要使用：-（连字符）、:（冒号）、;（分号）——它们在语法中有特殊含义
不建议：括号、路径分隔符、% & * ? 空格等
不支持：非英文字符

14. IRTPRO 输出中的彩色字符（B/R/b/r）代表什么？

表示局部依赖的方向性：

• R / r：观察依赖 > 期望依赖（正局部依赖）

• B / b：观察依赖 < 期望依赖（负局部依赖）

• 大写（R/B）：标准化 X2 绝 对值 > 3.0（实质性）

• 小写（r/b）：标准化 X2 绝 对值 ≤ 3.0（较小）

HTML 输出中分别以红/蓝色显示。

15. 什么是固定题目校准（Fixed Item Calibration）？

指部分题目参数已知且固定，仅估计新题目的参数。IRTPRO 支持这种混合模式，可同时包含 3PL 和 Graded 等不同模型。官方提供完整示例下载。

16. IRTPRO 与传统 IRT 软件在参数化上有什么区别？

IRTPRO 为支持多维 IRT，采用斜率/截距参数化（而非斜率/阈值）。

• 3PL 模型的猜测参数需提供 logit-guessing 值

• Nominal 模型采用 Thissen, Cai & Bock (2010) 的多维推广形式