Erkennung von Differential Item Functioning in Partial Credit Modellen mithilfe von Penalisierungstechniken

• Antragsteller: Dr. Gunther Schauberger
• Fachliche Zuordnung: Persönlichkeitspsychologie, Klinische und Medizinische Psychologie, Methoden ; Allgemeine, Kognitive und Mathematische Psychologie ; Statistik und Ökonometrie
• Förderung: Förderung von 2016 bis 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 328195489

Das vorgeschlagene Forschungsprojekt konzentriert sich auf die Aufdeckung von Differential Item Functioning (DIF) in Item Response Daten. Das Phänomen des DIF ist ein sehr wichtiges Thema in der angewandten Psychologie oder anderen Sozialwissenschaften, in denen Item Response Daten genutzt werden um bestimmte latente Eigenschaften zu messen. Die Konstruktion der entsprechenden Fragebögen erfordert besondere Sorgfalt. Jedes Item muss so konstruiert sein, dass es ausschließlich die interessierende latente Eigenschaft misst. Im Fall von dichotomen Items tritt DIF dann auf, wenn sich die Wahrscheinlichkeit für eine positive Antwort zwischen zwei Personen mit derselben Ausprägung der latenten Eigenschaft unterscheidet. In den meisten Fällen sucht man DIF zwischen zwei Gruppen innerhalb der Teilnehmer, z.B. männliche und weibliche Teilnehmer. In Intelligenztests könnte sich beispielsweise die Wahrscheinlichkeit, ein Item korrekt zu beantworten, zwischen männlichen und weiblichen Teilnehmern unterscheiden, obwohl diese gleich intelligent sind. Solche Items müssen gefunden und gegebenenfalls aus dem Fragebogen entfernt werden, da sie zu verzerrten Schätzungen der latenten Eigenschaften führen können. Es wurden bereits zahlreiche statistische Methoden entwickelt, um DIF zwischen zwei vorgegebenen Gruppen aufzudecken, zumeist mit Hilfe von statistischen Tests. Es könnte jedoch viele verschiedene Charakteristika der Teilnehmer geben die möglicherweise DIF verursachen, beispielsweise mehr-kategoriale Variablen wie Ethnizität oder stetige Variablen wie das Alter. Unterschiedliche Variablen sollten nicht einzeln auf DIF getestet werden da sonst automatisch das Problem des multiplen Testens entsteht und mögliche Korrelationen zwischen den Kovariablen nicht berücksichtigt werden. Zu diesem Zweck haben Tutz und Schauberger (2015) die Methode DIFlasso vorgeschlagen, die sowohl mit kategorialen als auch stetigen Variablen umgehen kann und mehrere Variablen gleichzeitig behandeln kann. Es ist ein modell-basierter Ansatz, der Penalisierungstechniken zum Aufdecken von DIF verwendet. Der große Vorteil des Ansatzes liegt darin, dass der Anwender zahlreiche möglicherweise DIF-erzeugende Variablen (sowohl stetig als auch kategorial) angeben kann und die Methode wählt automatisch die relevanten Items aus. Allerdings ist der Ansatz von Tutz und Schauberger (2015) auf die Aufdeckung von DIF in dichotomen Items beschränkt. Das Ziel des vorgeschlagenen Projektes ist es, die Methode auf polytome Items innerhalb des Rahmens der Partial Credit Modelle zu erweitern. Zu diesem Zweck ist eine geeignete Parametrisierung von Nöten sowie ein penalisiertes Schätzverfahren das automatisch DIF aufdeckt.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor James Sidanius, Ph.D.