Perbandingan Estimasi Parameter Teori Respons Butir

Tulisan ini bertujuan untuk mendemonstrasikan penggunaan dua program untuk menganalisis butir dengan pendekatan teori respons butir (IRT). Model yang dipakai kali ini adalah model 2PL.

Program yang dipakai adalah MPLUS dan R (paket ltm). Data yang dianalisis adalah data pengukuran depresi subskala I yang terdiri dari 6 aitem.

MPLUS

SYNTAX ANALISIS

Data:
    File is cdi-diko.dat ;

Variable:
    Names are
       gender a01 a06 a08 a10 a11 a13 a05 a12
       a26 a27 a03 a15 a23 a24 a04 a16 a17
       a18 a19 a20 a21 a22 a02 a07 a09 a14 a25;
    Missing are
       all (-9999) ;
    Usevariables are a01 a06 a08 a10 a11 a13;
    Categorical are a01 a06 a08 a10 a11 a13;
 Model:

CDI1 by a01 a06 a08 a10 a11 a13;
Output: Standardized ;
Plot: Type is plot3 ;

 

  OUTPUT

     MODEL RESULTS

                                                    Two-Tailed
                    Estimate       S.E.  Est./S.E.    P-Value

 CDI1     BY
    A01                1.000      0.000    999.000    999.000
    A06                0.427      0.049      8.714      0.000
    A08                0.450      0.053      8.516      0.000
    A10                1.013      0.080     12.631      0.000
    A11                0.790      0.071     11.100      0.000
    A13                0.581      0.056     10.476      0.000

 Thresholds
    A01$1              0.249      0.023     10.730      0.000
    A06$1              0.172      0.023      7.444      0.000
    A08$1             -0.627      0.025    -25.422      0.000
    A10$1              0.706      0.025     28.094      0.000
    A11$1             -1.242      0.031    -40.490      0.000
    A13$1             -0.666      0.025    -26.763      0.000

 Variances
    CDI1               0.483      0.044     10.879      0.000

IRT PARAMETERIZATION IN TWO-PARAMETER PROBIT METRIC
WHERE THE PROBIT IS DISCRIMINATION*(THETA - DIFFICULTY)

      Item Discriminations

 CDI1     BY
    A01                0.966      0.086     11.253      0.000
    A06                0.311      0.035      8.828      0.000
    A08                0.329      0.039      8.508      0.000
    A10                0.991      0.093     10.608      0.000
    A11                0.657      0.069      9.559      0.000
    A13                0.442      0.043     10.353      0.000

 Item Difficulties
    A01$1              0.358      0.038      9.483      0.000
    A06$1              0.578      0.098      5.874      0.000
    A08$1             -2.003      0.229     -8.755      0.000
    A10$1              1.003      0.062     16.309      0.000
    A11$1             -2.263      0.179    -12.632      0.000
    A13$1             -1.648      0.149    -11.062      0.000

 Variances
    CDI1               1.000      0.000      0.000      1.000

 R (ltm)

> F1 <- read.table(file="cdi-diko.dat")[,2:7]
> fit <- ltm(F1 ~ z1)
> fit

Call:
ltm(formula = F1 ~ z1)

Coefficients:
 Dffclt Dscrmn
V2 0.359 1.640
V3 0.585 0.496
V4 -2.014 0.537
V5 0.969 1.834
V6 -2.113 1.263
V7 -1.646 0.732

Log.Lik: -9789.883

---

Winstep

------------------------------------------------------------------------------------------- |ENTRY   TOTAL  TOTAL           MODEL|   INFIT  |  OUTFIT  |PT-MEASURE |EXACT MATCH|      | |NUMBER  SCORE  COUNT  MEASURE  S.E. |MNSQ  ZSTD|MNSQ  ZSTD|CORR.  EXP.| OBS%  EXP%| ITEM | |------------------------------------+----------+----------+-----------+-----------+------| |     1   1200   2987    1.14     .05| .90  -4.9| .84  -4.2|  .61   .56| 75.7  73.2| a01  | |     2   1290   2987     .95     .05|1.10   5.0|1.18   4.8|  .51   .56| 70.1  72.9| a06  | |     3   2194   2987    -.93     .05|1.05   2.1|1.20   3.9|  .47   .51| 77.4  78.1| a08  | |     4    717   2987    2.30     .05| .92  -2.8| .89  -1.5|  .58   .55| 83.8  81.5| a10  | |     5   2667   2987   -2.45     .07| .98   -.4| .92   -.7|  .43   .41| 89.9  89.9| a11  | |     6   2232   2987   -1.02     .05| .98   -.6|1.08   1.5|  .50   .50| 79.2  78.4| a13  | |------------------------------------+----------+----------+-----------+-----------+------| | MEAN  1716.7 2987.0     .00     .05| .99   -.3|1.02    .6|           | 79.4  79.0|      | | S.D.   688.6    1.0    1.60     .01| .07   3.2| .14   3.1|           |  6.3   5.7|      | -------------------------------------------------------------------------------------------

 

Korelasi Antar Parameter

Korelasi antar Parameter Daya Diskriminasi : 0.992937519
Korelasi antar Parameter Tingkat Kesulitan : 0.999275486
Hasil analisis menunjukkan bahwa korelasi yang dihasilkan mendekati 1, artinya kedua program menghasilkan hasil estimasi yang sama