基于项目反应理论（irt）的logistic项目特征曲线（icc）参数估计程序
irt_parameter_estimation的Python项目详细描述
该软件包从项目反应理论（IRT）实现Logistic项目特征曲线（ICC）的参数估计。BR/> BR/>最大似然估计（MLE）拟合程序适用于以下Logistic模型：
BR/> *1PL - 1参数Logistic（RuSCH）模型
*B（困难）
*2pl-2参数logistic模型
*a（判别）和b（困难）
*3pl-3参数logistic（birnbaum）模型
*a（判别）、b（困难）和c（伪猜测）
还使用zeta/lamdba/c公式进行拟合。
这里的差异归结为logistic指数。
转换为：
a（θ<；sub>；j<；/sub>；-b）=ζ+λθ<；sub>；j<；/sub>；
``a*（θj-b）=zeta+lambda*theta j``
这种看似微不足道的变化对收敛性有着巨大的影响（特别是在2pl情况下，还有第三方物流的情况）。
我们的
知识以前没有得到或记录。
因此，我们在这里包括数学推导：
[irt zlc formuation.pdf]（doc/zlc irt formulation.pdf）
这些手工编码迭代方案的原始python端口可以在文件baker_le.py（作为“baker”导入）中找到。
这些端口主要用于比较目的（例如，2pl
版本将1-1与原始例程的发布值匹配）。
scipy.optimize.root，而不是更高的效率和准确性。
zlc使用混合（zeta，lambda，c）公式，使2pl
和3pl系统更稳定地收敛。
此版本是在顶层导入的版本。
此版本还包括“abc仿真”模式，其中zlc仍在内部使用，但是使用了自动转换，因此函数
将a/b/c作为参数。
abc（在abc_mle.py中）使用（a，b，c）公式，这也可能是有用的（对于3pl，两者都可以尝试！）.
如果您真的想深入研究这段代码，那么使用
一个并排的差异工具
（如vimdiff、kdiff3、winmerge、filemerge或meld）来比较abc mu mle.py和zlc.mle.py是非常有用的。
BR/> *1PL - 1参数Logistic（RuSCH）模型
*B（困难）
*2pl-2参数logistic模型
*a（判别）和b（困难）
*3pl-3参数logistic（birnbaum）模型
*a（判别）、b（困难）和c（伪猜测）
还使用zeta/lamdba/c公式进行拟合。
这里的差异归结为logistic指数。
转换为：
a（θ<；sub>；j<；/sub>；-b）=ζ+λθ<；sub>；j<；/sub>；
``a*（θj-b）=zeta+lambda*theta j``
这种看似微不足道的变化对收敛性有着巨大的影响（特别是在2pl情况下，还有第三方物流的情况）。
我们的
知识以前没有得到或记录。
因此，我们在这里包括数学推导：
[irt zlc formuation.pdf]（doc/zlc irt formulation.pdf）
这些手工编码迭代方案的原始python端口可以在文件baker_le.py（作为“baker”导入）中找到。
这些端口主要用于比较目的（例如，2pl
版本将1-1与原始例程的发布值匹配）。
scipy.optimize.root，而不是更高的效率和准确性。
zlc使用混合（zeta，lambda，c）公式，使2pl
和3pl系统更稳定地收敛。
此版本是在顶层导入的版本。
此版本还包括“abc仿真”模式，其中zlc仍在内部使用，但是使用了自动转换，因此函数
将a/b/c作为参数。
abc（在abc_mle.py中）使用（a，b，c）公式，这也可能是有用的（对于3pl，两者都可以尝试！）.
如果您真的想深入研究这段代码，那么使用
一个并排的差异工具
（如vimdiff、kdiff3、winmerge、filemerge或meld）来比较abc mu mle.py和zlc.mle.py是非常有用的。
欢迎加入QQ群-->： 979659372
