Belajar Bareng Data Science: 2017

Status : Draft

Output IRT menghasilkan dua cluster informasi, theta siswa dan item parameter.

Θ, theta, adalah tingkat kepandaian siswa.

IRT modelling dapat menggunakan satu sampai dengan 3 parameter, parameter A, B, dan G.

Parameter B : Item difficulty, difficulty parameter. Parameter ini menunjukkan, seberapa mudah atau sulit sebuah item. Paramater B digunakan dalam one-parameter (1P) IRT model.
Parameter A = Discrimination parameter. Nilai parameter ini, menginformasikan seberapa efektif sebuah item dapat membedakan siswa yang pandai dan kurang pandai. Two-parameter (2P) IRT model menggunakan parameter A dan B.
Parameter C = Dikenal juga dengan nama G parameter atau guessing parameter. Nilai ini memberi informasi kepada kita, seberapa mungkin siswa menjawab suatu item dengan cara menebak. Model yang menggunakan parameter A, B dan G, disebut three-parameter (3P) IRT model.

Untuk menentukan item difficulty dan item discrimination kita bisa menggunakan verbal terms untuk mempermudah membedakannya;

Item difficulty dapat dibagi menjadi beberapa level :

No	Verbal label	Typical value
1	very easy	-2.625
2	easy	-1.5
3	medium	0
4	hard	1.5
5	very hard	2.625

Sedangkan item discrimination dapat dibagi menjadi beberapa level sebagai berikut :

No	Verbal label	Typical value
1	none	0
2	low	0.4
3	moderate	1
4	high	2.1
5	perfect	999

Untuk item discrimination, verbal label-nya, dapat kita bagi sebagai berikut :

No	Verbal label	Range of values	Typical value
1	None	0	0.00
2	Very Low	0.01 - 0.34	0.18
3	Low	0.35 - 0.64	0.50
4	Moderate	0.65 s.d 1.34	1.00
5	High	1.35 s.d 1.69	1.50
6	Very High	> 1.70	2.00
7	Perfect	+∞	+∞

ICC, Item Charasteristic Curve

A typical item characteristic curve, sumber : The Basics of Item Response Theory Using R, Hal 13

IIF, Item Information Function

TIF, Test Information Function
Odd ratio,

Logit,
Item-Person Map (IPM)
Misfit, outliers
Misfit indices,
Model fit,
Infit Standardized Residuals,
Outfit Standardized Residuals,
Regression Analysis
Systematic Bias
Chi-square,
Item Fit,
Infit Mean Squared,
Outfit Mean Squared,
Degress of freedom (df),
Parallel coordinate,
Person fit,