9. 模 数据拟
//Refer to Dr. Wen Jianbing's dissertation
function LOGISTIC_MODEL(a,b,c,theta){
return c+(1-c)/(1+Math.exp(-1.7*a*(theta-b))) ；
}
function PRINT_RESULT(result){
if(result>Math.random()){
document.write("1");
}
else document.write("0");
}
function GENERATE_DATA(){
for (i=0;i<500;i++){
PRINT_SUBJECT(i);
for (j=0;j<30;j++){
result = LOGISTIC_MODEL(item[j][0],item[j][1],item[j][2],subject[i]);
PRINT_RESULT(result);
}
document.write("<br />");
}
}
10. 价一个 目的 劣（信息函数）评 试题项 优
信息函数：
判断 准一：标
判断 准二：标
“ 在 制 程中根据前者来 目可能更方便一点，而测验编 过 选择项
要 地比 目的 劣 可能 是要用后者。”笼统 较项 优 则 还
“ 最佳 分权”评
∑=
=
n
1i
i )u,I()(I θθ
),I(M ii u
∫
+
−
3
3
),( θθ duI i
11. 最佳 分权评
以 ui 第记 i 个 目的得分（答 得项 对 1 分，答 不得分）：错
以 作 目为项 i 得分的加权数所 的信息函数是最大对应
的
参数的最佳 分权：单 评
双参数的最佳 分权：评
三参数的最佳 分权：评
∑=
=
n
1i
iiuwy
)()(P
P
ii
'
i
θθ Q
Dwi =
ii Daw =
)1(
)(Da
w i
i
ii
ii
cP
cP
−
−
=
12. Phase 1: INPUT
The input routine reads formatted data records.
Data for each observation consist of
Item responses of individual examinees comprise one character for
each of n items.
The answer key, not-presented, and omit codes are read in exactly
the same format as the observations.
For aggregate-level data, the "responses" consist of number of
attempts and number correct for each item.
If data are for the aggregate-level model, vectors of numbers of
attempts and correct responses to the items are read in decimal
format.
Subject ID [ Form Number ] [ Group Number ] Item Response Data
18. 其他 目反 模型项 应
Nominal Categorical Model （ Bock ， 1972 ）
分部反 模型（ 目 度不一定应 项 难 单
，调 Masters ， 1982 ）
, ,
, ,
,
1
( )
i h i h
i
i h i h
a C
i h m
a C
h
e
P
e
θ
θ
θ
+
+
=
=
∑
,
0
,
0
( )
, ,
( )
0
( )
x
j i k
k
h
j i k
k
i j x
m
k
e
P
e
θ δ
θ δ
θ
=
=
+
+
=
∑
=
∑
∑
, ,
0
( ) 1
im
i j x
h
P θ
=
=∑
,
0
( ) 0
im
j i k
h
θ δ
=
− =∑ ,
0 1
( ) ( )
h h
j k j i k
k k
θ δ θ δ
= =
− = −∑ ∑
