多維人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)聯(lián)合建模分析

嚴(yán) 娟,郭小軍,羅照盛

(1.贛南師范大學(xué)教育科學(xué)學(xué)院,江西 贛州 341000;2.江西師范大學(xué)心理學(xué)院,江西 南昌 330022)

0 引言

隨著計(jì)算機(jī)測(cè)驗(yàn)普遍化,測(cè)驗(yàn)的反應(yīng)時(shí)獲取也越發(fā)便利.在能力測(cè)驗(yàn)中,項(xiàng)目反應(yīng)時(shí)能反映被試在作答過(guò)程中的豐富的信息,在被試作答異常行為的識(shí)別[1]、測(cè)驗(yàn)設(shè)計(jì)的改進(jìn)[2]以及潛在特質(zhì)能力估計(jì)精度的提高[3]等方面都發(fā)揮著重要的作用.在心理測(cè)驗(yàn)重要組成部分中,除了能力測(cè)驗(yàn)外,人格測(cè)驗(yàn)也是在心理測(cè)驗(yàn)中一個(gè)不可忽視的重要組成部分,因此研究者也在不斷探索將人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)進(jìn)行聯(lián)合分析.

實(shí)現(xiàn)人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)的聯(lián)合分析的一個(gè)重要的前提是理清反應(yīng)時(shí)與個(gè)體特質(zhì)間的關(guān)系.目前,普遍接受反應(yīng)時(shí)與個(gè)體特質(zhì)間的關(guān)系的理論假設(shè)是困難-距離(distance-difficulty,DD)假設(shè).DD假設(shè)是指被試對(duì)項(xiàng)目的反應(yīng)困難程度隨著人與項(xiàng)目間的距離的增加而減小[4].P.J. Ferrando等[5]將反應(yīng)時(shí)作為反應(yīng)困難指標(biāo),發(fā)現(xiàn)了個(gè)人與項(xiàng)目間的距離和項(xiàng)目反應(yīng)時(shí)呈現(xiàn)負(fù)相關(guān),進(jìn)而驗(yàn)證了DD假設(shè).DD假設(shè)的驗(yàn)證為聯(lián)合分析人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)提供了理論基礎(chǔ).P.J. Ferrando等[6]在DD假設(shè)下,將個(gè)人與項(xiàng)目間的距離融入對(duì)數(shù)正態(tài)反應(yīng)時(shí)模型中,實(shí)現(xiàn)了人格測(cè)驗(yàn)反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)的聯(lián)合分析.反應(yīng)時(shí)在人格測(cè)驗(yàn)中能提供重要信息來(lái)源,J. Ranger等[7]將反應(yīng)概率模型融入對(duì)數(shù)正態(tài)反應(yīng)時(shí)模型中并計(jì)算聯(lián)合模型的測(cè)驗(yàn)信息量,結(jié)果發(fā)現(xiàn)考慮反應(yīng)時(shí)能提高13%～17%的測(cè)驗(yàn)信息量.為了將DD假設(shè)從2級(jí)計(jì)分?jǐn)U展到多級(jí)計(jì)分的人格測(cè)驗(yàn)中,Meng Xiangbin等[8]基于反應(yīng)概率角度構(gòu)建了多級(jí)計(jì)分的困難-距離表達(dá)式;而J. Ranger[9]則從項(xiàng)目與被試間的距離以及不同等級(jí)計(jì)分項(xiàng)目具有不同位置參數(shù)角度對(duì)P.J. Ferrando等[6]和J. Ranger等[7]的模型進(jìn)行擴(kuò)展,構(gòu)建了二項(xiàng)式模型和位置模型聯(lián)合分析多級(jí)人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)數(shù)據(jù).

在多數(shù)人格測(cè)驗(yàn)中,常常由多個(gè)相互聯(lián)系的維度構(gòu)成.如中國(guó)人的大七人格測(cè)驗(yàn)的人格特質(zhì)包括外向性、善良、情緒性、才干、人際關(guān)系、行事風(fēng)格以及處事態(tài)度等7個(gè)維度,7種人格特質(zhì)有機(jī)地構(gòu)成了中國(guó)人的人格.這些子測(cè)驗(yàn)構(gòu)成了一個(gè)完整的多維人格測(cè)驗(yàn),此時(shí)對(duì)整個(gè)人格測(cè)驗(yàn)的數(shù)據(jù)分析適宜采用多維項(xiàng)目反應(yīng)模型[10].但是,目前這些多維模型的應(yīng)用僅僅是基于人格測(cè)驗(yàn)的反應(yīng)數(shù)據(jù),忽視了另一種同樣能夠反映被試行為的數(shù)據(jù)(即項(xiàng)目反應(yīng)時(shí)).現(xiàn)有的人格測(cè)驗(yàn)反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)的聯(lián)合分析方法都是單獨(dú)分析被試在人格測(cè)驗(yàn)各維度或子測(cè)驗(yàn)中的反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)[6-9],每次單獨(dú)分析一個(gè)子測(cè)驗(yàn)或維度的方法忽略了子測(cè)驗(yàn)或維度之間可能存在的相關(guān),這會(huì)增大測(cè)量誤差,從而導(dǎo)致對(duì)被試人格特質(zhì)水平做出不準(zhǔn)確的推斷[11].此外,在能力測(cè)驗(yàn)中,已有研究發(fā)現(xiàn)聯(lián)合多維反應(yīng)與單維反應(yīng)時(shí)的聯(lián)合模型能有效提高模型參數(shù)估計(jì)準(zhǔn)確性和模型擬合效果[12].同時(shí),反應(yīng)時(shí)多維模型與高階模型相應(yīng)地被提出[13],并發(fā)現(xiàn)多維與高階反應(yīng)與反應(yīng)時(shí)的聯(lián)合建模具有更強(qiáng)的優(yōu)勢(shì)[14].

針對(duì)上述問(wèn)題,在人格測(cè)驗(yàn)中,既有必要考慮人格測(cè)驗(yàn)的項(xiàng)目反應(yīng)的多維性,又可能需要考慮反應(yīng)時(shí)的多維性問(wèn)題.因此,本文基于P.J. Ferrando等[6]的模型,提出了分析多維人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)的聯(lián)合模型,以期探究多維人格測(cè)驗(yàn)反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)的合理分析方法,從而更準(zhǔn)確地對(duì)被試人格特質(zhì)進(jìn)行評(píng)價(jià).

1 反應(yīng)與反應(yīng)時(shí)聯(lián)合模型

1.1 多維反應(yīng)模型

鑒于P.J. Ferrando等[6]采用2參數(shù)Logistic模型(2PLM),與之對(duì)應(yīng)的多維模型為多維2參數(shù)Logistic補(bǔ)償模型(M2PLM)[10],M2PLM為

(1)

其中p(Yij=1)為被試i(i=1,2,…,N)在項(xiàng)目j(j=1,…,m)上的正確作答概率,αjk為項(xiàng)目j在第k維度上的區(qū)分度參數(shù),θik為被試i在第k維度上的潛在人格特質(zhì),bj為項(xiàng)目j的難度參數(shù).當(dāng)K=1時(shí),則M2PLM為單維2參數(shù)Logistic模型(2PLM).

1.2 反應(yīng)時(shí)模型

對(duì)于人格測(cè)驗(yàn)的反應(yīng)時(shí)數(shù)據(jù),通常假設(shè)其服從對(duì)數(shù)正態(tài)分布[6],因此其多維對(duì)數(shù)正態(tài)反應(yīng)時(shí)模型為

(2)

P.J. Ferrando等[6]基于單維2PLM,將個(gè)人-項(xiàng)目距離δij定義為

(3)

其中αj和bj分別為項(xiàng)目j的區(qū)分度參數(shù)與難度參數(shù),θi為被試i的潛在人格特質(zhì).

由于人格測(cè)驗(yàn)總是包含多個(gè)維度,同時(shí)人格測(cè)驗(yàn)的項(xiàng)目之間都是多維的,也就是一個(gè)項(xiàng)目只測(cè)量一種人格特質(zhì)維度,不同組項(xiàng)目對(duì)應(yīng)不同人格特質(zhì),每組項(xiàng)目?jī)?nèi)都是單維度的,所以,只需將不同人格特質(zhì)維度的個(gè)人-項(xiàng)目距離δij定義在同一個(gè)框架中,即可實(shí)現(xiàn)多維個(gè)人-項(xiàng)目距離δij的定義.因此項(xiàng)目之間多維的個(gè)人-項(xiàng)目距離δij可被定義為

(4)

從式(4)可以看出:當(dāng)K取不同數(shù)值(即特定維度)時(shí),對(duì)應(yīng)不同維度的個(gè)人-項(xiàng)目距離,這與式(3)單維度個(gè)人-項(xiàng)目距離是相同的.

對(duì)于上述模型,若個(gè)人-項(xiàng)目距離δij為式(3)(式(4)為K=1),且反應(yīng)時(shí)模型為單維對(duì)數(shù)正態(tài)模型(式(2)為K=1),則構(gòu)成人格測(cè)驗(yàn)反應(yīng)時(shí)的單維度對(duì)數(shù)正態(tài)反應(yīng)時(shí)模型(ULRTM);若個(gè)人-項(xiàng)目距離δij為式(4)且反應(yīng)時(shí)模型為式(2),則構(gòu)成人格測(cè)驗(yàn)反應(yīng)時(shí)的多維對(duì)數(shù)正態(tài)反應(yīng)時(shí)模型(MLRTM).

1.3 聯(lián)合建模

1.3.1 單維反應(yīng)時(shí)和多維反應(yīng)聯(lián)合模型JRT-M2PLM 基于P.J. Ferrando等[6]提出的建模框架,本文首先提出基于單維反應(yīng)時(shí)與多維反應(yīng)模型的聯(lián)合模型(JRT-M2PLM).在JRT-M2PLM中,反應(yīng)模型M2PLM和反應(yīng)時(shí)模型ULRTM構(gòu)成分層模型的第1層,被試參數(shù)與項(xiàng)目參數(shù)分布構(gòu)成分層模型的第2層.

在第2層被試人格特質(zhì)與速度特質(zhì)之間的關(guān)系上,多維人格特質(zhì)與速度特質(zhì)之間的關(guān)系服從多元正態(tài)分布,其可以描述為

(θ1,θ2,…,θK,τ)T～MVN(μI,∑I),

(5)

其中μI為被試人格與速度特質(zhì)的均值;∑I為被試人格與速度特質(zhì)的協(xié)方差矩陣,用于描述被試參數(shù)之間的關(guān)系.對(duì)于項(xiàng)目參數(shù)間關(guān)系,反應(yīng)模型M2PLM的難度參數(shù)b與反應(yīng)時(shí)模型ULRTM的時(shí)間強(qiáng)度參數(shù)β之間的關(guān)系服從二元正態(tài)分布,可以描述為

(6)

其中μJ為項(xiàng)目參數(shù)均值向量;∑I為項(xiàng)目參數(shù)的協(xié)方差矩陣,用于描述題目參數(shù)之間關(guān)系.

1.3.2 多維反應(yīng)與反應(yīng)時(shí)聯(lián)合模型JMRT-M2PLM 在人格測(cè)驗(yàn)的不同維度的反應(yīng)時(shí)上,可能對(duì)應(yīng)不同的速度特質(zhì),因此本文提出的第2個(gè)模型為多維反應(yīng)與多維反應(yīng)時(shí)的多維聯(lián)合模型(JMRT-M2PLM).在JMRT-M2PLM中,第1層模型的反應(yīng)模型為M2PLM(式(1)),反應(yīng)時(shí)模型為MLRTM(式(2));而第2層模型也為被試參數(shù)的分布(式(5))與項(xiàng)目參數(shù)分布(式(6)),只是在被試參數(shù)分布中需要包含與人格特質(zhì)對(duì)應(yīng)的多個(gè)速度特質(zhì).

綜合上述模型,人格測(cè)驗(yàn)往往是多維的,P.J. Ferrando等[6]提出的單維反應(yīng)與反應(yīng)時(shí)聯(lián)合模型JRT-2PLM只有將多維的人格測(cè)驗(yàn)拆分為多個(gè)單維人格才能適用.基于此,JRT-M2PLM被提出以適用于多維人格測(cè)驗(yàn),并且JRT-M2PLM假設(shè)不同人格特質(zhì)對(duì)應(yīng)相同速度特質(zhì),即人格特質(zhì)是多維的,而速度特質(zhì)是單維的.然后,不同人格特質(zhì)也可能對(duì)應(yīng)不同的速度特質(zhì)[14],因此,一個(gè)完整的多維人格和速度特質(zhì)模型被構(gòu)建,即JMRT-M2PLM模型.

1.4 貝葉斯參數(shù)估計(jì)

3個(gè)聯(lián)合模型JRT-2PLM、JRT-M2PLM和JMRT-M2PLM均采用貝葉斯馬爾科夫鏈蒙特卡羅(MCMC)算法來(lái)實(shí)現(xiàn)參數(shù)估計(jì),并且基于R軟件(R version 4.0.2)中的R2jags包調(diào)用JAGS軟件來(lái)實(shí)現(xiàn).

1.4.1 模型識(shí)別 為了使模型可識(shí)別與比較,需要對(duì)一些參數(shù)進(jìn)行限制,以保證參數(shù)估計(jì)的唯一性.在JRT-2PLM、JRT-M2PLM和JMRT-M2PLM等3個(gè)聯(lián)合模型中,將被試人格特質(zhì)參數(shù)的方差固定為1,且均值向量均為0[12,15].

1.4.2 先驗(yàn)分布 考慮到JRT-2PLM、JRT-M2PLM和JMRT-M2PLM等3個(gè)聯(lián)合模型的待估參數(shù)基本一致,因此下面將統(tǒng)一介紹3個(gè)聯(lián)合模型待估參數(shù)的先驗(yàn)分布.

在項(xiàng)目參數(shù)上,項(xiàng)目難度參數(shù)b與時(shí)間強(qiáng)度參數(shù)β服從二元正態(tài)分布(見(jiàn)式(6)),其中超參數(shù)μb和μβ均服從正態(tài)分布(μb～N(0,1),μβ～N(0,1)),協(xié)方差矩陣∑J服從二元對(duì)角矩陣R的逆威沙特分布(∑J～I(xiàn)nvWishart(R,2));模型的區(qū)分度參數(shù)αkj、1/σj均服從左截尾的正態(tài)分布N(0,1)I(0,·),個(gè)人-項(xiàng)目距離δij斜率參數(shù)γj服從右截尾正態(tài)分布(γj～N(0,1)I(·,0))[8.12-15].

被試參數(shù)人格與速度特質(zhì)的關(guān)系如式(5)所示,它們都服從多元正態(tài)分布.為了更好估計(jì)協(xié)方差矩陣,對(duì)它們的協(xié)方差矩陣∑I進(jìn)行Cholesky分解∑I=ΔΔT,其中Δ為

(7)

其中ΔT為Δ的共軛轉(zhuǎn)置;其各元素的先驗(yàn)分布分別為:ρ2,1服從均勻分布U(-1,1),ρK+k,K+k服從γ分布G(1,1),ρK+k,k服從正態(tài)分布N(0,1)[12].

2 模擬研究

2.1 模擬設(shè)計(jì)

2.2 模擬結(jié)果

基于JRT-M2PLM和JMRT-2PLM這2個(gè)模型的模擬結(jié)果如表1和表2所示.在表1中,由于JRT-M2PLM速度特質(zhì)是單維的,所以JRT-M2PLM只有1個(gè)速度特質(zhì)估計(jì)結(jié)果,而JRT-2PLM將數(shù)據(jù)拆分為2個(gè)部分,所以對(duì)同一速度特質(zhì)估計(jì)了2次.在項(xiàng)目參數(shù)上,JRT-2PLM和JRT-M2PLM各項(xiàng)目參數(shù)隨著被試量400增加到800,xMSE值從0.02左右降低到0.01附近.在被試參數(shù)上,隨著測(cè)驗(yàn)長(zhǎng)度由20增加到40,JRT-2PLM的2個(gè)人格特質(zhì)的xMSE值從0.14左右降低到0.07左右,而JRT-M2PLM的xMSE值則從0.12左右降低到0.05左右;在速度特質(zhì)上,JRT-2PLM的xMSE值則從0.10左右降低到0.07,而JRT-M2PLM的xMSE則從0.06附近降低到0.05左右.此外,2個(gè)模型的各參數(shù)的ybias值的絕對(duì)值都小于0.08.

表1 基于JRT-M2PLM模擬的參數(shù)估計(jì)結(jié)果

從表2可以看出:在項(xiàng)目參數(shù)上,隨著被試量從400增加到800,JRT-2PLM和JMRT-M2PLM各項(xiàng)目參數(shù)的xMSE值整體上從0.02左右降低到0.01左右,ybias的絕對(duì)值基本上小于0.05,估計(jì)較好,但是JMRT-M2PLM對(duì)應(yīng)項(xiàng)目參數(shù)估計(jì)精度要高于JRT-2PLM.在被試參數(shù)上,當(dāng)測(cè)驗(yàn)長(zhǎng)度為20時(shí),JRT-2PLM的xMSE值最小為0.110,最大為0.167,而JMRT-M2PLM的xMSE值最小為0.086,最大為0.106;隨著測(cè)驗(yàn)長(zhǎng)度增加到40,JRT-2PLM被試參數(shù)的xMSE值降低到0.06左右,而JMRT-M2PLM的xMSE則降低到0.05左右,且對(duì)應(yīng)被試參數(shù)明顯小于JRT-2PLM;在ybias絕對(duì)值上,2個(gè)模型普遍小于0.10.

表2 基于JMRT-M2PLM模擬的參數(shù)估計(jì)結(jié)果

綜合上述結(jié)果可以看出,無(wú)論是基于JRT-M2PLM,還是基于JMRT-M2PLM生成的多維人格數(shù)據(jù),JRT-M2PLM和JMRT-M2PLM各參數(shù)的估計(jì)結(jié)果均普遍優(yōu)于JRT-2PLM的估計(jì)結(jié)果,因此多維人格測(cè)驗(yàn)拆分為單維度分析會(huì)明顯增加參數(shù)估計(jì)偏差,特別是對(duì)被試參數(shù)的影響更為明顯.此外,模擬結(jié)果也說(shuō)明基于R2jags的MCMC算法對(duì)JRT-M2PLM和JMRT-M2PLM都能提供較為準(zhǔn)確的參數(shù)估計(jì).

3 實(shí)例數(shù)據(jù):艾森克人格測(cè)量問(wèn)卷

3.1 數(shù)據(jù)描述與分析

這組數(shù)據(jù)來(lái)自某大學(xué)的一次人格測(cè)驗(yàn).測(cè)量工具采用的是龔耀先[16]修訂的艾森克人格測(cè)量問(wèn)卷中的“神經(jīng)質(zhì)”(N維度)和“內(nèi)外向”分量表(E維度),每個(gè)量表選取了11個(gè)項(xiàng)目.通過(guò)E-prime2.0收集,計(jì)時(shí)從項(xiàng)目出現(xiàn)在顯示器上開(kāi)始到選擇下一個(gè)項(xiàng)目停止,時(shí)間的記錄單位為ms,排除無(wú)效被試,最后有效被試379人.

3個(gè)聯(lián)合模型在MCMC估計(jì)過(guò)程中,均使用2條馬爾科夫鏈,且包含40 000次迭代,燃燒次數(shù)為20 000,稀疏值為2,最終剩余20 000次迭代用于參數(shù)估計(jì).參數(shù)擬合收斂采用潛在量尺縮減因子(potential scale reduction factor,PSRF)[17],各參數(shù)的PSRF均要求小于1.1,以表示參數(shù)估計(jì)已經(jīng)擬合.2維的區(qū)分度參數(shù)的矩陣可以表示為

在JRT-2PLM、JRT-M2PLM和JMRT-M2PLM等3模型擬合優(yōu)劣比較上,以偏差信息準(zhǔn)則DIC[18]作為評(píng)價(jià)這2個(gè)模型擬合優(yōu)劣指標(biāo),DIC指標(biāo)是基于MCMC算法評(píng)價(jià)模型擬合優(yōu)度最常用的指標(biāo),DIC值越小說(shuō)明該模型與實(shí)際數(shù)據(jù)越擬合.

3.2 數(shù)據(jù)分析結(jié)果

為了檢驗(yàn)多維聯(lián)合模型在多維人格測(cè)驗(yàn)數(shù)據(jù)分析中的優(yōu)勢(shì),通過(guò)單維度聯(lián)合建模(JRT-2PLM)和多維聯(lián)合模型(JRT-M2PLM和JMRT-M2PLM)在實(shí)際數(shù)據(jù)上的分析結(jié)果進(jìn)行比較,從而評(píng)價(jià)模型優(yōu)劣.

在模型結(jié)構(gòu)參數(shù)和模型的擬合指數(shù)上的結(jié)果如表3所示.在項(xiàng)目結(jié)構(gòu)參數(shù)上,分別分析E維度和N維度的JRT-2PLM比JRT-M2PLM和JMRT-M2PLM在估計(jì)精確度上更低,而2個(gè)多維聯(lián)合模型估計(jì)值則非常接近,并且3個(gè)聯(lián)合模型的難度參數(shù)b與項(xiàng)目時(shí)間強(qiáng)度參數(shù)β的協(xié)方差的95%置信區(qū)間都包含了0,這意味著它們不存在相關(guān).在被試結(jié)構(gòu)參數(shù)上,3個(gè)聯(lián)合模型都發(fā)現(xiàn)被試人格特質(zhì)與速度之間不相關(guān),但是2個(gè)多維的聯(lián)合模型皆發(fā)現(xiàn)E人格特質(zhì)與N人格特質(zhì)為負(fù)相關(guān).在模型擬合指數(shù)上,JRT-2PLM在E和N維度的DIC值之和為8 572.804+7 914.857=16 487.661,JRT-M2PLM的DIC值為16 089.52,JMRT-M2PLM的擬合指數(shù)DIC值為16 018.66,因此從擬合指數(shù)DIC可以看出JRT-M2PLM擬合優(yōu)于JRT-2PLM,這說(shuō)明多維人格測(cè)驗(yàn)的不同維度的反應(yīng)數(shù)據(jù)有必要聯(lián)合分析;而JMRT-M2PLM優(yōu)于JRT-M2PLM,這意味著人格測(cè)驗(yàn)的反應(yīng)時(shí)的多維性也是有必要考慮的.

表3 不同模型的結(jié)構(gòu)參數(shù)與模型擬合指數(shù)

模擬研究表明人格測(cè)驗(yàn)維度拆分分析對(duì)被試人格特質(zhì)估計(jì)精度有較大影響.考慮到JMRT-M2PLM模型擬合最優(yōu),下面將通過(guò)JRT-2PLM在各維度上的被試的人格特質(zhì)的估計(jì)標(biāo)準(zhǔn)差SD與JMRT-M2PLM對(duì)應(yīng)維度被試人格特質(zhì)的估計(jì)標(biāo)準(zhǔn)差SD作差,以比較2個(gè)模型在人格特質(zhì)上的估計(jì)精確性,結(jié)果如圖1和圖2所示.在圖1和圖2中,位于x軸上方的條形圖為JMRT-M2PLM的被試參數(shù)的標(biāo)準(zhǔn)差SD小于JRT-2PLM的被試參數(shù)的標(biāo)準(zhǔn)差SD的被試數(shù)量(y軸數(shù)值),x軸的下方的條形圖則為JMRT-M2PLM的被試參數(shù)的標(biāo)準(zhǔn)差SD大于JRT-2PLM的被試參數(shù)的標(biāo)準(zhǔn)差SD的被試數(shù)量(y軸數(shù)值).在θ1和θ2的估計(jì)標(biāo)準(zhǔn)差SD上,從圖1和圖2可以看出JMRT-M2PLM的被試標(biāo)準(zhǔn)差在絕大多數(shù)被試上要小于JRT-2PLM估計(jì)的結(jié)果,特別是2個(gè)模型差異較大的被試特質(zhì)標(biāo)準(zhǔn)差SD之差上,JMRT-M2PLM處于絕對(duì)的優(yōu)勢(shì).

JRT-M2PLM與M2PLM被試參數(shù)θ1估計(jì)標(biāo)準(zhǔn)差SD之差

JRT-M2PLM與M2PLM被試參數(shù)θ2估計(jì)標(biāo)準(zhǔn)差SD之差

上述結(jié)果表明基于多維人格測(cè)驗(yàn)反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)的聯(lián)合模型JMRT-M2PLM對(duì)實(shí)際數(shù)據(jù)的擬合優(yōu)于單維聯(lián)合模型JRT-2PLM,也就是說(shuō)多維人格測(cè)驗(yàn)數(shù)據(jù)的聯(lián)合分析有助于提高模型參數(shù)的估計(jì)精度與穩(wěn)定性;同時(shí)能進(jìn)一步提高模型對(duì)實(shí)際數(shù)據(jù)的擬合效果.

4 討論與總結(jié)

當(dāng)前, 反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)的聯(lián)合分析模式得到了迅速的發(fā)展,這種趨勢(shì)也在人格測(cè)驗(yàn)研究中受到關(guān)注.但是目前的人格測(cè)驗(yàn)的分析存在各種弊端,有的只關(guān)注了人格測(cè)驗(yàn)的多維反應(yīng)數(shù)據(jù),忽視了被試作答反應(yīng)時(shí)[19];有的則是單獨(dú)分析被試在人格測(cè)驗(yàn)各維度或子測(cè)驗(yàn)中的反應(yīng)與反應(yīng)時(shí),忽視了被試人格特質(zhì)與速度特質(zhì)之間的關(guān)系以及人格特質(zhì)之間的關(guān)系[5-7].針對(duì)這些弊端,本文提出了聯(lián)合分析人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)的多維聯(lián)合模型JRT-M2PLM和JMRT-M2PLM.

為了探討單維度聯(lián)合模型JRT-2PLM將多維人格測(cè)驗(yàn)的反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)拆分為多個(gè)單維子測(cè)驗(yàn)或維度進(jìn)行分析的弊端,本文以JRT-M2PLM和JMRT-M2PLM為基準(zhǔn)模型進(jìn)行模擬研究,結(jié)果發(fā)現(xiàn)拆分維度數(shù)據(jù)的JRT-2PLM在項(xiàng)目參數(shù)和被試參數(shù)的估計(jì)上會(huì)產(chǎn)生較大的偏差.在艾森克人格測(cè)量問(wèn)卷實(shí)例上,JRT-M2PLM和JMRT-M2PLM相對(duì)JRT-2PLM在模型擬合指數(shù)和參數(shù)估計(jì)精度上仍然保持明顯優(yōu)勢(shì).在項(xiàng)目間多維測(cè)驗(yàn)中,各潛在特質(zhì)之間是存在相關(guān)的,基于單維項(xiàng)目反應(yīng)理論模型JRT-2PLM的應(yīng)用忽視了各人格特質(zhì)之間的關(guān)系,從而導(dǎo)致在參數(shù)估計(jì)和模型擬合上較差,而多維聯(lián)合模型JRT-M2PLM和JMRT-M2PLM都考慮了各人格特質(zhì)間以及與速度特質(zhì)間的關(guān)系,更符合項(xiàng)目間多維人格測(cè)驗(yàn)的特征,從而在模擬和實(shí)例上多維聯(lián)合模型JRT-M2PLM和JMRT-M2PLM表現(xiàn)更優(yōu),這也與已有的研究結(jié)果是相一致的[20-22].因此,在多維的人格測(cè)驗(yàn)反應(yīng)與反應(yīng)時(shí)數(shù)據(jù)分析中,相對(duì)單維反應(yīng)與反應(yīng)時(shí)聯(lián)合模型,多維反應(yīng)與反應(yīng)時(shí)聯(lián)合模型可能是一個(gè)更優(yōu)的選擇.

當(dāng)然也有一些問(wèn)題仍然有待進(jìn)一步解決與完善.如在人格與速度特質(zhì)的多維性關(guān)系上,考慮各特質(zhì)之間的階層性,后續(xù)研究可以將反應(yīng)與反應(yīng)時(shí)模型擴(kuò)展為高階或雙因子反應(yīng)與反應(yīng)時(shí)模型[14].同時(shí)在反應(yīng)模型上,本文采用2PLM和M2PLM都是優(yōu)勢(shì)模型,而人格測(cè)驗(yàn)更適用于理想點(diǎn)過(guò)程模型[23],因此后續(xù)研究可以探索在理想點(diǎn)過(guò)程模型下距離-困難DD假設(shè)的構(gòu)建以及反應(yīng)時(shí)與反應(yīng)的聯(lián)合建模.