《表2 常用测验统计量、Bootstrap法估计指标对模型的选择率（7属性）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《Bootstrap区间估计在认知诊断模型误设中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表1可以看出各指标的表现：-2LL在生成模型为DINA和R-RUM的条件下，倾向于选择复杂的模型G-DINA。但是题目数量增加时，对模型的正确选择率稍有提升。BIC在小样本下，当生成模型为R-RUM时，却倾向选择DINA模型，但随着样本量增加，这种情况大幅改善。当题量增加时，AIC的正确选择率也大幅增高。Bootstrap区间估计的属性分类一致性信度的平均数和标准误在整个研究中均表现较好，在DINA为生成模型下正确选择率和AIC、BIC一样达到了1，在生成模型为G-DINA模型时，正确选择率和BIC差不多，比AIC较好，当生成模型为R-RUM时，正确选择率比BIC要好，但不及AIC的表现。随着样本量的增加，Bootstrap区间估计的属性分类一致性信度的平均数和标准误的正确选择率有所上升，但是随着题目数量的增加，正确选择率却有所下降。