《表5 CSE算法与LROE算法估计成功率的比较》
从表5可以看出,在属性考察个数为3个或4个时CSE算法估计成功率比LROE算法高,这可能是因为当属性个数较少时,基于相同数目的基础题,RMSEA能准确地找到项目属性向量,在校正阶段可以有效的识别并校正错误项目而不是对所有项目进行重新估计。当属性考察个数为5个时,CSE算法估计成功率总体较LROE算法略低,这可能是因为属性个数为5个时,基础题个数较少,估计得到的Q矩阵包含的错误较多,当使用拟合临界值作为修正临界值,对Q矩阵中错误的项目不能有效的识别并修正。不过,两者所呈现的趋势仍然是一致的,即随着基础题个数的增加,算法的表现越来越好。因此,当属性个数较多时,可以适当增加基础题以达到较为理想的效果。此外,从表6可以看出,CSE算法在各条件下所花费时间明显比LROE算法少,这表明CSE算法效率较高。
图表编号 | XD009322000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 杨亚坤、朱仕浩、刘芯伶 |
绘制单位 | 金华教育学院、浙江师范大学教师教育学院、浙江师范大学教师教育学院 |
更多格式 | 高清、无水印(增值服务) |