A Gibbs sampler (MATTEUCCI; MIGNANI

A Gibbs sampler (MATTEUCCI; MIGNANI; VELDKAMP, 2009) was used to estimate
the parameters. For each simulation, 5000 iterations were used with a burn-in of
500 and 100 replications were conducted. The convergence of the algorithm was
checked by calculating the Monte Carlo error as implemented in the R package
BOA (SMITH, 2007). A rule of thumb is that the Monte Carlo error should be
smaller than 5% of the standard deviation. All simulations were implemented in
the software MATLAB 7.1 (MATHWORKS, 2005). 20 items were randomly chosen
from a calibrated item bank. Based on their discrimination parameters they were
classified as low discriminative (α items, and based on their difficulties as very
easy ( 1.00) b < − , easy ( [ 1.00,0.00]) b∈ − , moderate ( (0.00,1.00]) b∈ , and
difficult ( 1.00) b > items. These categorizations were used to compare the results
of re-estimating the item parameters based on empirical priors based on regression
trees on the one hand and the vague prior on the other hand. The results are shown
in Tables 1 and 2.

ผลลัพธ์ (ไทย) 1:

มีกิบส์แซมเพลอร์ (MATTEUCCI MIGNANI VELDKAMP, 2009) ใช้ในการประเมินพารามิเตอร์ สำหรับแต่ละการจำลอง 5000 ซ้ำใช้กับการเผาไหม้ในของระยะ 500 และ 100 ได้ดำเนินการ บรรจบกันของอัลกอริทึมตรวจสอบ โดยการคำนวณข้อผิดพลาดที่มอนติคาร์โลนำมาใช้ในแพคเกจ Rบัว (SMITH, 2007) กฎง่าย ๆ คือ ควรมีข้อผิดพลาดที่มอนติคาร์โลน้อยกว่า 5% ของส่วนเบี่ยงเบนมาตรฐาน สถานการณ์จำลองทั้งหมดถูกนำมาใช้ในโปรแกรม MATLAB 7.1 (MATHWORKS, 2005) 20 ข้อถูกสุ่มเลือกจากธนาคารสินค้าเทียบ อิงจากพารามิเตอร์การแบ่งแยกพวกเขาจัดเป็นต่ำ discriminative (α < 0.60), discriminative ขนาดกลาง (a∈ [0.60,1.00]), และสูง discriminative (1.00) > รายการ และขึ้นอยู่กับความยากลำบากของพวกเขาเป็นมากง่าย (1.00) b < − b∈ −ง่าย ([1.00,0.00]) ปานกลาง (b∈ (0.00,1.00]) และยาก (1.00) b > รายการ การจัดประเภทเหล่านี้ใช้ในการเปรียบเทียบผลการประมาณพารามิเตอร์สินค้าที่อิงเชิงประจักษ์ priors อิงถดถอยอีกครั้งต้นไม้บนมือข้างหนึ่งและก่อนที่คลุมเครือในทางกลับกัน มีแสดงผลในตารางที่ 1 และ 2

ผลลัพธ์ (ไทย) 2:

กิ๊บส์ตัวอย่าง (Matteucci; Mignani; Veldkamp 2009) ถูกนำมาใช้ในการประมาณ
ค่าพารามิเตอร์ สำหรับแต่ละจำลอง 5000 ซ้ำถูกนำมาใช้กับการเผาไหม้ในของ
500 และ 100 ได้ดำเนินการซ้ำ การบรรจบกันของขั้นตอนวิธีที่ถูก
ตรวจสอบโดยการคำนวณผิดพลาด Monte Carlo เป็นดำเนินการในแพคเกจ R
BOA (SMITH, 2007) กฎของหัวแม่มือคือว่าข้อผิดพลาด Monte Carlo ควรจะ
มีขนาดเล็กกว่า 5% ของค่าเบี่ยงเบนมาตรฐาน จำลองทั้งหมดถูกนำมาใช้ใน
MATLAB ซอฟแวร์ 7.1 (Mathworks 2005) 20 รายการที่ถูกสุ่มเลือก
จากธนาคารรายการสอบเทียบ ตามพารามิเตอร์การเลือกปฏิบัติของพวกเขาพวกเขาถูก
จัดประเภทเป็น <จำแนก (0.60 ปานกลาง (a∈ [0.60,1.00] ต่ำจำแนกα)
) และสูงจำแนก (1.00) A> รายการและขึ้นอยู่กับความยากลำบากของพวกเขาเป็นอย่างมาก
ง่าย (1.00) ข <- ง่าย ([1.00,0.00]) b∈ - ปานกลาง ((0.00,1.00]) b∈และ
ยาก (1.00) b>. รายการ categorizations เหล่านี้ถูกนำมาใช้เพื่อเปรียบเทียบผล
ของใหม่ประมาณรายการ พารามิเตอร์ขึ้นอยู่กับไพรเออร์เชิงประจักษ์อยู่บนพื้นฐานของการถดถอย
ต้นไม้บนมือข้างหนึ่งและคลุมเครือก่อนในมืออื่น ๆ . ผลจะแสดง
ในตารางที่ 1 และ 2

ผลลัพธ์ (ไทย) 3:

เป็นกิ๊บส์ตัวอย่าง ( matteucci ; mignani ; veldkamp 2009 ) คือใช้ในการประมาณการค่าพารามิเตอร์ สำหรับแต่ละจำลอง 5000 รอบใช้กับการเขียนในของ500 และ 100 โดยมีวัตถุประสงค์เพื่อ การลู่เข้าของขั้นตอนวิธีนี้คือตรวจสอบข้อผิดพลาดโดยการคำนวณมอนติคาร์โลเป็นใช้ใน R แพคเกจโบอา ( Smith , 2007 ) กฎของหัวแม่มือคือที่ Monte Carlo ข้อผิดพลาดควรน้อยกว่า 5% ของค่าส่วนเบี่ยงเบนมาตรฐาน ทั้งหมดถูกนำมาใช้ในการจำลองสถานการณ์ซอฟต์แวร์ Matlab 7.1 ( แมธเวิร์คส์ , 2548 ) 20 ข้อ สุ่มเลือกจากการสอบเทียบรายการธนาคาร ตามค่าพารามิเตอร์ที่พวกเขาแบ่งเป็นค่าต่ำ ( α < 0.60 ) และขนาดกลาง ( ∈ [ 0.60,1.00 ]) และค่าสูง ( 1.00 ) > รายการ และจากปัญหาของพวกเขามากง่าย ( 1 ) b < − , ง่าย ( [ 1.00,0.00 ] ) B ∈−ปานกลาง ( ( 0.00,1.00 ] ) B ∈ , และยาก ( 1 ) รายการ B > วิภัตติเหล่านี้เพื่อเปรียบเทียบผลการประมาณพารามิเตอร์ของ re รายการตามลำดับตามการถดถอยเชิงประจักษ์ต้นไม้บนมือข้างหนึ่งและคลุมเครือ ก่อนที่ในมืออื่น ๆ ผลลัพธ์จะแสดงตารางที่ 1 และ 2