| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 引言 | 第7-8页 |
| 1 文献综述 | 第8-23页 |
| 1.1 多维三参数逻辑斯蒂克模型概述 | 第8-12页 |
| 1.1.1 三参数逻辑斯蒂克模型 | 第8-9页 |
| 1.1.2 多维三参数逻辑斯蒂克模型 | 第9-12页 |
| 1.2 多维三参数模型参数估计的主要传统方法 | 第12-16页 |
| 1.2.1 边际似然估计期望-最大化算法 | 第12-13页 |
| 1.2.2 贝叶斯期望-最大化算法 | 第13-14页 |
| 1.2.3 基于Gibbs抽样的MCMC方法 | 第14-16页 |
| 1.2.4 传统算法的综合评述 | 第16页 |
| 1.3 多维三参数模型参数估计的新进展 | 第16-22页 |
| 1.3.1 基于Hamiltonian抽样的MCMC方法 | 第16-18页 |
| 1.3.2 处理多维积分的MH-RM方法 | 第18-19页 |
| 1.3.3 以猜测为潜变量的贝叶斯期望双重最大算法 | 第19-21页 |
| 1.3.4 新生代方法的贡献与局限 | 第21-22页 |
| 1.4 本研究的基本思路 | 第22-23页 |
| 1.4.1 问题提出 | 第22页 |
| 1.4.2 研究假设 | 第22页 |
| 1.4.3 研究方法与论文结构 | 第22-23页 |
| 2 基于MH-RM的贝叶斯期望双重最大算法概述 | 第23-35页 |
| 2.1 潜类别变量与贝叶斯众数估计方程 | 第23-27页 |
| 2.1.1 潜类别变量的由来 | 第23-24页 |
| 2.1.2 以能力过程为潜类别变量的边际似然函数 | 第24-25页 |
| 2.1.3 贝叶斯众数估计方程 | 第25-27页 |
| 2.2 BEMM与MH-RM方法的结合 | 第27-33页 |
| 2.2.1 使用MH方法求解多维积分 | 第27-29页 |
| 2.2.2 BEMM与MH-RM算法的结合 | 第29-32页 |
| 2.2.3 估计标准误的计算 | 第32-33页 |
| 2.3 新方法的总体估计流程 | 第33-35页 |
| 2.3.1 参数估计的基本流程 | 第33-34页 |
| 2.3.2 项目参数初值的估算 | 第34-35页 |
| 3 模拟研究与实例分析 | 第35-54页 |
| 3.1 研究1：返真性实验 | 第35-42页 |
| 3.1.1 实验目的和设计方案 | 第35-37页 |
| 3.1.2 结果与分析 | 第37-42页 |
| 3.2 研究2：稳健性实验 | 第42-46页 |
| 3.2.1 实验目的与设计方案 | 第42-43页 |
| 3.2.2 结果与分析 | 第43-46页 |
| 3.3 研究3：探索性IRT分析 | 第46-54页 |
| 3.3.1 实例数据研究设计 | 第46页 |
| 3.3.2 实例数据分析 | 第46-54页 |
| 4 讨论 | 第54-57页 |
| 4.1 BEMM-MH-RM算法的关联脉络 | 第54-55页 |
| 4.1.1 与BEMM算法的关系 | 第54页 |
| 4.1.2 与MH-RM算法的关系 | 第54-55页 |
| 4.2 BEMM-MH-RM算法的优势 | 第55-56页 |
| 4.2.1 更少的噪音污染 | 第55页 |
| 4.2.2 更高的估计效率 | 第55-56页 |
| 4.3 BEMM-MH-RM算法的扩展前景 | 第56-57页 |
| 4.3.1 横向扩展 | 第56页 |
| 4.3.2 纵向扩展 | 第56-57页 |
| 5 总结 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录A：研究1中的模拟项目参数和返真结果 | 第61-70页 |
| 附录B：研究2中的模拟项目参数和返真结果 | 第70-77页 |
| 附录C：研究3中的参数估计结果 | 第77-81页 |
| 致谢 | 第81-82页 |
| 在读期间公开发表论文(著)及科研情况 | 第82页 |