ierfair：背景调查问卷上的无能响应的能力条件公平诊断的R包

对大规模评估所附的自我报告背景调查问卷的不懈努力/粗心回应（IER）（例如，PIRLS、PISA和TimSS）采用基于指标的方法进行常规筛选（例如，长串、反应变异性、Mahalanobis距离和心理测量学同义词/反目一致性）。这些指数是根据受访者自己的反应模式计算的，并隐含地将任何不一致视为注意力不集中。我们表明，这个假设并不是公平中立的：能力较低的受访者可能会产生更多看起来不一致的模式，仅仅因为背景调查问卷项目对他们来说更难处理，而与真正的努力无关。我们引入了ierfair，这是一种R包，它将标准IER指数与根据外部成就分数构建的能力分层（或局部回归）参考带进行基准测试，只有当受访者的指数相对于相同能力水平的其他人极端时，才会标记受访者。将ierfair应用于PIRLS 2011印度尼西亚学生背景问卷（N = 4，720），我们确认了三个原始指数中存在显着的能力混淆（r =-0.15至0.25）每指数条件反射被消除，但发现组合多个条件指数的自然规则（“如果m次火灾中的k = k，则标记”）即使没有单个指标显示一个明显的剩余能力趋势，也可以重新引入一个显着的剩余能力趋势。要求一致性或切换到局部回归条件处理可以减少这种趋势，并在阈值化之前将指数集中到单个分数中（作为iec_composite（））实现，可以最干净地消除它，将标志率保持在每个层的样本平均值的1-2个百分点内。该包不需要响应时间数据（这是存档大规模评估数据的一个重要限制），并生成跟踪报告总结能力分层和人口亚组的旗帜率。