在Rasch树中利用无序多选变量进行差异检测

Rasch树模型采用基于模型的递归分割方法，用于检测不同协变量组合之间的差异效应。这种交叉分析方法是非常有效的工具，但在处理无序的多值协变量时存在局限性，尤其是在可解释性和计算效率方面。因此，许多研究都限制Rasch树分析仅包含二分或连续型协变量。最近的一些研究提出在模型拟合之前将多值协变量归并为更少的类别，但这种方法的效果尚未得到评估。本研究通过模拟和实证数据来评估将多值协变量归并到更少类别对Rasch树模型性能的影响。我们比较了在默认分割算法和基于k-means聚类的替代方法下的差异效应检测准确性和模型复杂度。结果表明，聚类操作会降低模型的敏感性以及整体差异效应的检测准确性。此外，即使在默认程序下，多值协变量的检测准确性仍然较低，这凸显了需要改进的方法来将这类协变量纳入Rasch树模型中。