Här är en uppdelning av nyckelbegrepp:
1. Latenta egenskaper: Det här är de underliggande konstruktionerna vi försöker mäta, till exempel:
* Förmåga: En elevs förmåga i ett ämne.
* Inställning: En persons inställning till ett visst ämne.
* Svårighet: Svårigheten med ett testobjekt.
2. Rasch-modell: Denna modell antar att sannolikheten för att en person ska lyckas svara på ett objekt bestäms av skillnaden mellan deras förmåga och objektets svårighetsgrad.
3. Rasch-enheter: Rasch-modellen skalar dessa latenta egenskaper i termer av logits , som är loggodds av en person som lyckats svara på en fråga. En logit är en måttenhet på en logoddsskala.
Nyckelfunktioner hos Rasch-enheter:
* Lika intervall: Till skillnad från andra mätskalor representerar Rasch-enheter lika intervall. Det betyder att en skillnad på en Rasch-enhet mellan två personer betyder samma skillnad i förmåga oavsett var de befinner sig på skalan.
* Intervallskala: Rasch-enheter skapar en intervallskala, vilket betyder att förhållanden och skillnader mellan poäng är meningsfulla.
* Invariant mätning: Rasch-mätning möjliggör jämförelser mellan olika grupper eller föremål, även när proverna eller föremålen ändras.
Analogi: Tänk på en linjal som mäter längden. Precis som linjalen har lika intervall, mäter Rasch-enheter den latenta egenskapen med lika intervall, vilket gör att vi kan jämföra individer eller föremål med större precision och mening.
Sammanfattningsvis:
Rasch-enheter är grundläggande för Rasch-mätning, och ger ett standardiserat sätt att kvantifiera latenta egenskaper som förmåga, attityd eller svårighetsgrad. Deras nyckelegenskaper med lika intervall och invariant mätning gör dem kraftfulla för att analysera och tolka data inom olika områden som utbildning, psykologi och hälsovård.