本記事は、筆者が独自に作成した解答・解説です。
統計検定の問題は、当サイトでは掲載していません。
統計検定の問題や公式の解説は、公式問題集をご参照ください。
『統計検定1級 公式問題集[2019~2022年]』をAmazonで見る
- 本記事は、統計検定の公式の解答・解説ではありません。
- 内容の正確性には配慮していますが、誤りが含まれている場合があります。
- 統計検定®は一般財団法人統計質保証推進協会の登録商標です。
解答
[1]
項目反応理論では、試験の各設問を「項目」と呼び、参加者の能力と項目の性質を分けて、正答する確率をモデル化する。 観測されるのは各項目への正答\(1\)・誤答\(0\)であり、\(\theta\)は直接には観測できない参加者の能力を表すパラメータである。 \(P_j(\theta)\)は、能力が\(\theta\)の参加者が項目\(j\)に正答する確率を表す。
通常の\(a_j>0\)の設定では、能力が高いほど正答確率が高くなる。 \(b_j\)は困難度パラメータであり、\(\theta=b_j\)を代入すると\(P_j(b_j)=1/2\)となる。 したがって、\(b_j\)が大きい項目ほど、正答確率が\(1/2\)に達するために高い能力を要する。 \(a_j\)は識別力パラメータで、能力の違いに対して正答確率がどれほど変化するかに関わる。 その意味は[3]の傾きの計算で確かめられる。
\(\theta=0\)では\(P_j(0)=1/\{1+\exp(a_jb_j)\}\)となる。 各項目の\(a_jb_j\)は順に\(2,1,1,-1\)なので、 \[ P_1(0)=\frac{1}{1+e^2},\qquad P_2(0)=P_3(0)=\frac{1}{1+e},\qquad P_4(0)=\frac{1}{1+e^{-1}} \] である。 したがって、正答確率が等しいのは項目2と項目3である。
[2]
参加者集団にはさまざまな能力の人がいるので、各能力での正答確率を、その能力の人の割合に応じて平均する。 ここでは、その集団全体の正答確率\(\operatorname{E}[P_j(\theta)]\)を比較する。 \(g(t)=1/(1+e^{-t})\)とおくと、\(g\)は増加関数であり、\(g(t)+g(-t)=1\)をみたす。 \(\theta\sim N(0,1)\)は原点について対称なので、\(\theta\)と\(-\theta\)は同じ分布に従う。 したがって、任意の\(a>0\)に対して、\(a\theta\)と\(-a\theta\)も同じ分布に従い、\(g(a\theta)\)と\(g(-a\theta)\)の平均は等しく、 \[ \operatorname{E}[g(a\theta)]=\operatorname{E}[g(-a\theta)] \] となる。 この等式と\(g(a\theta)+g(-a\theta)=1\)を用いると、 \[ \begin{aligned} 2\operatorname{E}[g(a\theta)]&=\operatorname{E}[g(a\theta)]+\operatorname{E}[g(-a\theta)] \\ &=\operatorname{E}[g(a\theta)+g(-a\theta)]=1 \end{aligned} \] であるから、 \[ \operatorname{E}[g(a\theta)]=\frac{1}{2} \] を得る。
項目1、2、3では\(a_j>0\)かつ\(b_j>0\)であるため、すべての\(\theta\)に対して \[ P_j(\theta)=g(a_j\theta-a_jb_j)<g(a_j\theta) \qquad(j=1,2,3) \] であり、\(\operatorname{E}[P_j(\theta)]<1/2\)となる。 一方、項目4では\(a_4=0.5\)、\(b_4=-2\)なので、 \[ P_4(\theta)=g(0.5\theta+1)>g(0.5\theta) \] より\(\operatorname{E}[P_4(\theta)]>1/2\)である。 よって、集団全体で最も正答しやすいのは項目4である。
[3]
まず、正答しない確率は \[ 1-P_j(\theta)=1-\frac{1}{1+\exp[-a_j(\theta-b_j)]}=\frac{\exp[-a_j(\theta-b_j)]}{1+\exp[-a_j(\theta-b_j)]} \] と表せる。 項目反応関数を\(\theta\)について微分し、分母の二乗を二つの因子に分けると、 \[ \begin{aligned} \frac{\partial P_j(\theta)}{\partial\theta}&=\frac{a_j\exp[-a_j(\theta-b_j)]}{\{1+\exp[-a_j(\theta-b_j)]\}^2} \\ &=a_j\frac{1}{1+\exp[-a_j(\theta-b_j)]}\frac{\exp[-a_j(\theta-b_j)]}{1+\exp[-a_j(\theta-b_j)]} \\ &=a_jP_j(\theta)\{1-P_j(\theta)\} \end{aligned} \] となる。 したがって、\(P_j(\theta)=0.5\)である点での偏導関数の値は \[ a_j\times\frac{1}{2}\times\frac{1}{2}=\frac{a_j}{4} \] である。 \(a_j>0\)なら、この点は\(\theta=b_j\)に当たる。 その付近では能力のわずかな違いが、\(a_j\)が大きい項目ほど大きな正答確率の違いとなって現れるため、\(a_j\)を識別力と呼ぶ。
[4]
\(f_j(\theta)\)は項目情報関数であり、項目\(j\)の一つの正誤反応が参加者パラメータ\(\theta\)についてもつフィッシャー情報量を表す。
正誤反応を\(X_j\)とすると、\(\theta\)を固定したとき、\(X_j\)は正答確率\(P_j(\theta)\)のベルヌーイ分布に従う。 その対数尤度は \[ \ell_j(\theta) =X_j\log P_j(\theta)+(1-X_j)\log\{1-P_j(\theta)\} \] であり、 \[ \frac{\partial\ell_j(\theta)}{\partial\theta} =\frac{X_j-P_j(\theta)}{P_j(\theta)\{1-P_j(\theta)\}} \frac{\partial P_j(\theta)}{\partial\theta} \] となる。 \(\operatorname{E}[X_j\,|\,\theta]=P_j(\theta)\)と\(\operatorname{Var}(X_j\,|\,\theta)=P_j(\theta)\{1-P_j(\theta)\}\)を用いると、 \[ \operatorname{E}\left[ \left(\frac{\partial\ell_j(\theta)}{\partial\theta}\right)^2 \,\middle|\,\theta\right] =\frac{\left(\dfrac{\partial P_j(\theta)}{\partial\theta}\right)^2}{P_j(\theta)\{1-P_j(\theta)\}} =f_j(\theta) \] を得る。 この値が大きいほど、その能力水準付近の\(\theta\)を推定するために多くの情報を与える項目であり、測定の精度を表す指標になる。 [3]の微分の式を代入すると \[ f_j(\theta)=a_j^2P_j(\theta)\{1-P_j(\theta)\} \] となる。 \(P(1-P)=1/4-(P-1/2)^2\)より、\(a_j>0\)では情報量は\(\theta=b_j\)で最大値\(a_j^2/4\)をとる。 つまり、ほとんどの人が正解または不正解となる能力水準より、正誤が分かれる困難度付近で、その項目は能力の違いを捉えやすい。 「正答しやすい項目」と「能力を精度よく測れる項目」は異なることに注意する。
[5]
\(c_j\)は当て推量パラメータであり、能力が低い参加者でも、当て推量などによって正答する可能性を表す。 通常の\(a_j>0\)、\(0\le c_j<1\)という設定では、 \[ \lim_{\theta\to-\infty}P_j(\theta) =c_j+(1-c_j)\lim_{\theta\to-\infty} \frac{1}{1+\exp[-a_j(\theta-b_j)]} =c_j \] となる。 すなわち、\(c_j\)は項目反応関数の下方漸近値であり、非常に能力の低い参加者の正答確率が近づく値である。