★本篇非常實用
讀取計分檔。
記得用 read_table()，若用 read_csv() 因為是逗點切割，所以會全部分成一個欄位。
tds <- read_table('TDS.txt', col_names = FALSE)
ConQuest的計分檔（.txt）用R讀取後長這樣子：
> tds
# A tibble: 413 x 3
X1 X2 X3
<dbl> <dbl> <chr>
1 1 1 0122122211121231211113
2 2 1 1111112212311221220121
3 3 1 3233122012332333131001
4 4 1 2212123221110332332212
5 5 1 3320231030333322232332
6 6 1 0232221222020232223222
7 7 1 1111133223131223230012
8 8 1 2223222222332322111221
9 9 1 2131133231331132331111
10 10 1 0220122222330322123022
# … with 403 more rows
其中，X3欄位是分數，但是只有1個欄位。要切分成22個欄位（tidy）才能用eRm、TAM等pkg做後續處理。
另解：
當 CQ 的資料檔沒有空白格分開時，用 read_table() 讀取會變成數值，而不是 chr。
所以可以改用 read_csv() 指定欄位格式 col_types = 'c'。
ch114_txt <- read_csv('CH11-4.txt', col_types = 'c', col_names = FALSE)
欄位切割函數
但一直沒找到可以做這個切分工作的函數。所以就自己寫一個吧！
item_split <- function(dat, n) {
require(tidyverse)
require(stringr)
l <- list()
for (i in 1:n) {
l[[i]] <- dat %>% str_sub(i, i) %>% as.numeric()
}
i = i + 1
df <- matrix(unlist(l), nrow = length(l), byrow = T) %>% t() %>% as_tibble()
df
}
參數：
- dat：原資料欄位
- n：切分後欄位數
概念上就是用 stringr::str_sub() 函數，直向抽取數值。並存到 list 裡面。
再轉存成tibble型態。
測試
測試檔：台灣憂鬱量表（TDS），共 413 個觀察值，22 個題目。
用自編的 item_split() 函數切割檔案 tds$X3，存成 A。
> A <- item_split(tds$X3, 22)
> A
# A tibble: 413 x 22
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 0 1 2 2 1 2 2 2 1 1 1 2
2 1 1 1 1 1 1 2 2 1 2 3 1
3 3 2 3 3 1 2 2 0 1 2 3 3
4 2 2 1 2 1 2 3 2 2 1 1 1
5 3 3 2 0 2 3 1 0 3 0 3 3
6 0 2 3 2 2 2 1 2 2 2 0 2
7 1 1 1 1 1 3 3 2 2 3 1 3
8 2 2 2 3 2 2 2 2 2 2 3 3
9 2 1 3 1 1 3 3 2 3 1 3 3
10 0 2 2 0 1 2 2 2 2 2 3 3
# … with 403 more rows, and 10 more variables: V13 <dbl>, V14 <dbl>,
# V15 <dbl>, V16 <dbl>, V17 <dbl>, V18 <dbl>, V19 <dbl>, V20 <dbl>,
# V21 <dbl>, V22 <dbl>
用最簡單的 eRm 套件進行分析：
> eRm::PCM(A)
Results of PCM estimation:
Call: eRm::PCM(X = A)
Conditional log-likelihood: -7139.254
Number of iterations: 26
Number of parameters: 65
Item (Category) Difficulty Parameters (eta):
V1.c2 V1.c3 V2.c1 V2.c2 V2.c3 V3.c1
Estimate 2.9373691 5.5004023 -0.5026313 0.5687929 2.7167951 -1.5891000
Std.Err 0.2080597 0.2905613 0.1378363 0.1852051 0.2379407 0.1445418
V3.c2 V3.c3 V4.c1 V4.c2 V4.c3 V5.c1
Estimate -0.8842344 0.8283488 -0.3306218 1.2087767 3.667884 -0.8075350
Std.Err 0.1886138 0.2256532 0.1342302 0.1896171 0.258974 0.1355271
V5.c2 V5.c3 V6.c1 V6.c2 V6.c3 V7.c1
Estimate 0.4579519 2.6152032 -1.5040463 -0.9743534 0.9923865 -3.1159230
Std.Err 0.1873378 0.2405321 0.1447854 0.1847781 0.2293673 0.1990869
V7.c2 V7.c3 V8.c1 V8.c2 V8.c3 V9.c1
Estimate -3.1577746 -1.809449 -1.1221083 -0.05397499 2.1979582 -2.8551508
Std.Err 0.2259857 0.250966 0.1374213 0.18499937 0.2409469 0.1870406
V9.c2 V9.c3 V10.c1 V10.c2 V10.c3 V11.c1
Estimate -2.9527754 -1.5478484 -0.5974519 0.4555994 2.8793634 -0.7175797
Std.Err 0.2148776 0.2424618 0.1371351 0.1829607 0.2470719 0.1349900
V11.c2 V11.c3 V12.c1 V12.c2 V12.c3 V13.c1
Estimate 0.7249513 2.5141733 -1.6997940 -1.2915658 0.3104866 -0.2294872
Std.Err 0.1932825 0.2319935 0.1487864 0.1885285 0.2233758 0.1365726
V13.c2 V13.c3 V14.c1 V14.c2 V14.c3 V15.c1
Estimate 1.3097317 2.977850 -1.1828484 -1.1855359 -0.3675684 -2.437145
Std.Err 0.1975586 0.231255 0.1515045 0.1893085 0.2119602 0.176375
V15.c2 V15.c3 V16.c1 V16.c2 V16.c3 V17.c1
Estimate -2.8811047 -1.3132456 -2.0019023 -1.3900573 0.7428773 -1.1841216
Std.Err 0.2009328 0.2338507 0.1513078 0.1901427 0.2381854 0.1401928
V17.c2 V17.c3 V18.c1 V18.c2 V18.c3 V19.c1
Estimate -0.3707148 1.5191147 -1.6189003 -0.7536189 1.222898 -0.8050713
Std.Err 0.1855372 0.2282181 0.1432545 0.1881159 0.232705 0.1341039
V19.c2 V19.c3 V20.c1 V20.c2 V20.c3 V21.c1
Estimate 0.7225196 2.649148 -0.6201066 0.2792573 2.6452431 -1.0266341
Std.Err 0.1932131 0.237228 0.1385045 0.1818370 0.2426987 0.1392295
V21.c2 V21.c3 V22.c1 V22.c2 V22.c3
Estimate -0.1349207 1.6591516 -1.2801121 -0.4725497 1.514371
Std.Err 0.1865880 0.2263306 0.1405882 0.1851690 0.230810
可以哦！
person-item map
mod1 <- tam.mml(A)
persons.mod1 <- tam.wle( mod1 )
thresholds.mod1 <- tam.threshold(mod1)
wrightMap(persons.mod1$theta, thresholds.mod1, item.side = itemClassic)
