Construction d chelles d items unidimensionnelles en qualit de vie
Download
1 / 54

Construction d’échelles d’items unidimensionnelles en qualité de vie - PowerPoint PPT Presentation


  • 49 Views
  • Uploaded on

Construction d’échelles d’items unidimensionnelles en qualité de vie. Jean-Benoit Hardouin Soutenance de thèse Santé Publique/Biostatistique Université René Descartes - Paris V 14 Novembre 2005. Plan. Contexte La Théorie de Réponse aux Items et le modèle de Rasch

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Construction d’échelles d’items unidimensionnelles en qualité de vie' - rahim-chapman


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
Construction d chelles d items unidimensionnelles en qualit de vie

Construction d’échelles d’items unidimensionnelles en qualité de vie

Jean-Benoit Hardouin

Soutenance de thèse

Santé Publique/Biostatistique

Université René Descartes - Paris V

14 Novembre 2005

Soutenance JB Hardouin


Plan qualité de vie

  • Contexte

  • La Théorie de Réponse aux Items et le modèle de Rasch

  • Le modèle multidimensionnel de Rasch marginalement exhaustif

  • La sélection d’échelles d’items basée sur le modèle de Rasch

    • Méthodes Raschfit, Raschfit-Fast

    • Comparaison avec d’autres méthodes (simulations)

  • Outils logiciels : IRT sous SAS et Stata

  • Soutenance JB Hardouin


    Vocabulaire en psychom trie
    Vocabulaire en psychométrie qualité de vie

    • Psychométrie : domaine scientifique s’attachant à la mesure de traits latents

    • Trait latent : caractéristique (quantitative) non observable des individus

    • Item : question à réponse binaire ou ordinale

    • Echelle : ensemble d’items dont les réponses sont influencées par un même trait latent

    • Score : fonction des réponses aux items d’une échelle dont la valeur est liée à celle du trait latent

    Soutenance JB Hardouin


    Repr sentation graphique
    Représentation graphique qualité de vie

    Echelle

    Item 1

    Trait latent

    Item 2

    Score

    Item 3

    Item J

    Soutenance JB Hardouin


    Domaines d applications de la psychom trie
    Domaines d’applications de la psychométrie qualité de vie

    • Sciences de l’éducation : intelligence, connaissance

    • Psychologie & psychiatrie : présence de troubles, traits de personnalité

    • Recherche clinique : qualité de vie, état de santé

    • Toute autre domaine nécessitant une mesure indirecte d’un caractère non directement mesurable

    Soutenance JB Hardouin


    Constat initial
    Constat initial qualité de vie

    • La plupart des échelles sont construites par des experts du domaine

      • Mise à part l’unidimensionnalité, les propriétés psychométriques recherchées pour ces échelles ne sont pas toujours prises en compte lors de la phase de construction

      • Le score proposé est même parfois non mathématiquement justifié

    • Le statisticien intervient en phase confirmatoire pour vérifier que les échelles construites ont bien les propriétés recherchées

      • Si non, l’échelle peut être rejetée

    • Est-il possible d’aider les experts à construire des échelles ayant de bonnes propriétés ?

    Soutenance JB Hardouin


    Contexte
    Contexte qualité de vie

    • A partir de l’ensemble des items définis par les experts pour mesurer un trait latent, lesquels peuvent former une échelle psychométrique ayant de bonnes propriétés ?

    • Quelles sont ces propriétés ?

      • Unidimensionnalité

      • Score facile à calculer (Par exemple un score non pondéré) dont l’usage pourra être justifié

        =>Modèle de Rasch

    Soutenance JB Hardouin


    Th orie classique et th orie moderne en psychom trie
    Théorie classique et théorie moderne en psychométrie qualité de vie

    • Théorie classique :

      • Le score est une mesure directe du trait latent

      • Trait latent=score+erreur

  • Théorie moderne (Théorie de Réponse aux items - IRT) :

    • Le score est une mesure non linéaire du trait latent

    • Trait latent=f(score)+erreur

    • f(x) est une fonction non décroissante

  • Le modèle de Rasch appartient à l’IRT

  • Soutenance JB Hardouin


    Notations
    Notations qualité de vie

    • Q : dimension du trait latent

    • j : vecteur de paramètres caractérisant l’item j, j=1…J

    • n=(n1,..,nq,…,nQ) : vecteur de dimension Q représentant les valeurs du trait latent multidimensionnel pour l’individu n, n=1…N

    • Xnj : variable aléatoire représentant la réponse de l’individu n à l’item j (de réalisation xnj)

      • Modalité 0 : la moins favorable au trait latent (réponse négative)

      • Modalités 1 à mj : autres modalités classées (réponses positives)

    • Pour la suite on se restreindra au cas dichotomique : mj=1

    Soutenance JB Hardouin


    Irt hypoth ses fondamentales
    IRT: Hypothèses fondamentales qualité de vie

    • Unidimensionnalité : les réponses aux items dépendent d’un trait latent unidimensionnel (Q=1, le trait latent est un scalaire)

    • Monotonicité : la probabilité P(Xnj=1/n, j) est une fonction non décroissante sur le trait latent

    • Indépendance locale : les variables réponses aux items sont indépendantes conditionnellement au trait latent

    Soutenance JB Hardouin


    Repr sentation graphique1
    Représentation graphique qualité de vie

    Item 1 (Xn1)

    Trait latent

    (n)

    Score (Sn)

    Item 2 (Xn2)

    Item 3 (Xn3)

    Item J (XnJ)

    Soutenance JB Hardouin


    Irt les fonctions de r ponse aux items irf et les courbes caract ristiques des items icc
    IRT: Les fonctions de réponse aux items (IRF) et les courbes caractéristiques des items (ICC)

    • L’IRF de l’item j est la fonction donnant la probabilité de répondre positivement à cet item en fonction du trait latent

    • Les ICC sont les représentations graphiques des IRF

    Soutenance JB Hardouin


    Le mod le de rasch 1960
    Le modèle de Rasch (1960) courbes caractéristiques des items (ICC)

    Les items sont caractérisés par un paramètre unique : j =(j)

    Les IRF sont des fonctions décroissantes par rapport à j : ce dernier est appelé paramètre de difficulté

    Les ICC sont non sécantes

    Les pentes des ICC aux points d’inflexion (pouvoir discriminant) sont égales et fixées

    Soutenance JB Hardouin


    Courbes caract ristiques des items dans le cadre du mod le de rasch
    Courbes caractéristiques des items dans le cadre du modèle de Rasch

    (-2 -1.2 -.5 0.1 .7 1.8 2.5)

    Soutenance JB Hardouin


    Consid ration sur le trait latent
    Considération sur le trait latent de Rasch

    • Le trait latent peut être considéré de deux manières

      • Soit comme un ensemble de paramètres fixes n, n=1,…,N

      • Soit comme une variable aléatoire  ayant pour réalisation pour l’individu n la valeur n : le modèle est alors un modèle logistique à effets mixtes (GLMM)

  • On parle ainsi du modèle de Rasch à effets fixes ou du modèle de Rasch à effet aléatoire

  • Soutenance JB Hardouin


    Propri t du mod le de rasch exhaustivit du score sur le trait latent
    Propriété du modèle de Rasch : exhaustivité du score sur le trait latent

    • Le score non pondéré est une statistique exhaustive du trait latent (Andersen, 1977)

    Le modèle de Rasch est le seul modèle de l’IRT à vérifier cette propriété pour le score non pondéré

    Soutenance JB Hardouin


    Repr sentation graphique de l exhaustivit du score sur le trait latent
    Représentation graphique de l’exhaustivité du score sur le trait latent

    Item 1

    Trait latent

    Item 2

    Score non

    pondéré

    Item 3

    Item J

    Soutenance JB Hardouin


    Estimation des param tres
    Estimation des paramètres le trait latent

    • Effets fixes :

      • Maximum de vraisemblance jointe (JML) : méthode naturelle – estimations non consistantes

      • Maximum de vraisemblance conditionnelle (CML) : on estime les paramètres de difficulté des items (j)conditionnellement au score – estimations consistantes

  • Effet aléatoire :

    • Maximum de vraisemblance marginale (MML)

    • Equations d’estimation généralisées (GEE)

    • Algorithme EM

  • Soutenance JB Hardouin


    Difficult d ad quation du mod le de rasch
    Difficulté d’adéquation du modèle de Rasch le trait latent

    • Modèle peu souple, pentes des ICC fixées

      • Difficulté pour ajuster ce modèle à un ensemble d’items

      • Modèle souvent rejeté pour un ensemble d’items

    • Pourtant modèle très intéressant en psychométrie (« perfect scale »)

      • =>Plusieurs auteurs (Ficher and Molenaar, 1995; Bond et Fox, 2004) préconisent de trouver, pour mesurer un trait latent donné, un ensemble d’items vérifiant un modèle de Rasch, quitte à éliminer certains items, plutôt que d’utiliser des modèles plus souples qui posent des problèmes d’estimation, de fiabilité et d’interprétation, et qui ne justifient pas, en pratique, l’usage du score non pondéré

    Soutenance JB Hardouin


    S lection d items
    Sélection d’items le trait latent

    Trait latent 1

    Item 1

    Item 1

    Item 2

    Item 2

    Trait latent 2

    Dimension Q ?

    Item 3

    Item 3

    Trait latent Q

    Item J

    Item J

    => IRT Multidimensionnelle

    Soutenance JB Hardouin


    Irt multidimensionnelle
    IRT multidimensionnelle le trait latent

    • Extension récente (années 90) de l’IRT quand on suppose que les réponses à un ensemble d’items dépendent de plusieurs traits latents

    • L’hypothèse d’unidimensionnalité est remplacée par l’hypothèse de dimension Q du trait latent connue

    Soutenance JB Hardouin


    Mod les de l irt multidimensionnelle
    Modèles de l’IRT multidimensionnelle le trait latent

    • Rasch (1961) : Modèle de Rasch polytomique

    • Kelderman & Rijkes (1994) : Modèle polytomique multidimensionnel à trait latent (MPLT)

      • Hoijtink, Rooks & Wilmink (1999) : modèle généralisé de Rasch multidimensionnel

    • Adams, Wilson & Wang (1997) : modèle logistique multinomial à coefficients aléatoires multidimensionnel (MRCML)

    Soutenance JB Hardouin


    Propri t s de ces mod les
    Propriétés de ces modèles le trait latent

    • Pour le modèle 1

      • Modèle très restrictif et difficile à appliquer en pratique : à chaque item est associé Q modalités positives, chacune d’elles étant liée exclusivement à la valeur sur un des Q traits latents

      • Inutilisable en phase exploratoire

    • Pour les modèles 2 et 3

      • Ce ne sont pas des extrapolations multidimensionnelles du modèle de Rasch : les scores utilisés sont pondérés avec pondérations connues (OPLM)

      • le vecteur des scores est exhaustif sur le trait latent multidimensionnel

    Soutenance JB Hardouin


    Exhaustivit du vecteur score sur le trait latent multidimensionnel
    Exhaustivité du vecteur score sur le trait latent multidimensionnel

    Item 1

    Trait latent 1

    Score 1

    Item 2

    Trait latent 2

    Score 2

    Item 3

    Score Q

    Trait latent Q

    Item J

    Soutenance JB Hardouin


    N cessit de d finir un nouveau mod le multidimensionnel
    Nécessité de définir un nouveau modèle multidimensionnel multidimensionnel

    • Les modèles existants ne sont pas de bonnes extrapolations multidimensionnelles du modèle de Rasch

    • L’exhaustivité du score devrait être définie pour chaque composante du trait latent

      => Nouveau modèle : le modèle de Rasch multidimensionnel marginalement exhaustif (MMSRM)

    Soutenance JB Hardouin


    Le mod le de rasch multidimensionnel marginalement exhaustif mmsrm
    Le modèle de Rasch multidimensionnel marginalement exhaustif (MMSRM)

    • Hardouin & Mesbah, Communications in Statistics – Theory and Methods, 2003

    • L’exhaustivité marginale : Il existe Q score Sq non pondérés, q=1,…,Q, chacun étant exhaustif d’une composante particulière du trait latent (q)

    • Les items dont la réponse est influencée par la qe composante du trait latent q suivent un modèle de Rasch relativement à q marginalement aux autres composantes du trait latent et aux autres items

    • =>MMSRM : modèle de l’IRT vérifiant ces deux propriétés

    Soutenance JB Hardouin


    Exhaustivit marginale
    Exhaustivité marginale exhaustif (MMSRM)

    Trait latent 1

    Item 1

    Score 1

    Item 2

    Trait latent 2

    Score 2

    Item 3

    Score Q

    Trait latent Q

    Item J

    Soutenance JB Hardouin


    Mmsrm construction
    MMSRM : Construction exhaustif (MMSRM)

    • Soit Q ensembles d’items distincts vérifiant un modèle de Rasch par rapport à un trait latent q

    • Soit f(n)=f(n1 ,…, nq ,…, nQ) la fonction de distribution du trait latent multidimensionnel

    • Loi jointe :

    Soutenance JB Hardouin


    Mmsrm structure simple
    MMSRM : Structure simple exhaustif (MMSRM)

    Chaque item est lié à un seul trait latent (structure simple)

    Item 31

    Item 11

    1

    3

    Item 32

    Item 12

    2

    Item 33

    Item 13

    Item 23

    Item 22

    Item 21

    Ce type de structure est nécessaire pour que soit vérifié

    le principe d’exhaustivité marginale (Hardouin, 2005)

    Soutenance JB Hardouin


    Mmsrm estimation des param tres
    MMSRM : estimation des paramètres exhaustif (MMSRM)

    • Le trait latent est considéré comme une variable aléatoire multidimensionnelle distribuée selon une loi multinormale centrée de matrice de variance  - g(/)

    • Possibilité d’estimer les paramètres des items () et  par la méthode du maximum de vraisemblance marginale ou par GEE (Hardouin, 2005)

    Soutenance JB Hardouin


    Utilisation du mmsrm pour faire de la s lection d items bas e sur le mod le de rasch
    Utilisation du MMSRM pour faire de la sélection d’items basée sur le modèle de Rasch

    • Principe général : A partir d’une structure connue pour J items et Q traits latents, on ajoute un nouvel item et on cherche la meilleure nouvelle structure en liant le nouvel item avec chacun des traits latents ou avec un nouveau trait latent dans un MMSRM

      • => Comment comparer les (Q+1) différentes structures trouvées ?

    • En pratique : l’estimation d’un modèle linéaire généralisé à effets mixtes est un long processus, qui dépend du nombre d’individus (N), du nombre de d’items (J) et de la dimension de l’effet aléatoire (Q) : on aboutit rapidement à plusieurs heures de calculs

      • => Nécessité de restreindre le nombre de modèles comparés (et notamment ceux de grande dimension)

    Soutenance JB Hardouin


    Raschfit
    Raschfit basée sur le modèle de Rasch

    • Hardouin & Mesbah, Communications in Statistics – Theory and Methods, 2003

    • A l’étape initiale, on choisit un noyau d’items (2 items ou plus qui mesurent le même trait latent par un modèle de Rasch)

    • A chaque étape k, on compare

      • Un modèle de Rasch comprenant le noyau et un nouvel item,

      • un MMSRM bidimensionnel où le noyau est influencé par une composante du trait latent, et le nouvel item par une autre composante

    • Si le modèle de Rasch est le modèle le plus parcimonieux, selon le critère d’information d’Akaike (AIC), le nouvel item est inclus dans le noyau

    Soutenance JB Hardouin


    Raschfit repr sentation graphique de l tape k
    Raschfit : Représentation graphique de l’étape k basée sur le modèle de Rasch

    Item 1

    Item 1

    Noyau

    Obtenu

    À l’étape

    k-1

    Traitlatent 1

    Traitlatent

    Item 2

    Item 2

    Item 3

    Item 3

    Traitlatent 2

    Nouvel item

    Nouvel item

    Modèle 1 : Modèle de Rasch

    Modèle 2 : MMSRM

    Soutenance JB Hardouin


    Comment raschfit r pond aux contraintes
    Comment Raschfit répond aux contraintes ? basée sur le modèle de Rasch

    • Comment comparer les (Q+1) différentes structures trouvées ?

      • Par le critère d’information d’Akaike (AIC)

    • Nécessité de restreindre le nombre de modèles comparés (et notamment ceux de grande dimension)

      • Seulement des modèles avec 1 ou 2 dimensions

    Soutenance JB Hardouin


    Raschfit consid rations pratiques
    Raschfit : considérations pratiques basée sur le modèle de Rasch

    • Quand une première échelle est trouvée, les items sélectionnés sont retirés, et on recommence le processus avec les autres items

    • Plusieurs heures de temps d’exécution

    Soutenance JB Hardouin


    Raschfit fast
    Raschfit-Fast basée sur le modèle de Rasch

    • But : réduire le temps d’exécution de la procédure Raschfit

    • Procédure basée sur le modèle de Rasch à effets fixes

    • Principe : Au lieu de considérer un MMSRM, on explique la probabilité de réponse positive au nouvel item par une constante

      • A chaque étape, on compare des modèles avec un trait latent unidimensionnel

  • Empiriquement, Raschfit-Fast permet de diviser le temps d’exécution de Raschfit par un facteur de 15 à 30

  • Soutenance JB Hardouin


    Raschfit fast vraisemblance et aic
    Raschfit-Fast : Vraisemblance et AIC basée sur le modèle de Rasch

    • En considérant un modèle de Rasch pour les J+1 items (le nouvel item est indexé par 0):

    • En considérant que les réponses au nouvel item ne sont pas expliquées par le trait latent des J autres items

    Soutenance JB Hardouin


    Simulations m thodes
    Simulations : Méthodes basée sur le modèle de Rasch

    • Comparaison de Raschfit et Raschfit Fast avec d’autres méthodes retrouvées dans la littérature :

      • Analyse factorielle

        • ACP (règle de Kaiser) + rotation Varimax

        • AFCS (règle de Kaiser) + rotation Varimax

        • Clustering Around Latent Variables (CLV) [Vigneau & Qannari, 2003]

      • IRT non paramétrique

        • Mokken Scale Procedure [Hemker, Sitsjma & Molenaar, 1995] (deux seuils c=0,3 et c=0,2)

        • HCA/CCPROX [Roussos & Stout, 1998] (choix de la dimension basée sur l’indice DETECT)

      • IRT paramétrique

        • BackRasch (méthode backward sur le modèle de Rasch basé sur le test d’adéquation Q1)

    Soutenance JB Hardouin


    Simulations raschfit fast
    Simulations : Raschfit-Fast basée sur le modèle de Rasch

    • Suivant la méthode utilisée pour estimer les paramètres n, on obtient des résultats différents :

      • Raschfit-Fast1 : estimation par maximum de vraisemblance : estimations biaisées et impossibles pour les individus ayant un score nul (0) ou parfait (J)

      • Raschfit-Fast2 : estimation a posteriori de Bayes : non biaisées et disponibles pour tous les individus

    Soutenance JB Hardouin


    Param tres de simulation
    Paramètres de simulation basée sur le modèle de Rasch

    • Nombre d’individus : N=2000

    • Nombre de dimensions : Q=2

    • Nombre d’items par dimension : 7 ou 14

    • Modèle servant à simuler les données : MMSRM ou autre modèle

    • Pouvoir discriminant des items : faible (0,4), moyen (0,7) ou fort (1,4)

    • Corrélation entre les deux traits latents (rho): 0.0, 0.2, 0.4, 0.6, 0.8, 1.0

    Soutenance JB Hardouin


    Simulations classement des r sultats
    Simulations : Classement des résultats basée sur le modèle de Rasch

    • Erreur majeure de classement : Deux items simulés à partir de deux traits latents différents sont classés ensemble

    • Bon résultat : La structure recherchée est retrouvée

    • Résultat intermédiaire : Plus de dimensions retrouvées que le nombre simulé (2) mais aucune erreur majeure de classement

    • Mauvais résultat : Au moins une erreur majeure de classement

    • Indéterminé : Un nombre non négligeable d’items n’est pas classé par la procédure (MSP, BackRasch)

    Soutenance JB Hardouin


    R sultats mmsrm rho 4
    Résultats : MMSRM (rho<=.4) basée sur le modèle de Rasch

    Soutenance JB Hardouin


    R sultats autre mod le rho 4
    Résultats : Autre modèle (rho<=.4) basée sur le modèle de Rasch

    Soutenance JB Hardouin


    R sultats mmsrm rho 0 6 ou rho 0 8
    Résultats : MMSRM (rho=0.6 ou rho=0.8) basée sur le modèle de Rasch

    Soutenance JB Hardouin


    R sultats rho 1 0
    Résultats (rho=1.0) basée sur le modèle de Rasch

    • Méthodes détectant l’unidimensionnalité

      • Très bons résultats pour CLV (100%)

      • Résultats plutôt corrects (25% à 50%) pour MSP, HCACCPROX

      • Mauvais résultats pour ACP, AFCS et BackRasch

    • Résultats satisfaisant pour Raschfit(-Fast2)

      • A tendance à distinguer les groupes d’items en fonction de leur pouvoir discriminant (distingue les ensembles permettant de mesurer le trait latent par un modèle de Rasch)

    Soutenance JB Hardouin


    Unidimensionnalit et pouvoir discriminant des items
    Unidimensionnalité et pouvoir discriminant des items basée sur le modèle de Rasch

    Soutenance JB Hardouin


    Conclusion sur les simulations
    Conclusion sur les simulations basée sur le modèle de Rasch

    • Raschfit et Raschfit-Fast2 donnent des résultats satisfaisants, y compris lorsque le « vrai » modèle est légèrement différent du MMSRM

      • Avantage : retrouvent les ensembles d’items qui suivent un modèle de Rasch pour mesurer un trait latent

    • Raschfit-Fast1 et BackRasch donnent de moins bons résultats

    • MSP donne beaucoup de résultats indéterminés

    • Les méthodes d’analyses factorielles (ACP ou AFCS) ont tendance à trouver un nombre important de dimensions (influence de la règle de Kaiser ?)

      • Détection d’ensembles unidimensionnels et homogènes sur la difficulté

    • HCA/CCPROX et CLV donnent globalement de bons résultats

      • Détection d’ensembles unidimensionnels

    Soutenance JB Hardouin


    Outils logiciels constat
    Outils Logiciels : constat basée sur le modèle de Rasch

    • Lacunes des logiciels généralistes (SAS, Stata, Splus, R, SPSS) pour l’utilisation des modèles de l’IRT

      • Travail sous SAS et Stata

  • Non accessibilités des travaux existants

    • Site AnaQol (anaqol.free.fr) : présentation des travaux personnels

    • Projet FreeIRT (freeirt.free.fr) : centralisation et mise à disposition des travaux en IRT sous les logiciels généralistes [Collaboration avec Karl Bang Christensen]

  • Soutenance JB Hardouin


    Sas mod lisation et tests
    SAS : Modélisation et tests basée sur le modèle de Rasch

    • %AnaQol : estimation (CML et MML) des paramètres du modèle de Rasch, modèle de Birnbaum (2-PLM), OPLM, Partial Credit Model et Rating Scale Model (items polytomiques)

      • Tests et indices (items dichotomiques)

      • Représentations graphiques

      • Article soumis en 2004 : Hardouin & Mesbah, Communications in Statistics – Simulation and Computation

      • #500 téléchargements de la version 3.3 (mai 2004), #100 de la version 4.1 (juillet 2005)

    Soutenance JB Hardouin


    Stata mod lisation et tests
    Stata : Modélisation et tests basée sur le modèle de Rasch

    • -raschtest- : estimation (CML, MML, et GEE) et tests pour le modèle de Rasch

      • Article soumis en 2005 : Hardouin, The Stata Journal

      • #200 téléchargements version 6.3 (juillet 2004) et #40 de la version 7.3 (juillet 2005)

    • -mmsrm- : estimation par MML ou GEE des paramètres du MMSRM (#150)

    • -geekel2d- : estimation par GEE des paramètres des modèles dichotomiques définis par Kelderman et Rijkes (1994) (#200)

    Soutenance JB Hardouin


    Sas stata s lection d items
    SAS & Stata : Sélection d’items basée sur le modèle de Rasch

    Soutenance JB Hardouin


    Sas stata autres programmes
    SAS & Stata : autres programmes basée sur le modèle de Rasch

    Soutenance JB Hardouin


    Conclusion perspectives
    Conclusion & Perspectives basée sur le modèle de Rasch

    • Concernant Raschfit(-Fast)

      • Etendre au cadre polytomique

      • Evaluer (et limiter ?) l’influence de l’ordre dans lequel sont inclus les items dans la procédure

      • Programmer Raschfit sous SAS

    • Concernant les développements sous les logiciels généralistes

      • Travail de validation

      • Nombreux développements possibles (modèles plus complexes, tests, procédures…)

      • Développement vers d’autres langages (R/Splus)

    Soutenance JB Hardouin


    La s lection d chelles d items unidimensionnelles en qualit de vie

    La sélection d’échelles d’items unidimensionnelles en qualité de vie

    Commentaires, questions

    Soutenance JB Hardouin


    ad