Estimasi Kemampuan

Yogyakarta, 12 April 2017

Desy Kumala Sari (16726251014)

Julianty Siska Tandibua Batong (16726251033)

Dosen Pengampu:
Dr. Edi Istiono

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Estimasi Kemampuan

Nilai Parameter Butir

Model
Respon Butir
Nilai Parameter
Kemampuan

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Fungsi Likelihood
Probabilitas peserta ujian dengan kemampuan θ memperoleh respon Ui pada
butir i, dimana

probabilitas respon dapat dinyatakan dengan:

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Fungsi Likelihood

Gambar 1 (a) fungsi probabilitas respon yang benar (b) fungsi probabilitas respon yang salah

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Fungsi Likelihood

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Syarat Maximum Likelihood Estimation

Karena nilai parameter butir harus diketahui terlebih dahulu, maka hal ini
merupakan syarat dari estimasi kemampuan (condition estimation of θ).

Logaritma dari fungsi likelihood dapat ditulis dengan:

Lu1 , u 2 ,..., u N     uia ln Pia  1  uia ln 1  Pia 

N n

a 1 i 1

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Syarat Maximum Likelihood Estimation
Maximum likelihood estimator (MLE) dari diperoleh dengan memecahkan
persamaan likelihood untuk 1, 2 ,..., N

Lu1 , u 2 ,..., u N    0 (a  1,..., N )
 a
Persamaan ini akan dinyatakan sebagai

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Syarat Maximum Likelihood Estimation

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Newton-Raphson method

Prosedur pengulangan yang sering digunakan untuk mendapatkan estimasi

kemungkinan maksimum adalah prosedur Newton-Raphson. Prinsip dasar
dari prosedur ini yakni mengevaluasi turunan pertama dan kedua pada satu
titik yang disebut estimasi berulang, dan nilai-nilai ini dapat menjelaskan
prosedur salah satu titik pada fungsi likelihood yang relatif maksimal.

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Newton-Raphson method

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Newton-Raphson method

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Sifat Maximum Likelihood Estimation

Maximum Likelihood Estimation memiliki beberapa sifat yang berguna dan

penting. Secara umum, sifat Maximum Likelihood Estimation adalah:
1. Konsisten; yaitu, sebagai ukuran sampel dan jumlah kenaikan butir,
estimator berpusat pada nilai-nilai yang benar.
2. Fungsi statistik yang cukup. Ketika terdapat statistik yang cukup; yaitu,
statistik yang berisi semua informasi tentang parameter. Tidak ada data
lanjut diperlukan.
3. Efisien; yaitu Maximum Likelihood Estimation asimtotik (garis lurus
yang makin didekati oleh suatu lengkungan) memiliki varians terkecil.
4. Asimtotik terdistribusi normal.

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Sifat Maximum Likelihood Estimation

Pada model logistik satu parameter (1PL), skor nomor yang benar memenuhi
statistik yang cukup untuk kemampuan θ. Untuk model logistik dua parameter
(2PL), skor ra untuk peserta uji ke a didefinisikan sebagai
n
ra   aiU ia
i 1

Asimtotik sangat berguna dalam praktiknya. Maximum Likelihood Estimation

dari θ, , merupakan asimtotik normal dengan rata-rata θ dan variansi , dimana
adalah fungsi informasi.
   P
n
I ( )   E  ln L / 
2 2 2
i / Pi Qi
i 1

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Sifat Maximum Likelihood Estimation

Sesuai dengan evaluasi fungsi informasi pada kemampuan θ yakni variasi

asimtotik pada Maximum Likelihood Estimation θ. Hal ini dapat dinyatakan
sebagai
 
V ˆ   I  
1

Presentasi interval kepercayaan ke untuk θ diperoleh dengan

  
ˆ  z  I ˆ
1
2
  
   ˆ  z  I ˆ
1
2

2 2

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Estimasi Bayesian

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Pokok dari prosedur Bayesian adalah teorema Bayes, yang
berkaitan dengan syarat dan bagian kecil probabilitas:

1. A dapat dianggap sebagai 1. 𝜃𝑎 , dan B sebagai himpunan tanggapan yang diamati pada
pada n butir u

2. Parameter kemampuan (ability 𝜃) pengganti B, dan skor butir soal untuk individu
peserta pengganti A. P(𝜃|𝑢1, 𝑢2,… 𝑢𝑛 ) adalah sebaran posterior (𝑢1, 𝑢2,… 𝑢𝑛 𝜃 .
p(𝜃) adalah sebaran awal (prior distribution) dari 𝜃
∞
𝑢 𝑢
𝐸 𝜃 = න 𝜃𝑝 𝜃 𝑑𝜃
~ −∞
~

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Untuk menyelesaikan system persamaandigunakan prosedur pendekatan Gauss-
Hermite quadrature
σ𝑞𝑘=1 𝑋𝑘 𝐿𝑖 𝑋𝑘 𝑊(𝑋𝑘 )
𝜃መ =
σ𝑞𝑘=1 𝐿𝑖 𝑋𝑘 𝑊(𝑋𝑘 )

Keterangan:
𝑋𝑘 adalah salah satu dari q quadrature points

W(𝑋𝑘 )adalah bobot yang berkaitan dengan quadrate

point 𝑋𝑘

𝐿𝑖 (𝑋𝑘 ) adalah fungsi dari jawaban terhadap butir soal ke-I jika
diberikan tingkat kemampuan, 𝜃 pada 𝑋𝑘.

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Estimasi untuk skor sempurna dan skor nol

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Kriteria estimasi skor sempurna dan skor nol

• Kemampuan maksimum dengan skor sempurna dan skor

nol +∞ dan -∞.
• perkiraan 𝜃 sesuai dengan skor sempurna dan skor nol
σ𝑛𝑖−1 𝑘𝑖 𝑃𝑖𝜃 − 𝜀

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Solusi untuk melaporkan nilai metric skor benar (sempurna
dan nol) pada estimasi Bayes

Theskor yang benar 𝜉 adalah 𝝃 =σ𝒏𝒊−𝟏 𝑷𝒊 (𝜽)

𝑛 𝑛

෍ 𝑘𝑖 = ෍ 𝑘𝑖 𝑃𝑖𝜃
𝑖=𝑖 𝑖=1

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 Ketika 𝜃 = + ∞, 𝑃𝑖 (𝜃 ) = 1, dan 𝜃 = -∞, 𝑃𝑖 (𝜃 ) = 𝑐𝑖 dengan
𝜉 = 𝑛 (untuk model 3 PL), fungsi tes skor benar menjadi:

𝜉 =σ𝑛𝑖−1 𝑐𝑖

ketika 𝑐𝑖 = 0, untuk model satu dan dua parameter

𝜉 = 0, Atau, perkiraan 𝜃 sesuai dengan skor sempurna dan
skor nol σ𝑛𝑖−1 𝑘𝑖 𝑃𝑖𝜃 = 0, maka persamaannya menjadi:
𝑛

෍ 𝑘𝑖 𝑃𝑖𝜃 − 𝜀
𝑖−1

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 𝜀 : kuantitas kecil positif

Solusi persamaan likelihood dengan skor sempurna dan

skor nol, adalah:
σ𝒏𝒊−𝟏 𝒌𝒊 𝑷𝒊𝜽 = σ𝒏𝒊−𝟏 𝒌𝒊 𝑷𝒊𝜽 − 𝜺
hubungan antara skor yang benar dan kemampuan
σ𝑛𝑖−1 𝑃𝑖 (𝜃) = 𝑛 − 𝜀

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id
 Kesimpulan: besar kecilnya nilai MLE bergantung pada nilai parameter
a, b, c dan pola respon jawaban

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id

 KESIMPULAN

Ketika parameter butir diketahui, maka estimasi kemampuan dapat diselesaikan dengan
menggunakan prosedur Maximum Likelihood Estimation. Maximum Likelihood Estimation
memiliki beberapa sifat yang berguna, terutama yang dari bagian konsistensi dan normalitas
asomptotik. Cukup dengan menggunakan fungsi informasi, interval kepercayaan asimtotik untuk
θ dapat dibuktikan.
Maximum Likelihood Estimation tidak dapat digunakan ketika ditemui nilai sempurna atau nol.
Masalah ini dapat diselesaikan dengan menggunakan pendekatan Bayesian. Penilaian
menggunakan Bayesian memiliki standar eror yang lebih kecil dibanding Maximum Likelihood.
Namun, pendekatan Bayesian membutuhkan spesifikasi kepercayaan sebelumnya mengenai
kemampuan peserta ujian, oleh karena itu mungkin tidak dapat dipertimbangkan untuk semua
kasus.
Jika perlu untuk melaporkan nilai kemampuan dengan skor sempurna dan nol , Maximum
Likelihood Estimation tidak sesuai karena masing-masing merupakan atau . Dalam kasus ini
dapat digunakan Estimasi Bayesian. Alternatif lainnya, nilai-nilai kemampuan dapat
ditransformasikan ke metrik skor yang benar, dan diperkirakan nilai benar dilaporkan. Perkiraan
kemampuan juga dapat diperoleh dengan menyesuaikan persamaan kemungkinan, hal ini
merupakan salah satu prosedur yang mungkin tidak sepenuhnya dibenarkan.

TAKWA, MANDIRI, CENDEKIA http://pps.uny.ac.id