日本語チュートリアルは こちら もご参照ください。
概要
exametrikaパッケージは、教育テストデータを分析するための包括的なテストデータエンジニアリングツールを提供します。荘島（2022）で説明されている方法に基づき、このパッケージは研究者と実務家に以下の機能を提供します：
- テスト応答パターンと項目特性の分析
- 様々な心理測定モデルを用いた受験者の分類
- テストデータにおける潜在構造の調査
- 項目間の局所依存性の検討
- 項目関係のネットワーク分析
モデルの概要
局所依存モデル
本パッケージは、テストデータにおける局所依存性をモデル化する3つの相補的なアプローチを実装しています：
-
局所依存潜在ランク分析（LDLRA）
- 項目間の依存関係が異なる習熟度ランクでどのように変化するかを分析
- 項目間の関係が学習者の能力レベルによって変化すると予想される場合に適している
- LRAとベイジアンネットワークの長所を組み合わせたモデル
-
局所依存バイクラスタリング（LDB）
- 各ランク内における項目フィールド間の関係に焦点
- 項目が自然なグループ（フィールド）を形成し、階層的な関係を持つ場合に最適
- バイクラスタリングとフィールドレベルの依存構造を統合
-
バイクラスターネットワークモデル（BINET）
- 各フィールド内でのクラス遷移を検討
- 複雑なクラス進行パターンの理解に最適
- バイクラスタリングとクラスレベルのネットワーク分析を組み合わせたモデル
インストール
# CRANからインストール
install.packages("exametrika")
# または開発版をGitHubからインストール
if (!require("devtools")) install.packages("devtools")
devtools::install_github("kosugitti/exametrika")データ形式と使用方法
データ要件
Exametrikaは2値データと多値データの両方に対応しています：
- 2値データ（0/1）
- 0：誤答
- 1：正答
- 多値データ
- 順序のある反応カテゴリ
- 複数の得点レベル
- 欠測値
- NA値がサポートされています
- カスタムの欠測値コードを指定可能
データフォーマット
dataFormat関数は分析用の入力データを前処理します：
data <- dataFormat(J15S500)
str(data)
#> List of 7
#> $ ID : chr [1:500] "Student001" "Student002" "Student003" "Student004" ...
#> $ ItemLabel : chr [1:15] "Item01" "Item02" "Item03" "Item04" ...
#> $ Z : num [1:500, 1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..- attr(*, "dimnames")=List of 2
#> .. ..$ : NULL
#> .. ..$ : chr [1:15] "Item01" "Item02" "Item03" "Item04" ...
#> $ w : num [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> $ response.type: chr "binary"
#> $ categories : Named int [1:15] 2 2 2 2 2 2 2 2 2 2 ...
#> ..- attr(*, "names")= chr [1:15] "Item01" "Item02" "Item03" "Item04" ...
#> $ U : num [1:500, 1:15] 0 1 1 1 1 1 0 0 1 1 ...
#> ..- attr(*, "dimnames")=List of 2
#> .. ..$ : NULL
#> .. ..$ : chr [1:15] "Item01" "Item02" "Item03" "Item04" ...
#> - attr(*, "class")= chr [1:2] "exametrika" "exametrikaData"サンプルデータセット
本パッケージには、荘島（2022）からの様々なサンプルデータセットが学習用に含まれています：
- 命名規則：JxxSxxx形式（J：項目数、S：サンプルサイズ）
| データセット | 項目数 | 受験者数 | 種別 | 用途 |
|---|---|---|---|---|
| J5S10 | 5 | 10 | 2値 | クイックテスト |
| J5S1000 | 5 | 1,000 | 順序 | GRM |
| J12S5000 | 12 | 5,000 | 2値 | LDLRA |
| J15S500 | 15 | 500 | 2値 | IRT, LCA |
| J15S3810 | 15 | 3,810 | 順序(4件法) | 順序LRA |
| J20S400 | 20 | 400 | 2値 | BNM |
| J20S600 | 20 | 600 | 名義(4cat) | 名義Biclustering |
| J35S500 | 35 | 500 | 順序(5件法) | 順序Biclustering |
| J35S515 | 35 | 515 | 2値 | Biclustering, Network |
| J35S5000 | 35 | 5,000 | 多肢選択 | 名義LRA |
使用例
テスト統計量
TestStatistics(J15S500)
#> Test Statistics
#> value
#> TestLength 15.0000000
#> SampleSize 500.0000000
#> Mean 9.6640000
#> SEofMean 0.1190738
#> Variance 7.0892826
#> SD 2.6625707
#> Skewness -0.4116220
#> Kurtosis -0.4471624
#> Min 2.0000000
#> Max 15.0000000
#> Range 13.0000000
#> Q1.25% 8.0000000
#> Median.50% 10.0000000
#> Q3.75% 12.0000000
#> IQR 4.0000000
#> Stanine.4% 5.0000000
#> Stanine.11% 6.0000000
#> Stanine.23% 7.0000000
#> Stanine.40% 9.0000000
#> Stanine.60% 11.0000000
#> Stanine.77% 12.0000000
#> Stanine.89% 13.0000000
#> Stanine.96% 14.0000000項目統計量
ItemStatistics(J15S500)
#> Item Statistics
#> ItemLabel NR CRR ODDs Threshold Entropy ITCrr
#> 1 Item01 500 0.746 2.937 -0.662 0.818 0.375
#> 2 Item02 500 0.754 3.065 -0.687 0.805 0.393
#> 3 Item03 500 0.726 2.650 -0.601 0.847 0.321
#> 4 Item04 500 0.776 3.464 -0.759 0.767 0.503
#> 5 Item05 500 0.804 4.102 -0.856 0.714 0.329
#> 6 Item06 500 0.864 6.353 -1.098 0.574 0.377
#> 7 Item07 500 0.716 2.521 -0.571 0.861 0.483
#> 8 Item08 500 0.588 1.427 -0.222 0.978 0.405
#> 9 Item09 500 0.364 0.572 0.348 0.946 0.225
#> 10 Item10 500 0.662 1.959 -0.418 0.923 0.314
#> 11 Item11 500 0.286 0.401 0.565 0.863 0.455
#> 12 Item12 500 0.274 0.377 0.601 0.847 0.468
#> 13 Item13 500 0.634 1.732 -0.342 0.948 0.471
#> 14 Item14 500 0.764 3.237 -0.719 0.788 0.485
#> 15 Item15 500 0.706 2.401 -0.542 0.874 0.413CTT
CTT(J15S500)
#> Realiability
#> name value
#> 1 Alpha(Covariance) 0.625
#> 2 Alpha(Phi) 0.630
#> 3 Alpha(Tetrachoric) 0.771
#> 4 Omega(Covariance) 0.632
#> 5 Omega(Phi) 0.637
#> 6 Omega(Tetrachoric) 0.779
#>
#> Reliability Excluding Item
#> IfDeleted Alpha.Covariance Alpha.Phi Alpha.Tetrachoric
#> 1 Item01 0.613 0.618 0.762
#> 2 Item02 0.609 0.615 0.759
#> 3 Item03 0.622 0.628 0.770
#> 4 Item04 0.590 0.595 0.742
#> 5 Item05 0.617 0.624 0.766
#> 6 Item06 0.608 0.613 0.754
#> 7 Item07 0.594 0.600 0.748
#> 8 Item08 0.611 0.616 0.762
#> 9 Item09 0.642 0.645 0.785
#> 10 Item10 0.626 0.630 0.773
#> 11 Item11 0.599 0.606 0.751
#> 12 Item12 0.597 0.603 0.748
#> 13 Item13 0.597 0.604 0.753
#> 14 Item14 0.593 0.598 0.745
#> 15 Item15 0.607 0.612 0.759IRT
IRT関数は、ロジスティックモデルを用いてパラメータを推定します。modelオプションで指定でき、2PL、3PL、4PLモデルに対応しています。
result.IRT <- IRT(J15S500, model = 3)
result.IRT
#> Item Parameters
#> slope location lowerAsym PSD(slope) PSD(location) PSD(lowerAsym)
#> Item01 0.818 -0.834 0.2804 0.182 0.628 0.1702
#> Item02 0.860 -1.119 0.1852 0.157 0.471 0.1488
#> Item03 0.657 -0.699 0.3048 0.162 0.798 0.1728
#> Item04 1.550 -0.949 0.1442 0.227 0.216 0.1044
#> Item05 0.721 -1.558 0.2584 0.148 0.700 0.1860
#> Item06 1.022 -1.876 0.1827 0.171 0.423 0.1577
#> Item07 1.255 -0.655 0.1793 0.214 0.289 0.1165
#> Item08 0.748 -0.155 0.1308 0.148 0.394 0.1077
#> Item09 1.178 2.287 0.2930 0.493 0.423 0.0440
#> Item10 0.546 -0.505 0.2221 0.131 0.779 0.1562
#> Item11 1.477 1.090 0.0628 0.263 0.120 0.0321
#> Item12 1.479 1.085 0.0462 0.245 0.115 0.0276
#> Item13 0.898 -0.502 0.0960 0.142 0.272 0.0858
#> Item14 1.418 -0.788 0.2260 0.248 0.291 0.1252
#> Item15 0.908 -0.812 0.1531 0.159 0.383 0.1254
#>
#> Item Fit Indices
#> model_log_like bench_log_like null_log_like model_Chi_sq null_Chi_sq
#> Item01 -262.979 -240.190 -283.343 45.578 86.307
#> Item02 -253.405 -235.436 -278.949 35.937 87.025
#> Item03 -280.640 -260.906 -293.598 39.468 65.383
#> Item04 -204.884 -192.072 -265.962 25.623 147.780
#> Item05 -232.135 -206.537 -247.403 51.196 81.732
#> Item06 -173.669 -153.940 -198.817 39.459 89.755
#> Item07 -250.905 -228.379 -298.345 45.053 139.933
#> Item08 -314.781 -293.225 -338.789 43.111 91.127
#> Item09 -321.920 -300.492 -327.842 42.856 54.700
#> Item10 -309.318 -288.198 -319.850 42.240 63.303
#> Item11 -248.409 -224.085 -299.265 48.647 150.360
#> Item12 -238.877 -214.797 -293.598 48.160 157.603
#> Item13 -293.472 -262.031 -328.396 62.882 132.730
#> Item14 -223.473 -204.953 -273.212 37.040 136.519
#> Item15 -271.903 -254.764 -302.847 34.279 96.166
#> model_df null_df NFI RFI IFI TLI CFI RMSEA AIC CAIC
#> Item01 11 13 0.472 0.376 0.541 0.443 0.528 0.079 23.578 -33.783
#> Item02 11 13 0.587 0.512 0.672 0.602 0.663 0.067 13.937 -43.424
#> Item03 11 13 0.396 0.287 0.477 0.358 0.457 0.072 17.468 -39.893
#> Item04 11 13 0.827 0.795 0.893 0.872 0.892 0.052 3.623 -53.737
#> Item05 11 13 0.374 0.260 0.432 0.309 0.415 0.086 29.196 -28.164
#> Item06 11 13 0.560 0.480 0.639 0.562 0.629 0.072 17.459 -39.902
#> Item07 11 13 0.678 0.620 0.736 0.683 0.732 0.079 23.053 -34.308
#> Item08 11 13 0.527 0.441 0.599 0.514 0.589 0.076 21.111 -36.250
#> Item09 11 13 0.217 0.074 0.271 0.097 0.236 0.076 20.856 -36.505
#> Item10 11 13 0.333 0.211 0.403 0.266 0.379 0.075 20.240 -37.121
#> Item11 11 13 0.676 0.618 0.730 0.676 0.726 0.083 26.647 -30.713
#> Item12 11 13 0.694 0.639 0.747 0.696 0.743 0.082 26.160 -31.200
#> Item13 11 13 0.526 0.440 0.574 0.488 0.567 0.097 40.882 -16.479
#> Item14 11 13 0.729 0.679 0.793 0.751 0.789 0.069 15.040 -42.321
#> Item15 11 13 0.644 0.579 0.727 0.669 0.720 0.065 12.279 -45.082
#> BIC
#> Item01 -22.783
#> Item02 -32.424
#> Item03 -28.893
#> Item04 -42.737
#> Item05 -17.164
#> Item06 -28.902
#> Item07 -23.308
#> Item08 -25.250
#> Item09 -25.505
#> Item10 -26.121
#> Item11 -19.713
#> Item12 -20.200
#> Item13 -5.479
#> Item14 -31.321
#> Item15 -34.082
#>
#> Model Fit Indices
#> value
#> model_log_like -3880.769
#> bench_log_like -3560.005
#> null_log_like -4350.217
#> model_Chi_sq 641.528
#> null_Chi_sq 1580.424
#> model_df 165.000
#> null_df 195.000
#> NFI 0.594
#> RFI 0.520
#> IFI 0.663
#> TLI 0.594
#> CFI 0.656
#> RMSEA 0.076
#> AIC 311.528
#> CAIC -548.882
#> BIC -383.882
head(result.IRT$ability)
#> ID EAP PSD
#> 1 Student001 -0.75526786 0.5805699
#> 2 Student002 -0.17398804 0.5473603
#> 3 Student003 0.01382235 0.5530501
#> 4 Student004 0.57628077 0.5749105
#> 5 Student005 -0.97449555 0.5915604
#> 6 Student006 0.85232945 0.5820544
plot(result.IRT, type = "IRF", items = 1:6, nc = 2, nr = 3)
plot(result.IRT, type = "IRF", overlay = TRUE)
plot(result.IRT, type = "IIC", items = 1:6, nc = 2, nr = 3)
plot(result.IRT, type = "TRF")
plot(result.IRT, type = "TIC")
GRM
Graded Response Model（Samejima,1969）はIRTを多値反応モデルに展開したものです。
result.GRM <- GRM(J5S1000)
#> Parameters: 18 | Initial LL: -6252.352
#> initial value 6252.351598
#> iter 10 value 6032.463982
#> iter 20 value 6010.861094
#> final value 6008.297278
#> converged
result.GRM
#> Item Parameter
#> Slope Threshold1 Threshold2 Threshold3
#> V1 0.928 -1.662 0.0551 1.65
#> V2 1.234 -0.984 1.1297 NA
#> V3 0.917 -1.747 -0.0826 1.39
#> V4 1.479 -0.971 0.8901 NA
#> V5 0.947 -1.449 0.0302 1.62
#>
#> Item Fit Indices
#> model_log_like bench_log_like null_log_like model_Chi_sq null_Chi_sq
#> V1 -1297.780 -1086.461 -1363.667 422.638 554.411
#> V2 -947.222 -840.063 -1048.636 214.317 417.145
#> V3 -1307.044 -1096.756 -1373.799 420.575 554.085
#> V4 -936.169 -819.597 -1062.099 233.142 485.003
#> V5 -1308.149 -1096.132 -1377.883 424.033 563.502
#> model_df null_df NFI RFI IFI TLI CFI RMSEA AIC CAIC BIC
#> V1 46 45 0.238 0.254 0.259 0.277 0.261 0.091 330.638 58.881 104.881
#> V2 31 30 0.486 0.503 0.525 0.542 0.526 0.077 152.317 -30.823 0.177
#> V3 46 45 0.241 0.257 0.263 0.280 0.264 0.090 328.575 56.819 102.819
#> V4 31 30 0.519 0.535 0.555 0.570 0.556 0.081 171.142 -11.998 19.002
#> V5 46 45 0.248 0.264 0.270 0.287 0.271 0.091 332.033 60.277 106.277
#>
#> Model Fit Indices
#> value
#> model_log_like -5796.363
#> bench_log_like -4939.010
#> null_log_like -6226.083
#> model_Chi_sq 1714.706
#> null_Chi_sq 2574.146
#> model_df 200.000
#> null_df 195.000
#> NFI 0.334
#> RFI 0.351
#> IFI 0.362
#> TLI 0.379
#> CFI 0.363
#> RMSEA 0.087
#> AIC 1314.706
#> CAIC 133.155
#> BIC 333.155
plot(result.GRM, type = "IRF", nc = 2)
plot(result.GRM, type = "IIF", nc = 2)
plot(result.GRM, type = "TIF")
LCA
潜在クラス分析では、データセットとクラス数の指定が必要です。
result.LCA <- LCA(J15S500, ncls = 5)
head(result.LCA$Students)
#> Membership 1 Membership 2 Membership 3 Membership 4 Membership 5
#> Student001 0.7839477684 0.171152798 0.004141844 4.075759e-02 3.744590e-12
#> Student002 0.0347378747 0.051502214 0.836022799 7.773694e-02 1.698776e-07
#> Student003 0.0146307878 0.105488644 0.801853496 3.343026e-02 4.459682e-02
#> Student004 0.0017251650 0.023436459 0.329648386 3.656488e-01 2.795412e-01
#> Student005 0.2133830569 0.784162066 0.001484616 2.492073e-08 9.702355e-04
#> Student006 0.0003846482 0.001141448 0.001288901 8.733869e-01 1.237981e-01
#> Estimate
#> Student001 1
#> Student002 3
#> Student003 3
#> Student004 4
#> Student005 2
#> Student006 4
plot(result.LCA, type = "IRP", items = 1:6, nc = 2, nr = 3)
plot(result.LCA, type = "CMP", students = 1:9, nc = 3, nr = 3)
plot(result.LCA, type = "TRP")
plot(result.LCA, type = "LCD")
LRA
潜在ランク分析では、データセットとランク数の指定が必要です。
result.LRA <- LRA(J15S500, nrank = 6)
head(result.LRA$Students)
#> Membership 1 Membership 2 Membership 3 Membership 4 Membership 5
#> Student001 0.2704649921 0.357479353 0.27632327 0.084988078 0.010069050
#> Student002 0.0276546965 0.157616072 0.47438958 0.279914853 0.053715813
#> Student003 0.0228189795 0.138860955 0.37884545 0.284817610 0.120794858
#> Student004 0.0020140858 0.015608542 0.09629429 0.216973334 0.362406292
#> Student005 0.5582996437 0.397431414 0.03841668 0.003365601 0.001443909
#> Student006 0.0003866603 0.003168853 0.04801344 0.248329964 0.428747502
#> Membership 6 Estimate Rank-Up Odds Rank-Down Odds
#> Student001 0.0006752546 2 0.7729769 0.7565891
#> Student002 0.0067089816 3 0.5900527 0.3322503
#> Student003 0.0538621490 3 0.7518042 0.3665372
#> Student004 0.3067034562 5 0.8462973 0.5987019
#> Student005 0.0010427491 1 0.7118604 NA
#> Student006 0.2713535842 5 0.6328983 0.5791986
plot(result.LRA, type = "IRP", items = 1:6, nc = 2, nr = 3)
plot(result.LRA, type = "RMP", students = 1:9, nc = 3, nr = 3)
plot(result.LRA, type = "TRP")
plot(result.LRA, type = "LRD")
LRA 順序尺度データへの適用
result.LRAord <- LRA(J15S3810, nrank = 3, mic = TRUE)
plot(result.LRAord, type = "ScoreFreq")
plot(result.LRAord, type = "ScoreRank")
plot(result.LRAord, type = "ICBR", items = 1:4, nc = 2, nr = 2)
plot(result.LRAord, type = "ICRP", items = 1:4, nc = 2, nr = 2)
plot(result.LRAord, type = "RMP", students = 1:9, nc = 3, nr = 3)
LRA 名義尺度データへの適用
result.LRArated <- LRA(J35S5000, nrank = 10, mic = TRUE)
plot(result.LRArated, type = "ScoreFreq")
plot(result.LRArated, type = "ScoreRank")
plot(result.LRArated, type = "ICRP", items = 1:4, nc = 2, nr = 2)
バイクラスタリング
Biclustering(J35S515, nfld = 5, ncls = 6, method = "B")
#> Biclustering Analysis
#>
#> Biclustering Reference Matrix Profile
#> Class1 Class2 Class3 Class4 Class5 Class6
#> Field1 0.6236 0.8636 0.8718 0.898 0.952 1.000
#> Field2 0.0627 0.3332 0.4255 0.919 0.990 1.000
#> Field3 0.2008 0.5431 0.2281 0.475 0.706 1.000
#> Field4 0.0495 0.2455 0.0782 0.233 0.648 0.983
#> Field5 0.0225 0.0545 0.0284 0.043 0.160 0.983
#>
#> Field Reference Profile Indices
#> Alpha A Beta B Gamma C
#> Field1 1 0.240 1 0.624 0.0 0.0000
#> Field2 3 0.493 3 0.426 0.0 0.0000
#> Field3 1 0.342 4 0.475 0.2 -0.3149
#> Field4 4 0.415 5 0.648 0.2 -0.1673
#> Field5 5 0.823 5 0.160 0.2 -0.0261
#>
#> Class 1 Class 2 Class 3 Class 4 Class 5 Class 6
#> Test Reference Profile 4.431 11.894 8.598 16.002 23.326 34.713
#> Latent Class Ditribution 157.000 64.000 82.000 106.000 89.000 17.000
#> Class Membership Distribution 146.105 73.232 85.753 106.414 86.529 16.968
#>
#> Field Membership Profile
#> CRR LFE Field1 Field2 Field3 Field4 Field5
#> Item01 0.850 1.000 1.000 0.000 0.000 0.000 0.000
#> Item31 0.812 1.000 1.000 0.000 0.000 0.000 0.000
#> Item32 0.808 1.000 1.000 0.000 0.000 0.000 0.000
#> Item21 0.616 2.000 0.000 1.000 0.000 0.000 0.000
#> Item23 0.600 2.000 0.000 1.000 0.000 0.000 0.000
#> Item22 0.586 2.000 0.000 1.000 0.000 0.000 0.000
#> Item24 0.567 2.000 0.000 1.000 0.000 0.000 0.000
#> Item25 0.491 2.000 0.000 1.000 0.000 0.000 0.000
#> Item11 0.476 2.000 0.000 1.000 0.000 0.000 0.000
#> Item26 0.452 2.000 0.000 1.000 0.000 0.000 0.000
#> Item27 0.414 2.000 0.000 1.000 0.000 0.000 0.000
#> Item07 0.573 3.000 0.000 0.000 1.000 0.000 0.000
#> Item03 0.458 3.000 0.000 0.000 1.000 0.000 0.000
#> Item33 0.437 3.000 0.000 0.000 1.000 0.000 0.000
#> Item02 0.392 3.000 0.000 0.000 1.000 0.000 0.000
#> Item09 0.390 3.000 0.000 0.000 1.000 0.000 0.000
#> Item10 0.353 3.000 0.000 0.000 1.000 0.000 0.000
#> Item08 0.350 3.000 0.000 0.000 1.000 0.000 0.000
#> Item12 0.340 4.000 0.000 0.000 0.000 1.000 0.000
#> Item04 0.303 4.000 0.000 0.000 0.000 1.000 0.000
#> Item17 0.276 4.000 0.000 0.000 0.000 1.000 0.000
#> Item05 0.250 4.000 0.000 0.000 0.000 1.000 0.000
#> Item13 0.237 4.000 0.000 0.000 0.000 1.000 0.000
#> Item34 0.229 4.000 0.000 0.000 0.000 1.000 0.000
#> Item29 0.227 4.000 0.000 0.000 0.000 1.000 0.000
#> Item28 0.221 4.000 0.000 0.000 0.000 1.000 0.000
#> Item06 0.216 4.000 0.000 0.000 0.000 1.000 0.000
#> Item16 0.216 4.000 0.000 0.000 0.000 1.000 0.000
#> Item35 0.155 5.000 0.000 0.000 0.000 0.000 1.000
#> Item14 0.126 5.000 0.000 0.000 0.000 0.000 1.000
#> Item15 0.087 5.000 0.000 0.000 0.000 0.000 1.000
#> Item30 0.085 5.000 0.000 0.000 0.000 0.000 1.000
#> Item20 0.054 5.000 0.000 0.000 0.000 0.000 1.000
#> Item19 0.052 5.000 0.000 0.000 0.000 0.000 1.000
#> Item18 0.049 5.000 0.000 0.000 0.000 0.000 1.000
#> Latent Field Distribution
#> Field 1 Field 2 Field 3 Field 4 Field 5
#> N of Items 3 8 7 10 7
#>
#> Model Fit Indices
#> Number of Latent Class : 6
#> Number of Latent Field: 5
#> Number of EM cycle: 33
#> value
#> model_log_like -6884.582
#> bench_log_like -5891.314
#> null_log_like -9862.114
#> model_Chi_sq 1986.535
#> null_Chi_sq 7941.601
#> model_df 1160.000
#> null_df 1155.000
#> NFI 0.750
#> RFI 0.751
#> IFI 0.878
#> TLI 0.879
#> CFI 0.878
#> RMSEA 0.037
#> AIC -333.465
#> CAIC -6416.699
#> BIC -5256.699
result.Ranklustering <- Biclustering(J35S515, nfld = 5, ncls = 6, method = "R")
plot(result.Ranklustering, type = "Array")
plot(result.Ranklustering, type = "FRP", nc = 2, nr = 3)
plot(result.Ranklustering, type = "RRV")
plot(result.Ranklustering, type = "RMP", students = 1:9, nc = 3, nr = 3)
plot(result.Ranklustering, type = "LRD")
グリッドサーチ
result <- GridSearch(J35S515, method = "R", max_ncls = 10, max_nfld = 10, index = "BIC")
result$optimal_ncls
#> [1] 10
result$optimal_nfld
#> [1] 9
plot(result$optimal_result, type = "Array")
無限関係モデル
result.IRM <- Biclustering_IRM(J35S515, gamma_c = 1, gamma_f = 1, verbose = TRUE)
plot(result.IRM, type = "Array")
plot(result.IRM, type = "FRP", nc = 3)
plot(result.IRM, type = "TRP")
多段階反応データ用のバイクラスタリング
順序尺度データ
result.B.ord <- Biclustering(J35S500, ncls = 5, nfld = 5, method = "R")
result.B.ord
#> Ranklustering Analysis
#>
#> Ranklustering Reference Matrix Profile
#> For category 1
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 0.334 0.354 0.3501 0.3429 0.1982
#> Field 2 0.405 0.331 0.3909 0.3510 0.0333
#> Field 3 0.359 0.324 0.3681 0.3397 0.0224
#> Field 4 0.412 0.454 0.3914 0.0185 0.0137
#> Field 5 0.251 0.028 0.0129 0.0147 0.0156
#> For category 2
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 0.300 0.2461 0.280 0.2799 0.1556
#> Field 2 0.303 0.2997 0.338 0.2948 0.0381
#> Field 3 0.299 0.3085 0.331 0.2601 0.0468
#> Field 4 0.302 0.2889 0.265 0.0422 0.0350
#> Field 5 0.156 0.0532 0.011 0.0223 0.0230
#> For category 3
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 0.179 0.1893 0.1759 0.2001 0.1483
#> Field 2 0.101 0.2080 0.2139 0.1621 0.1674
#> Field 3 0.173 0.1663 0.1731 0.1704 0.1023
#> Field 4 0.190 0.1692 0.1543 0.1058 0.0967
#> Field 5 0.093 0.0709 0.0592 0.0627 0.0560
#> For category 4
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 0.1335 0.1096 0.1280 0.1141 0.213
#> Field 2 0.1065 0.0983 0.0266 0.0996 0.257
#> Field 3 0.1147 0.1234 0.1036 0.1371 0.281
#> Field 4 0.0622 0.0667 0.0907 0.2488 0.282
#> Field 5 0.0971 0.2182 0.1762 0.1993 0.188
#> For category 5
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 0.0535 0.1013 0.0660 0.0631 0.285
#> Field 2 0.0842 0.0629 0.0307 0.0925 0.504
#> Field 3 0.0537 0.0773 0.0243 0.0927 0.547
#> Field 4 0.0340 0.0214 0.0985 0.5847 0.573
#> Field 5 0.4030 0.6297 0.7406 0.7010 0.717
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Test Reference Profile 10.527 11.932 11.810 15.173 22.488
#> Latent Rank Ditribution 97.000 49.000 58.000 103.000 193.000
#> Rank Membership Distribution 97.995 49.936 55.738 105.120 191.211
#> Latent Field Distribution
#> Field 1 Field 2 Field 3 Field 4 Field 5
#> N of Items 7 2 5 7 14
#> Boundary field reference profile
#> Weighted
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 1.864 1.846 1.824 1.852 3.466
#> Field 2 1.616 1.875 1.666 1.767 4.627
#> Field 3 1.760 1.876 1.714 1.865 4.721
#> Field 4 1.596 1.484 1.671 4.782 4.755
#> Field 5 3.692 4.851 4.933 4.907 4.920
#> Observed
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field 1 2.270 2.379 2.251 2.280 3.179
#> Field 2 2.149 2.337 1.897 2.180 4.119
#> Field 3 2.196 2.331 2.066 2.243 4.248
#> Field 4 2.000 1.880 2.222 4.298 4.338
#> Field 5 3.222 4.327 4.618 4.537 4.550
#>
#> Field Reference Profile Indices
#> (Based on normalized expected scores: (E[score]-1)/(maxQ-1))
#> Alpha A Beta B Gamma C
#> 1 4 0.239 5 0.558 0.50 -0.0210
#> 2 4 0.468 4 0.322 0.25 -0.0735
#> 3 4 0.475 4 0.346 0.25 -0.0589
#> 4 3 0.525 3 0.310 0.25 -0.0230
#> 5 1 0.281 1 0.561 0.25 -0.0177
#>
#> Model Fit Indices
#> Number of Latent Rank : 5
#> Number of Latent Field: 5
#> Number of EM cycle: 7
#> value
#> model_log_like -20929.785
#> bench_log_like 0.000
#> null_log_like -23559.334
#> model_Chi_sq 41859.569
#> null_Chi_sq 47118.667
#> model_df 17416.444
#> null_df 17465.000
#> NFI 0.112
#> RFI 0.109
#> IFI 0.177
#> TLI 0.173
#> CFI 0.176
#> RMSEA 0.053
#> AIC 7026.680
#> CAIC -83793.252
#> BIC -66376.808
#> LogLik -20929.785
plot(result.B.ord, type = "Array")
plot(result.B.ord, type = "FRP", nc = 3, nr = 2)
plot(result.B.ord, type = "FCRP", nc = 3, nr = 2)
plot(result.B.ord, type = "FCRP", style = "bar", nc = 3, nr = 2)
plot(result.B.ord, type = "FCBR", nc = 3, nr = 2)
plot(result.B.ord, type = "ScoreField")
plot(result.B.ord, type = "RRV")
名義尺度データ
result.B.nom <- Biclustering(J20S600, ncls = 5, nfld = 4)
result.B.nom
#> Biclustering Reference Matrix Profile
#> For category 1
#> Class 1 Class 2 Class 3 Class 4 Class 5
#> Field 1 0.179 0.177 0.140 0.140 0.562
#> Field 2 0.522 0.201 0.124 0.147 0.156
#> Field 3 0.137 0.579 0.416 0.130 0.158
#> Field 4 0.156 0.133 0.251 0.552 0.128
#> For category 2
#> Class 1 Class 2 Class 3 Class 4 Class 5
#> Field 1 0.152 0.140 0.241 0.581 0.156
#> Field 2 0.177 0.130 0.183 0.157 0.547
#> Field 3 0.520 0.169 0.105 0.134 0.153
#> Field 4 0.142 0.565 0.406 0.164 0.166
#> For category 3
#> Class 1 Class 2 Class 3 Class 4 Class 5
#> Field 1 0.112 0.5296 0.476 0.159 0.146
#> Field 2 0.157 0.0992 0.286 0.563 0.148
#> Field 3 0.156 0.1360 0.168 0.136 0.538
#> Field 4 0.545 0.1727 0.156 0.136 0.143
#> For category 4
#> Class 1 Class 2 Class 3 Class 4 Class 5
#> Field 1 0.557 0.153 0.144 0.120 0.135
#> Field 2 0.144 0.570 0.408 0.133 0.149
#> Field 3 0.188 0.116 0.310 0.601 0.151
#> Field 4 0.156 0.129 0.187 0.149 0.562
#> Class 1 Class 2 Class 3 Class 4 Class 5
#> Latent Class Ditribution 122.000 79.000 48.000 116.000 235.000
#> Class Membership Distribution 121.939 76.326 57.859 111.444 232.433
#> Latent Field Distribution
#> Field 1 Field 2 Field 3 Field 4
#> N of Items 5 5 5 5
#>
#> Model Fit Indices
#> Number of Latent Class : 5
#> Number of Latent Field: 4
#> Number of EM cycle: 9
#> value
#> model_log_like -13935.073
#> bench_log_like 0.000
#> null_log_like -16424.042
#> model_Chi_sq 27870.147
#> null_Chi_sq 32848.085
#> model_df 11940.000
#> null_df 11980.000
#> NFI 0.152
#> RFI 0.149
#> IFI 0.238
#> TLI 0.234
#> CFI 0.237
#> RMSEA 0.047
#> AIC 3990.147
#> CAIC -60449.193
#> BIC -48509.193
#> LogLik -13935.073
plot(result.B.nom, type = "Array")
plot(result.B.nom, type = "FRP", nc = 2, nr = 2)
plot(result.B.nom, type = "FCRP", nc = 2, nr = 2)
plot(result.B.nom, type = "FCRP", style = "bar", nc = 2, nr = 2)
plot(result.B.nom, type = "ScoreField")
plot(result.B.nom, type = "RRV")
ベイジアンネットワークモデル
library(igraph)
DAG <- matrix(
c(
"Item01", "Item02", "Item02", "Item03", "Item02", "Item04",
"Item03", "Item05", "Item04", "Item05"
),
ncol = 2, byrow = TRUE
)
g <- igraph::graph_from_data_frame(DAG)
adj_mat <- as.matrix(igraph::get.adjacency(g))
result.BNM <- BNM(J5S10, adj_matrix = adj_mat)
result.BNM
#> Adjacency Matrix
#> Item01 Item02 Item03 Item04 Item05
#> Item01 0 1 0 0 0
#> Item02 0 0 1 1 0
#> Item03 0 0 0 0 1
#> Item04 0 0 0 0 1
#> Item05 0 0 0 0 0
#> [1] "Your graph is an acyclic graph."
#> [1] "Your graph is connected DAG."
#>
#> Parameter Learning
#> PIRP 1 PIRP 2 PIRP 3 PIRP 4
#> Item01 0.600
#> Item02 0.250 0.5
#> Item03 0.833 1.0
#> Item04 0.167 0.5
#> Item05 0.000 NaN 0.333 0.667
#>
#> Conditional Correct Response Rate
#> Child Item N of Parents Parent Items PIRP Conditional CRR
#> 1 Item01 0 No Parents No Pattern 0.6000000
#> 2 Item02 1 Item01 0 0.2500000
#> 3 Item02 1 Item01 1 0.5000000
#> 4 Item03 1 Item02 0 0.8333333
#> 5 Item03 1 Item02 1 1.0000000
#> 6 Item04 1 Item02 0 0.1666667
#> 7 Item04 1 Item02 1 0.5000000
#> 8 Item05 2 Item03, Item04 00 0.0000000
#> 9 Item05 2 Item03, Item04 01 NaN(0/0)
#> 10 Item05 2 Item03, Item04 10 0.3333333
#> 11 Item05 2 Item03, Item04 11 0.6666667
#>
#> Model Fit Indices
#> value
#> model_log_like -27.046
#> bench_log_like -8.935
#> null_log_like -28.882
#> model_Chi_sq 36.222
#> null_Chi_sq 39.894
#> model_df 20.000
#> null_df 25.000
#> NFI 0.092
#> RFI 0.000
#> IFI 0.185
#> TLI 0.000
#> CFI 0.000
#> RMSEA 0.300
#> AIC -3.778
#> CAIC -29.829
#> BIC -9.829遺伝的アルゴリズムによる構造学習
BNM_GA(J5S10,
population = 20, Rs = 0.5, Rm = 0.002, maxParents = 2,
maxGeneration = 100, crossover = 2, elitism = 2
)
#> Adjacency Matrix
#> Item01 Item02 Item03 Item04 Item05
#> Item01 0 0 0 1 0
#> Item02 0 0 0 0 0
#> Item03 0 0 0 0 0
#> Item04 0 0 0 0 0
#> Item05 0 0 0 0 0
#> [1] "Your graph is an acyclic graph."
#> [1] "Your graph is connected DAG."
#>
#> Parameter Learning
#> PIRP 1 PIRP 2
#> Item01 0.6
#> Item02 0.4
#> Item03 0.9
#> Item04 0.0 0.5
#> Item05 0.4
#>
#> Conditional Correct Response Rate
#> Child Item N of Parents Parent Items PIRP Conditional CRR
#> 1 Item01 0 No Parents No Pattern 0.6000000
#> 2 Item02 0 No Parents No Pattern 0.4000000
#> 3 Item03 0 No Parents No Pattern 0.9000000
#> 4 Item04 1 Item01 0 0.0000000
#> 5 Item04 1 Item01 1 0.5000000
#> 6 Item05 0 No Parents No Pattern 0.4000000
#>
#> Model Fit Indices
#> value
#> model_log_like -27.600
#> bench_log_like -8.935
#> null_log_like -28.882
#> model_Chi_sq 37.330
#> null_Chi_sq 39.894
#> model_df 24.000
#> null_df 25.000
#> NFI 0.064
#> RFI 0.025
#> IFI 0.161
#> TLI 0.068
#> CFI 0.105
#> RMSEA 0.248
#> AIC -10.670
#> CAIC -41.932
#> BIC -17.932PBILによる構造学習
BNM_PBIL(J5S10,
population = 20, Rs = 0.5, Rm = 0.005, maxParents = 2,
alpha = 0.05, estimate = 4
)
#> Adjacency Matrix
#> Item01 Item02 Item03 Item04 Item05
#> Item01 0 0 0 1 0
#> Item02 0 0 0 0 0
#> Item03 1 0 0 0 0
#> Item04 0 0 0 0 0
#> Item05 0 0 0 0 0
#> [1] "Your graph is an acyclic graph."
#> [1] "Your graph is connected DAG."
#>
#> Parameter Learning
#> PIRP 1 PIRP 2
#> Item01 0.0 0.667
#> Item02 0.4
#> Item03 0.9
#> Item04 0.0 0.500
#> Item05 0.4
#>
#> Conditional Correct Response Rate
#> Child Item N of Parents Parent Items PIRP Conditional CRR
#> 1 Item01 1 Item03 0 0.0000000
#> 2 Item01 1 Item03 1 0.6666667
#> 3 Item02 0 No Parents No Pattern 0.4000000
#> 4 Item03 0 No Parents No Pattern 0.9000000
#> 5 Item04 1 Item01 0 0.0000000
#> 6 Item04 1 Item01 1 0.5000000
#> 7 Item05 0 No Parents No Pattern 0.4000000
#>
#> Model Fit Indices
#> value
#> model_log_like -26.599
#> bench_log_like -8.935
#> null_log_like -28.882
#> model_Chi_sq 35.327
#> null_Chi_sq 39.894
#> model_df 23.000
#> null_df 25.000
#> NFI 0.114
#> RFI 0.037
#> IFI 0.270
#> TLI 0.100
#> CFI 0.172
#> RMSEA 0.244
#> AIC -10.673
#> CAIC -40.633
#> BIC -17.633局所依存潜在ランク分析
DAG_dat <- matrix(c(
"From", "To", "Rank",
"Item01", "Item02", 1, "Item04", "Item05", 1,
"Item01", "Item02", 2, "Item02", "Item03", 2,
"Item04", "Item05", 2, "Item08", "Item09", 2,
"Item08", "Item10", 2, "Item09", "Item10", 2, "Item08", "Item11", 2,
"Item01", "Item02", 3, "Item02", "Item03", 3,
"Item04", "Item05", 3, "Item08", "Item09", 3,
"Item08", "Item10", 3, "Item09", "Item10", 3, "Item08", "Item11", 3,
"Item02", "Item03", 4, "Item04", "Item06", 4,
"Item04", "Item07", 4, "Item05", "Item06", 4,
"Item05", "Item07", 4, "Item08", "Item10", 4,
"Item08", "Item11", 4, "Item09", "Item11", 4,
"Item02", "Item03", 5, "Item04", "Item06", 5,
"Item04", "Item07", 5, "Item05", "Item06", 5,
"Item05", "Item07", 5, "Item09", "Item11", 5,
"Item10", "Item11", 5, "Item10", "Item12", 5
), ncol = 3, byrow = TRUE)
edgeFile <- tempfile(fileext = ".csv")
write.csv(DAG_dat, edgeFile, row.names = FALSE, quote = TRUE)
result.LDLRA <- LDLRA(J12S5000, ncls = 5, adj_file = edgeFile)
result.LDLRA
#> Adjacency Matrix
#> [[1]]
#> Item01 Item02 Item03 Item04 Item05 Item06 Item07 Item08 Item09 Item10
#> Item01 0 1 0 0 0 0 0 0 0 0
#> Item02 0 0 0 0 0 0 0 0 0 0
#> Item03 0 0 0 0 0 0 0 0 0 0
#> Item04 0 0 0 0 1 0 0 0 0 0
#> Item05 0 0 0 0 0 0 0 0 0 0
#> Item06 0 0 0 0 0 0 0 0 0 0
#> Item07 0 0 0 0 0 0 0 0 0 0
#> Item08 0 0 0 0 0 0 0 0 0 0
#> Item09 0 0 0 0 0 0 0 0 0 0
#> Item10 0 0 0 0 0 0 0 0 0 0
#> Item11 0 0 0 0 0 0 0 0 0 0
#> Item12 0 0 0 0 0 0 0 0 0 0
#> Item11 Item12
#> Item01 0 0
#> Item02 0 0
#> Item03 0 0
#> Item04 0 0
#> Item05 0 0
#> Item06 0 0
#> Item07 0 0
#> Item08 0 0
#> Item09 0 0
#> Item10 0 0
#> Item11 0 0
#> Item12 0 0
#>
#> [[2]]
#> Item01 Item02 Item03 Item04 Item05 Item06 Item07 Item08 Item09 Item10
#> Item01 0 1 0 0 0 0 0 0 0 0
#> Item02 0 0 1 0 0 0 0 0 0 0
#> Item03 0 0 0 0 0 0 0 0 0 0
#> Item04 0 0 0 0 1 0 0 0 0 0
#> Item05 0 0 0 0 0 0 0 0 0 0
#> Item06 0 0 0 0 0 0 0 0 0 0
#> Item07 0 0 0 0 0 0 0 0 0 0
#> Item08 0 0 0 0 0 0 0 0 1 1
#> Item09 0 0 0 0 0 0 0 0 0 1
#> Item10 0 0 0 0 0 0 0 0 0 0
#> Item11 0 0 0 0 0 0 0 0 0 0
#> Item12 0 0 0 0 0 0 0 0 0 0
#> Item11 Item12
#> Item01 0 0
#> Item02 0 0
#> Item03 0 0
#> Item04 0 0
#> Item05 0 0
#> Item06 0 0
#> Item07 0 0
#> Item08 1 0
#> Item09 0 0
#> Item10 0 0
#> Item11 0 0
#> Item12 0 0
#>
#> [[3]]
#> Item01 Item02 Item03 Item04 Item05 Item06 Item07 Item08 Item09 Item10
#> Item01 0 1 0 0 0 0 0 0 0 0
#> Item02 0 0 1 0 0 0 0 0 0 0
#> Item03 0 0 0 0 0 0 0 0 0 0
#> Item04 0 0 0 0 1 0 0 0 0 0
#> Item05 0 0 0 0 0 0 0 0 0 0
#> Item06 0 0 0 0 0 0 0 0 0 0
#> Item07 0 0 0 0 0 0 0 0 0 0
#> Item08 0 0 0 0 0 0 0 0 1 1
#> Item09 0 0 0 0 0 0 0 0 0 1
#> Item10 0 0 0 0 0 0 0 0 0 0
#> Item11 0 0 0 0 0 0 0 0 0 0
#> Item12 0 0 0 0 0 0 0 0 0 0
#> Item11 Item12
#> Item01 0 0
#> Item02 0 0
#> Item03 0 0
#> Item04 0 0
#> Item05 0 0
#> Item06 0 0
#> Item07 0 0
#> Item08 1 0
#> Item09 0 0
#> Item10 0 0
#> Item11 0 0
#> Item12 0 0
#>
#> [[4]]
#> Item01 Item02 Item03 Item04 Item05 Item06 Item07 Item08 Item09 Item10
#> Item01 0 0 0 0 0 0 0 0 0 0
#> Item02 0 0 1 0 0 0 0 0 0 0
#> Item03 0 0 0 0 0 0 0 0 0 0
#> Item04 0 0 0 0 0 1 1 0 0 0
#> Item05 0 0 0 0 0 1 1 0 0 0
#> Item06 0 0 0 0 0 0 0 0 0 0
#> Item07 0 0 0 0 0 0 0 0 0 0
#> Item08 0 0 0 0 0 0 0 0 0 1
#> Item09 0 0 0 0 0 0 0 0 0 0
#> Item10 0 0 0 0 0 0 0 0 0 0
#> Item11 0 0 0 0 0 0 0 0 0 0
#> Item12 0 0 0 0 0 0 0 0 0 0
#> Item11 Item12
#> Item01 0 0
#> Item02 0 0
#> Item03 0 0
#> Item04 0 0
#> Item05 0 0
#> Item06 0 0
#> Item07 0 0
#> Item08 1 0
#> Item09 1 0
#> Item10 0 0
#> Item11 0 0
#> Item12 0 0
#>
#> [[5]]
#> Item01 Item02 Item03 Item04 Item05 Item06 Item07 Item08 Item09 Item10
#> Item01 0 0 0 0 0 0 0 0 0 0
#> Item02 0 0 1 0 0 0 0 0 0 0
#> Item03 0 0 0 0 0 0 0 0 0 0
#> Item04 0 0 0 0 0 1 1 0 0 0
#> Item05 0 0 0 0 0 1 1 0 0 0
#> Item06 0 0 0 0 0 0 0 0 0 0
#> Item07 0 0 0 0 0 0 0 0 0 0
#> Item08 0 0 0 0 0 0 0 0 0 0
#> Item09 0 0 0 0 0 0 0 0 0 0
#> Item10 0 0 0 0 0 0 0 0 0 0
#> Item11 0 0 0 0 0 0 0 0 0 0
#> Item12 0 0 0 0 0 0 0 0 0 0
#> Item11 Item12
#> Item01 0 0
#> Item02 0 0
#> Item03 0 0
#> Item04 0 0
#> Item05 0 0
#> Item06 0 0
#> Item07 0 0
#> Item08 0 0
#> Item09 1 0
#> Item10 1 1
#> Item11 0 0
#> Item12 0 0
#>
#> Parameter Learning
#> Item Rank PIRP 1 PIRP 2 PIRP 3 PIRP 4
#> 1 Item01 1 0.456
#> 2 Item02 1 0.030 0.444
#> 3 Item03 1 0.083
#> 4 Item04 1 0.421
#> 5 Item05 1 0.101 0.240
#> 6 Item06 1 0.025
#> 7 Item07 1 0.016
#> 8 Item08 1 0.286
#> 9 Item09 1 0.326
#> 10 Item10 1 0.181
#> 11 Item11 1 0.106
#> 12 Item12 1 0.055
#> 13 Item01 2 0.549
#> 14 Item02 2 0.035 0.568
#> 15 Item03 2 0.020 0.459
#> 16 Item04 2 0.495
#> 17 Item05 2 0.148 0.351
#> 18 Item06 2 0.066
#> 19 Item07 2 0.045
#> 20 Item08 2 0.407
#> 21 Item09 2 0.264 0.734
#> 22 Item10 2 0.081 0.133 0.159 0.745
#> 23 Item11 2 0.041 0.445
#> 24 Item12 2 0.086
#> 25 Item01 3 0.683
#> 26 Item02 3 0.040 0.728
#> 27 Item03 3 0.032 0.617
#> 28 Item04 3 0.612
#> 29 Item05 3 0.227 0.556
#> 30 Item06 3 0.205
#> 31 Item07 3 0.156
#> 32 Item08 3 0.581
#> 33 Item09 3 0.330 0.845
#> 34 Item10 3 0.092 0.160 0.211 0.843
#> 35 Item11 3 0.056 0.636
#> 36 Item12 3 0.152
#> 37 Item01 4 0.836
#> 38 Item02 4 0.720
#> 39 Item03 4 0.058 0.713
#> 40 Item04 4 0.740
#> 41 Item05 4 0.635
#> 42 Item06 4 0.008 0.105 0.023 0.684
#> 43 Item07 4 0.010 0.031 0.039 0.542
#> 44 Item08 4 0.760
#> 45 Item09 4 0.805
#> 46 Item10 4 0.150 0.844
#> 47 Item11 4 0.064 0.124 0.105 0.825
#> 48 Item12 4 0.227
#> 49 Item01 5 0.931
#> 50 Item02 5 0.869
#> 51 Item03 5 0.099 0.789
#> 52 Item04 5 0.846
#> 53 Item05 5 0.811
#> 54 Item06 5 0.015 0.125 0.040 0.788
#> 55 Item07 5 0.016 0.034 0.064 0.650
#> 56 Item08 5 0.880
#> 57 Item09 5 0.912
#> 58 Item10 5 0.825
#> 59 Item11 5 0.082 0.190 0.216 0.915
#> 60 Item12 5 0.153 0.341
#>
#> Conditional Correct Response Rate
#> Child Item Rank N of Parents Parent Items PIRP Conditional CRR
#> 1 Item01 1 0 No Parents No Pattern 0.45558
#> 2 Item02 1 1 Item01 0 0.03025
#> 3 Item02 1 1 Item01 1 0.44394
#> 4 Item03 1 0 No Parents No Pattern 0.08278
#> 5 Item04 1 0 No Parents No Pattern 0.42148
#> 6 Item05 1 1 Item04 0 0.10127
#> 7 Item05 1 1 Item04 1 0.24025
#> 8 Item06 1 0 No Parents No Pattern 0.02499
#> 9 Item07 1 0 No Parents No Pattern 0.01574
#> 10 Item08 1 0 No Parents No Pattern 0.28642
#> 11 Item09 1 0 No Parents No Pattern 0.32630
#> 12 Item10 1 0 No Parents No Pattern 0.18092
#> 13 Item11 1 0 No Parents No Pattern 0.10575
#> 14 Item12 1 0 No Parents No Pattern 0.05523
#> 15 Item01 2 0 No Parents No Pattern 0.54940
#> 16 Item02 2 1 Item01 0 0.03471
#> 17 Item02 2 1 Item01 1 0.56821
#> 18 Item03 2 1 Item02 0 0.02016
#> 19 Item03 2 1 Item02 1 0.45853
#> 20 Item04 2 0 No Parents No Pattern 0.49508
#> 21 Item05 2 1 Item04 0 0.14771
#> 22 Item05 2 1 Item04 1 0.35073
#> 23 Item06 2 0 No Parents No Pattern 0.06647
#> 24 Item07 2 0 No Parents No Pattern 0.04491
#> 25 Item08 2 0 No Parents No Pattern 0.40721
#> 26 Item09 2 1 Item08 0 0.26431
#> 27 Item09 2 1 Item08 1 0.73427
#> 28 Item10 2 2 Item08, Item09 00 0.08098
#> 29 Item10 2 2 Item08, Item09 01 0.13279
#> 30 Item10 2 2 Item08, Item09 10 0.15937
#> 31 Item10 2 2 Item08, Item09 11 0.74499
#> 32 Item11 2 1 Item08 0 0.04094
#> 33 Item11 2 1 Item08 1 0.44457
#> 34 Item12 2 0 No Parents No Pattern 0.08574
#> 35 Item01 3 0 No Parents No Pattern 0.68342
#> 36 Item02 3 1 Item01 0 0.04020
#> 37 Item02 3 1 Item01 1 0.72757
#> 38 Item03 3 1 Item02 0 0.03175
#> 39 Item03 3 1 Item02 1 0.61691
#> 40 Item04 3 0 No Parents No Pattern 0.61195
#> 41 Item05 3 1 Item04 0 0.22705
#> 42 Item05 3 1 Item04 1 0.55588
#> 43 Item06 3 0 No Parents No Pattern 0.20488
#> 44 Item07 3 0 No Parents No Pattern 0.15633
#> 45 Item08 3 0 No Parents No Pattern 0.58065
#> 46 Item09 3 1 Item08 0 0.32967
#> 47 Item09 3 1 Item08 1 0.84549
#> 48 Item10 3 2 Item08, Item09 00 0.09192
#> 49 Item10 3 2 Item08, Item09 01 0.15977
#> 50 Item10 3 2 Item08, Item09 10 0.21087
#> 51 Item10 3 2 Item08, Item09 11 0.84330
#> 52 Item11 3 1 Item08 0 0.05581
#> 53 Item11 3 1 Item08 1 0.63598
#> 54 Item12 3 0 No Parents No Pattern 0.15169
#> 55 Item01 4 0 No Parents No Pattern 0.83557
#> 56 Item02 4 0 No Parents No Pattern 0.71950
#> 57 Item03 4 1 Item02 0 0.05808
#> 58 Item03 4 1 Item02 1 0.71297
#> 59 Item04 4 0 No Parents No Pattern 0.73957
#> 60 Item05 4 0 No Parents No Pattern 0.63526
#> 61 Item06 4 2 Item04, Item05 00 0.00816
#> 62 Item06 4 2 Item04, Item05 01 0.10474
#> 63 Item06 4 2 Item04, Item05 10 0.02265
#> 64 Item06 4 2 Item04, Item05 11 0.68419
#> 65 Item07 4 2 Item04, Item05 00 0.00984
#> 66 Item07 4 2 Item04, Item05 01 0.03091
#> 67 Item07 4 2 Item04, Item05 10 0.03850
#> 68 Item07 4 2 Item04, Item05 11 0.54195
#> 69 Item08 4 0 No Parents No Pattern 0.75976
#> 70 Item09 4 0 No Parents No Pattern 0.80490
#> 71 Item10 4 1 Item08 0 0.14956
#> 72 Item10 4 1 Item08 1 0.84430
#> 73 Item11 4 2 Item08, Item09 00 0.06376
#> 74 Item11 4 2 Item08, Item09 01 0.12384
#> 75 Item11 4 2 Item08, Item09 10 0.10494
#> 76 Item11 4 2 Item08, Item09 11 0.82451
#> 77 Item12 4 0 No Parents No Pattern 0.22688
#> 78 Item01 5 0 No Parents No Pattern 0.93131
#> 79 Item02 5 0 No Parents No Pattern 0.86923
#> 80 Item03 5 1 Item02 0 0.09865
#> 81 Item03 5 1 Item02 1 0.78854
#> 82 Item04 5 0 No Parents No Pattern 0.84621
#> 83 Item05 5 0 No Parents No Pattern 0.81118
#> 84 Item06 5 2 Item04, Item05 00 0.01452
#> 85 Item06 5 2 Item04, Item05 01 0.12528
#> 86 Item06 5 2 Item04, Item05 10 0.04000
#> 87 Item06 5 2 Item04, Item05 11 0.78805
#> 88 Item07 5 2 Item04, Item05 00 0.01570
#> 89 Item07 5 2 Item04, Item05 01 0.03361
#> 90 Item07 5 2 Item04, Item05 10 0.06363
#> 91 Item07 5 2 Item04, Item05 11 0.65039
#> 92 Item08 5 0 No Parents No Pattern 0.88028
#> 93 Item09 5 0 No Parents No Pattern 0.91209
#> 94 Item10 5 0 No Parents No Pattern 0.82476
#> 95 Item11 5 2 Item09, Item10 00 0.08248
#> 96 Item11 5 2 Item09, Item10 01 0.18951
#> 97 Item11 5 2 Item09, Item10 10 0.21590
#> 98 Item11 5 2 Item09, Item10 11 0.91466
#> 99 Item12 5 1 Item10 0 0.15301
#> 100 Item12 5 1 Item10 1 0.34114
#>
#> Marginal Item Reference Profile
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Item01 0.4556 0.5494 0.683 0.836 0.931
#> Item02 0.2099 0.2964 0.474 0.720 0.869
#> Item03 0.0828 0.1397 0.316 0.554 0.741
#> Item04 0.4215 0.4951 0.612 0.740 0.846
#> Item05 0.1555 0.2393 0.432 0.635 0.811
#> Item06 0.0250 0.0665 0.205 0.385 0.631
#> Item07 0.0157 0.0449 0.156 0.304 0.517
#> Item08 0.2864 0.4072 0.581 0.760 0.880
#> Item09 0.3263 0.4409 0.624 0.805 0.912
#> Item10 0.1809 0.2977 0.498 0.650 0.825
#> Item11 0.1057 0.1926 0.387 0.565 0.808
#> Item12 0.0552 0.0857 0.152 0.227 0.317
#>
#> IRP Indices
#> Alpha A Beta B Gamma C
#> Item01 3 0.15215133 1 0.4555806 0 0
#> Item02 3 0.24578705 3 0.4737140 0 0
#> Item03 3 0.23808314 4 0.5544465 0 0
#> Item04 3 0.12762155 2 0.4950757 0 0
#> Item05 3 0.20322441 3 0.4320364 0 0
#> Item06 4 0.24595102 4 0.3851075 0 0
#> Item07 4 0.21361675 5 0.5173874 0 0
#> Item08 3 0.17910918 3 0.5806476 0 0
#> Item09 2 0.18320368 2 0.4408936 0 0
#> Item10 2 0.20070396 3 0.4984108 0 0
#> Item11 4 0.24332189 4 0.5650492 0 0
#> Item12 4 0.09047482 5 0.3173548 0 0
#> [1] "Strongly ordinal alignment condition was satisfied."
#>
#> Test reference Profile and Latent Rank Distribution
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Test Reference Profile 2.321 3.255 5.121 7.179 9.090
#> Latent Rank Ditribution 1829.000 593.000 759.000 569.000 1250.000
#> Rank Membership Distribution 1121.838 1087.855 873.796 835.528 1080.983
#> [1] "Weakly ordinal alignment condition was satisfied."
#>
#> Model Fit Indices
#> value
#> model_log_like -26657.783
#> bench_log_like -21318.465
#> null_log_like -37736.228
#> model_Chi_sq 10678.636
#> null_Chi_sq 32835.527
#> model_df 56.000
#> null_df 144.000
#> NFI 0.675
#> RFI 0.164
#> IFI 0.676
#> TLI 0.164
#> CFI 0.675
#> RMSEA 0.195
#> AIC 10566.636
#> CAIC 10145.673
#> BIC 10201.673
plot(result.LDLRA, type = "IRP", nc = 4, nr = 3)
plot(result.LDLRA, type = "TRP")
plot(result.LDLRA, type = "LRD")
局所依存バイクラスタリング
conf <- c(
1, 6, 6, 8, 9, 9, 4, 7, 7, 7, 5, 8, 9, 10, 10,
9, 9, 10, 10, 10, 2, 2, 3, 3, 5, 5, 6, 9, 9, 10,
1, 1, 7, 9, 10
)
edges_data <- data.frame(
"From Field (Parent) >>>" = c(6, 4, 5, 1, 1, 4, 3, 4, 6, 2, 4, 4, 3, 6, 4, 1, 7, 9, 6, 7),
">>> To Field (Child)" = c(8, 7, 8, 7, 2, 5, 5, 8, 8, 4, 6, 7, 5, 8, 5, 8, 10, 10, 8, 9),
"At Class/Rank (Locus)" = c(2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5)
)
edgeFile <- tempfile(fileext = ".csv")
write.csv(edges_data, file = edgeFile, row.names = FALSE)
result.LDB <- LDB(U = J35S515, ncls = 5, conf = conf, adj_file = edgeFile)
result.LDB
#> Adjacency Matrix
#> [[1]]
#> Field01 Field02 Field03 Field04 Field05 Field06 Field07 Field08 Field09
#> Field01 0 0 0 0 0 0 0 0 0
#> Field02 0 0 0 0 0 0 0 0 0
#> Field03 0 0 0 0 0 0 0 0 0
#> Field04 0 0 0 0 0 0 0 0 0
#> Field05 0 0 0 0 0 0 0 0 0
#> Field06 0 0 0 0 0 0 0 0 0
#> Field07 0 0 0 0 0 0 0 0 0
#> Field08 0 0 0 0 0 0 0 0 0
#> Field09 0 0 0 0 0 0 0 0 0
#> Field10 0 0 0 0 0 0 0 0 0
#> Field10
#> Field01 0
#> Field02 0
#> Field03 0
#> Field04 0
#> Field05 0
#> Field06 0
#> Field07 0
#> Field08 0
#> Field09 0
#> Field10 0
#>
#> [[2]]
#> Field01 Field02 Field03 Field04 Field05 Field06 Field07 Field08 Field09
#> Field01 0 1 0 0 0 0 1 0 0
#> Field02 0 0 0 0 0 0 0 0 0
#> Field03 0 0 0 0 0 0 0 0 0
#> Field04 0 0 0 0 1 0 1 0 0
#> Field05 0 0 0 0 0 0 0 1 0
#> Field06 0 0 0 0 0 0 0 1 0
#> Field07 0 0 0 0 0 0 0 0 0
#> Field08 0 0 0 0 0 0 0 0 0
#> Field09 0 0 0 0 0 0 0 0 0
#> Field10 0 0 0 0 0 0 0 0 0
#> Field10
#> Field01 0
#> Field02 0
#> Field03 0
#> Field04 0
#> Field05 0
#> Field06 0
#> Field07 0
#> Field08 0
#> Field09 0
#> Field10 0
#>
#> [[3]]
#> Field01 Field02 Field03 Field04 Field05 Field06 Field07 Field08 Field09
#> Field01 0 0 0 0 0 0 0 0 0
#> Field02 0 0 0 1 0 0 0 0 0
#> Field03 0 0 0 0 1 0 0 0 0
#> Field04 0 0 0 0 0 1 1 1 0
#> Field05 0 0 0 0 0 0 0 0 0
#> Field06 0 0 0 0 0 0 0 1 0
#> Field07 0 0 0 0 0 0 0 0 0
#> Field08 0 0 0 0 0 0 0 0 0
#> Field09 0 0 0 0 0 0 0 0 0
#> Field10 0 0 0 0 0 0 0 0 0
#> Field10
#> Field01 0
#> Field02 0
#> Field03 0
#> Field04 0
#> Field05 0
#> Field06 0
#> Field07 0
#> Field08 0
#> Field09 0
#> Field10 0
#>
#> [[4]]
#> Field01 Field02 Field03 Field04 Field05 Field06 Field07 Field08 Field09
#> Field01 0 0 0 0 0 0 0 1 0
#> Field02 0 0 0 0 0 0 0 0 0
#> Field03 0 0 0 0 1 0 0 0 0
#> Field04 0 0 0 0 1 0 0 0 0
#> Field05 0 0 0 0 0 0 0 0 0
#> Field06 0 0 0 0 0 0 0 1 0
#> Field07 0 0 0 0 0 0 0 0 0
#> Field08 0 0 0 0 0 0 0 0 0
#> Field09 0 0 0 0 0 0 0 0 0
#> Field10 0 0 0 0 0 0 0 0 0
#> Field10
#> Field01 0
#> Field02 0
#> Field03 0
#> Field04 0
#> Field05 0
#> Field06 0
#> Field07 0
#> Field08 0
#> Field09 0
#> Field10 0
#>
#> [[5]]
#> Field01 Field02 Field03 Field04 Field05 Field06 Field07 Field08 Field09
#> Field01 0 0 0 0 0 0 0 0 0
#> Field02 0 0 0 0 0 0 0 0 0
#> Field03 0 0 0 0 0 0 0 0 0
#> Field04 0 0 0 0 0 0 0 0 0
#> Field05 0 0 0 0 0 0 0 0 0
#> Field06 0 0 0 0 0 0 0 1 0
#> Field07 0 0 0 0 0 0 0 0 1
#> Field08 0 0 0 0 0 0 0 0 0
#> Field09 0 0 0 0 0 0 0 0 0
#> Field10 0 0 0 0 0 0 0 0 0
#> Field10
#> Field01 0
#> Field02 0
#> Field03 0
#> Field04 0
#> Field05 0
#> Field06 0
#> Field07 1
#> Field08 0
#> Field09 1
#> Field10 0
#>
#> Parameter Learning
#> Rank 1
#> PIRP 0 PIRP 1 PIRP 2 PIRP 3 PIRP 4 PIRP 5 PIRP 6 PIRP 7 PIRP 8 PIRP 9
#> Field01 0.6538
#> Field02 0.0756
#> Field03 0.1835
#> Field04 0.3819
#> Field05 0.0500
#> Field06 0.0985
#> Field07 0.2176
#> Field08 0.0608
#> Field09 0.0563
#> Field10 0.0237
#> PIRP 10 PIRP 11 PIRP 12
#> Field01
#> Field02
#> Field03
#> Field04
#> Field05
#> Field06
#> Field07
#> Field08
#> Field09
#> Field10
#> Rank 2
#> PIRP 0 PIRP 1 PIRP 2 PIRP 3 PIRP 4 PIRP 5 PIRP 6 PIRP 7 PIRP 8 PIRP 9
#> Field01 0.8216
#> Field02 0.1463 0.3181 0.383 0.597
#> Field03 0.3320
#> Field04 0.4931
#> Field05 0.1596 0.2552
#> Field06 0.2541
#> Field07 0.1232 0.2926 0.217 0.306 0.376
#> Field08 0.0648 0.0887 0.236 0.443 0.196 0.285 0.624
#> Field09 0.1101
#> Field10 0.0359
#> PIRP 10 PIRP 11 PIRP 12
#> Field01
#> Field02
#> Field03
#> Field04
#> Field05
#> Field06
#> Field07
#> Field08
#> Field09
#> Field10
#> Rank 3
#> PIRP 0 PIRP 1 PIRP 2 PIRP 3 PIRP 4 PIRP 5 PIRP 6 PIRP 7 PIRP 8 PIRP 9
#> Field01 0.8923
#> Field02 0.8736
#> Field03 0.8030
#> Field04 0.4730 0.492 0.650
#> Field05 0.2732 0.319 0.714
#> Field06 0.4025 0.486
#> Field07 0.3162 0.408
#> Field08 0.1028 0.166 0.177 0.439 0.59
#> Field09 0.1799
#> Field10 0.0431
#> PIRP 10 PIRP 11 PIRP 12
#> Field01
#> Field02
#> Field03
#> Field04
#> Field05
#> Field06
#> Field07
#> Field08
#> Field09
#> Field10
#> Rank 4
#> PIRP 0 PIRP 1 PIRP 2 PIRP 3 PIRP 4 PIRP 5 PIRP 6 PIRP 7 PIRP 8
#> Field01 0.91975
#> Field02 0.97126
#> Field03 0.96955
#> Field04 0.70098
#> Field05 0.28691 0.476702 0.911 0.952
#> Field06 0.72620
#> Field07 0.48152
#> Field08 0.00353 0.000122 0.370 0.370 0.401 0.532 0.779
#> Field09 0.36220
#> Field10 0.08630
#> PIRP 9 PIRP 10 PIRP 11 PIRP 12
#> Field01
#> Field02
#> Field03
#> Field04
#> Field05
#> Field06
#> Field07
#> Field08
#> Field09
#> Field10
#> Rank 5
#> PIRP 0 PIRP 1 PIRP 2 PIRP 3 PIRP 4 PIRP 5 PIRP 6 PIRP 7 PIRP 8 PIRP 9
#> Field01 0.9627
#> Field02 0.9959
#> Field03 0.9947
#> Field04 0.8654
#> Field05 0.9939
#> Field06 0.9178
#> Field07 0.7334
#> Field08 0.5109 0.4442 0.5939 0.9174
#> Field09 0.4062 0.5193 0.6496 0.6786 0.851
#> Field10 0.0874 0.0278 0.0652 0.0429 0.110 0.117 0.118 0.163 0.217 0.275
#> PIRP 10 PIRP 11 PIRP 12
#> Field01
#> Field02
#> Field03
#> Field04
#> Field05
#> Field06
#> Field07
#> Field08
#> Field09
#> Field10 0.262 0.257 0.95
#>
#> Marginal Rankluster Reference Matrix
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Field01 0.6538 0.8216 0.8923 0.9198 0.963
#> Field02 0.0756 0.5069 0.8736 0.9713 0.996
#> Field03 0.1835 0.3320 0.8030 0.9696 0.995
#> Field04 0.3819 0.4931 0.6271 0.7010 0.865
#> Field05 0.0500 0.2072 0.6182 0.9263 0.994
#> Field06 0.0985 0.2541 0.4550 0.7262 0.918
#> Field07 0.2176 0.3119 0.3738 0.4815 0.733
#> Field08 0.0608 0.1723 0.2718 0.5700 0.863
#> Field09 0.0563 0.1101 0.1799 0.3622 0.715
#> Field10 0.0237 0.0359 0.0431 0.0863 0.377
#>
#> IRP Indices
#> Alpha A Beta B Gamma C
#> Field01 1 0.1677977 1 0.6538429 0 0
#> Field02 1 0.4312713 2 0.5068824 0 0
#> Field03 2 0.4710088 2 0.3320336 0 0
#> Field04 4 0.1643891 2 0.4930958 0 0
#> Field05 2 0.4110466 3 0.6182062 0 0
#> Field06 3 0.2712108 3 0.4549879 0 0
#> Field07 4 0.2518684 4 0.4815211 0 0
#> Field08 3 0.2982121 4 0.5699954 0 0
#> Field09 4 0.3528379 4 0.3621986 0 0
#> Field10 4 0.2906998 5 0.3769977 0 0
#> Rank 1 Rank 2 Rank 3 Rank 4 Rank 5
#> Test Reference Profile 4.915 8.744 13.657 18.867 26.488
#> Latent Rank Ditribution 163.000 91.000 102.000 91.000 68.000
#> Rank Membership Dsitribution 148.275 103.002 105.606 86.100 72.017
#>
#> Latent Field Distribution
#> Field 1 Field 2 Field 3 Field 4 Field 5 Field 6 Field 7 Field 8
#> N of Items 3 2 2 1 3 3 4 2
#> Field 9 Field 10
#> N of Items 8 7
#>
#> Model Fit Indices
#> value
#> model_log_like -6804.899
#> bench_log_like -5891.314
#> null_log_like -9862.114
#> model_Chi_sq 1827.169
#> null_Chi_sq 7941.601
#> model_df 1088.000
#> null_df 1155.000
#> NFI 0.770
#> RFI 0.756
#> IFI 0.892
#> TLI 0.884
#> CFI 0.891
#> RMSEA 0.036
#> AIC -348.831
#> CAIC -6054.485
#> BIC -4966.485
plot(result.LDB, type = "Array")
plot(result.LDB, type = "TRP")
plot(result.LDB, type = "LRD")
plot(result.LDB, type = "RMP", students = 1:9, nc = 3, nr = 3)
plot(result.LDB, type = "FRP", nc = 3, nr = 2)
plot(result.LDB, type = "FieldPIRP")
バイクラスターネットワークモデル
conf <- c(
1, 5, 5, 5, 9, 9, 6, 6, 6, 6, 2, 7, 7, 11, 11,
7, 7, 12, 12, 12, 2, 2, 3, 3, 4, 4, 4, 8, 8, 12,
1, 1, 6, 10, 10
)
edges_data <- data.frame(
"From Class (Parent) >>>" = c(1, 2, 3, 4, 5, 7, 2, 4, 6, 8, 10, 6, 6, 11, 8, 9, 12),
">>> To Class (Child)" = c(2, 4, 5, 5, 6, 11, 3, 7, 9, 12, 12, 10, 8, 12, 12, 11, 13),
"At Field (Locus)" = c(1, 2, 2, 3, 4, 4, 5, 5, 5, 5, 5, 7, 8, 8, 9, 9, 12)
)
edgeFile <- tempfile(fileext = ".csv")
write.csv(edges_data, file = edgeFile, row.names = FALSE)
result.BINET <- BINET(
U = J35S515, ncls = 13, nfld = 12,
conf = conf, adj_file = edgeFile
)
print(result.BINET)
#> Total Graph
#> Class01 Class02 Class03 Class04 Class05 Class06 Class07 Class08 Class09
#> Class01 0 1 0 0 0 0 0 0 0
#> Class02 0 0 1 1 0 0 0 0 0
#> Class03 0 0 0 0 1 0 0 0 0
#> Class04 0 0 0 0 1 0 1 0 0
#> Class05 0 0 0 0 0 1 0 0 0
#> Class06 0 0 0 0 0 0 0 1 1
#> Class07 0 0 0 0 0 0 0 0 0
#> Class08 0 0 0 0 0 0 0 0 0
#> Class09 0 0 0 0 0 0 0 0 0
#> Class10 0 0 0 0 0 0 0 0 0
#> Class11 0 0 0 0 0 0 0 0 0
#> Class12 0 0 0 0 0 0 0 0 0
#> Class13 0 0 0 0 0 0 0 0 0
#> Class10 Class11 Class12 Class13
#> Class01 0 0 0 0
#> Class02 0 0 0 0
#> Class03 0 0 0 0
#> Class04 0 0 0 0
#> Class05 0 0 0 0
#> Class06 1 0 0 0
#> Class07 0 1 0 0
#> Class08 0 0 1 0
#> Class09 0 1 0 0
#> Class10 0 0 1 0
#> Class11 0 0 1 0
#> Class12 0 0 0 1
#> Class13 0 0 0 0
#> Estimation of Parameter set
#> Field 1
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.000
#> Class 2 0.554 0.558 0.649
#> Class 3 0.740
#> Class 4 0.859
#> Class 5 0.875
#> Class 6 0.910
#> Class 7 0.868
#> Class 8 0.889
#> Class 9 0.961
#> Class 10 0.932
#> Class 11 0.898
#> Class 12 0.975
#> Class 13 1.000
#> Field 2
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.0000
#> Class 2 0.0090
#> Class 3 0.0396
#> Class 4 0.6813 0.785 0.637
#> Class 5 0.4040 0.728 0.696
#> Class 6 0.6877
#> Class 7 0.8316
#> Class 8 0.8218
#> Class 9 1.0000
#> Class 10 0.9836
#> Class 11 1.0000
#> Class 12 1.0000
#> Class 13 1.0000
#> Field 3
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.000
#> Class 2 0.177
#> Class 3 0.219
#> Class 4 0.206
#> Class 5 0.189 0.253
#> Class 6 1.000
#> Class 7 1.000
#> Class 8 1.000
#> Class 9 0.986
#> Class 10 1.000
#> Class 11 0.973
#> Class 12 1.000
#> Class 13 1.000
#> Field 4
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.0000
#> Class 2 0.0127
#> Class 3 0.1228
#> Class 4 0.0468
#> Class 5 0.1131
#> Class 6 0.6131 0.436 0.179
#> Class 7 0.9775
#> Class 8 0.9539
#> Class 9 0.9751
#> Class 10 0.9660
#> Class 11 0.9411 0.925 0.757
#> Class 12 1.0000
#> Class 13 1.0000
#> Field 5
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.0000
#> Class 2 0.0157
#> Class 3 0.0731 0.330 0.06789
#> Class 4 0.9626
#> Class 5 0.1028
#> Class 6 0.2199
#> Class 7 0.1446 0.265 0.00602
#> Class 8 0.9403
#> Class 9 0.2936 0.298 0.12080
#> Class 10 0.8255
#> Class 11 0.9123
#> Class 12 1.0000 1.000 1.00000
#> Class 13 1.0000
#> Field 6
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.000
#> Class 2 0.236
#> Class 3 0.275
#> Class 4 0.449
#> Class 5 0.414
#> Class 6 0.302
#> Class 7 0.415
#> Class 8 0.469
#> Class 9 0.560
#> Class 10 0.564
#> Class 11 0.614
#> Class 12 0.764
#> Class 13 1.000
#> Field 7
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.0000
#> Class 2 0.0731
#> Class 3 0.0810
#> Class 4 0.1924
#> Class 5 0.1596
#> Class 6 0.1316
#> Class 7 0.1263
#> Class 8 0.1792
#> Class 9 0.7542
#> Class 10 0.9818 0.883 0.933 0.975
#> Class 11 0.3047
#> Class 12 0.7862
#> Class 13 1.0000
#> Field 8
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.00e+00
#> Class 2 9.83e-05
#> Class 3 3.70e-02
#> Class 4 3.91e-02
#> Class 5 4.21e-02
#> Class 6 6.88e-02
#> Class 7 4.56e-01
#> Class 8 1.65e-01 0.192
#> Class 9 6.15e-01
#> Class 10 3.88e-01
#> Class 11 3.16e-01
#> Class 12 1.00e+00 1.000
#> Class 13 1.00e+00
#> Field 9
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.00e+00
#> Class 2 2.47e-16
#> Class 3 1.61e-02
#> Class 4 6.15e-01
#> Class 5 3.46e-02
#> Class 6 5.26e-02
#> Class 7 1.44e-11
#> Class 8 2.09e-01
#> Class 9 9.51e-18
#> Class 10 8.09e-01
#> Class 11 1.00e+00 1.000
#> Class 12 7.81e-01 0.703
#> Class 13 1.00e+00
#> Field 10
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.0000
#> Class 2 0.0952
#> Class 3 0.1798
#> Class 4 0.1741
#> Class 5 0.1594
#> Class 6 0.1789
#> Class 7 0.1208
#> Class 8 0.1550
#> Class 9 0.2228
#> Class 10 0.2602
#> Class 11 0.1724
#> Class 12 0.3109
#> Class 13 1.0000
#> Field 11
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.00e+00
#> Class 2 6.09e-14
#> Class 3 8.84e-07
#> Class 4 8.14e-02
#> Class 5 2.46e-02
#> Class 6 2.13e-02
#> Class 7 2.56e-02
#> Class 8 2.76e-16
#> Class 9 2.44e-01
#> Class 10 4.30e-01
#> Class 11 3.84e-02
#> Class 12 5.86e-01
#> Class 13 1.00e+00
#> Field 12
#> PSRP 1 PSRP 2 PSRP 3 PSRP 4
#> Class 1 0.00e+00
#> Class 2 2.35e-03
#> Class 3 5.57e-02
#> Class 4 0.00e+00
#> Class 5 2.02e-02
#> Class 6 1.67e-02
#> Class 7 1.93e-02
#> Class 8 4.62e-02
#> Class 9 1.85e-02
#> Class 10 2.54e-02
#> Class 11 5.68e-15
#> Class 12 2.26e-01
#> Class 13 1.00e+00 1 1 1
#> Local Dependence Passing Student Rate
#> Field Field Item 1 Field Item 2 Field Item 3 Field Item 4 Parent Class
#> 1 1.000 Item01 Item31 Item32 1.000
#> 2 2.000 Item11 Item21 Item22 2.000
#> 3 2.000 Item11 Item21 Item22 3.000
#> 4 3.000 Item23 Item24 4.000
#> 5 4.000 Item25 Item26 Item27 5.000
#> 6 4.000 Item25 Item26 Item27 7.000
#> 7 5.000 Item02 Item03 Item04 2.000
#> 8 5.000 Item02 Item03 Item04 4.000
#> 9 5.000 Item02 Item03 Item04 6.000
#> 10 5.000 Item02 Item03 Item04 8.000
#> 11 5.000 Item02 Item03 Item04 10.000
#> 12 7.000 Item12 Item13 Item16 Item17 6.000
#> 13 8.000 Item28 Item29 6.000
#> 14 8.000 Item28 Item29 11.000
#> 15 9.000 Item05 Item06 8.000
#> 16 9.000 Item05 Item06 9.000
#> 17 12.000 Item18 Item19 Item20 Item30 12.000
#> Parent CCR 1 Parent CCR 2 Parent CCR 3 Parent CCR 4 Child Class Child CCR 1
#> 1 0.000 0.000 0.000 2.000 0.554
#> 2 0.005 0.018 0.003 4.000 0.681
#> 3 0.034 0.068 0.016 5.000 0.404
#> 4 0.221 0.190 5.000 0.189
#> 5 0.147 0.050 0.142 6.000 0.613
#> 6 0.999 0.991 0.943 11.000 0.941
#> 7 0.005 0.040 0.002 3.000 0.073
#> 8 0.996 0.998 0.893 7.000 0.145
#> 9 0.263 0.334 0.063 9.000 0.294
#> 10 0.980 0.958 0.882 12.000 1.000
#> 11 0.943 0.800 0.733 12.000 1.000
#> 12 0.181 0.146 0.037 0.162 10.000 0.982
#> 13 0.009 0.129 8.000 0.165
#> 14 0.359 0.273 12.000 1.000
#> 15 0.266 0.152 12.000 0.781
#> 16 0.000 0.000 11.000 1.000
#> 17 0.158 0.178 0.217 0.352 13.000 1.000
#> Child CCR 2 Child CCR 3 Child CCR 4
#> 1 0.558 0.649
#> 2 0.785 0.637
#> 3 0.728 0.696
#> 4 0.253
#> 5 0.436 0.179
#> 6 0.925 0.757
#> 7 0.330 0.068
#> 8 0.265 0.006
#> 9 0.298 0.121
#> 10 1.000 1.000
#> 11 1.000 1.000
#> 12 0.883 0.933 0.975
#> 13 0.192
#> 14 1.000
#> 15 0.703
#> 16 1.000
#> 17 1.000 1.000 1.000
#> Marginal Bicluster Reference Matrix
#> Class1 Class2 Class3 Class4 Class5 Class6 Class7 Class8 Class9 Class10
#> Field1 0 0.587 0.740 0.859 0.875 0.910 0.868 0.889 0.961 0.932
#> Field2 0 0.009 0.040 0.701 0.609 0.688 0.832 0.822 1.000 0.984
#> Field3 0 0.177 0.219 0.206 0.221 1.000 1.000 1.000 0.986 1.000
#> Field4 0 0.013 0.123 0.047 0.113 0.410 0.978 0.954 0.975 0.966
#> Field5 0 0.016 0.157 0.963 0.103 0.220 0.138 0.940 0.237 0.825
#> Field6 0 0.236 0.275 0.449 0.414 0.302 0.415 0.469 0.560 0.564
#> Field7 0 0.073 0.081 0.192 0.160 0.132 0.126 0.179 0.754 0.943
#> Field8 0 0.000 0.037 0.039 0.042 0.069 0.456 0.179 0.615 0.388
#> Field9 0 0.000 0.016 0.615 0.035 0.053 0.000 0.209 0.000 0.809
#> Field10 0 0.095 0.180 0.174 0.159 0.179 0.121 0.155 0.223 0.260
#> Field11 0 0.000 0.000 0.081 0.025 0.021 0.026 0.000 0.244 0.430
#> Field12 0 0.002 0.056 0.000 0.020 0.017 0.019 0.046 0.019 0.025
#> Class11 Class12 Class13
#> Field1 0.898 0.975 1
#> Field2 1.000 1.000 1
#> Field3 0.973 1.000 1
#> Field4 0.874 1.000 1
#> Field5 0.912 1.000 1
#> Field6 0.614 0.764 1
#> Field7 0.305 0.786 1
#> Field8 0.316 1.000 1
#> Field9 1.000 0.742 1
#> Field10 0.172 0.311 1
#> Field11 0.038 0.586 1
#> Field12 0.000 0.226 1
#> Class 1 Class 2 Class 3 Class 4 Class 5 Class 6
#> Test Reference Profile 0.000 3.900 6.001 12.951 8.853 11.428
#> Latent Class Ditribution 2.000 95.000 73.000 37.000 60.000 44.000
#> Class Membership Dsitribution 1.987 82.567 86.281 37.258 60.781 43.222
#> Class 7 Class 8 Class 9 Class 10 Class 11
#> Test Reference Profile 14.305 17.148 19.544 23.589 20.343
#> Latent Class Ditribution 43.000 30.000 34.000 18.000 37.000
#> Class Membership Dsitribution 43.062 30.087 34.435 20.063 34.811
#> Class 12 Class 13
#> Test Reference Profile 27.076 35
#> Latent Class Ditribution 27.000 15
#> Class Membership Dsitribution 25.445 15
#>
#> Model Fit Indices
#> Multigroup Model Saturated Moodel
#> model_log_like -5786.942 -5786.942
#> bench_log_like -5891.314 0
#> null_log_like -9862.114 -9862.114
#> model_Chi_sq -208.744 11573.88
#> null_Chi_sq 7941.601 19724.23
#> model_df 1005 16895
#> null_df 1155 17045
#> NFI 1 0.4132149
#> RFI 1 0.4080052
#> IFI 1 1
#> TLI 1 1
#> CFI 1 1
#> RMSEA 0 0
#> AIC -2218.744 -22216.12
#> CAIC -7489.132 -110816.3
#> BIC -6484.132 -93921.32
plot(result.BINET, type = "Array")
plot(result.BINET, type = "TRP")
plot(result.BINET, type = "LRD")
plot(result.BINET, type = "RMP", students = 1:9, nc = 3, nr = 3)
plot(result.BINET, type = "FRP", nc = 3, nr = 2)
plot(result.BINET, type = "LDPSR", nc = 3, nr = 2)
