A Bayesian model framework for analyzing data from longitudinal large-scale assessments

• Applicants: Professor Dr. Christian Aßmann, Ph.D.; Professor Dr. Claus Carstensen; Professorin Dr. Steffi Pohl
• Subject Area: Empirical Social Research ; Statistics and Econometrics
• Term: from 2014 to 2021
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 263946158

• Final Report Year: 2021

Final Report Abstract

Ziel war die Erweiterung eines Modellierungsframeworks, welches typische Anforderungen an die Datenanalyse von LSAs adressiert. In unserem Projektteil haben wir dazu beigetragen den Schätzalgorithmus zu entwickeln, fehlende Werte in Antwortvariablen sowie log-Daten zu integrieren sowie mit Verletzungen der Messinvarianzanalyse umzugehen. Insbesondere für den letzten Aspekt der Messinvarianz, haben wir ein eigenes Verfahren entwickelt, für verschiedene Datenkonstellationen erweitert, geprüft und in Form von R-Code zugänglich gemacht. Die Bausteine der drei Projektpartner sind zum Teil bereits kombiniert (z.B. die Integration von log Daten und fehlende Wert in Antwortvariablen in den entwickelten Schätzalgorithmus). Insgesamt stellen diese ein umfassendes Paket an Analysemöglichkeiten zur Verfügung, die sowohl für die Analyse von LSAs, aber auch von anderen Daten genutzt werden können.

Publications

• (2015). Bayesian estimation in IRT models with missing values in background variables. Psychological Test and Assessment Modeling, 4, 595–618
  Aßmann, C., Gaasch, C., Pohl, S., & Carstensen, C. H.
  
• (2021). Finding clusters of measurement invariant items for continuous covariates. Structural Equation Modeling: A Multidisciplinary Journal, 28(2), 219-228
  Schulze, D., & Pohl, S.
  (See online at https://doi.org/10.1080/10705511.2020.1771186)
• (2016). Estimation of plausible values considering partially missing background information: A data augmented MCMC approach. In H.-P. Blossfeld, J. v. Maurice, M. Bayer, & J. Skopek (Eds.), Methodological Issues of Longitudinal Surveys (pp. 503–521). Wiesbaden: Springer Fachmedien Wiesbaden
  Aßmann, C., Gaasch, C., Pohl, S., & Carstensen, C. H.
  (See online at https://doi.org/10.1007/978-3-658-11994-2_28)
• (2017). Cluster-based anchor item identification and selection (NEPS Working Paper No. 69). Bamberg: Leibniz Institute for Educational Trajectories, National Educational Panel Study
  Pohl, S., Stets, E., & Carstensen, C.H.
  
• (2020). Assessing group comparisons or change over time under measurement non-invariance: The cluster approach for nonuniform DIF. Psychological Test and Assessment Modeling, 62(2), 281-303
  Pohl, S., & Schulze, D.
  
• (2020). Performance of missing data approaches under nonignorable missing data conditions. Methodology, 16(2), 147-165
  Pohl, S. & Becker, B.
  (See online at https://doi.org/10.5964/meth.2805)
• (2021). Partial measurement invariance: Extending and evaluating the cluster approach for identifying anchor items. Applied Psychological Measurement
  Pohl, S., Schulze, D., & Stets, E.
  (See online at https://doi.org/10.1177/01466216211042809)