तीव्र मॉडल

रैश आदर्श, जिसका नाम जॉर्ज रैश के नाम पर रखा गया है, श्रेणीबद्ध डेटा का विश्लेषण करने के लिए एक साइकोमेट्रिक्स आदर्श  है, जैसे कि अध्ययन के मूल्यांकन पर प्रश्नों के उत्तर या उत्तरदाता की क्षमताओं, दृष्टिकोण या व्यक्तित्वत्व लक्षण और इकाई  समस्या  के मध्य  उद्योग-संवृत के कार्य के रूप में प्रश्नावली प्रतिक्रियाएं है।. उदाहरण के रूप मे, उनका उपयोग किसी विद्यार्थी की अध्ययन की क्षमता या किसी प्रश्नावली के उत्तरों से जुर्माना के प्रति किसी व्यक्तित्व के अभिवृत्ति की अत्यंतता   का अनुमान लगाने के लिए किया जा सकता है। साइकोमेट्रिक्स और शैक्षिक अनुसंधान के अलावा रैश आदर्श और इसके विस्तार का उपयोग स्वास्थ्य व्यवसाय। कृषि,  और बाजार अनुसंधान  सहित अन्य क्षेत्रों में किया जाता है।

रैश आदर्श में अंतर्निहित गणितीय सिद्धांत इकाई  प्रतिक्रिया सिद्धांत का एक विशेष मामला है। हालाँकि, आदर्श  मापदंडों की व्याख्या और इसके दार्शनिक निहितार्थों में महत्वपूर्ण अंतर हैं वह रैश आदर्श  के समर्थकों को इकाई  प्रतिक्रिया प्रतिरूपण  परंपरा से प्रथक  करता है। इस विभाजन का एक केंद्रीय पहलू सफल माप के लिए एक आवश्यकता के रूप में जॉर्ज रैश के अनुसार रैश मॉडल की परिभाषित गुण विशिष्ट निष्पक्षता की भूमिका से संबंधित है।

माप के लिए रैश आदर्श
रैश आदर्श में, एक निर्दिष्ट प्रतिक्रिया (उदाहरण के रूप मे  सही/गलत उत्तर) की संभावना को व्यक्तित्व और इकाई  मापदंडों के एक फ़ंक्शन के रूप में निर्मित किया जाता है। विशेष रूप से, मूल रैश आदर्श  में, सही प्रतिक्रिया की संभावना को व्यक्तित्व और इकाई  पैरामीटर के मध्य  अंतर के एक तार्किक  फ़ंक्शन के रूप में निर्मित किया जाता है। आदर्श  का गणितीय रूप इस आलेख में बाद में प्रदान किया गया है। अधिकांश संदर्भों में, आदर्श  के पैरामीटर उत्तरदाताओं की दक्षता और निरंतर अव्यक्त चर पर स्थानों के रूप में मदों की समस्या  को दर्शाते हैं। उदाहरण के रूप मे  शैक्षिक परीक्षणों में, इकाई  पैरामीटर मदों की समस्या  का प्रतिनिधित्व करते हैं जबकि व्यक्तित्व पैरामीटर उन लोगों की क्षमता या उपलब्धि स्तर का प्रतिनिधित्व करते हैं जिनका मूल्यांकन किया जाता है। किसी मद  की समस्या  के सापेक्ष किसी व्यक्तित्व की क्षमता जितनी अधिक होगी, उस मद  पर सही प्रतिक्रिया की संभावना उतनी ही अधिक होती है। जब किसी व्यक्तित्व का अव्यक्त गुण पर स्थान मद  की समस्या  के बराबर होता है, तो परिभाषा के अनुसार रैश आदर्श  में सही प्रतिक्रिया की संभावना 0.5 होती है।

उदाहरण के रूप मे, शिक्षा का उद्देश्य बच्चों को जीवन में आने वाली समस्त प्रकार की चुनौतियों के लिए निर्मित करना है, न कि केवल उन चुनौतियों के लिए जो पाठ्यपुस्तकों या परीक्षणों में दिखाई देती हैं।

रैश आदर्श एक अर्थ में एक आदर्श  है जिसमें यह उस संरचना का प्रतिनिधित्व करता है जिसे डेटा से माप प्राप्त करने के लिए डेटा को प्रदर्शित करना चाहिए; यानी यह सफल माप के लिए एक मानदंड प्रदान करता है। डेटा से प्रथक, रैश के समीकरण आदर्श  रिश्तों को हम वास्तविक दुनिया में प्राप्त करने की अपेक्षा करते हैं। उदाहरण के रूप मे , शिक्षा का उद्देश्य बच्चों को जीवन में आने वाली समस्त  चुनौतियों के लिए निर्मित करना है, न कि केवल पाठ्यपुस्तकों या परीक्षाओं में आने वाली चुनौतियों के लिए। एक ही चीज़ को मापने वाले विभिन्न परीक्षणों में समान (अपरिवर्तनीय) रहने के उपायों की आवश्यकता के द्वारा, रैश आदर्श  इस परिकल्पना का परीक्षण करना संभव बनाते हैं कि पाठ्यक्रम और परीक्षण में उत्पन्न विशेष चुनौतियाँ सुसंगत रूप से समस्त  संभावित चुनौतियों की अनंत आबादी का प्रतिनिधित्व करती हैं। कार्यक्षेत्र। इसलिए एक रैश आदर्श  एक आदर्श या मानक के अर्थ में एक आदर्श  है जो एक अनुमानी कल्पना प्रदान करता है जो एक उपयोगी आयोजन सिद्धांत के रूप में कार्य करता है, भले ही इसे वास्तव में व्यवहार में कभी नहीं देखा गया हो।

रैश आदर्श को रेखांकित करने वाला परिप्रेक्ष्य या प्रतिमान सांख्यिकीय प्रतिरूपण  को रेखांकित करने वाले परिप्रेक्ष्य से प्रथक  है। आदर्श  का उपयोग अक्सर डेटा के एक सेट का वर्णन करने के इरादे से किया जाता है। पैरामीटर्स को इस आधार पर संशोधित और स्वीकार या अस्वीकार किया जाता है कि वे डेटा में कितने फिट बैठते हैं। इसके विपरीत, जब रैश आदर्श  को नियोजित किया जाता है, तो उद्देश्य उस डेटा को प्राप्त करना होता है जो आदर्श  में फिट बैठता है।   इस परिप्रेक्ष्य का तर्क यह है कि रैश आदर्श  उन आवश्यकताओं का प्रतीक है जिन्हें माप प्राप्त करने के लिए पूरा किया जाना चाहिए, इस अर्थ में कि माप को आम तौर पर भौतिक विज्ञान में समझा जाता है।

इस तर्क को समझने के लिए एक उपयोगी सादृश्य तराजू पर मापी गई मदों पर विचार करना है। मान लीजिए कि किसी मद A का वजन एक अवसर पर मद  B के वजन से काफी अधिक मापा जाता है, तो इसके तुरंत बाद मद  B का वजन मद  A के वजन से काफी अधिक मापा जाता है। हमें एक संपत्ति की आवश्यकता होती है माप यह है कि मदों के मध्य  परिणामी तुलना अन्य कारकों के बावजूद समान, या अपरिवर्तनीय होनी चाहिए। यह प्रमुख आवश्यकता रैश आदर्श  की औपचारिक संरचना में सन्निहित है। नतीजतन, रैश आदर्श  को डेटा के अनुरूप नहीं बदला जाता है। इसके बजाय, मूल्यांकन के तरीके को बदला जाना चाहिए ताकि यह आवश्यकता पूरी हो सके, उसी तरह जैसे वजन मापने के पैमाने को सुधारा जाना चाहिए यदि यह मदों के प्रथक -प्रथक  माप पर मदों के मध्य  प्रथक -प्रथक  तुलना देता है।

आदर्श का उपयोग करके विश्लेषण किया गया डेटा आमतौर पर परीक्षणों पर पारंपरिक मदों की प्रतिक्रियाएं होती हैं, जैसे कि सही/गलत उत्तरों के साथ शैक्षिक परीक्षण। हालाँकि, आदर्श  एक सामान्य है, और इसे वहां भी लागू किया जा सकता है जहां किसी मात्रात्मक विशेषता या विशेषता को मापने के इरादे से प्रथक -प्रथक  डेटा प्राप्त किया जाता है।

स्केलिंग
जब समस्त परीक्षार्थियों को एक ही परीक्षा में समस्त  इकाई ों का प्रयास करने का अवसर मिलता है, तो परीक्षण पर प्रत्येक कुल स्कोर क्षमता के एक अद्वितीय अनुमान पर आधारित होता है और कुल जितना अधिक होगा, क्षमता का अनुमान उतना ही अधिक होगा। कुल अंकों का क्षमता अनुमानों के साथ कोई रैखिक संबंध नहीं है। बल्कि, संबंध गैर-रैखिक है जैसा कि चित्र 1 में दिखाया गया है। कुल स्कोर ऊर्ध्वाधर अक्ष पर दिखाया गया है, जबकि संबंधित व्यक्तित्व स्थान का अनुमान क्षैतिज अक्ष पर दिखाया गया है। उस विशेष परीक्षण के लिए जिस पर चित्र 1 में दिखाया गया परीक्षण विशेषता वक्र (TCC) आधारित है, संबंध लगभग 13 से 31 तक के कुल अंकों की सीमा में लगभग रैखिक है। TCC का आकार आम तौर पर कुछ हद तक सिग्मॉइड फ़ंक्शन जैसा होता है। उदाहरण। हालाँकि, कुल स्कोर और व्यक्तित्व स्थान अनुमान के मध्य  सटीक संबंध परीक्षण में मदों के वितरण पर निर्भर करता है। टीसीसी सातत्य पर श्रेणियों में तीव्र है जिसमें अधिक इकाई  हैं, जैसे कि आंकड़े 1 और 2 में 0 के दोनों ओर की सीमा में।

रैश आदर्श को लागू करने में, नीचे वर्णित विधियों के आधार पर, इकाई  स्थानों को अक्सर पहले स्केल किया जाता है। स्केलिंग की प्रक्रिया के इस भाग को अक्सर इकाई  अंशांकन के रूप में जाना जाता है। शैक्षिक परीक्षणों में, सही प्रतिक्रियाओं का अनुपात जितना छोटा होगा, किसी इकाई  की समस्या  उतनी ही अधिक होगी और इसलिए इकाई  का स्केल स्थान उतना ही अधिक होगा। एक बार जब इकाई  स्थानों को स्केल किया जाता है, तो व्यक्तित्वगत स्थानों को स्केल पर मापा जाता है। परिणामस्वरूप, व्यक्तित्व और मद  के स्थानों का अनुमान एक ही पैमाने पर लगाया जाता है जैसा चित्र 2 में दिखाया गया है।

पैमाने के स्थानों की व्याख्या करना
सही/गलत उत्तर जैसे द्विभाजित डेटा के लिए, परिभाषा के अनुसार, पैमाने पर किसी इकाई का स्थान उस व्यक्तित्व के स्थान से मेल खाता है जिस पर प्रश्न के सही उत्तर की 0.5 संभावना है। सामान्य तौर पर, किसी व्यक्तित्व द्वारा उस व्यक्तित्व के स्थान से कम समस्या  वाले प्रश्न का सही उत्तर देने की संभावना 0.5 से अधिक होती है, जबकि उस व्यक्तित्व के स्थान से अधिक समस्या  वाले प्रश्न का सही उत्तर देने की संभावना 0.5 से कम होती है। इकाई  कैरेक्टरिस्टिक कर्व (आईसीसी) या इकाई  रिस्पांस फंक्शन (आईआरएफ) व्यक्तित्व की क्षमता के कार्य के रूप में सही प्रतिक्रिया की संभावना को दर्शाता है। इस लेख में चित्र 4 के संबंध में एक एकल आईसीसी को अधिक विस्तार से दिखाया और समझाया गया है (इकाई  रिस्पांस थ्योरी#इकाई  रिस्पांस फ़ंक्शन भी देखें)। चित्र 3 में सबसे बाईं ओर वाली आईसीसी सबसे आसान इकाई  हैं, उसी आकृति में सबसे दाईं ओर वाली आईसीसी सबसे कठिन इकाई  हैं।

जब किसी व्यक्तित्व की प्रतिक्रियाओं को इकाई की समस्या  के अनुसार निम्नतम से उच्चतम तक क्रमबद्ध किया जाता है, तो सबसे संभावित पैटर्न गुटमैन स्केल या वेक्टर होता है; यानी {1,1,...,1,0,0,0,...,0}। हालाँकि, जबकि यह पैटर्न रैश आदर्श  की संरचना को देखते हुए सबसे अधिक संभावित है, आदर्श  को केवल संभाव्य गुटमैन प्रतिक्रिया पैटर्न की आवश्यकता होती है; अर्थात्, ऐसे पैटर्न जो गुटमैन पैटर्न की ओर प्रवृत्त होते हैं। प्रतिक्रियाओं का पैटर्न के अनुरूप होना असामान्य है क्योंकि कई संभावित पैटर्न हैं। डेटा को रैश आदर्श  में फिट करने के लिए प्रतिक्रियाओं का पैटर्न के अनुरूप होना अनावश्यक है। प्रत्येक क्षमता अनुमान में माप की एक संबद्ध मानक त्रुटि होती है, जो क्षमता अनुमान से जुड़ी अनिश्चितता की डिग्री निर्धारित करती है। इकाई अनुमानों में मानक त्रुटियाँ भी हैं। आम तौर पर, इकाई  अनुमानों की मानक त्रुटियां व्यक्तित्व अनुमानों की मानक त्रुटियों से काफी छोटी होती हैं क्योंकि आमतौर पर किसी व्यक्तित्व की तुलना में किसी इकाई  के लिए अधिक प्रतिक्रिया डेटा होता है। अर्थात्, किसी दिए गए इकाई  का प्रयास करने वाले लोगों की संख्या आमतौर पर किसी दिए गए व्यक्तित्व द्वारा प्रयास किए गए इकाई  की संख्या से अधिक होती है। जहां आईसीसी का ढलान अधिक होता है, वहां व्यक्तित्व अनुमान की मानक त्रुटियां छोटी होती हैं, जो आम तौर पर एक परीक्षण में स्कोर की मध्य सीमा के माध्यम से होती है। इस प्रकार, इस सीमा में अधिक सटीकता है क्योंकि ढलान जितना अधिक होगा, रेखा पर किन्हीं दो बिंदुओं के मध्य  अंतर उतना ही अधिक होगा।

आदर्श के साथ डेटा के पत्राचार का मूल्यांकन करने के लिए सांख्यिकीय और ग्राफिकल परीक्षणों का उपयोग किया जाता है। कुछ परीक्षण वैश्विक होते हैं, जबकि अन्य विशिष्ट मदों या लोगों पर ध्यान केंद्रित करते हैं। फिट के कुछ परीक्षण इस बारे में जानकारी प्रदान करते हैं कि किन मदों का उपयोग खराब मदों के साथ समस्याओं को छोड़कर या सही करके परीक्षण की विश्वसनीयता (सांख्यिकी) को बढ़ाने के लिए किया जा सकता है। रैश मापन में विश्वसनीयता सूचकांकों के स्थान पर व्यक्तित्व पृथक्करण सूचकांक का उपयोग किया जाता है। हालाँकि, व्यक्तित्व पृथक्करण सूचकांक विश्वसनीयता सूचकांक के समान है। पृथक्करण सूचकांक माप त्रुटि सहित पृथक्करण के अनुपात के रूप में वास्तविक पृथक्करण का सारांश है। जैसा कि पहले उल्लेख किया गया है, माप त्रुटि का स्तर एक परीक्षण की सीमा में एक समान नहीं है, लेकिन आम तौर पर अधिक अत्यंतता स्कोर (कम और उच्च) के लिए बड़ा होता है।

रैश आदर्श की विशेषताएं
आदर्श ों के वर्ग का नाम डेनिश गणितज्ञ और सांख्यिकीविद् जॉर्ज रैश के नाम पर रखा गया है, जिन्होंने भौतिकी में माप की मुख्य आवश्यकता के साथ उनकी अनुरूपता के आधार पर आदर्श ों के लिए ज्ञानमीमांसा के मामले को आगे बढ़ाया; अर्थात् अपरिवर्तनीय तुलना की आवश्यकता। यह आदर्श ों के वर्ग की परिभाषित विशेषता है, जैसा कि निम्नलिखित अनुभाग में विस्तार से बताया गया है। द्विभाजित डेटा के लिए रैश आदर्श का तुलनात्मक निर्णय के नियम (एलसीजे) के साथ घनिष्ठ वैचारिक संबंध है, यह एक आदर्श  है जिसे एल. एल. थर्स्टन द्वारा बड़े पैमाने पर निर्मित और उपयोग किया जाता है। और इसलिए थर्स्टन पैमाने पर भी। माप आदर्श पेश करने से पहले, जिसके लिए वह सबसे ज्यादा जाने जाते हैं, रैश ने माप आदर्श  के रूप में डेटा को अध्ययन के लिए पॉइसन वितरण को लागू किया था, यह परिकल्पना करते हुए कि प्रासंगिक अनुभवजन्य संदर्भ में, किसी दिए गए व्यक्तित्व द्वारा की गई त्रुटियों की संख्या के अनुपात से नियंत्रित होती थी। व्यक्तित्व की अध्ययन की क्षमता में पाठ्य समस्या । रैश ने इस आदर्श  को गुणक पॉइसन आदर्श  के रूप में संदर्भित किया। द्विभाजित डेटा के लिए रैश का आदर्श  - यानी जहां प्रतिक्रियाओं को दो श्रेणियों में वर्गीकृत किया जा सकता है - उनका सबसे व्यापक रूप से ज्ञात और उपयोग किया जाने वाला आदर्श  है, और यहां मुख्य फोकस है। इस आदर्श  में एक साधारण लॉजिस्टिक फ़ंक्शन का रूप है।

उपरोक्त संक्षिप्त रूप्रथक खा सामाजिक माप पर रैश के परिप्रेक्ष्य की कुछ विशिष्ट और परस्पर संबंधित विशेषताओं पर प्रकाश डालती है, जो इस प्रकार हैं:


 * 1) वह आबादी के मध्य  वितरण के बजाय मुख्य रूप से व्यक्तित्व के माप से चिंतित थे।
 * 2) वह भौतिकी से प्राप्त माप के लिए प्राथमिक आवश्यकताओं को पूरा करने के लिए एक आधार स्थापित करने के बारे में चिंतित थे और परिणामस्वरूप, उन्होंने जनसंख्या में किसी विशेषता के स्तर के वितरण के बारे में कोई धारणा नहीं बनाई।
 * 3) रैश का दृष्टिकोण स्पष्ट रूप से मानता है कि यह एक वैज्ञानिक परिकल्पना है कि एक दिया गया गुण मात्रात्मक और मापने योग्य दोनों है, जैसा कि एक विशेष प्रयोगात्मक संदर्भ में क्रियान्वित किया गया है।

इस प्रकार, थॉमस कुह्न द्वारा अपने 1961 के पेपर द आधुनिक भौतिक विज्ञान में माप के कार्य में व्यक्त परिप्रेक्ष्य के अनुरूप, माप को सिद्धांत में स्थापित होने के साथ-साथ व्यापक सैद्धांतिक ढांचे से संबंधित परिकल्पनाओं के साथ असंगत मात्रात्मक विसंगतियों का पता लगाने में सहायक माना गया था।. यह परिप्रेक्ष्य आम तौर पर सामाजिक विज्ञानों में प्रचलित परिप्रेक्ष्य के विपरीत है, जिसमें परीक्षण स्कोर जैसे डेटा को माप के लिए सैद्धांतिक आधार की आवश्यकता के बिना सीधे माप के रूप में माना जाता है। यद्यपि यह विरोधाभास मौजूद है, रैश का परिप्रेक्ष्य वास्तव में सांख्यिकीय विश्लेषण या प्रतिरूपण के उपयोग का पूरक है जिसके लिए अंतराल-स्तरीय माप की आवश्यकता होती है, क्योंकि रैश आदर्श  को लागू करने का उद्देश्य ऐसे माप प्राप्त करना है। रैश आदर्श  के अनुप्रयोगों का वर्णन विभिन्न प्रकार के स्रोतों में किया गया है।

अपरिवर्तनीय तुलना और पर्याप्तता
द्विभाजित डेटा के लिए रैश आदर्श को अक्सर एक इकाई  पैरामीटर के साथ इकाई  प्रतिक्रिया सिद्धांत (आईआरटी) आदर्श  के रूप में माना जाता है। हालाँकि, एक विशेष आईआरटी आदर्श  होने के बजाय, आदर्श  के प्रस्तावक इसे एक ऐसे आदर्श  के रूप में मानें जिसमें ऐसी संपत्ति है जो इसे अन्य आईआरटी आदर्श  से प्रथक  करती है। विशेष रूप से, रैश आदर्श  की परिभाषित संपत्ति अपरिवर्तनीय तुलना के सिद्धांत का उनका औपचारिक या गणितीय अवतार है। रैश ने अपरिवर्तनीय तुलना के सिद्धांत को इस प्रकार संक्षेप में प्रस्तुत किया:


 * दो उत्तेजनाओं के मध्य तुलना इस बात से स्वतंत्र होनी चाहिए कि कौन से विशेष व्यक्तित्व तुलना के लिए सहायक थे; और यह इस बात से भी स्वतंत्र होना चाहिए कि विचारित वर्ग के भीतर किन अन्य उत्तेजनाओं की तुलना की गई थी या की गई होगी।
 * सममित रूप से, दो व्यक्तित्व के मध्य तुलना इस बात से स्वतंत्र होनी चाहिए कि विचार किए गए वर्ग के भीतर कौन सी विशेष उत्तेजनाएं तुलना के लिए सहायक थीं; और यह इस बात से भी स्वतंत्र होना चाहिए कि उसी या किसी अन्य अवसर पर अन्य व्यक्तित्व की भी तुलना की गई थी।

रश आदर्श इस सिद्धांत को अपनाते हैं क्योंकि उनकी औपचारिक संरचना व्यक्तित्व और इकाई  मापदंडों के बीजगणितीय पृथक्करण की अनुमति देती है, इस अर्थ में कि इकाई  मापदंडों के सांख्यिकीय अनुमान की प्रक्रिया के दौरान व्यक्तित्व पैरामीटर को समाप्त किया जा सकता है। यह परिणाम सशर्त अधिकतम संभावना अनुमान के उपयोग के माध्यम से प्राप्त किया जाता है, जिसमें प्रतिक्रिया स्थान को व्यक्तित्व के कुल स्कोर के अनुसार विभाजित किया जाता है। इसका परिणाम यह होता है कि किसी मद  या व्यक्तित्व के लिए कच्चा स्कोर उस मद  या व्यक्तित्व पैरामीटर के लिए पर्याप्त आँकड़ा होता है। कहने का तात्पर्य यह है कि, व्यक्तित्व के कुल स्कोर में व्यक्तित्व के बारे में निर्दिष्ट संदर्भ में उपलब्ध समस्त  जानकारी शामिल होती है, और इकाई  के कुल स्कोर में संबंधित अव्यक्त विशेषता के संबंध में इकाई  के संबंध में समस्त  जानकारी शामिल होती है। रैश आदर्श  को प्रतिक्रिया डेटा में एक विशिष्ट संरचना की आवश्यकता होती है, अर्थात् एक संभाव्य गुटमैन स्केल संरचना।

कुछ अधिक परिचित शब्दों में, रैश आदर्श मूल्यांकन पर कुल अंकों से सातत्य पर व्यक्तित्व स्थान प्राप्त करने के लिए एक आधार और औचित्य प्रदान करते हैं। हालाँकि कुल अंकों को सीधे माप के रूप में मानना ​​असामान्य नहीं है, वे वास्तव में माप के बजाय प्रथक -प्रथक  अवलोकनों की गिनती हैं। प्रत्येक अवलोकन किसी व्यक्तित्व और मद  के मध्य  तुलना के अवलोकन योग्य परिणाम का प्रतिनिधित्व करता है। इस तरह के परिणाम सीधे तौर पर एक दिशा या किसी अन्य दिशा में तराजू #संतुलन के झुकने के अवलोकन के अनुरूप होते हैं। यह अवलोकन इंगित करेगा कि एक या अन्य मद  का द्रव्यमान अधिक है, लेकिन ऐसे अवलोकनों की गणना को सीधे माप के रूप में नहीं माना जा सकता है।

रैश ने बताया कि अपरिवर्तनीय तुलना का सिद्धांत भौतिकी में माप की विशेषता है, उदाहरण के तौर पर, दो-तरफा प्रयोगात्मक संदर्भ फ्रेम जिसमें प्रत्येक उपकरण त्वरण उत्पन्न करने के लिए ठोस निकायों पर यांत्रिकी बल लगाता है। रैश इस संदर्भ में कहा गया है: आम तौर पर: यदि किन्हीं दो मदों के लिए हम एक उपकरण द्वारा उत्पन्न उनके त्वरणों का एक निश्चित अनुपात पाते हैं, तो वही अनुपात किसी अन्य उपकरण के लिए भी पाया जाएगा। यह आसानी से दिखाया गया है कि न्यूटन का दूसरा नियम कहता है कि ऐसे अनुपात पिंडों के द्रव्यमान के अनुपात के व्युत्क्रमानुपाती होते हैं।

द्विभाजित डेटा के लिए रैश आदर्श का गणितीय रूप
होने देना $$ X_{ni} = x \in \{0,1\} $$ एक द्विभाजित यादृच्छिक चर बनें, उदाहरण के रूप मे, $$ x = 1 $$ एक सही प्रतिक्रिया को दर्शाता है और $$ x = 0 $$ किसी दिए गए मूल्यांकन इकाई के लिए गलत प्रतिक्रिया। द्विभाजित डेटा के लिए रैश आदर्श  में, परिणाम की संभावना $$ X_{ni} = 1 $$ द्वारा दिया गया है:



\Pr \{X_{ni}=1\} =\frac{e^{{\beta_n} - {\delta_i}}}{1 + e^{{\beta_n} - {\delta_i}}}, $$ कहाँ $$\beta_n $$ व्यक्तित्व की क्षमता है $$ n $$ और $$ \delta_i $$ इकाई की समस्या  है $$ i $$. इस प्रकार, एक द्विभाजित प्राप्ति मद के मामले में, $$ \Pr \{X_{ni}=1\} $$ संबंधित व्यक्तित्व और मूल्यांकन मद के मध्य बातचीत पर सफलता की संभावना है। यह आसानी से दिखाया गया है कि आदर्श  के आधार पर किसी व्यक्तित्व द्वारा किसी इकाई  पर सही प्रतिक्रिया का लॉग समस्याएँ या लॉगिट बराबर है $$\beta_n - \delta_i$$. प्रथक -प्रथक क्षमता मापदंडों वाले दो परीक्षार्थी दिए गए $$ \beta_1 $$ और $$ \beta_2 $$ और समस्या  के साथ एक मनमाना इकाई  $$ \delta_i $$, इन दोनों परीक्षार्थियों के लिए लॉग में अंतर की गणना करें $$(\beta_1 - \delta_i)-(\beta_2 - \delta_i)$$. ये फर्क हो जाता है $$ \beta_1 - \beta_2 $$. इसके विपरीत, यह दिखाया जा सकता है कि एक ही व्यक्तित्व द्वारा एक इकाई के लिए सही प्रतिक्रिया की लॉग संभावना, दो मदों में से किसी एक के लिए सही प्रतिक्रिया पर सशर्त, इकाई  स्थानों के मध्य  अंतर के बराबर है। उदाहरण के रूप मे ,



\operatorname{log-odds} \{X_{n1}=1 \mid \ r_n=1\} = \delta_2-\delta_1,\, $$ कहाँ $$r_n$$ दो मदों पर व्यक्तित्व n का कुल स्कोर है, जो एक या अन्य मदों पर सही प्रतिक्रिया दर्शाता है। इसलिए, सशर्त लॉग ऑड्स में व्यक्तित्व पैरामीटर शामिल नहीं है $$\beta_n$$, जिसे कुल स्कोर पर कंडीशनिंग द्वारा समाप्त किया जा सकता है $$r_n=1$$. अर्थात्, कच्चे अंकों के अनुसार प्रतिक्रियाओं को विभाजित करके और सही प्रतिक्रिया की लॉग बाधाओं की गणना करके, एक अनुमान लगाया जाता है $$\delta_2-\delta_1$$ की भागीदारी के बिना प्राप्त किया जाता है $$\beta_n$$. अधिक आम तौर पर, सशर्त अधिकतम संभावना अनुमान (राश आदर्श अनुमान देखें) जैसी प्रक्रिया के अनुप्रयोग के माध्यम से कई इकाई  पैरामीटरों का पुनरावर्ती अनुमान लगाया जा सकता है। जबकि अधिक शामिल है, वही मौलिक सिद्धांत ऐसे अनुमानों में लागू होता है।

द्विभाजित डेटा के लिए रैश आदर्श का आईसीसी चित्र 4 में दिखाया गया है। ग्रे लाइन प्रथक  परिणाम की संभावना को दर्शाती है $$X_{ni}=1$$ (अर्थात, प्रश्न का सही उत्तर देना) अव्यक्त सातत्य पर विभिन्न स्थानों वाले व्यक्तित्व के लिए (अर्थात, उनकी क्षमताओं का स्तर)। किसी मद  का स्थान, परिभाषा के अनुसार, वह स्थान है जिस पर इसकी संभावना होती है $$X_{ni}=1$$ 0.5 के बराबर है. चित्र 4 में, काले घेरे वर्ग अंतराल के भीतर व्यक्तित्व के वास्तविक या देखे गए अनुपात को दर्शाते हैं जिसके लिए परिणाम देखा गया था। उदाहरण के रूप मे, शैक्षिक मनोविज्ञान के संदर्भ में उपयोग किए जाने वाले मूल्यांकन इकाई के मामले में, ये उन व्यक्तित्व के अनुपात का प्रतिनिधित्व कर सकते हैं जिन्होंने इकाई  का सही उत्तर दिया है। व्यक्तित्व को अव्यक्त सातत्य पर उनके स्थान के अनुमानों के आधार पर क्रमबद्ध किया जाता है और आदर्श  के साथ टिप्पणियों के अनुरूपता का रेखांकन निरीक्षण करने के लिए इस आधार पर वर्ग अंतराल में वर्गीकृत किया जाता है। आदर्श  के साथ डेटा की घनिष्ठ अनुरूपता है। डेटा के ग्राफ़िकल निरीक्षण के अलावा, फिट के सांख्यिकीय परीक्षणों की एक श्रृंखला का उपयोग यह मूल्यांकन करने के लिए किया जाता है कि क्या आदर्श  से टिप्पणियों के विचलन को केवल यादृच्छिक प्रभावों के लिए जिम्मेदार ठहराया जा सकता है, जैसा कि आवश्यक है, या क्या आदर्श  से व्यवस्थित विचलन हैं।

रैश आदर्श के बहुपद विस्तार
रैश आदर्श में कई बहुपद विस्तार हैं, जो द्विभाजित आदर्श  को सामान्यीकृत करते हैं ताकि इसे उन संदर्भों में लागू किया जा सके जिसमें क्रमिक पूर्णांक स्कोर एक अव्यक्त विशेषता के बढ़ते स्तर या परिमाण की श्रेणियों का प्रतिनिधित्व करते हैं, जैसे बढ़ती क्षमता, मोटर फ़ंक्शन, का समर्थन एक बयान, इत्यादि। उदाहरण के रूप मे, ये बहुपद विस्तार लिकर्ट स्केल के उपयोग, शैक्षिक मूल्यांकन में ग्रेडिंग और न्यायाधीशों द्वारा प्रदर्शन के स्कोरिंग पर लागू होते हैं।

अन्य विचार
रैश आदर्श की आलोचना यह है कि यह अत्यधिक प्रतिबंधात्मक या अनुदेशात्मक है क्योंकि आदर्श  की एक धारणा यह है कि समस्त  मदों में समान भेदभाव होता है, जबकि व्यवहार में, मदों का भेदभाव प्रथक -प्रथक  होता है, और इस प्रकार कोई भी डेटा सेट कभी भी सही डेटा-आदर्श  फिट नहीं दिखाएगा। एक बार-बार होने वाली गलतफहमी यह है कि रैश आदर्श  प्रत्येक इकाई  को प्रथक -प्रथक  भेदभाव करने की अनुमति नहीं देता है, लेकिन समान भेदभाव अपरिवर्तनीय माप की एक धारणा है, इसलिए प्रथक -प्रथक  इकाई  भेदभाव निषिद्ध नहीं हैं, बल्कि यह संकेत मिलता है कि माप की गुणवत्ता एक सैद्धांतिक आदर्श के बराबर नहीं है। भौतिक माप की तरह, वास्तविक दुनिया के डेटासेट कभी भी सैद्धांतिक आदर्श  से पूरी तरह मेल नहीं खाएंगे, इसलिए प्रासंगिक प्रश्न यह है कि क्या कोई विशेष डेटा सेट हाथ में उद्देश्य के लिए माप की पर्याप्त गुणवत्ता प्रदान करता है, न कि यह कि क्या यह पूर्णता के अप्राप्य मानक से पूरी तरह मेल खाता है।

बहुविकल्पी मदों से प्रतिक्रिया डेटा के साथ रैश आदर्श के उपयोग के लिए विशिष्ट आलोचना यह है कि आदर्श  में अनुमान लगाने के लिए कोई प्रावधान नहीं है क्योंकि रैश आदर्श  में बायां अनंतस्पर्शी हमेशा शून्य संभावना के करीब पहुंचता है। इसका तात्पर्य यह है कि कम क्षमता वाले व्यक्तित्व को हमेशा कोई मद  गलत मिलेगी। हालाँकि, बहुविकल्पीय परीक्षा पूरी करने वाले कम क्षमता वाले व्यक्तित्व के पास अकेले संयोग से सही उत्तर चुनने की काफी अधिक संभावना होती है (k-विकल्प इकाई  के लिए, संभावना 1/k के आसपास होती है)।

तीन-पैरामीटर लॉजिस्टिक आदर्श इन दोनों धारणाओं को शिथिल करता है और दो-पैरामीटर लॉजिस्टिक आदर्श  प्रथक -प्रथक  ढलानों की अनुमति देता है। हालाँकि, सरल, बिना भार वाले कच्चे स्कोर की पर्याप्तता को बनाए रखने के लिए समान भेदभाव और शून्य बाएँ स्पर्शोन्मुख की विशिष्टता आदर्श  के आवश्यक गुण हैं। व्यवहार में, बहु-विकल्प डेटासेट में पाया जाने वाला गैर-शून्य निम्न अनंतस्पर्शी आमतौर पर मानी जाने वाली तुलना में माप के लिए कम खतरा होता है और आमतौर पर माप में वास्तविक त्रुटियां नहीं होती हैं जब अच्छी तरह से विकसित परीक्षण मदों का उपयोग समझदारी से किया जाता है वर्हेल्स्ट एंड ग्लास (1995) ने एक आदर्श के लिए सशर्त अधिकतम संभावना (सीएमएल) समीकरण प्राप्त किए, जिसे वे वन पैरामीटर लॉजिस्टिक आदर्श  (ओपीएलएम) के रूप में संदर्भित करते हैं। बीजगणितीय रूप में यह 2PL आदर्श  के समान प्रतीत होता है, लेकिन OPLM में 2PL के अनुमानित भेदभाव मापदंडों के बजाय पूर्व निर्धारित भेदभाव सूचकांक शामिल हैं। जैसा कि इन लेखकों ने उल्लेख किया है, हालांकि, अनुमानित भेदभाव मापदंडों के साथ अनुमान लगाने में जिस समस्या का सामना करना पड़ता है वह यह है कि भेदभाव अज्ञात हैं, जिसका अर्थ है कि भारित कच्चा स्कोर केवल एक आँकड़ा नहीं है, और इसलिए सीएमएल को एक अनुमान पद्धति के रूप में उपयोग करना असंभव है।  अर्थात्, 2PL में भारित स्कोर की पर्याप्तता का उपयोग उस तरीके के अनुसार नहीं किया जा सकता है जिसमें पर्याप्त आँकड़ा परिभाषित किया गया है। यदि वज़न का अनुमान लगाने के बजाय आरोप लगाया जाता है, जैसा कि ओपीएलएम में होता है, तो सशर्त अनुमान संभव है और रैश आदर्श  के कुछ गुणों को बरकरार रखा जाता है। ओपीएलएम में, भेदभाव सूचकांक के मान 1 और 15 के मध्य  सीमित हैं। इस दृष्टिकोण की एक सीमा यह है कि व्यवहार में, भेदभाव सूचकांक के मूल्यों को शुरुआती बिंदु के रूप में पूर्व निर्धारित किया जाना चाहिए। इसका मतलब यह है कि भेदभाव का कुछ प्रकार का अनुमान तब शामिल होता है जब उद्देश्य ऐसा करने से बचना होता है।

द्विभाजित डेटा के लिए रैश आदर्श में स्वाभाविक रूप से एक एकल भेदभाव पैरामीटर शामिल होता है, जैसा कि रैश ने नोट किया है,  माप की इकाइयों का एक मनमाना विकल्प बनता है जिसके संदर्भ में अव्यक्त विशेषता के परिमाण व्यक्त या अनुमानित किए जाते हैं। हालाँकि, रैश आदर्श  के लिए आवश्यक है कि भेदभाव सामाजिक संपर्क में एक समान हो संदर्भ के एक निर्दिष्ट फ्रेम के भीतर व्यक्तित्व और मदों के मध्य  (यानी मूल्यांकन संदर्भ मूल्यांकन के लिए दी गई शर्तें)।

आदर्श का अनुप्रयोग मानदंड को कितनी अच्छी तरह पूरा करता है, इसके बारे में नैदानिक ​​जानकारी प्रदान करता है। आदर्श  का अनुप्रयोग इस बारे में भी जानकारी प्रदान कर सकता है कि मूल्यांकन पर इकाई  या प्रश्न क्षमता या विशेषता को मापने के लिए कितनी अच्छी तरह काम करते हैं। उदाहरण के रूप मे, किसी दिए गए व्यवहार में संलग्न व्यक्तित्व के अनुपात को जानकर, रश आदर्श  का उपयोग जुड़ाव की समस्या , दृष्टिकोण और व्यवहार के मध्य  संबंधों को प्राप्त करने के लिए किया जा सकता है। रैश आदर्श  के प्रमुख समर्थकों में बेंजामिन ड्रेक राइट, डेविड एंड्रीच और एर्लिंग एंडरसन शामिल हैं।

यह भी देखें

 * नकली पैमाना
 * गुटमैन स्केल

अग्रिम पठन

 * Andrich, D. (1978a). A rating formulation for ordered response categories. Psychometrika, 43, 357–74.
 * Andrich, D. (1988). Rasch models for measurement.  Beverly Hills: Sage Publications.
 * Baker, F. (2001). The Basics of Item Response Theory. ERIC Clearinghouse on Assessment and Evaluation, University of Maryland, College Park, MD.  Available free with software included from IRT at Edres.org
 * Fischer, G.H. & Molenaar, I.W. (1995). Rasch models: foundations, recent developments and applications. New York: Springer-Verlag.
 * Goldstein H & Blinkhorn S (1977). Monitoring Educational Standards: an inappropriate model. . Bull.Br.Psychol.Soc. 30 309–311
 * Goldstein H & Blinkhorn S (1982). The Rasch Model Still Does Not Fit. BERJ 82 167–170.
 * Hambleton RK, Jones RW. "Comparison of classical test theory and item response," Educational Measurement: Issues and Practice 1993; 12(3):38–47. available in the ITEMS Series from the National Council on Measurement in Education
 * Harris D. Comparison of 1-, 2-, and 3-parameter IRT models. Educational Measurement: Issues and Practice;. 1989; 8: 35–41 available in the ITEMS Series from the National Council on Measurement in Education
 * von Davier, M., & Carstensen, C. H. (2007). Multivariate and Mixture Distribution Rasch Models: Extensions and Applications. New York: Springer.
 * von Davier, M. (2016). Rasch Model. In Wim J. van der Linden (ed.): Handbook of Item Response Theory (Boca Raton: CRC Press), Routledge Handbooks.
 * Wright, B.D., & Stone, M.H. (1979). Best Test Design. Chicago, IL: MESA Press.
 * Wu, M. & Adams, R. (2007). Applying the Rasch model to psycho-social measurement: A practical approach. Melbourne, Australia: Educational Measurement Solutions. Available free from Educational Measurement Solutions
 * Wu, M. & Adams, R. (2007). Applying the Rasch model to psycho-social measurement: A practical approach. Melbourne, Australia: Educational Measurement Solutions. Available free from Educational Measurement Solutions

बाहरी संबंध

 * Institute for Objective Measurement Online Rasch Resources
 * Pearson Psychometrics Laboratory, with information about Rasch models
 * Journal of Applied Measurement
 * Journal of Outcome Measurement (all issues available for free downloading)
 * Berkeley Evaluation & Assessment Research Center (ConstructMap software)
 * Directory of Rasch Software – freeware and paid
 * IRT Modeling Lab at U. Illinois Urbana Champ.
 * National Council on Measurement in Education (NCME)
 * Rasch Measurement Transactions
 * The Standards for Educational and Psychological Testing
 * The Trouble with Rasch