Packages

Vier R-Packages: drei rund um Item Response Theory und Large Scale Assessments, dazu oxo für Diagramme von Untersuchungsdesigns. Der Code unten ist jeweils ein kurzes Beispiel aus der Dokumentation.

Hexsticker PP

PP

CRAN 1.0.0 Downloads 792 / Monat Release 14.10.2026 GitHub

Das PP package schätzt Personenparameter für IRT-Modelle wie das Rasch-Modell (1-PL), 2-PL, 3-PL, 4-PL und das Partial Credit Model, mittels MLE, WLE, MAP, EAP oder robusten Methoden. Zusätzlich können unterschiedliche Person-Fit-Indizes berechnet werden, wie Infit, Outfit oder die lz-Statistik. Es ist aus der Idee entstanden, mit vorliegenden Itemparametern Personenparameter berechnen zu können, unabhängig vom Software-Package, das die IRT-Analyse durchgeführt hat.

library(PP)

data(fourpl_df)
diff_par  <- attr(fourpl_df, "diffpar")
slope_par <- attr(fourpl_df, "slopes")

res1plmle <- PP_4pl(respm = itmat,
                    thres = diff_par,
                    slopes = slope_par,
                    type = "mle")

Blogserie zur Überarbeitung

Hexsticker oxo

oxo

Version 0.3.0 GitHub

oxo zeichnet Untersuchungsdesigns in der Notation von Shadish, Cook & Campbell (2002): Jede Gruppe ist eine Textzeile wie "R O1 X O2", daraus entsteht eine Vektorgrafik. Das Package ist mit Claude Code entstanden. Das ursprüngliche Ziel war es, 2 Grafiken im genannten Stil für meine Vorlesungsfolien anzufertigen. Daraus entstand, nach vielfachen Iterationen und Anpassungen, das oxo Package in seiner derzeitigen Fassung.

library(oxo)

ox_design(
  c("NR  O1  X  O2",
    "NR  O1  .  O2"),
  labels     = c("Treatment", "Control"),
  highlight  = "1:X",
  brace      = list(from = "1:O1", to = "1:O2",
                    label = "Diff = O_2 - O_1"),
  arrow      = list(at = "2:O1",
                    label = "selection bias?"),
  note       = c("gets the training",
                 "waiting list"),
  time_label = "time")

Hexsticker mcIRT

mcIRT

GitHub

Das Package schätzt das Nominal Response Model bzw. das Nested Logit Model und gibt damit einen tieferen Einblick in die Funktionsweise von Multiple-Choice-Items. Geschätzt wird mit der MML-Methode, mit oder ohne latente Regression.

library(mcIRT)

ParList <- lapply(1:3, function(x) {
  Item1 <- c(c(-2, -1, 1, 2), 
    c(-1.2, 0.3, 0.2, 0.7))
  names(Item1) <- c(paste("zeta", 1:4, sep = ""),
                    paste("lamb", 1:4, sep = ""))
  Item1
})
names(ParList) <- paste("item", 1:3, sep = "")

perp1     <- rnorm(1100, 0, 1)
sim.nrm.1 <- NRM.sim(ParList, perp1)

reshdat1 <- reshMG(sim.nrm.1, items = 1:3,
 correct = rep(0, 3))
res_nrm  <- nrm(reshdat1)

Hexsticker svyPVpack

svyPVpack

GitHub

Dieses Package ist im Laufe des PIAAC-Projekts entstanden und erleichtert den Umgang mit komplexen Surveydesigns und Plausible Values. Die Funktionen stellen sicher, dass bei der Berechnung der Konfidenzintervalle sowohl der Standardfehler über Bootstrap bzw. Jackknife (mit dem survey-Package) als auch die Imputationsvarianz berücksichtigt werden. Von einfachen Berechnungen wie Quantilen bis zu GLMs sind gängige Methoden umgesetzt, die speziell auf diesen Anwendungszweck zugeschnitten sind.

library(svyPVpack)

data(svy_example1)

res_glm <- svyPVglm(plaus.. ~ otherPlaus.. + age,
                    svy.exrep,
                    placeholder = 1:3)
res_glm

Wiki