寻求R中Person-fit统计分析的Python等效可导入模块

先明确：你说的Person-fit是针对单个被试的反应模式是否符合IRT模型假设的分析，和整体模型的goodness of fit完全不是一个概念，别搞混了。下面是几个能在Jupyter里直接用的Python工具：

1. irtm 库 #

• 专门做IRT相关的Person-fit分析，支持Z3、Z4、对数似然Z值这些常用统计量，和R里的常见指标对应得上。
• 安装：在Jupyter的终端或者代码块里跑 !pip install irtm
• 简单用例：

  from irtm import person_fit
  
  # 你得先准备好被试的反应矩阵，还有IRT模型的项目参数（难度、区分度之类的）
  fit_results = person_fit(your_response_matrix, your_item_params, model='2PL')
  # 结果里会包含每个被试的Person-fit统计量，直接打印或者转成DataFrame查看都行
  print(fit_results)
  

2. pyirt 库 #

• 既能拟合IRT模型，又内置了Person-fit分析功能，能算出infit、outfit这些R里mirt包常用的指标。
• 安装：!pip install pyirt
• 快速上手片段：

  from pyirt import irt
  
  # 先拟合IRT模型（这里用EAP估计为例）
  irt_model = irt.EAPModel(your_response_matrix, n_items=your_item_count)
  irt_model.train()
  
  # 直接获取infit和outfit统计量
  infit_scores, outfit_scores = irt_model.person_fit()
  

3. 自定义实现（如果现成库不够用） #

• 要是上述库满足不了你的需求，也可以自己基于IRT的似然公式写Person-fit统计量。核心就是对比被试实际反应的似然和模型期望的差异，转成标准化分数。比如：

  import numpy as np
  
  def compute_person_fit(response_matrix, item_diffs, item_discs, theta_estimates):
      fit_scores = []
      for resp, theta in zip(response_matrix, theta_estimates):
          # 按2PL模型计算每个项目的期望反应概率
          probs = 1 / (1 + np.exp(-item_discs * (theta - item_diffs)))
          # 计算实际反应的对数似然
          log_like = np.sum(resp * np.log(probs) + (1 - resp) * np.log(1 - probs))
          # 这里可以参考IRT文献里的公式，把对数似然转换成Z-score这类拟合指标
          # 省略标准化步骤，你可以根据需要补充
          fit_scores.append(your_z_score_calculation(log_like))
      return fit_scores
  

注意：大部分Python工具都是针对IRT框架下的Person-fit分析，如果你的数据是用经典测验理论（CTT）处理的，可能需要调整统计量的计算逻辑，但IRT是当前Person-fit分析的主流场景。

内容的提问来源于stack exchange，提问作者Chuks