1PL MLE计算机自适应测试中作答后能力估计迭代计算问询

作为CAT领域的开发者，我非常理解你遇到的这个痛点——很多文档只讲最终能力估计，却很少给出逐题迭代的具体计算示例。既然你第一题的结果正确，那问题大概率出在第二题及之后的累积计算逻辑上，下面我会结合1P IRT（Rasch模型）和修正牛顿-拉夫逊法，一步步拆解i>1时的能力更新步骤，再帮你排查常见错误。

核心公式回顾（修正牛顿-拉夫逊法） #

对于1P IRT，我们用以下公式逐题更新能力值θ：

θ_new = θ_old + [U(θ_old) / I(θ_old)]

其中：

• θ_old：上一次（第i-1题后）的能力估计值
• U(θ_old)：所有已答题的得分函数（一阶导数），反映当前能力与作答结果的偏差
• I(θ_old)：所有已答题的Fisher信息函数，反映当前能力估计的精度

1P IRT基础公式（先确认参数化方式） #

首先要确保你用的1P IRT项目特征曲线（ICC）和行业一致，常见的参数化形式是：

P(θ, b_j) = 1 / (1 + e^(b_j - θ))

• b_j：第j题的难度参数
• P(θ, b_j)：能力为θ的考生答对第j题的概率

注意：有些教材会写成e^(θ - b_j)，这会导致符号完全相反，是最常见的错误根源之一！你第一题结果正确，说明你的参数化是对的，但第二题要保持一致。

逐题迭代步骤（以第2题为例，i=2） #

假设你已经完成第1题作答，得到θ₁=-0.8333（和你的正确结果一致），现在处理第2题：

步骤1：整理已答题的全部数据 #

你需要把第1题+第2题的信息都纳入计算，不能只算当前题：

• 第1题：难度b₁、作答结果x₁（1=答对，0=答错）
• 第2题：难度b₂、作答结果x₂

步骤2：计算得分函数U(θ₁) #

得分函数是所有已答题的「实际得分 - 期望得分」之和：

U(θ₁) = Σ [x_j - P(θ₁, b_j)] （j从1到2）

具体计算：

1. 对第1题，代入θ₁=-0.8333和b₁，计算P(θ₁, b₁)
2. 对第2题，同样代入θ₁=-0.8333和b₂，计算P(θ₁, b₂)
3. 用每道题的实际得分x_j减去对应概率，再求和得到U(θ₁)

步骤3：计算Fisher信息I(θ₁) #

Fisher信息是所有已答题的「P(θ)*(1-P(θ))」之和，反映每道题对能力估计的贡献：

I(θ₁) = Σ [P(θ₁, b_j) * (1 - P(θ₁, b_j))] （j从1到2）

同样需要把第1题和第2题的结果都加进去，不能只算第2题的信息！

步骤4：更新得到θ₂ #

代入修正牛顿-拉夫逊公式：

θ₂ = θ₁ + U(θ₁) / I(θ₁)

具体示例计算（对应你的第一题结果） #

假设你的第1题参数是：b₁=ln(6)≈1.7918，作答结果x₁=0（答错），所以θ₁=-0.8333是正确的。现在加入第2题：b₂=0，作答结果x₂=1（答对），一步步算：

1. 计算P值：

   • P₁ = 1/(1+e^(1.7918 - (-0.8333))) = 1/(1+e^2.6251) ≈ 0.0678
   • P₂ = 1/(1+e^(0 - (-0.8333))) = 1/(1+e^0.8333) ≈ 0.3030

2. 计算得分函数U：

   • U = (0 - 0.0678) + (1 - 0.3030) = 0.6292

3. 计算Fisher信息I：

   • I = (0.06780.9322) + (0.30300.6970) ≈ 0.0632 + 0.2112 = 0.2744

4. 更新θ₂：

   • θ₂ = -0.8333 + (0.6292/0.2744) ≈ 1.4597

常见错误排查（你第二题偏差大的可能原因） #

1. 只计算当前题的U和I，忽略之前的题目：这是最容易犯的错误！修正牛顿-拉夫逊需要累积所有已答题的信息，而不是只针对当前题计算。
2. 公式符号错误：比如把ICC写成e^(θ - b_j)，会导致U的符号反转，结果完全偏离。
3. 谷歌表格函数使用错误：比如EXP()函数的参数搞反（写成EXP(θ - b)而不是EXP(b - θ)），或者求和时漏加前一题的数据。
4. 修正牛顿-拉夫逊的步长误用：有些简化版本会用固定信息（比如初始信息），但标准的修正牛顿必须用累积的Fisher信息。

总结 #

每次作答新题目后，能力更新的核心是把所有已答题的信息都纳入U和I的计算，而不是只处理当前题。你可以对照上面的步骤，检查谷歌表格里的公式是否漏加了前一题的求和项，或者符号是否正确。

内容的提问来源于stack exchange，提问作者Rich Davis