使用mirt包拟合2PL模型后，如何识别参数的标准误？

嗨，我来帮你搞定这个问题！你已经在拟合模型时设置了SE=TRUE，但直接查看的结果里没看到标准误，是因为默认输出只展示了参数点估计和置信区间，得用专门的方法提取SE。

正确提取标准误的步骤： #

1. 先把拟合好的模型存为对象：
   首先确保你把模型赋值给一个变量，比如：

   mod <- mirt(mydata, 1, itemtype = '2PL', SE = TRUE)
   

2. 用coef()函数提取带SE的参数：
   调用coef()并指定SE=TRUE，就能得到每个项目的参数和对应的标准误了。针对你提到的第59题，可以这样提取：

   coef(mod, SE = TRUE)$`59`
   

   输出结果会是类似这样的结构，明确区分参数估计值和标准误：

   par        SE
   a1  36.859   [具体SE数值]
   d  -12.266   [具体SE数值]
   g    0.000        NA
   u    1.000        NA
   

   注：g（猜测参数）和u（上渐近线）在2PL模型里被固定为0和1，所以没有标准误，这也是你之前看到NA的原因。

关于你看到的置信区间（CI）： #

你之前输出里的CI_2.5和CI_97.5其实是基于标准误计算出来的（置信区间公式：参数估计值 ± 1.96*标准误），如果临时需要，也可以通过置信区间反推SE：

SE_a1 <- (979.295 - (-905.576)) / (2*1.96)
SE_d <- (421.117 - (-445.648)) / (2*1.96)

不过直接用coef(mod, SE=TRUE)提取的结果会更准确。

稀疏二元数据的注意事项： #

你提到数据是稀疏二元的，注意到第59题的参数估计值（a1=36.859，d=-12.266）非常极端，这可能提示该题的反应模式偏态严重（比如绝大多数人答对或答错），这种情况下标准误可能不稳定。建议先检查该题的反应分布：

table(mydata$`59`)

如果确实是极端分布，可以考虑是否保留该题目，或者调整模型估计方法（比如使用边际极大似然估计时，设置estimator = 'MH-RM'来处理稀疏数据）。

内容的提问来源于stack exchange，提问作者Ester Silva