2021年12月27日下午5点30分，我院在教学科研楼507室邀请博士研究生尚来旭同学做线下学术报告，2021级全体硕士研究生参加了此次会议。

报告题目：Latent variable selection in MIRT models with unknown covariance of latent traits by EMS algorithm

摘要：Latent variable selection in multidimensional item response theory (MIRT) models aims to identify latent traits probed by test items of a multidimensional test. The expectation model selection (EMS) algorithm is applied to minimize the Bayesian information criterion (BIC) for latent variable selection in MIRT models with unknown covariance of latent traits. Under mild assumptions, we prove the numerical convergence of the EMS algorithm for model selection by minimizing the observed BIC. Under the identifiability assumptions, the convergence of the EMS algorithm for latent variable selection in the multidimensional two-parameter logistic (M2PL) models can be verified. We give an efficient implementation of the EMS for the M2PL models. Simulation studies show that the EMS outperforms the EM based L1 regularization in terms of correctly selected latent variables and computation time.

报告过程中，尚来旭同学首先生动形象地向大家展示了文章的4个主要贡献：1.提出MIRT模型的EMS的一般流程。2.证明在温和假设下EMS的数值收敛性3.证明EMS对M2PL模型的收敛性。4.加快计算速度。其次讲解了MIRT是描述测试项目与个体多重潜在特征之间相互作用的理论框架。它在心理和教育测试中起着核心作用。介绍了多维双参数Logistic模型、MIRT模型中的潜在变量选择使用EMS算法，EM算法用来求解最大化问题，用BIC准则选最优参数。最后通过最小化观测BIC证明了EMS算法在模型选择方面的数值收敛性。在可辨识性假设下，验证了EMS算法在多维二参数logistic (M2PL)模型中潜在变量选择的收敛性。为M2PL模型提供了一个有效的EMS实现。仿真研究表明，该方法在正确选择潜在变量和计算时间方面优于基于EM的L1正则化方法。

报告会结束后，通过尚来旭同学毫无保留的为大家带来的这场精彩的分享，同学们对EMS算法以及MIRT模型有了更加深刻具体的认识。了解在潜在特征协方差未知的MIRT模型中，如何用EMS算法最小化潜在变量选择的BIC等一系列宝贵知识，加深了所有参与报告会的同学们关于统计学习方法的知识储备。

数学与统计学院

2021年12月27日