IRT — Item-Response-Theorie

Dr. R. Düsing · Universität Osnabrück
IRT — Item-Response-Theorie — Hilfe
Was ist IRT?

Die Item-Response-Theorie (IRT) modelliert, wie die Wahrscheinlichkeit einer richtigen Antwort von der Fähigkeit einer Person θ (Theta) und den Eigenschaften eines Items abhängt. Anders als in der Klassischen Testtheorie (KTT) liegen Personenfähigkeit und Itemschwierigkeit auf derselben Skala — das ermöglicht direkte Aussagen darüber, welche Items für welche Personen informativ sind.

IRT und Faktorenanalyse — Verwandtschaft und Unterschied

IRT und FA sind näher verwandt als es auf den ersten Blick erscheint: Beide modellieren eine oder mehrere latente Variablen, die das Antwortverhalten erklären. Mathematisch ist das 2PL-Modell äquivalent zu einem einfaktoriellen Modell für dichotome Daten — der Trennschärfeparameter a entspricht einer Faktorladung, θ entspricht dem personenspezifischen Fähigkeitsparameter (dem Personenwert auf der latenten Skala). Für ordinale Items (Likert-Skalen) sind das Graded Response Model und die ordinale FA mit polychorischen Korrelationen eng verwandt.

Der entscheidende Unterschied liegt im Erkenntnisinteresse: Die Faktorenanalyse fragt: Wie viele latente Dimensionen gibt es, und welche Items laden auf welchen Faktor? Das Ziel ist die Struktur des Konstrukts. Die IRT fragt: Wie gut funktioniert jedes einzelne Item? Wie präzise misst der Test an welcher Stelle der θ-Skala? Das Ziel ist die Güte und Brauchbarkeit der Items sowie die Messgüte des Tests für bestimmte Personen.

ICC — Item Characteristic Curve

Für jedes Item gibt es eine S-förmige Kurve (ICC, auch IRF — Item Response Function), die zeigt: Wie hoch ist P(richtig | θ)? Das allgemeine Modell mit vier Parametern (4PL):

4PL: P(θ) = c + (d − c) · 1 / (1 + exp(−a · (θ − b)))

a = Trennschärfe (Steilheit) · b = Schwierigkeit (Wendepunkt) · c = untere Asymptote (Raten) · d = obere Asymptote (Flüchtigkeitsfehler)

Die einfacheren Modelle entstehen durch sukzessives Fixieren von Parametern:

3PL: P(θ) = c + (1 − c) / (1 + exp(−a · (θ − b))) [d = 1] 2PL: P(θ) = 1 / (1 + exp(−a · (θ − b))) [c = 0, d = 1] 1PL: P(θ) = 1 / (1 + exp(−a · (θ − b))) a gleich für alle Items Rasch: P(θ) = 1 / (1 + exp(−1 · (θ − b))) a = 1 per Axiom

Vom 4PL zum Rasch-Modell sinkt die Flexibilität, aber die Interpretierbarkeit und Messtheoretische Strenge steigen. 2PL und 3PL sind die häufigsten Modelle in der angewandten Diagnostik.

Die vier Parameter

b — Schwierigkeit (difficulty): θ-Wert am Wendepunkt der ICC — dem Punkt, an dem die S-Kurve ihre maximale Steigung hat (der Übergang von zunehmender zu abnehmender Steigung). Beim 2PL gilt P(θ=b) = 0.5. Beim 3PL/4PL gilt P(θ=b) = (c+d)/2. Hohe b-Werte → schwieriges Item. b liegt auf derselben Skala wie θ.

a — Trennschärfe (discrimination): Steilheit der ICC am Wendepunkt. Hohe a → steile Kurve → Item trennt gut zwischen Fähigkeitsgruppen. Typisch: a ∈ [0.5, 2.5]. Werte unter 0.3 deuten auf ein schwaches Item hin.

c — Ratewahrscheinlichkeit (pseudo-guessing): Untere Asymptote. Auch bei sehr niedrigem θ ist P(richtig) ≥ c. Bei Multiple-Choice mit K Optionen ist c ≈ 1/K plausibel. Ignoriert man c (2PL), wird θ bei schwachen Personen überschätzt.

d — obere Asymptote (carelessness): Maximale Antwortwahrscheinlichkeit. d < 1 modelliert Flüchtigkeitsfehler auch bei sehr fähigen Personen. In der Praxis schwer zu schätzen — braucht viele hochfähige Personen im Datensatz.

Rasch-Modell vs. 1PL — der entscheidende Unterschied

Dieser Unterschied wird in Lehrbüchern häufig verwischt. Beide Modelle haben a identisch über alle Items — aber die Philosophie ist grundverschieden:

Rasch-Modell: Georg Rasch (1960) definierte sein Modell nicht als statistisches Datenmodell, sondern als Messideal. a = 1 ist per Axiom gesetzt — nicht weil die Daten es verlangen, sondern weil es die Voraussetzung für spezifische Objektivität ist: Die Itemschwierigkeit b soll unabhängig von der getesteten Stichprobe gelten, und die Personenfähigkeit θ unabhängig vom eingesetzten Test. Wenn ein Item nicht passt, wird es entfernt oder überarbeitet — nicht das Modell.

1PL-Modell: a wird als gemeinsamer Parameter aus den Daten geschätzt. Das Modell wird den Daten angepasst. Wenn a ≠ 1 herauskommt, ist das kein Problem. Es gibt keinen axiomatischen Anspruch auf Messunabhängigkeit. Kurz: Rasch passt Daten dem Modell an — 1PL passt das Modell den Daten an.

Vorteile Rasch-konformer Items: Wenn Items das Rasch-Modell erfüllen, ergeben sich starke Messeigenschaften: (1) Personenfreie Itemkalibrierung — die Schwierigkeit b wird unabhängig davon geschätzt, welche Personen den Test absolviert haben. (2) Itemfreie Personenmessung — θ wird unabhängig davon geschätzt, welche Itemauswahl verwendet wird. (3) Item Banking — Items verschiedener Tests können auf einer gemeinsamen Skala verankert und ausgetauscht werden (Grundlage für adaptives Testen). (4) Fit-Statistiken — Items, die nicht passen, werden identifiziert und können gezielt verbessert werden. Diese Eigenschaften machen das Rasch-Modell zum Goldstandard in der psychometrischen Qualitätssicherung.

Testinformationsfunktion (TIF)

I(θ) zeigt, wie präzise der Test bei jedem Fähigkeitsniveau misst. Sie ist die Summe der Iteminformationen:

I(θ) = Σᵢ Iᵢ(θ) mit Iᵢ(θ) = [P'ᵢ(θ)]² / [Pᵢ(θ) · (1 − Pᵢ(θ))]

Der Standardfehler der Schätzung ist SE(θ) = 1/√I(θ). Ein Test misst am präzisesten dort, wo viele Items mit b ≈ θ vorliegen und die Trennschärfen a hoch sind. Extremgruppen werden oft schlecht gemessen.

Interpretation: Die TIF zeigt relativ, wo ein Test präzise misst — nicht ob er einen absoluten Schwellenwert erreicht. Entscheidend ist die Form der Kurve: Ein schmales, hohes Maximum bedeutet präzise Messung in einem engen θ-Bereich (typisch für Selektionstests); eine breite, flache Kurve bedeutet gleichmäßige, aber weniger präzise Messung über viele Fähigkeitsniveaus (typisch für Screening). Der Standardfehler SE(θ) = 1/√I(θ) übersetzt die Information direkt in Messunsicherheit auf der θ-Skala — bei SE = 0.5 liegt die Schätzung typischerweise innerhalb von ±1 um den wahren Wert. Mehr Items verschieben die gesamte Kurve nach oben; schwerere oder leichtere Items verschieben das Informationsmaximum entlang der θ-Achse.

Wright Map — Personen und Items auf einer Skala

Ein Alleinstellungsmerkmal der IRT: Personenfähigkeit θ und Itemschwierigkeit b liegen auf derselben Skala. Die Wright Map (Item-Person-Map) zeigt beides zusammen. Items mit b ≈ θ sind am informativsten für eine Person. Items, die zu leicht (b ≪ θ) oder zu schwer (b ≫ θ) sind, tragen kaum zur Messung bei. In diesem Tool steht θ senkrecht: links das Personen-Histogramm (N(0,1)-Referenzpopulation), rechts die Items auf ihrer Schwierigkeit b. Items mit ähnlicher Schwierigkeit werden horizontal nebeneinander aufgefächert, und ein farbiger Tick auf der θ-Achse markiert die genaue Schwierigkeit jedes Items. Die Punktgröße kodiert die Trennschärfe a (steilere Items = größer = informativer), und Items innerhalb des türkisen Bands um die θ-Linie der Person (Max) sind hervorgehoben — genau dort misst der Test präzise.

Antwortmuster und θ̂ (MLE)

Aus einem beobachteten Antwortvektor (z.B. 1,1,0,0,0) lässt sich θ̂ via Maximum-Likelihood schätzen: Finde das θ, das die Wahrscheinlichkeit des beobachteten Musters maximiert. Antwortet jemand alles richtig oder alles falsch, ist die MLE nicht definiert (±∞) — in der Praxis werden dann EAP- oder MAP-Schätzer verwendet.

Literatur

Rasch, G. (1960). Probabilistic Models for Some Intelligence and Attainment Tests. Danish Institute for Educational Research.
de Ayala, R. J. (2022). The Theory and Practice of Item Response Theory (2. Aufl.). Guilford Press.
Tutz, G. (2025). A Short Guide to Item Response Theory Models. Springer.
Mair, P. (2018). Modern Psychometrics with R. Springer.
Moosbrugger, H. & Kelava, A. (Hrsg.) (2020). Testtheorie und Fragebogenkonstruktion (3. Aufl.). Springer.
Petersen, I. T. (2024). Principles of Psychological Assessment: With Applied Examples in R. Chapman & Hall/CRC.

📋 Beispiel — Leseverständnistest
Max (Kl. 8) schreibt einen standardisierten Leseverständnistest mit 5 Items — von einfachem Faktenwissen (Item 1) bis zur komplexen Synthese (Item 5). Wie gut misst der Test seine wahre Lesekompetenz θ?
✓ Warum IRT — zusätzlich zur Klassischen Testtheorie?
KTT/Faktorenanalyse und IRT sind keine Konkurrenten, sondern ergänzen sich: Beide gehen davon aus, dass eine latente Fähigkeit das Antwortverhalten erzeugt (das 2PL-Modell ist für dichotome Daten sogar formal äquivalent zu einem Einfaktormodell auf tetrachorischen Korrelationen — a entspricht einer Faktorladung). Der Unterschied liegt im Fokus: Bei KTT/Faktorenanalyse ist die latente Variable das Ziel der Analyse; die Reliabilität (α/ω) ist dabei eine einzelne Zahl für den ganzen Test — sie unterstellt implizit gleich große Messgenauigkeit über die komplette Skala. IRT macht das einzelne Item zum Gegenstand und zeigt explizit, dass diese Annahme oft nicht stimmt: ein Test kann in der Mitte sehr präzise und an den Rändern kaum informativ sein (siehe Testinformationsfunktion unten).
Vorgehen — vom Item zur Fähigkeitsschätzung
①Item-Charakteristik-Kurve (ICC). Die S-förmige Kurve zeigt P(richtig | θ) — die Lösungswahrscheinlichkeit als Funktion der Fähigkeit. → ICC ansehen
②Modell wählen — wie viele Parameter braucht das Item? Rasch/1PL/2PL/3PL/4PL unterscheiden sich darin, ob Trennschärfe, Raten und Flüchtigkeitsfehler modelliert werden. Rasch vs. 1PL ist dabei kein rein statistischer, sondern ein messtheoretisch-philosophischer Unterschied (Details in der Hilfe).
③Testinformation I(θ) und SE(θ) — wie präzise misst der Test wo? Das ist der Kernvorteil aus dem Kasten oben, jetzt sichtbar gemacht: die Präzision ist keine Konstante, sondern hängt von θ ab. → Testinformationsfunktion ansehen
④Wright Map — Personen und Items auf einer Skala. Passen die Itemschwierigkeiten zur Fähigkeitsverteilung der Personen (Targeting)? → Wright Map ansehen
⑤Von Antworten zu θ̂. Aus einem konkreten Antwortmuster lässt sich die Fähigkeit einer Person per Maximum-Likelihood schätzen — probiere es unten in der Seitenleiste aus.
Items mit mehr als zwei Antwortkategorien? → Ordinale IRT Funktioniert ein Item für alle Gruppen gleich? → DIF
ICC — Item Characteristic Curves
Testinformationsfunktion I(θ) und SE(θ)
Wright Map — Items und Personen auf einer Skala
So liest du die Wright Map

Eine gemeinsame Skala θ (senkrecht): links die Personen, rechts die Items — beide auf derselben Fähigkeits- bzw. Schwierigkeitsachse. Das ist das Alleinstellungsmerkmal der IRT.

  • Personen — Histogramm der Referenzpopulation N(0,1).
  • Max — die aktuelle Person; das türkise Band ist ihre informative Zone (|b−θ| ≤ 0.5).
  • Items — auf ihrer Schwierigkeit b; Punktgröße = Trennschärfe a (größer = trennt schärfer). Gleich schwere Items werden horizontal aufgefächert.
  • Tick (in Item-Farbe) auf der θ-Achse — markiert die Schwierigkeit jedes Items auf der Skala.
  • ◉Hervorgehoben (Halo + Ring) = Item nahe θ → dort misst der Test präzise; ausgeblasste Items sind für Max zu leicht oder zu schwer.

Überlappen Items und Personen?

  • Gute Passung (Targeting): Liegen Items auf Höhe von Max (b ≈ θ), misst der Test dort präzise — kleiner Standardfehler. Idealerweise decken die Item-Schwierigkeiten genau den θ-Bereich ab, in dem die Personen liegen.
  • Lücke: In θ-Bereichen ohne Items misst der Test ungenau, selbst wenn dort Personen sitzen — die Testinformation ist niedrig (siehe Reiter TIF, dort steigt der SE).
  • Keine Überlappung: Sind alle Items zu leicht (b ≪ θ), löst Max praktisch alles → Deckeneffekt, θ kaum schätzbar (SE wird sehr groß). Spiegelbildlich bei durchweg zu schweren Items → Bodeneffekt.

Ausprobieren: Ziehe Max' θ-Slider aus der Item-Wolke heraus — sobald kein Item mehr hervorgehoben ist, gibt es keine Überlappung, und der Test ist für diese Fähigkeit schlecht abgestimmt. Item-Nummern entsprechen der Seitenleiste.

Modell-Formel & Interpretation
Item-Parameter-Tabelle
ItemabcdP(θ)I(θ)
Lernkarten