Ein durchgängiger eigener Ablauf:
„Bereinigung → Modellierung → Gewichtung → Tabellierung“

# Von CRAN installieren (einmalig)install.packages("DCC")# Paket ladenlibrary(DCC)

Umfrage- und Testdaten kommen oft in mehreren Formaten und Kodierungen, mit Werten außerhalb des zulässigen Bereichs, fehlenden Antworten, Durchklick-Mustern, Zeitanomalien und formspezifischen Item-Kennungen. Ad-hoc-Skripte vergraben die Korrekturlogik im Code – nachzuprüfen, warum sich ein Wert geändert hat, oder den ganzen Lauf zu wiederholen, wird schwierig.

• Versionierte Regeln führen Bereichs-, Mengen- und Ausdrucksprüfungen aus, dazu Detektoren für fehlende Werte, Durchklick-Muster, Antwortzeiten, Kontrollitems und auffällige Testwerte.
• Erkennung und Ausführung sind getrennt: Ausschließen, Auf-NA-Setzen, Umkodieren und Markieren müssen ausdrücklich Regeln zugeordnet sein, unbehandelte Befunde bleiben sichtbar.
• Rohdaten bleiben unverändert; jede Änderung protokolliert alten und neuen Wert, Regel, Methode und finding_id, Manifeste und Hashwerte ermöglichen verifizierte Wiederholungsläufe.
• Unterstützt werden gängige Tabellen- und Statistikformate, blockweise Verarbeitung, Auswertung, der Abgleich von Itembanken über mehrere Testformen und eigenständige HTML-Berichte.

DCC macht aus „bereinigten Daten“ ein erklärbares, nachvollziehbares und wiederholbares Datenprodukt – Projektleitung, Analyse und Prüfung arbeiten mit derselben Beweiskette.

# Von CRAN installieren (einmalig)install.packages("IRTC")# Paket ladenlibrary(IRTC)

Groß angelegte Erhebungen umfassen oft Hunderttausende oder Millionen Teilnehmende, viele Items und mehrere Dimensionen. Herkömmliche IRT-Software stößt dabei wegen Speicherbedarf, Laufzeit oder begrenzter Erweiterbarkeit an ihre Grenzen.

• Unterstützt Rasch/1PL-, PCM-, RSM-, 2PL- und GPCM-Modelle; eindimensionale und between-item-mehrdimensionale Strukturen; latente Regression, mehrere Gruppen, Fallgewichte und EAP-Schätzung.
• Parallele E-Schritte, blockweises Streaming nach Personen, Dimensionszerlegung, analytische Gradienten, hybride Newton-Updates und automatische Engine-Auswahl sind auf große Datenmengen ausgelegt.
• Optionales Quadratur-Pruning weist den gemessenen Approximationsfehler aus; exakte Berechnung bleibt die Voreinstellung und ändert sich nie stillschweigend.

Grid-, Streaming- und automatische Engines machen Routineanalysen einfach und halten die Verarbeitung großer Datenmengen kontrollierbar. Chinesische und englische Handbücher erleichtern die Übergabe an Anwenderteams.

# Von CRAN installieren (einmalig)install.packages("WFC")# Paket ladenlibrary(WFC)

Gewichtungsskripte scheitern oft unbemerkt, wenn Kategorien von Stichprobe und Zielgröße abweichen, Zellen zu dünn besetzt sind, Gruppensummen nach dem Trimmen abdriften oder mehrere Zielquellen uneinheitliche Schemata verwenden. Eine fertige Gewichtsspalte allein zeigt nicht, was geprüft und welche Entscheidungen getroffen wurden.

• Ein einheitliches Zielformat nimmt Bevölkerungsdaten, gewichtete Referenzstichproben oder manuelle Randverteilungen auf und vergleicht Stichprobe und Ziel, bevor Gewichte berechnet werden.
• Eine festgelegte Zusammenlegungsleiter deckt zuerst Unverträglichkeiten und dünn besetzte Zellen auf und wendet dann geprüfte Kategoriezusammenlegungen einheitlich auf Stichprobe und Ziel an.
• Raking und Nachschichtung teilen sich einen Dispatcher und dasselbe Ergebnisformat; der geführte Weg umgeht nie eine blockierende Vorprüfung.
• Diagnostik, ein Entscheidungsprotokoll, zweisprachige Berichte und Prüfexporte machen jeden Kalibrierungslauf nachprüfbar.

WFC macht aus einmaligen Gewichtungsskripten einen Standardablauf Vorprüfung → Ausführung → Diagnose und senkt das Risiko von Gewichten, die numerisch konvergieren, sich aber von der beabsichtigten Grundgesamtheit entfernen.

# Von CRAN installieren (einmalig)install.packages("LISTC")# Paket ladenlibrary(LISTC)

Beim Berichten geht eine korrekte Analyse am häufigsten verloren. Survey-Pakete berechnen designgerechte Statistiken, bieten aber kein freies Tabellenlayout; Pivot-Pakete gestalten jede beliebige Tabelle, wissen aber nichts vom Stichprobendesign. Teams setzen Berichtstabellen deshalb von Hand zusammen, und der Standardfehler – die eine Zahl, die angibt, wie sehr man der Schätzung trauen kann – verschwindet als Erstes.

• Zeilenvariablen, Spaltenvariablen und Zellstatistiken werden frei gewählt wie in einer Pivot-Tabelle, und jede Zelle trägt einen zum Stichprobendesign passenden Standardfehler.
• Verarbeitet die Eingaben, die große Erhebungen tatsächlich liefern: demografische Merkmale, Testwerte, Stichprobengewichte, IRT-Fähigkeitsschätzungen mit individuellen Standardfehlern, Replikationsgewichte und Plausible Values.
• Schließt die eigene Werkzeugkette – DCC bereinigt, IRTC modelliert, WFC gewichtet, und LISTC macht aus dem Ergebnis die Tabellen, aus denen ein Bericht tatsächlich besteht.

Berichtstabellen sind kein manueller, fehleranfälliger letzter Schritt mehr, sondern ein reproduzierbares Ergebnis der Analyse selbst – mit Unsicherheitsangaben bis in die letzte Zelle.

Eine native macOS-Anwendung für die Item-Response-Theorie, geschrieben in Rust. Ogive befindet sich noch in aktiver Entwicklung; eine öffentliche Version gibt es noch nicht, die folgenden Funktionen beschreiben den aktuellen Entwicklungsumfang.

• Eine Engine für Rasch-, PCM-, RSM-, 2PL- und GPCM-Modelle, ein- und mehrdimensional, mit derselben Designmatrix-Parametrisierung wie IRTC.
• Marginal-Maximum-Likelihood-Kalibrierung mit beschleunigtem EM, Schätzung der latenten Verteilung sowie EAP-, MAP- und MLE-Fähigkeitsschätzungen.
• Item- und Personenfit, DIF-Analyse und Linking über Ankeritems, mit Ergebnissen, die in Regressionstests gegen etablierte Referenzsoftware geprüft werden.