Hi Jason,<div><br></div><div>(a) <b>Short answer:</b>  Damon does not handle regression in the way you&#39;re thinking, in the style of Rasch latent regression where (say) person properties are used to predict Rasch ability measures. It does not return regression effect coefficients for predictor variables.  For that, you&#39;ll want another tool.</div>
<div><br></div><div><b>Long answer:</b> Damon <i>does</i> include all person properties in the analysis as if they were simply additional items -- gender, age, etc, are items along with MathItem1, MathItem2, EngItem1,EngItem2, etc.  In other words, predictor variables and dependent variables are not treated differently -- each is a predictor of the others.  (Multicollinearity is not a problem because Damon internally projects all items and persons into a subspace of constrained dimensionality, and the orthornormal/linearly independent coordinates of that space become the true predictor variables.)</div>
<div><br></div><div>What this means is that Damon is very good at <i>predicting</i> values for a given dependent variable (assuming fit to the model), if that is your goal.  It includes a method for removing any biases that might be caused by a dependent variable helping predict itself.  So the primary output is a matrix of predictions of each person on each item, given the information provided by the rest of the dataset.  Secondary outputs are the coordinates of each item and person.  The dot product of these coordinates supplies the prediction.  Damon takes the strong position that regression coefficients of predictor variables are <i>insufficient</i> to predict outcomes.  One must also have computed the latent coordinates of the individual persons for whom predictions are being made, in order to preserve the sample-free property of the predictions.  That is why Damon does not report regression style effect sizes.</div>
<div><br></div><div>(b) Damon currently only supports 2-facet (tabular) designs.  I&#39;m eager to build a many-facet version, but that will be a total rewrite and may kill me.</div><div><br></div><div>Mark</div><div><a href="http://www.pythiasconsulting.com">www.pythiasconsulting.com</a><br>
</div><div><br></div><div><br></div><div><br><br><div class="gmail_quote">2012/4/2 Iasonas Lamprianou <span dir="ltr">&lt;<a href="mailto:liasonas@cytanet.com.cy">liasonas@cytanet.com.cy</a>&gt;</span><br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
Hi,<br>
(a) can the Damon software be used to solve regression-like problems? For example, can I run the ussual Rasch model, also using independent variables for latent regressions?<br>
(b) Does it support many-facets designs?<br>
<br>
Thanks<br>
<br>
Jason<br>
<br>
----- Original Message Follows -----<br>
From: Mark Moulton &lt;<a href="mailto:markhmoulton@gmail.com">markhmoulton@gmail.com</a>&gt;<br>
To: &lt;<a href="mailto:rasch@acer.edu.au">rasch@acer.edu.au</a>&gt;<br>
Subject: [Rasch] Rasch-inspired open-source software now available for highly multidimensional data<br>
Date: Fri, 23 Mar 2012 20:06:14 -0700<br>
&gt; *Dear Rasch Colleagues,*<br>
&gt;<br>
&gt; I want to let you know about *Damon*, a Python-based software package that<br>
<div class="im">&gt; I&#39;m releasing free to the Rasch psychometric community and general public.<br>
&gt;  The result of some 20 years hard labor (initiated by Ben Wright to his<br>
&gt; surprise), it has been in private commercial use for the last five years.<br>
</div>&gt;  It was designed specifically to apply Rasch&#39;s objectivity criterion to *highly<br>
&gt; multidimensional* datasets, such as the infamous Netflix movie ratings<br>
<div class="im">&gt; dataset.<br>
&gt;<br>
&gt; It is documented and available for download through<br>
</div>&gt; <a href="http://www.pythiasconsulting.com" target="_blank">www.pythiasconsulting.com</a> .  If there is any interest, I will hold a *Damon<br>
&gt; workshop in Vancouver* at my hotel on the morning of *Friday, April 13,*after<br>
&gt; *IOMW*.<br>
<div class="im">&gt;<br>
&gt; Contact me if you have any questions.<br>
&gt;<br>
&gt; Thanks!<br>
&gt;<br>
&gt; Mark H. Moulton, Ph.D.<br>
&gt; Pythias Consulting<br>
&gt;<br>
&gt; <a href="mailto:markhmoulton@gmail.com">markhmoulton@gmail.com</a><br>
&gt; <a href="tel:408-307-2794" value="+14083072794">408-307-2794</a><br>
&gt;<br>
&gt;<br>
</div>&gt; *Features/Bugs (depending on point of view):*<br>
&gt;<br>
&gt;    - *Multidimensionality.*  Easily handles data with 1, 5, 10, 50, 100+<br>
<div class="im">&gt;    dimensions, including items that are negatively correlated.<br>
</div>&gt;    - *Data types.*  Handles interval, ordinal, ratio, dichotomous,<br>
<div class="im">&gt;    polytomous, and nominal data, including within the same dataset.<br>
</div>&gt;    - *Missing Data. * Handles pretty much any proportion of missing data,<br>
&gt;    random or non-random.<br>
&gt;    - *Labels.*  Datasets support row labels and column labels of any depth.<br>
&gt;     Queries are label-based.<br>
&gt;    - *Objectivity.*  Damon offers clear criteria for determining and<br>
<div class="im">&gt;    optimizing the objectivity of all reported statistics, including &quot;best<br>
&gt;    dimensionality&quot;.  These include Rasch&#39;s parameter invariance requirement.<br>
</div>&gt;    - *Measures.*  Person measures consist of cell estimates, in either the<br>
<div class="im">&gt;    original or a linear (logit) metric, averaged across one or more items<br>
</div>&gt;    within a dataset.  They answer the question:  *How able is Person A on<br>
&gt;    the construct embodied by a defined subset of items?*<br>
&gt;    - *Predictions.*  Predictions are of the form:  *How would Person A have<br>
&gt;    performed on Item 1 if he had taken the item?*<br>
&gt;    - *Equating.*  Parameters from one dataset are transferrable as anchors<br>
&gt;    to a comparable dataset.<br>
&gt;    - *Analysis of Fit.*  Damon reports fit statistics, standard errors,<br>
<div class="im">&gt;    etc., for determining the degree to which the observed data fits into the<br>
&gt;    objective space.<br>
</div>&gt;    - *Rasch.*  Damon includes a Rasch module based on the Winsteps JMLE<br>
&gt;    implementation.<br>
&gt;<br>
&gt; *Algorithm*<br>
&gt;<br>
&gt;    - *ALS/Rasch.*  The algorithm is classified as a multidimensional<br>
<div class="im">&gt;    alternating least squares matrix decomposition subjected to a strict<br>
&gt;    Rasch-based objectivity optimization criterion.<br>
&gt;<br>
</div>&gt; *Usability*<br>
&gt;<br>
&gt;    - *Python.*  Damon is built on top of the Python scripting language and<br>
<div class="im">&gt;    the Numpy numerical package (both free).  It is accessed through a<br>
&gt;    command-line shell or run from scripts.  If you have experience with the<br>
</div>&gt;    statistical language *R*, or *MatLab*, you will feel at home.  Although<br>
<div class="im">&gt;    Damon is written in Python, it requires very little expertise in Python<br>
&gt;    programming.   The website includes a tutorial.  Damon&#39;s inline help<br>
&gt;    resources are extensive.<br>
&gt;<br>
</div>&gt; *A Sample Damon script*<br>
<div class="im">&gt;<br>
&gt; &gt;&gt;&gt;  import damon1.core as dmn<br>
&gt; &gt;&gt;&gt;  Data =<br>
&gt; dmn.DamonObj(&#39;California_May2012.csv&#39;,&#39;TextFile&#39;,nHeaders4Rows=5,nHeaders4Cols=1,ValidChars=[&#39;All&#39;,[0,1]])<br>
&gt; &gt;&gt;&gt;  Data.standardize()<br>
&gt; &gt;&gt;&gt;  Data.coord([range(1,11)],RunSpecs=[0.0001,20])<br>
&gt; &gt;&gt;&gt;  Data.baseEst()<br>
&gt; &gt;&gt;&gt;  Data.finEst()<br>
&gt; &gt;&gt;&gt;  Data.summStat()<br>
&gt; &gt;&gt;&gt;  Data.export([&#39;summStat_out&#39;,&#39;baseEst_out&#39;,&#39;finEst_out&#39;],&#39;TextFile&#39;)<br>
&gt;<br>
&gt; This short program imports and formats a text file, standardizes the data,<br>
&gt; looks for the optimal (most objective) dimensionality in a range of 10<br>
&gt; dimensions, computes coordinates (multidimensional abilities and<br>
&gt; difficulties) for each person and item, computes an array of cell estimates<br>
&gt; (for both missing and non-missing cells), computes another array of cell<br>
&gt; (0,1) predictions, computes person measures, and exports three of the<br>
&gt; outputs as text files.<br>
&gt;<br>
&gt; Various other statistics, functions, and methods are available in Damon,<br>
&gt; plus the massive libraries in Numpy and related Python packages.<br>
&gt;<br>
&gt;<br>
&gt; _______________________________________________<br>
&gt; Rasch mailing list<br>
&gt; <a href="mailto:Rasch@acer.edu.au">Rasch@acer.edu.au</a><br>
</div>&gt; Unsubscribe: <a href="https://mailinglist.acer.edu.au/mailman/options/rasch/liasonas%40cytanet.com.cy" target="_blank">https://mailinglist.acer.edu.au/mailman/options/rasch/liasonas%40cytanet.com.cy</a><br>
</blockquote></div><br></div>