<div style><b>Rasch Colleagues,</b></div><div style><br></div><div style>I was just asked to provide a little more information about the Damon Workshop next Friday in Vancouver.  Below is some description, plus an agenda.  Make sure to email me if you plan to attend.  Hope to see you at IOMW.</div>
<div style><br></div><div style>Mark Moulton</div><div style><a href="mailto:markhmoulton@gmail.com">markhmoulton@gmail.com</a></div><div style><br></div><div style><b>Description:</b></div><div style><br></div><div style>
Damon is software I wrote for analyzing highly multidimensional datasets (think movie ratings) while employing Rasch-like standards of reproducibility and &quot;specific objectivity&quot;.  It can handle data in a variety of metrics, from continuous to dichotomous, and is good for making predictions and generating measures on constructs that you specify.  I wrote Damon on top of the Python programming language to make it as flexible as possible.  It is run using simple commands in a script file, or interactively as you wish.  There is a small learning curve to get used to Python, but in general Damon does not require programming expertise.  Damon, Python, and Numpy (Python&#39;s numerical package) are all free, as is the workshop.</div>
<div style><br></div><div style>The software can be downloaded from my website <a href="https://sites.google.com/site/pythiasconsultingllc/download">www.pythiasconsulting/download</a> or you can wait to do the installs at the workshop.</div>
<div style><br></div><div style><b>Where:</b>  Show up at the &quot;Staff Entrance&quot; of the Library Square Conference Center, on 360 W. Georgia St., at 8:30 am, Friday 4/13.  Security will let you in.</div><div style>
<br></div><div style><b>Workshop Agenda Friday (8:30 - 12:00):</b></div><div style><ul><li style="margin-left:15px">Install Python, Numpy, Damon -- by stick or download</li><li style="margin-left:15px">Some Python basics (imports, lists, functions, objects, arrays)</li>
<li style="margin-left:15px">How to load/format text files and create artificial datasets</li><li style="margin-left:15px">How to calculate Damon coordinates, estimates, standard errors</li><li style="margin-left:15px">How to find &quot;best dimensionality&quot;</li>
<li style="margin-left:15px">How to interpret summary statistics, edit data</li><li style="margin-left:15px">What does it all mean? -- the math, the algorithm, applications</li></ul></div><div style><b>What it Looks Like:</b>  Here is a sample Damon script to analyze multiple choice data.  It doesn&#39;t get much more complicated than this.</div>
<div style><br></div><div style><font size="1">import damon1.core as dmn</font></div><div style><font size="1"><br></font></div><div style><font size="1">data = dmn.DamonObj(&#39;MyData.csv&#39;,&#39;TextFile&#39;,nHeaders4Rows=1,nHeaders4Cols=1,ValidChars=[&#39;All&#39;,[&#39;a&#39;,&#39;b&#39;,&#39;c&#39;,&#39;d&#39;]])    # Load file</font></div>
<div style><font size="1"><br></font></div><div style><font size="1">MyAnswerKey = {&#39;Item1&#39;:[&#39;b&#39;],&#39;Item2&#39;:[&#39;a&#39;],...}    # Define answer key</font></div><div style><font size="1"><br></font></div>
<div style><font size="1">data.parse(ExtractKey=[&#39;Cols&#39;,MyAnswerKey])   # Parse response categories into separate bins.  Identify &quot;correct&quot; response columns.</font></div><div style><font size="1"><br></font></div>
<div style><font size="1">data.standardize()     # Get all items into a logit metric</font></div><div style><font size="1"><br></font></div><div style><font size="1">data.coord([range(1,20)])    # Find optimal number of dimensions (between 1 and 20), then compute person/item parameters (person and item spatial coordinates)</font></div>
<div style><font size="1"><br></font></div><div style><font size="1">data.baseEst()     # Compute cell estimates in the standardized metric</font></div><div style><font size="1"><br></font></div><div style><font size="1">data.finEst()    # Convert all cell estimates back to the original metric</font></div>
<div style><font size="1"><br></font></div><div style><font size="1">data.summStat()    # Compute summary statistics</font></div><div style><font size="1"><br></font></div><div style><font size="1">data.export([&#39;finEst_out&#39;,&#39;ColEnts_out&#39;])    # Export selected outputs as text files</font></div>
<div style><font size="1"><br></font></div>