第一個問題是對AGDINAmodel。model裡使用了theta。我有些疑惑。因為cdm model裡都講latent attribute。雖然說假設有一個latent continous trait。這樣同時出現alpha和theta，怎樣解讀更準確呢？
第二個問題是在simulation的結果部分，當DINA model去fit RS-DINA， 發現slipping and guessging parameters被低估。我在想RS-DINA只是在slipping 增加了random component，為什麼連guessing 的estimation都會被受到影響呢？具體造成slipping and guessing 被低估的原因是什麼呢？
第三個問題是為什麼不使用DIC而是用AIC/BIC呢？
以下是宏宇的回复：
1. 雖然CDM屬於latent class model, 但是Toree發展的higher-order DINA同時可以包含latent continous trait, 我想在解讀上，應該是可以同時兼顧latent class與latent trait的詮釋面向。
2. 因為忽略random slipping effect，所以人的attribute profile也會錯估，因為attribute profile錯估，所以會同時影響slipping and guessing parameters的估計
3. 我之所以沒使用DIC，是因為在winbugs中，只要是屬於latent class model，都無法產生DIC值，因此我就改用AIC與BIC，一般來說，true model的DIC應該還是會小些，你有試著參考PD值，它有把模式複雜度考慮進來。