setwd(dirname(rstudioapi::getActiveDocumentContext()$path))



#função para gerar o modelo logístico de 2 parâmetros
######################################################
gera2L<-function(thetasim,itemsim)
{
n<-length(thetasim)      #leitura do n?mero de pessoas 
k<-nrow(itemsim)         #leitura do n?mero de itens 
set.seed(123)            #com isto os dados gerados ser?o os mesmos  
thetas<-thetasim  # par?metros das habilidades simuladas
items<-itemsim    # par?metros dos itens simulados
names(items)<-c("b","a") 

# C?lculo das probabilidades de acerto e matriz de respostas 
f2L<-function(x) {plogis(t(x[2]%*%( t(thetas-x[1]) ) ) ) } 
p2L<-apply(items,1,f2L) 
u<-matrix(runif(n*k),n)
data2L<-ifelse(u<p2L,1,0)
return(data2L)
}


#Especifica??o dos valores dos dados

n<-1000  # N?mero de pessoas
k<-20    # N?mero de itens

#Especifica??o dos par?metros verdadeiros a serem simulados

itemsim<-data.frame(cbind(runif(k,-2,2),runif(k,0.4,2))) #items
thetasim<-matrix(rnorm(n),ncol=1)  # habilidades 



#Gerando os dados usando a fun??o para os valores simulados

data2L<-gera2L(thetasim,itemsim)
data2L

#salvando os dados e os par?metros verdadeiros em arquivos
write.table(data2L,"data2L.csv",sep=",") 
write.table(thetasim,"pessoasim2L.csv",sep=",") 
write.table(itemsim,"itensim2L.csv",sep=",") 

#definindo os dados como data frame
data2Lclas=data.frame(data2L)      

require(ltm)
#Ajusta 2L classico
fit2L<-ltm(data2Lclas ~ z1,IRT.param = TRUE )
fit2L
#Ajusta 1L(Rasch) classico
fit1L <- rasch(data2Lclas, constraint = cbind(ncol(data2L) + 1, 1))
fit1L


#função para gerar o modelo normal de 2 parâmetros
######################################################

gera2P<-function(thetasim,itemsim)
{
n<-length(thetasim)      #leitura do n?mero de pessoas 
k<-nrow(itemsim)         #leitura do n?mero de itens 
set.seed(123)            #com isto os dados gerados ser?o os mesmos  
thetas<-thetasim  # par?metros das habilidades simuladas
items<-itemsim    # par?metros dos itens simulados
names(items)<-c("b","a") 

# C?lculo das probabilidades de acerto e matriz de respostas 
f2P<-function(x) {pnorm(t(x[2]%*%( t(thetas-x[1]) ) ) ) } 
p2P<-apply(items,1,f2P) 
u<-matrix(runif(n*k),n)
data2P<-ifelse(u<p2P,1,0)
return(data2P)
}


#Especifica??o dos valores dos dados

n<-1000  # N?mero de pessoas
k<-20    # N?mero de itens

#Especifica??o dos par?metros verdadeiros a serem simulados

itemsim<-data.frame(cbind(runif(k,-2,2),runif(k,0.4,2))) #items
thetasim<-matrix(rnorm(n),ncol=1)  # habilidades 



#Gerando os dados usando a fun??o para os valores simulados

data2P<-gera2P(thetasim,itemsim)
data2P

#salvando os dados e os par?metros verdadeiros em arquivos
write.table(data2P,"data2P.csv",sep=",") 
write.table(thetasim,"pessoasim2P.csv",sep=",") 
write.table(itemsim,"itensim2P.csv",sep=",") 

#definindo os dados como data frame
data2Pclas=data.frame(data2P)      

require(ltm)
#Ajusta 2P classico
fit2P<-ltm(data2Pclas ~ z1,IRT.param = TRUE )
fit2P
#Ajusta 1P(Tipo Rasch) classico
fit1P <- rasch(data2Pclas, constraint = cbind(ncol(data2L) + 1, 1))
fit1P