Many-Facet Rasch analysis, built for your desktop. 多相ラッシュ分析を、手元のデスクトップで。

Place examinee ability, rater severity, task difficulty, and rubric behavior onto one shared logit scale—with Python bundled inside for macOS and Windows.

受験者の実力・評価者の厳しさ・課題の難しさ・ルーブリック段階を1本の共通尺度で推定。macOSとWindows向けにPython同梱のデスクトップ試用版を配布しています。

Download for macOS macOS版をダウンロード Download for Windows Windows版をダウンロード Open in Browser ブラウザ版を開く

Direct ZIP downloads for macOS (Apple Silicon, M1+) & Windows 11 (x64) · 3-step first launch ↓ · Release notes ↗ · Version 0.2.19-beta · MIT License · CRAN mfrmr for R

macOS（Apple Silicon / M1以降）・Windows 11（x64）公式ZIP直接ダウンロード · 初回起動の3ステップ ↓ · Release詳細 ↗ · Version 0.2.19-beta · MIT License · R版 mfrmr

Wright map generated from the built-in synthetic writing dataset

Pathway fit map showing logit measure against Infit MnSq

Category probability curves across rubric scores 0 to 5

Conditional bias heatmap screening Rater by Criterion pairs

D-Study G and Phi projections across rater and task counts

Built-in 960-rating writing dataset (Data → Sample → Next → Analyze): examinee ability on the left, rater severity, task difficulty, and rubric thresholds on the right. 内蔵の人工作文データ（960評定・Data → Sample → Next → Analyze）：左に受験者分布、右に評価者の厳しさ・課題難度・段階閾値を同一ロジット軸で表示。

Pathway fit map: separates consistent rater severity or task difficulty (vertical logit scale) from erratic or muted scoring around Infit MnSq = 1.00 (horizontal axis). Pathway適合度マップ：縦軸の「一貫した厳しさ・課題難度」と、横軸 Infit MnSq = 1.00 付近からの「採点のブレ・中心化」を切り分けて表示。

Category probability curves: verifies whether every rubric score from 0 to 5 forms its own ordered peak along the relative logit ruler. カテゴリー確率曲線：0〜5点の各ルーブリック段階がロジット軸に沿って順序よく独立した山を作っているかを確認。

Conditional bias heatmap: fixed-calibration exploratory screening of Rater × Criterion pairs (not a standalone significance or fairness test). 条件付きバイアス図：主較正を固定した Rater × Criterion の探索的スクリーニング（単独での有意差・公平性の証明ではない）。

D-study projections (GD_ANOVA sample): compares relative (G) and absolute (Phi) reliability across rater and task counts for univariate balanced 1–2 facet designs. D-Studyプロット（GD_ANOVAサンプル）：単変量・完全交差・均衡1〜2相設計において、評価者数と課題数の組み合わせによる G・Phi 係数を比較。

How to read this chart → この図の読み方を見る → Desktop guide 利用ガイド

Why raw score averages fall short なぜ素点の平均だけでは不十分なのか

In essay, speaking, or clinical performance assessments, examinees rarely face identical conditions. Averaging rubric numbers treats every rater, prompt, and score step as interchangeable.

作文・スピーキング・実技試験では、誰がどの課題を採点するかによって得点が動きます。単純な平均点は、評価者ごとの甘辛や課題の難しさ、段階幅の違いを区別できません。

Rater assignment shifts raw totals 担当評価者と課題の割り当てが素点を左右する

A student averaging 3.2 under your most severe rater on an abstract prompt may have demonstrated higher ability than a peer averaging 3.6 under a lenient rater on an easier prompt. MFRM places examinees, raters, tasks, and criteria onto one common logit scale centered at 0.00.

厳しい評価者と難度の高い課題に当たって平均3.2点だった受験者の方が、甘めの評価者と易しい課題で3.6点だった受験者より高い実力を示していることがあります。MFRMは各相を0.00基準の共通ロジット尺度上で同時に推定します。

High correlation does not remove severity gaps 相関係数が高くても「一定の厳しさ差」は残る

Two raters can rank students in nearly the same order (r = 0.90) while one consistently awards scores a full point lower. MFRM separates overall rater severity from erratic scoring behavior (Infit MnSq).

2人の評価者の順位相関が r = 0.90 と高くても、片方が常に1点低く採点していれば合否や順位に影響します。MFRMは「一貫した厳しさ」と「採点のブレ（Infit MnSq）」を切り分けます。

Rubric steps and rater counts can be checked directly ルーブリック段階の機能と評価者数設計を検証できる

Category probability curves show whether every rubric level from 0 to 5 represents a distinct performance band, while univariate balanced Generalizability / Decision (G/D) studies show whether adding tasks or raters improves score reliability faster.

カテゴリー確率曲線で0〜5の各段階が順序通り機能しているかを確認でき、均衡設計の単変量G/D-Studyによって「評価者を増やすか、課題を増やすか」の信頼性比較も行えます。

Facet estimates shown from the built-in 960-row synthetic writing sample (RSM, JMLE, 0–5 rubric). 数値はアプリ内蔵の人工作文データ（960行・RSM・JMLE・0〜5点ルーブリック）の推定結果。
Case / Facet対象	Condition採点条件・推定値	What it means解釈
Student A	Raw mean 3.2 · Rater 4, Task 2 素点平均 3.2 · Rater 4, Task 2	Looks lower in spreadsheet averages despite facing the most severe rater and harder prompt. 最も厳しい評価者と難しい課題の組み合わせのため、素点平均だけでは不利に見える。
Student B	Raw mean 3.6 · Rater 1, Task 1 素点平均 3.6 · Rater 1, Task 1	Benefits from nearly 1.2 logits of rater leniency plus an easier prompt. 評価者だけで約1.2ロジット甘く、課題も易しいため素点平均が高く出る。
Rater 1 vs. Rater 4	−0.73 vs. +0.47 logits Infit MnSq: 1.01 / 1.05	Substantial gap in severity, yet both raters apply their standards consistently near 1.00. 厳しさには大きな差がある一方、両者とも Infit は1.00付近で一貫した基準を保っている。
Content vs. Mechanics	−0.56 vs. +0.28 logits	High marks are awarded more readily on Content than on Mechanics or Language (+0.23). Content に比べて Mechanics や Language（+0.23）の方が高得点を取りにくい。

Read every output with clear scope boundaries 5つの図から読み取れることと、報告時の境界

Each chart answers a specific measurement question—and carries explicit notes showing what the estimate supports and what should not be overclaimed in a thesis or manuscript.

それぞれの図が答える問い、確認すべきサイン、そして論文や報告書で過大解釈を避けるための統計的境界を整理しています。

Wright map from the synthetic writing sample

Scale targeting and facet spread 尺度の対応（ターゲティング）と相の広がり

What to look for確認するポイント

Vertical overlap between examinee bars on the left and rater, task, criterion, and step locations on the right indicates that the rubric matches the cohort's ability range.

左側の受験者分布と、右側の評価者・課題・観点および段階閾値が縦方向に重なっていれば、テスト難度が受験者層に適合しています。

When to inspect closer注意が必要なパターン

If examinees cluster far above or below the facet locations, check Observed Category Use for ceiling or floor bunching.

受験者分布が課題や閾値より大きく上または下へ外れている場合は、天井効果・床効果や極端得点をカテゴリー度数表で確認します。

Scope in a thesis or paper報告時の前提条件

Verify rating connectedness—shared examinees or tasks linking raters—before interpreting all facets on a single common ruler.

評価者や課題の間に共通の採点割り当て（連結性）があることを確認した上で同一尺度上の位置を比較してください。

Pathway map showing Measure against Infit MnSq

Separating severity from consistency 「厳しさ」と「採点の一貫性」を分けて読む

What to look for確認するポイント

Vertical position shows rater severity or task difficulty; horizontal position shows consistency around Infit MnSq = 1.00. A severe rater near 1.00 grades toughly in a predictable way.

縦軸が厳しさ・難度、横軸が Infit MnSq = 1.00 付近の一貫性を表します。厳しくても1.00付近にあれば、基準が一貫していると読めます。

When to inspect closer注意が必要なパターン

Points far right (> 1, underfit) flag noisy or unexpected ratings; points far left (< 1, overfit) suggest central tendency or halo scoring.

右側（> 1）は予想外のばらつき、左側（< 1）は中心化傾向やハロー効果による変動の小ささを示唆します。

Scope in a thesis or paper報告時の注意

Use fit statistics as diagnostic prompts to inspect observation counts and original records rather than automatic deletion rules.

適合度1つだけを根拠に評価者や受験者を機械的に除外せず、観測数や元の採点記録を確認する診断指標として扱ってください。

Category probability curves across scores 0 to 5

Checking rubric category structure ルーブリック段階の機能確認

What to look for確認するポイント

Each score from 0 to 5 rises to its own ordered peak from left to right as examinee ability increases relative to facet difficulty.

左から右へ相対的な能力が上がるにつれ、0から5の各カテゴリーが順番に明確な山を作っていれば段階が機能しています。

When to inspect closer注意が必要なパターン

Flattened or buried middle curves indicate sparse observations or unclear descriptors; compare PCM if individual criteria use steps differently.

中間の山が埋もれる場合はまず各段階の観測度数を確認し、観点ごとに段階の使われ方が異なる場合は PCM も検討します。

Conditional bias heatmap for Rater by Criterion

Screening facet pairs vs. refitting interactions 条件付きバイアス診断と共同交互作用モデル

What to look for確認するポイント

Cells near 0.00 behave as expected from main effects; larger positive or negative shifts point to specific rater-by-task or rater-by-criterion pairs worth reviewing in training.

0.00付近は主効果通り、ズレの大きいセルは評価者訓練やルーブリック見直しで点検すべき組み合わせを示します。

Scope in a thesis or paper報告時の重要な境界

Conditional bias holds main calibration fixed and does not establish statistical significance or fairness. When model-based approximate intervals are needed, use numerically eligible fixed-SD MML Specified intervals or the refitted fixed-N(0,1) Joint interaction model (pointwise approximations; Holm adjusts the recorded family of requested tests, not the intervals).

条件付きバイアスは主較正を固定した探索的記述であり、有意差や公平性の証明には使えません。モデルに基づく点ごとの近似区間が必要な場合は、数値条件を満たす固定SD MMLの指定区間または固定N(0,1)共同交互作用を利用してください（Holm補正は指定した検定群に適用され、同時区間ではありません）。

Planning rater and task counts 評価者数と課題数の設計比較（G / Phi）

What to look for確認するポイント

Solid lines show G for relative rank decisions; dashed lines show Phi for absolute cut-score decisions. Compare equal-budget combinations alongside the variance-component table.

実線（G）は相対的な順位判断、破線（Phi）は合否ラインなどの絶対判断に対応します。分散成分表と合わせて同コストの採点設計を比較できます。

Scope in a thesis or paper適用できる設計条件

Applies to univariate, completely crossed, balanced 1- or 2-random-facet observed-score designs (≥ 2 levels per facet, 1 observation per cell, unit weights). Confidence intervals for G / Phi and multivariate G-theory are not implemented.

単変量の観測得点に対する完全交差・均衡1〜2ランダム相設計（各相2水準以上・セルあたり1観測・単位重み）が対象です。G／Phiの信頼区間および多変量G理論は未実装です。

Choose how to run MFRM 目的に合わせて選べる3つの環境

Use the standalone desktop app for local project files, the hosted Streamlit app for zero-install exploration and extended research modules, or the CRAN R package for scripted pipelines.

手元PCで完結するデスクトップ版、ブラウザからすぐ試せるStreamlit Web版、Rスクリプトで再現性を管理できるCRANパッケージから選べます。

MFRM Desktop

macOS (Apple Silicon) preview
Windows 11 (x64) preview macOS（Apple Silicon）試用版
Windows 11（x64）試用版

Offline local workflow (Data → Settings → Results) with Python bundled inside for both macOS and Windows. Integrates RSM and PCM with JMLE or fixed-SD MML, Wright / Pathway / Category plots, conditional bias, fixed-SD specified intervals, fixed-N(0,1) joint interaction, balanced 1–2 facet G/D studies, restorable .mfrm project files, and 300-DPI PNG / SVG manuscript exports with .caption.txt notes.

機密データを外部へ送らずオフラインで完結する3画面アプリ（macOS・WindowsともPython同梱）。RSM／PCM × JMLE／固定SD MML、主要3プロット、条件付きバイアス、指定区間、固定N(0,1)共同交互作用、均衡1〜2相の単変量G/D-Study、再推定なしで復元できる .mfrm 保存、論文掲載用の300 DPI PNG／SVG＋.caption.txt 出力、日英切替を統合しています。

Both 0.2.19-beta archives are hosted directly on GitHub Releases from identical runtime sources. On macOS (M1+, macOS 14.0+), expand MFRM-Desktop.app and approve once via Privacy & Security → Open Anyway; on Windows 11 x64, choose Extract All keeping MFRM-Desktop.exe alongside _internal.

両OSとも同一ソースからビルドした公式ZIP（0.2.19-beta）をGitHub Releasesから直接取得できます。macOS（M1以降・macOS 14.0+）では初回のみ「プライバシーとセキュリティ → このまま開く」で許可し、Windows 11 x64ではZIPを「すべて展開」して _internal と同じフォルダで起動してください。

macOS (arm64) macOS版を入手 Windows (x64) Windows版を入手

First-launch steps ↓初回起動の手順 ↓ Release notes ↗Release詳細 ↗ English guide 日本語ガイド

Opening on first launch — why macOS & Windows ask once for confirmation 初回起動の3ステップ — 確認ダイアログが出る理由と安全な開き方

MFRM Desktop is distributed 100% free of charge as open-source academic software without paid commercial Apple Developer Program notarization or Windows code-signing subscriptions. On first launch only, macOS Gatekeeper and Windows SmartScreen show a standard "could not verify free of malware / unrecognized publisher" prompt—not because malicious code was detected, but because no commercial signing certificate is attached.

MFRM Desktop は無償の学術オープンソースソフトウェアとして公開しており、有償の Apple Developer Program 公証や商用 Windows コード署名証明書を付与していません。そのため初回起動時のみ、悪質なコードが検出されたのではなく「商用署名がない」ことによるOS標準の確認ダイアログが表示されます。

1. 100% Auditable Open Source1. 全ソースコードを公開

Every line of statistical and UI code is publicly inspectable in the GitHub repository.

推定エンジンから画面表示まで、すべてのPythonコードを GitHub 上で全文公開しています。

2. 100% Offline Analysis2. 完全オフライン動作（送信ゼロ）

Analysis, plotting, and saving transmit zero data or telemetry—turn off Wi-Fi before launching to verify everything runs offline (only Help → Web theory opens a browser).

分析・作図・保存において外部通信や情報送信は一切行いません。Wi-Fiを切った状態でもすべての分析機能が動作することで確認できます（Webヘルプを開く操作のみブラウザーを起動します）。

3. Official GitHub Release & Provenance3. GitHub公式配布・ビルド証明

Both archives are hosted directly on GitHub Releases with native SHA-256 digests and GitHub Actions Sigstore provenance on Windows.

両OSとも GitHub公式Release から直接配布され、SHA-256ダイジェスト（Windows版はGitHub Actionsビルド証明付き）を公開しています。

macOS (Sequoia 15+ / Sonoma 14+, Apple Silicon) macOS（Sequoia 15以降 / Sonoma 14以降・M1以降）

Double-click MFRM-Desktop-macOS-arm64.zip to extract MFRM-Desktop.app, and place it in Applications if desired.
Double-click MFRM-Desktop.app. When "MFRM-Desktop" Not Opened appears, click Done — do NOT click the blue "Move to Trash" button.
Open System Settings → Privacy & Security, scroll down to Security, and click Open Anyway. (Needed once only; opens normally every time after that. Never disable Gatekeeper globally.)

MFRM-Desktop-macOS-arm64.zip を展開し、MFRM-Desktop.app を Applications などへ置きます。
開いた際に 「“MFRM-Desktop” は開いていません」 と出たら、青い「ゴミ箱に入れる」は押さず、下の完了をクリックします。
「システム設定」→「プライバシーとセキュリティ」の下部にあるこのまま開くを押し、Touch ID等で許可します（初回のみ。2回目以降は通常通り開きます。Gatekeeper自体は絶対に無効化しないでください）。

Windows 11 (x64) Windows 11（x64）

Right-click MFRM-Desktop-Windows-x64.zip in File Explorer and choose Extract All. Keep MFRM-Desktop.exe and the _internal folder together in the same directory.
Double-click MFRM-Desktop.exe.
If Microsoft Defender SmartScreen (Windows protected your PC) appears, click More info → Run anyway. (Needed once only; never turn off Windows Defender protection.)

エクスプローラーで MFRM-Desktop-Windows-x64.zip を右クリックして「すべて展開」を選び、MFRM-Desktop.exe と _internal フォルダを同じ場所に保ちます。
MFRM-Desktop.exe をダブルクリックします。
SmartScreen（「Windows によって PC が保護されました」）が表示された場合は、「詳細情報」→ 実行をクリックします（初回のみ。Windows Defender自体は絶対に無効化しないでください）。

Optional: Verify SHA-256 checksum or GitHub Actions build provenance (for institutional IT / security audits) 任意確認：SHA-256 ハッシュ・GitHub ビルド証明の検証方法（機関管理者・希望者向け）

GitHub automatically displays the verified sha256 digest next to each file on the Desktop Release page (alongside SHA256SUMS.txt). If you wish to check locally before launching:

GitHub ReleaseページのAssets欄に各ZIPの公式 sha256 と SHA256SUMS.txt が自動表示されています。手元で照合する場合は以下の1行コマンドを利用できます：

macOS Terminal (SHA-256):macOS ターミナル（SHA-256）：

shasum -a 256 "$HOME/Downloads/MFRM-Desktop-macOS-arm64.zip"

Windows PowerShell (SHA-256 / GitHub Provenance):Windows PowerShell（SHA-256 / ビルド証明）：

Get-FileHash "$HOME\Downloads\MFRM-Desktop-Windows-x64.zip" -Algorithm SHA256

MFRM Web

Streamlit browser app
Version 0.2.19-beta · Any OS Streamlit ブラウザ版
Version 0.2.19-beta · OS不問

Runs directly in your browser with a guided sample tour, Excel / CSV / TSV / Parquet import, and First Read summaries—plus extended research modules including bounded GPCM, latent regression, anchor audit and linking, residual PCA, and simulation.

インストール不要でブラウザからすぐ試せるWeb環境。サンプルツアーやExcel貼り付け読込に加え、制約付きGPCM、潜在回帰、アンカー点検・リンク、残差PCA、シミュレーションなどの拡張研究機能を備えています。

Use synthetic or appropriately de-identified data on the hosted server, or run locally from Python source for confidential datasets. When hosted PNG export is unavailable, download the interactive HTML figures instead.

公開サーバーでは人工データまたは適切に匿名化したデータのみを使用し、機密データは手元のPython環境でローカル起動してください（公開環境でPNG出力が使えない場合は対話型HTML図を保存できます）。

Launch Web App ↗ Webアプリを開く ↗

Local startup commandsローカル起動手順

mfrmr for R

CRAN package
R · RStudio · Positron · Quarto CRAN公開パッケージ
R · RStudio · Positron · Quarto

Native R package for reproducible scripted MFRM pipelines—supporting RSM, PCM, and bounded GPCM under MML or JML, anchoring and linking, bias / DFF screening, uncertainty-aware Wright maps, and reporting manifests.

RスクリプトやQuarto文書で分析工程をコード管理したい研究者向けのネイティブRパッケージ。RSM・PCM・制約付きGPCM（MML／JML）、アンカー・リンク、バイアス／DFFスクリーニング、再現用マニフェスト出力に対応しています。

MFRM Python (Desktop / Web) and mfrmr are independent implementations. When comparing outputs across mfrmr, FACETS, ConQuest, or TAM, align the estimator, identification constraints, quadrature settings, and SE definitions rather than assuming automatic numerical identity.

Python版（Desktop／Web）と mfrmr は独立した実装です。mfrmr・FACETS・ConQuest・TAM等の間で結果を比較する際は、推定法・識別制約・求積点・SEの定義を揃えて確認してください（無条件の数値一致は前提としません）。

install.packages("mfrmr")

Documentation ↗ CRAN ↗ GitHub ↗

What you can do — and what is out of scope できること・できないこと

Before starting an analysis or writing up a manuscript, check which models and inferences are supported, which require input adjustments, and which remain restricted across this software.

分析を始める前や論文を執筆する前に、「そのまま使える機能」「データや設計を整えれば使えるケース」「本実装では提供・保証していない推論」を区別して確認できます。

Rasch models & scale基本モデルと共通尺度

RSM · PCM · GPCM RSM · PCM · 制約付きGPCM

What you can doできること

Desktop & Web: Fit many-facet RSM (shared rubric steps) and PCM (step structure per task or criterion) under JMLE or fixed-SD MML, with Wright maps, Pathway fit maps, and Category probability curves.
Web & mfrmr (R): Fit bounded GPCM, anchor / linking workflows, residual PCA, and simulation studies (plus latent regression in Web).

Desktop・Web共通：RSM（共通段階）とPCM（課題や観点ごとの段階構造）を JMLE または固定SD MML で推定し、Wrightマップ・Pathway適合度図・カテゴリー確率曲線を作成。
Web版・R版 mfrmr：制約付きGPCM、アンカー・リンク点検、残差PCA、シミュレーション（Web版は潜在回帰も対応）。

What you cannot doできないこと・対応

Analyze decimal or negative rubric scores in Desktop (requires non-negative integers 0, 1, 2, …).
Place completely separate, unlinked rater groups onto one shared logit ruler without shared examinees or tasks.

Desktop版での小数点付き得点や負の得点の直接投入（0以上の整数カテゴリーが必要）。
共通の受験者や課題を持たない分断された採点グループ同士を、1本の共通ロジット尺度で直接比較すること。

How to proceed: Recode rubric categories to integers before import, and check rating connectedness (shared links across raters and tasks) before interpreting cross-group logit differences.

対応方法：得点を0以上の整数へ整えて読み込み、評価者・課題間に共通の採点リンク（連結性）があることを確認してから比較してください。

Standard errors & intervals標準誤差（SE）と区間推定

JMLE · Fixed-SD MML JMLE · 固定SD MML

What you can doできること

JMLE: Inspect conditional-information SEs to screen relative measurement precision across facet levels.
Specified intervals (fixed-SD MML): Obtain pointwise asymptotic normal intervals for selected non-person facet levels and planned A − B differences using the full structural covariance when numerical and quadrature checks pass.

JMLE：条件付き情報量に基づくSEで各水準の推定精度の目安を確認。
指定区間（固定SD MML）：数値条件・求積点検を通過した非受験者相の水準や事前指定した差（A − B）について、構造共分散を用いた点ごとの漸近正規区間を算出。

What you cannot doできないこと・対応

Restricted by implementation scope (not a data error): inferential SEs on general MML tables, person-score uncertainty intervals, estimated population-SD uncertainty, simultaneous familywise intervals, or finite-sample coverage guarantees.

本実装の検証範囲外として保留（データ不備ではなく設定変更でも解除不可）：一般のMML表での推論用SE、受験者スコアの区間推論、母集団SD自由推定時の不確実性、同時信頼区間、有限標本での被覆率保証。

How to proceed: Treat blank SE or interval cells as unavailable (never zero). Register planned structural contrasts in Specified intervals, and read Analyses, Interpretation & Reporting Limits.

対応方法：空欄のSE・区間は「ゼロ」ではなく利用不可（保留）として扱い、構造相の比較には指定区間を使用し、詳細は分析手法・報告上の境界を参照してください。

Bias & interactionsバイアス診断と交互作用

Screening vs. refitted model 固定較正診断・共同推定

What you can doできること

Conditional bias: Screen Rater × Task or Rater × Criterion pairs with main calibration held fixed to flag cells for qualitative review or rater training.
Joint interaction (Desktop, fixed-N(0,1) MML): Refit main effects, steps, and one structural interaction together for pointwise approximate Wald intervals and Holm-adjusted p-values across requested tests.

条件付きバイアス：主効果の較正を固定したまま特定の組み合わせ（評価者×課題・評価者×観点など）のズレを探索的に可視化。
共同交互作用（Desktop・固定N(0,1) MML）：主効果・段階・1組の構造交互作用を同時再推定し、対象セルや対比の点ごとの近似Wald区間と指定検定群へのHolm補正p値を算出。

What you cannot doできないこと・対応

Claim statistical significance from Conditional bias heatmaps, prove "assessment fairness" or "absence of bias" from non-significant cells, or fit multiple interaction pairs simultaneously in one Desktop model.

条件付きバイアス図を有意差検定として報告すること、有意でない結果から「バイアス不在」や「試験の公平性」を断定すること、1つのDesktopモデルに複数組の交互作用を同時投入すること。

How to proceed: Report Conditional bias strictly as descriptive screening; use Joint interaction when a refitted model for a specific facet pair is required.

対応方法：条件付きバイアスは評価者訓練などの探索的記述として報告し、モデル再推定による近似区間が必要な場合は共同交互作用を選択してください。

G & D reliability studies一般化可能性（G/D-Study）

Univariate observed-score ANOVA 単変量G理論（観測得点の分散成分・信頼性）

What you can doできること

Estimate univariate observed-score variance components and project relative (G) and absolute (Phi) reliability across planned rater and task counts—either standalone or alongside MFRM.

単変量の観測得点から分散成分を推定し、評価者数・課題数を変えたときの相対信頼性（G）と絶対信頼性（Phi）をG/D-Study単体またはMFRMと並べて試算。

What you cannot doできないこと・対応

Run G/D on incomplete, sparse, or unbalanced designs (requires completely crossed, balanced 1 or 2 random facets, ≥ 2 levels per facet, 1 observation per cell, unit weights).
Compute confidence intervals for G / Phi or multivariate G-theory across multiple outcome variables (not implemented).

欠測セルや不均衡割り当てを含むデータでのG/D-Study実行（完全交差・均衡の1〜2ランダム相、各相2水準以上、セルあたり1観測、単位重みが必須）。
G／Phiの信頼区間算出および多変量G理論（未実装）。

How to proceed: Use MFRM when rater assignments are incomplete (with connected links), or run G/D on a complete balanced sub-cohort and document the subsetting.

対応方法：欠測のある採点設計では（連結性を満たす）MFRMを使い、G/D-Studyは完全交差が成立する均衡データに対して適用してください。

Cross-engine & model choice他ソフト比較・モデル選択

mfrmr · FACETS · ConQuest mfrmr · FACETS · ConQuest

What you can doできること

Export parameter CSVs, standalone HTML reports, and 300-DPI PNG / SVG manuscript figures with .caption.txt notes, or script reproducible R pipelines in CRAN mfrmr.

推定値CSV・単体HTMLレポート・図注（.caption.txt）付き300 DPI PNG／SVGの出力、およびCRANパッケージ mfrmr でのRコード再現。

What you cannot doできないこと・対応

Assume automatic numerical identity across MFRM Python, mfrmr, FACETS, ConQuest, or TAM (for instance, non-person PTMEA, ZSTD caps, quadrature grids, and SE definitions differ), or use AIC / BIC / LR for automatic model selection.

Python版・mfrmr・FACETS・ConQuest・TAM間で無条件に数値が一致するとみなすこと（PTMEAやZSTDの定義・求積点・SE式が異なる）、およびAIC／BIC／LRによる自動的なモデル採択。

How to proceed: Match the estimator, centering constraints, population SD, quadrature settings, and SE target definition before comparing software outputs.

対応方法：ソフト間で比較する際は、推定法・識別制約・母集団SD・求積設定・SEの定義を揃えた上で比較してください。

OS, saved files & privacy動作OS・保存互換・機密保護

macOS · Windows · Browser macOS · Windows · ブラウザ

What you can doできること

Run offline from standalone preview ZIPs on macOS (Apple Silicon, M1+) and Windows 11 (x64) without installing Python, and reopen saved .mfrm projects without re-estimation.

macOS（Apple Silicon / M1以降）およびWindows 11（x64）でPython導入不要の単体ZIPとしてオフライン実行し、保存した .mfrm プロジェクトを再推定なしで復元。

What you cannot doできないこと・対応

Run the Apple Silicon .app archive on Intel Macs or Windows on ARM; bypass Apple notarization / Windows Authenticode warnings automatically; open new extended .mfrm projects in older schema-1 releases; or upload confidential raw student / patient records to the public Streamlit server.

Apple Silicon用 .app をIntel MacやWindows on ARMで動かすこと、Apple公証・Windows署名なしの初回保護警告を省略すること、本試用版の拡張 .mfrm を旧版アプリで開くこと、未匿名化の機密データを公開Webサーバーへ投入すること。

How to proceed: On macOS, verify SHA-256 and use Privacy & Security → Open Anyway if permitted (without disabling Gatekeeper); on Windows, Extract All keeping _internal beside MFRM-Desktop.exe; on Intel Mac or Linux, run from Python source; keep original .mfrm backups and analyze confidential data locally.

対応方法：macOSではSHA-256確認後に「このまま開く」を使用し、WindowsではZIPをすべて展開して実行、Intel MacやLinuxではPythonソースから起動、更新時は元の .mfrm を保全し、機密データはローカル端末で扱ってください。

Frequently asked questions よくある質問（Q&A）

Practical answers on local data confidentiality, facet limits across modules, and setup across macOS and Windows.

機密データのオフライン利用、扱える相の数、環境構築やOS間のファイル共有についての回答です。

Can I analyze confidential or IRB-restricted assessment data in MFRM Desktop? 機密データや学内試験の評定データをデスクトップ版に入れても大丈夫ですか？

Yes—MFRM Desktop runs 100% locally offline on your computer. Reading CSVs, fitting models, generating plots, and saving .mfrm projects or .html / .csv files happen entirely on your Mac or Windows PC without uploading ratings or IDs to any external server (only clicking Help → Web theory and help opens online documentation in your browser, still without transmitting your data). Because saved .mfrm projects and exported reports retain input ratings and examinee/rater identifiers so you can reopen work without refitting, store them according to your institution's data rules and de-identify records before sharing files externally or using the public Streamlit Web app.

はい、MFRM Desktop はすべて手元のPC内（完全オフライン）で処理されます。 CSVの読み込み、パラメータ推定、作図、.mfrm プロジェクトや .html・.csv の保存まで外部サーバーへのデータ送信は一切行われません（オンライン接続を使うのはメニューからWebヘルプを開く操作のみで、その際も評定データは送信されません）。なお、再推定なしで復元できるよう保存後の .mfrm やレポートには入力評定や受験者・評価者IDが含まれるため、所属機関の管理規定に沿って保管し、外部共有時や公開Streamlit Web版を試す際は匿名化データをご利用ください。

How many facets can I include in an analysis? 相はいくつまで扱えますか？

Core MFRM calibration (RSM / PCM, plus GPCM on Web) has no fixed upper limit on the number of facets—you can include Person plus one or more non-person facets (e.g., Rater, Task, Criterion, Occasion, and more) as long as all levels are connected through shared ratings (the Wright map prints direct level labels for up to 4 non-person facets and shows hover values beyond that). Module-specific bounds apply to supplementary analyses: Conditional bias screens 2-facet pairs (Facet A × Facet B); fixed-SD MML Specified intervals and Joint interaction support up to 64 free structural coordinates within synchronous memory limits (with Joint interaction refitting one 2-facet pair); and univariate G/D-Studies support 1 or 2 random facets (p × r or p × t × r complete balanced designs).

MFRMの主較正（RSM／PCM、Web版のGPCM）には相の数の固定上限はありません。 共通の採点網で連結（connected）していれば、Person に加えて Rater・Task・Criterion・Occasion など4相・5相以上でも同時推定できます（Wrightマップの図中ラベル直接印字は非Person 4相までで、5相以上はドット表示＋マウスホバー確認に切り替わります）。周辺機能には個別の条件があり、条件付きバイアスは任意の2相ペア（Facet A × Facet B）ごとの診断、固定SD MMLの指定区間・共同交互作用は自由構造パラメータ合計 64 次元以内（共同交互作用は非Person 2相ペア1組）、単変量のG/D-Studyはランダム相 1〜2個（p × r または p × t × r の完全交差・均衡設計）が対象です。

Do I need Python or R installed, and can macOS and Windows collaborators share project files? PythonやRの環境構築は必要ですか？MacとWindowsの間でプロジェクトを共有できますか？

No Python, R, or command-line setup is needed for MFRM Desktop or MFRM Web. The macOS (Apple Silicon) and Windows 11 (x64) preview archives bundle Python inside, and saved .mfrm project files reopen across both operating systems via Data → Open project without re-running estimation (keep untouched backups of original .mfrm files when updating preview builds, as older releases cannot open newer extended projects). When you want scripted reproducibility in R, export standard .csv tables or run the companion CRAN package mfrmr.

MFRM Desktop と Web版は、PythonやRの事前インストール不要ですぐ使えます。 macOS（Apple Silicon）版・Windows 11（x64）版ともにPython実行環境を同梱しており、保存した .mfrm ファイルはMac・Windows間でそのまま開いて再推定なしで図表を確認できます（旧版アプリは新しい拡張 .mfrm を開けないため、更新時は元ファイルの控えを残してください）。Rコードで分析パイプラインを管理したい場合は、.csv 出力やCRAN公開の mfrmr と併用できます。

Why does macOS or Windows say MFRM Desktop "could not be verified" on first launch? デスクトップ版を開くと「マルウェアが含まれていないことを検証できませんでした」と表示されるのはなぜですか？

Because MFRM Desktop is distributed free of charge as open-source academic software without paid commercial Apple Developer Program notarization or commercial Windows code-signing subscriptions—not because malicious code was detected. Every line of Python code is public on GitHub, all analysis/plotting/saving executes offline with zero data upload or telemetry (verifiable with Wi-Fi turned off), and you can verify the exact SHA-256 hash before opening. On macOS Sequoia 15+, click Done (do not click the blue Move to Trash button), then open System Settings → Privacy & Security → Open Anyway; on Windows 11, click More info → Run anyway after extracting the ZIP. See the step-by-step first-launch & checksum guide above.

悪質なコードが検出されたのではなく、無償の学術オープンソースソフトウェアとして有償の Apple Developer Program 公証や商用コード署名証明書を付与していないためです。全ソースコードをGitHubで公開しており、分析・作図・保存の外部通信はゼロ（Wi-Fiを切った完全オフライン状態で全分析機能が動作することで確認可能）、公開 SHA256SUMS.txt で改ざんがないことも検証できます。macOS Sequoia 15以降では青い「ゴミ箱に入れる」を押さずに「完了」をクリックし、「システム設定 → プライバシーとセキュリティ → このまま開く」から許可してください（初回のみ）。Windows 11ではZIPを「すべて展開」後に「詳細情報 → 実行」を選択します。具体的なコマンドと手順は上の初回起動・安全性確認ガイドをご覧ください。

Documentation and reporting standards ドキュメント・統計的制約ガイド

Guides are built directly from the repository documentation so workflow instructions and statistical scope limits stay aligned across versions.

各ガイドはリポジトリの公式ドキュメントと同一ソースから生成されており、操作手順と統計上の利用境界をそのまま確認できます。

Desktop User Guide (English) →Desktop User Guide（英語） →

Windows and macOS setup, built-in writing walkthrough with table values, long-format CSV preparation, plot reading guide, and .mfrm / manuscript exports.

Windows・macOSの導入手順、サンプルデータの推定値確認、縦長CSVの準備、5つの図の解釈例、論文用図表・.mfrm保存のガイド。

Desktop User Guide (Japanese) →デスクトップ利用ガイド（日本語） →

Japanese desktop setup and workflow guide covering the built-in writing walkthrough, long-format CSV preparation, MFRM / G/D-Study settings, and .mfrm compatibility.

macOS・Windows試用版の展開・起動、内蔵サンプルの操作手順、縦長CSVの準備、MFRM／G/D-Studyの設定、保存・再読込・互換性の注意点。

Analyses, Interpretation & Reporting Limits →分析手法・解釈・報告上の境界（英語） →

Method-by-method scope covering JMLE conditional screening bounds, fixed-SD MML specified intervals, conditional bias vs. joint interaction, and univariate G/D-Study requirements.

JMLEの条件付きスクリーニング基準、固定SD MMLの指定区間、条件付きバイアスと共同交互作用の違い、単変量G/D-Studyの設計要件。

APA & Manuscript Reporting Guide →APA・論文報告ガイド（英語） →

Checklists for documenting facets, scale identification, fit diagnostics, figure captions, and withheld-inference boundaries in theses and journal articles.

学位論文や学術誌向けに、相の構成・識別制約・適合度・図注・保留推論の境界を記載するためのチェックリスト。

Run from Python source Pythonソースからのローカル起動

Not needed for the standalone macOS or Windows preview ZIPs. For source startup on Intel Macs, Linux, or development environments (Python 3.11 or 3.12 with Tk), see CONTRIBUTING.md. macOS（Apple Silicon）・Windows試用版ZIPを使う場合は不要です。Intel MacやLinux、開発環境でのソース起動（Python 3.11／3.12＋Tk）は CONTRIBUTING.md を参照してください。

git clone https://github.com/Ryuya-dot-com/MFRM_Python_Application.git
cd MFRM_Python_Application
python3 -m venv .venv && source .venv/bin/activate
python -m pip install -r requirements.txt
python -m streamlit run streamlit_app.py

Citation, license, and bug reports 引用（APAスタイル）・ライセンス・不具合報告

Cite Ryuya Komuro in APA 7th edition format for the edition you used—in-text: (Komuro, 2026) or Komuro (2026)—alongside the underlying psychometric methods.

論文・発表での引用は、利用した環境に合わせて Ryuya Komuro を著者としたAPA第7版スタイル（本文内引用：(Komuro, 2026) または Komuro (2026)）をご使用ください。統計手法自体の原典も併せて引用してください。

MFRM Desktop

macOS (arm64) · Windows 11 (x64) macOS / Windows デスクトップ版

Komuro, R. (2026). MFRM Desktop (Version 0.2.19-beta) [Computer software]. https://github.com/Ryuya-dot-com/MFRM_Python_Application

Also record the release tag (desktop-20261031) and archive filename in your Methods section (built-in CITATION.cff sidecars record the shared repository title MFRM Streamlit).

本文または方法欄に使用したReleaseタグ（desktop-20261031）と配布ZIP名も記録してください（同梱 CITATION.cff は共通リポジトリ名 MFRM Streamlit を記録します）。

MFRM Streamlit

Browser Web Application ブラウザ Web版

Komuro, R. (2026). MFRM Streamlit (Version 0.2.19-beta) [Computer software]. https://github.com/Ryuya-dot-com/MFRM_Python_Application

Record the exact version and source commit shown in About MFRM (where BibTeX and CITATION.cff files can also be downloaded).

アプリ内の About MFRM に表示されるバージョンとソースコミットを記録してください（BibTeX・CITATION.cff もダウンロード可能です）。

mfrmr

R Package on CRAN CRAN公開 Rパッケージ

Komuro, R. (2026). mfrmr: Estimation and diagnostics for many-facet measurement models (Version 0.2.3.1) [R package]. https://CRAN.R-project.org/package=mfrmr

Substitute the installed package version from packageVersion("mfrmr") or run citation("mfrmr") in R.

バージョン番号は実際に使用した版（R上で packageVersion("mfrmr") または citation("mfrmr") で確認）に置き換えてください。

License & user responsibility (MIT License) ライセンスと免責事項（MITライセンス）

Free for research, teaching, and commercial use: Released under the MIT License (Responsible Use Notice). Academic research, thesis work, classroom instruction, institutional testing, consulting, and commercial applications are all permitted free of charge (retain copyright and license notices when redistributing; bundled third-party components retain their respective licenses).

Provided "AS IS" — responsibility rests with the user: Because this software is provided free of charge, it comes without warranty of any kind. Users bear sole responsibility for data protection and institutional compliance, verifying model assumptions and design eligibility, respecting withheld-inference notices, and any substantive, educational, clinical, or operational decisions based on the outputs. Neither the author (Ryuya Komuro) nor copyright holders assume any liability for claims, losses, or damages arising from its use.

研究用・教育用・商用すべて無償で利用可能：MITライセンス（利用上の注意）に基づき、学術研究・学位論文・授業・学内評価・コンサルティング・商用利用を含めすべて無料で許可しています（再配布時は著作権・ライセンス表示を保持してください。第三者ライブラリには各ライセンスが適用されます）。

無保証・利用者責任の明示：本ソフトウェアは無償で提供されるため、いかなる保証も伴わず現状のまま（AS IS）提供され、利用に関する責任はすべて利用者にあります。データの保護や所属機関の規定遵守、モデル仮定・設計条件の確認、保留判定（空欄の SE 等）の適切な扱い、および出力結果に基づく解釈・評価・意思決定について、作成者（Ryuya Komuro）は一切の損害・責任を負いません。

Reporting bugs to the author 不具合の報告窓口（作成者メール）

If you encounter a bug, crash, or unexpected behavior, please report it by email to the author, Ryuya Komuro, at ryuya.komuro.c4@tohoku.ac.jp.

Please include: (1) your OS and version (e.g., macOS 15 arm64 or Windows 11 x64), (2) the edition, app version (0.2.19-beta), and archive filename (or mfrmr version), (3) steps to reproduce, and (4) the exact error message or screenshot. Do not attach confidential or identifiable examinee/rater data—reproduce the issue with the built-in sample or anonymized synthetic data whenever possible.

動作不良・エラー・表示崩れ等を見つけた際は、作成者 Ryuya Komuro（ryuya.komuro.c4@tohoku.ac.jp）までメールでご報告ください。

ご連絡時に添えていただきたい情報：① OSとバージョン（例：macOS 15 arm64 / Windows 11 x64）、② 利用環境・アプリ版（0.2.19-beta）・配布ZIP名（または mfrmr の版）、③ 再現手順、④ 正確なエラーメッセージや画面キャプチャ。メール本文や添付ファイルに受験者・評価者の個人情報や未匿名化の実データを含めないでください（可能な限り内蔵サンプルやダミーデータでの再現をお願いします）。