compute_posterior_intervals(fit, parameter = "rho")
#> item parameter mean median conf_level hpdi central_interval
-#> 1 Item 1 rho 7 7 95 % [7] [6,7]
+#> 1 Item 1 rho 7 7 95 % [6,7] [6,7]
#> 2 Item 2 rho 15 15 95 % [15] [15]
#> 3 Item 3 rho 3 3 95 % [3,4] [3,4]
-#> 4 Item 4 rho 12 12 95 % [11,13] [11,14]
+#> 4 Item 4 rho 12 12 95 % [11,13] [11,13]
#> 5 Item 5 rho 9 8 95 % [8,10] [8,10]
#> 6 Item 6 rho 2 2 95 % [1,2] [1,2]
#> 7 Item 7 rho 9 9 95 % [8,10] [8,10]
-#> 8 Item 8 rho 12 11 95 % [11,13] [11,14]
+#> 8 Item 8 rho 11 11 95 % [11,12] [11,13]
#> 9 Item 9 rho 1 1 95 % [1,2] [1,2]
-#> 10 Item 10 rho 6 6 95 % [5,6] [5,7]
-#> 11 Item 11 rho 4 4 95 % [3,4] [3,5]
-#> 12 Item 12 rho 13 13 95 % [12,14] [12,14]
+#> 10 Item 10 rho 6 6 95 % [6,7] [5,7]
+#> 11 Item 11 rho 4 4 95 % [3,5] [3,5]
+#> 12 Item 12 rho 13 13 95 % [12,14] [11,14]
#> 13 Item 13 rho 10 10 95 % [8,10] [8,10]
-#> 14 Item 14 rho 13 13 95 % [12,14] [12,14]
-#> 15 Item 15 rho 5 5 95 % [5,6] [4,6]
compute_consensus(fit, type = "MAP")
#> map_ranking item probability
-#> 1 1 Item 9 0.1378788
-#> 2 2 Item 6 0.1378788
-#> 3 3 Item 3 0.1378788
-#> 4 4 Item 11 0.1378788
-#> 5 5 Item 15 0.1378788
-#> 6 6 Item 10 0.1378788
-#> 7 7 Item 1 0.1378788
-#> 8 8 Item 5 0.1378788
-#> 9 9 Item 7 0.1378788
-#> 10 10 Item 13 0.1378788
-#> 11 11 Item 4 0.1378788
-#> 12 12 Item 14 0.1378788
-#> 13 13 Item 8 0.1378788
-#> 14 14 Item 12 0.1378788
-#> 15 15 Item 2 0.1378788