Professional Documents
Culture Documents
Universidad de Oviedo
psicothema@cop.es
ISSN (Versión impresa): 0214-9915
ISSN (Versión en línea): 1886-144X
ESPAÑA
1998
Pedro M. Hontangas / Vicente Ponsoda / Julio Olea / Javier Revuelta
ANATRI 1.0: REPRESENTACIÓN DE FUNCIONES CARACTERÍSTICAS DE ÍTEMS
DICOTÓMICOS Y POLITÓMICOS
Psicothema, año/vol. 10, número 002
Universidad de Oviedo
Oviedo, España
pp. 475-479
http://redalyc.uaemex.mx
Psicothema, 1998. Vol. 10, nº 2, pp. 475-479
ISSN 0214 - 9915 CODEN PSOTEG
Copyright © 1998 Psicothema
SOFTWARE, INSTRUMENTACIÓN
Y METODOLOGÍA
bla 1). Los modelos considerados son los goritmo de aproximación de Hastings
denominados como de 1, 2, 3 y 4 pará- (Cook, Craven y Clarke, 1982). Para
metros, tanto en sus versiones normales apreciar mejor la equivalencia entre mo-
como logísticas (Lord, 1952; Rasch, delos, las curvas características pueden
1960; McDonald, 1967; Birnbaum, 1968; representarse en métrica normal o en mé-
Barton y Lord, 1981). Alguno de los mo- trica logística.
delos incluidos no tiene aplicación prác- El proceso de elaboración de un gráfico
tica (v.gr., el modelo de 4 parámetros ca- consiste en asignar valores a los paráme-
rece de métodos adecuados para estimar tros definidos en cada modelo. El rango de
los parámetros), aunque se han incorpo- valores permitido está entre 0 y 4 para el
rado por su interés teórico y pedagógico. parámetro de discriminación (a), entre -4 y
En el cálculo de la función de distribu- 4 para el parámetro de dificultad (b), entre
ción del modelo normal se emplea el al- 0 y g para el parámetro de pseudo-azar (c),
entre c y 1 para el parámetro de descuido
MODELOS LOGISTICOS (g) y entre -5 y 5 para el parámetro de ha-
(
D θ j −b i )
1 parámetro ( )
Pi θ j =
e bilidad (se ofrece un rango de representa-
1+ e
(
D θ j −b i )
ción algo mayor que la dificultad para faci-
(
D a i θ j −b i ) litar la visualización de funciones con va-
2 parámetros ( )
Pi θ j =
e
(
D a i θ j −b i ) lores extremos). Las curvas características
1+ e
se identifican con números y colores dife-
(
D a i θ j −b i )
3 parámetros ( )
P i θ j = c i + (1 − c i )
e
(
D a i θ j −b i )
rentes.
1+ e
El menú de opciones ofrece las siguien-
(
D a i θ j −b i ) tes posibilidades:
4 parámetros ( )
P i θ j = c i + (g i − c i )
e
(
D a i θ j −b i )
1+ e
MODELOS NORMALES
* Elección del modelo (normal o logís-
tico).
θ j −b i
z2 * Mostrar los valores de los parámetros
1 parámetro ( )
Pi θ j =
∫
1
e 2 dz
−∞
2π de los ítems representados.
(
a i θ j −b i )
* Ofrecer una breve descripción de cada
z2
2 parámetros ( )
Pi θ j =
∫
1
2π
e 2 dz modelo.
−∞
* Estudio detallado de un ítem. El pro-
(
a i θ j −b i ) z2
grama calcula la probabilidad de
3 parámetros ( )
P i θ j = c i + (1 − c i )
∫
1
2π
e 2 dz acierto que corresponde al nivel de ha-
−∞
bilidad que se especifique. También
(
a i θ j −b i ) z2 muestra sus asíntotas, la probabilidad
4 parámetros ( )
P i θ j = c i + (g i − c i )
∫
1
2π
e 2 dz
que corresponde a los valores b-0.5 y
−∞
( ) ( )
P ik θ j = P *ik θ j − P *ik+1 θ j ( ) (c ik +a ik θ j )
( )
P ik θ j = m
e
(c )
(
D a i θ j −b ik ) ∑ e ik +a ik θ j
Logístico: P *ik (θ ) =
j
e
(
D a i θ j −b ik )
k=1
1+ e
( )
P ik θ j ... probabilidad de responder a la categoría k del ítem i
(
a i θ j −b ik ) z2
con un nivel de habilidad θ j
(θ ) = ∫ 1 −
Normal: P *ik j e 2 dz
−∞
2π θ j ... nivel de habilidad del sujeto
a ik ... discri min ación del ítem i en la categoría k
( )
P ik θ j ... probabilidad de responder en la alternativa k del ítem i c ik ... int erceptal del ítem i en la categoría k
con un nivel de habilidad θ j
Tabla 4. Modelo de respuesta nominal
( )
P *ik θ j ... probabilidad de responder en la alternativa k o por
encima del ítem i con un nivel de habilidad θ j
θ j ... nivel de habilidad del sujeto Disponibilidad del programa
a i ... discri min ación del ítem i
b ik ... parámetros de dificultad del ítem i
Las personas interesadas en el programa
Tabla 2. Modelo de respuesta graduada pueden obtener una copia gratuita, junto a un
Referencias
Baker, F.B. (1985). The basics of ítem response Masters, G.N. (1982). A Rach model for par-
theory. Portsmouth, NH : Heinemann. tial credit scoring. Psychometrika, 47, 149-
Barton, M.A. y Lord, F.M. (1981). An upper 174.
asymptote for the three parameter logistic McDonald, R.P. (1967). Non-linear factor Análi-
ítem response model. Research Bulletin. Prin- sis. Psychometric Monographs, 15.
cepton NJ: Educational Testing Services. Muñiz, J. (1990). Teoría de la respuesta a los
Birnbaum, A. (1968). Some latent trait models items. Madrid: Pirámide.
and their use in inferring a examinee’s ability. Muñiz, J. (1996). Psicometría. Madrid: Univer-
En F.M. Lord y M. Novik, Statistical theories sitas.
of mental test scores. Reading Mass: Addi- Rasch, G. (1960). Probabilistic models for some
son-Wesley. intelligence and attainment tests. Copenhage,
Bock, R.D. (1972). Estimating ítem parameters The Danish Institute for Educational Re-
and latent ability when responses are scored search.
in two o more nominal categories. Psychome- Samejima, F. (1969). Estimation of latent ability
trika, 37, 29-51. using a response patttern of graded scores.
Cook, D., Craven, A.H. y Clarke, G.M. (1982). Psychometrika Monographs, 17.
Basic statistical computing. Edward Arnold: Santisteban, C. (1990). Psicometría: teoría y
London. práctica en la construcción de tests. Madrid:
López Pina, J.A. (1995). Teoría de la respuesta Norma.
al ítem: fundamentos. Barcelona: PPU. Tomás, J.M., Oliver, A. y Meliá, J.L. (1992).
Lord, F.M. (1952). A theory of tests scores. Psy- Teoría de la respuesta al ítem: fundamentos,
chometric Monographs, 7. modelos y aplicaciones. Valencia: Cristóbal
Martínez Arias, R. (1995). Psicometría: teoría Serrano.
de los tests psicológicos y educativos. Ma-
drid: Síntesis. Aceptado el 23 de julio de 1997