Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tiri Tema 2 (V3)
Tiri Tema 2 (V3)
Características Técnicas de
los Instrumentos de Medida
J. Estarriaga Ansó
Profesor Tutor Uned -Pamplona
Características Técnicas de los Instrumentos de Medida
–Discriminación – Modelos
Introducción:
En el capítulo anterior decíamos que medir era asignar números
a las características de los objetos, los constructos.
1863-1945
La TCT. Teoría Clásica de los Test
Su objetivo es:
› Analizar las propiedades psicométricas de cada uno
de los ítems de un test con el fin de seleccionar
aquellos que resulten mas adecuados para la
medición de un constructo o dominio concreto
Análisis de los ítems
El proceso a seguir será:
§ Análisis cuantitativo:
§ Índice de Dificultad. (sin corrección del azar; con corrección del azar)
§ Índice de Discriminación. (Grupos extremos, Coeficientes de correlación)
§ Fiabilidad.
§ Validez
§ Distractores
§ Funcionamiento Diferencial
§ Análisis cualitativo:
§ Mediante Jueces o expertos
Índice de Dificultad
Índice de Dificultad
› El grado de dificultad de un ítem está en función del número
de sujetos que contestan correctamente al mismo, y de las
características de los individuos y de sus conocimientos
previos.
$
› ID =
%
› Donde:
› A= Es el número de sujetos que aciertan un ítem
› N= Es el número de sujetos que intentan responder el ítem.
Índice de Dificultad
sin corrección del azar
› Ejemplo:
Barbero García et al
› De los 10 sujetos que han intentado responder el ítem con tres opciones de respuesta
lo aciertan 7
$ (
› !" = &' = = *, (
% )*
›
Índice de Dificultad
con corrección del azar
Barbero García et al
*
#
!"$%& )"
› ID’ = = +
= ,, ..
' &,
0 ,.*
› ID’ =p− = ,. ) − = ,, ..
$"& +
Recordando el índice de dificultad
› Un grupo de 370 individuos responden a un ítem de 3 alternativas
donde la opción correcta es la B. En la tabla vemos las diferentes
puntuaciones. Calcular el ID’
Barbero García et al
Recordando el índice de dificultad
• Continuo Pearson
Índice de discriminación. D
› D= "# − "%
› Donde
› &' es la proporción de acierto en el grupo superior.
› Hablar de IH o de D es lo mismo.
Índice de discriminación
Basado en correlaciones : Índice de Homogeneidad IH
%∗'()*'(∗') 1∗2*3∗4
!"# = +[%∗'(-*('() -][%∗')-*(')) -]=+(1∗41*3-)(1∗4*4-)
= 0,294
(Σ=)2 72
Σ= 2 − ? 15 − 5
;(2 = = = 1,3
? −1 4
4
X X .Y ;D2 = E ∗ F ; así p=1=0,2 ; q=1-p → q= 1-0,2=0,8 ;
$ $
!" # !
A 2 1 2 4 1
;D2 = E ∗ F = 0,2 ∗ 0,8 = 0,16
B 3 0 0 9 0
C 1 0 0 1 0 ;" = √1,3 = 1,14 ;
D 1 0 0 1 0 ;D =√0,16=0,4
E 0 0 0 0 0
% 7 1 2 15 1 TUV ∗WXYW ],2^_∗4,4_*],_
Z
RS = + = = −0,0594
[ -U\[ -Z *2TUV [ U[ Z √ 4,`\],4a*2∗],2^_∗4,4_∗],_
Índice de discriminación
Basado en correlación de Pearson descontando el ítem
Calcular D ítem 4
!"#$% &% X.Y !' &'
1 1 1 1 1
3 0 0 9 0
1 0 0 1 0
1 0 0 1 0 Este coeficiente va desde -1 a +1
0 0 0 0 0
∑= 6 1 1 12 1
% ∗ Σ() − Σ( ∗ Σ) "∗$%&∗$ %$
!"# =
+[% ∗ Σ(- − (Σ()- ][% ∗ Σ)- − (Σ))- ]
= * *
("∗$)%& )("∗$%$ )
=,,.,/
= −0102
'
Índice de discriminación
Basado en correlación de Biserial-puntual
›
Índice de discriminación
Basado en correlación de Biserial-puntual
› Ejemplo2: En la siguiente tabla vemos las respuestas de 2 ítems, calcular
el coeficiente de correlación sabiendo que el ítem es una variable
dicotómica y la puntuación en el test continua. (Descontamos el ítem. X-1)
A 1 0 7 6 36
B 1 1 9 8 64
C 0 1 6 6 36
D 0 0 2 2 4
E 1 0 4 3 9
F 1 0 5 4 16
∑29 ∑165
Variabilidad y Discriminación
Variabilidad y discriminación
Siendo:
Sx= desviación típica del test
Sj= desviación típica del ítem
rjx= índice de discriminación del ítem j
$"% =p.q
!
› Cuando p = "
= 0,5 …su varianza es máxima cuando el ID=0,5
Discriminación e Índice de dificultad
1
0,9
Índice de discriminación
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Índice de dificultad
Varianza e Índice de dificultad
› Ejemplo: Con los datos de la tabla
de tres ítems, calcular las varianzas
y sus desviaciones típicas.
› Como se trata de ítems dicotómicos calculamos
para cada ítem:
– p= proporción de aciertos.
– q= proporción de fallos.
($%&$'))
χ" =∑ $' ; con k-1 gl.; siendo k el número de categorías
incorrectas.
› Ejemplo1: (del libro) Un ítem con cuatro alternativas es contestado por 300
sujetos, siendo al alternativa D la correcta. De los 300, 198 fallan las
respuestas que se distribuyen de acuerdo con lo representado en la tabla.
A B C
85 40 73
Análisis de distractores
› Con un nivel de confianza del 95%, ¿podemos afirmar la independencia de
las respuestas en función de la alternativa?
FE= (37+51)/2=44;
!" = [(37-44)2 + (51-44)2]/44 = 2,223
!" Teórico para k-1 gl (2-1=1) y un α 0.05= 3,841
Como !" empírico < !" teórico aceptamos $% en el sentido de que
las alternativas incorrectas son igualmente atractivas .
Error típico de medida
Error típico de medida
› Precisión, fiabilidad absoluta y error de medida.
Datos: Sujeto A:34 puntos, Sujeto B:32 ; Sx= 8 ; !""= 0,82; nivel de confianza
95%, α=0,05. Calcular si existen o no diferencias significativas entre las puntuaciones de
los individuos. Solución
Ecuaciones
› MÉTODOS
Calculamos Pearson y
corregimos mediante
Spearman-Braun
Coeficiente de Fiabilidad, Coeficiente de Kappa de Cohen K
(Metodología Observacional)
#$%&'
!=
( −#*
Fc=frecuencia observada clasificaciones coincidentes Pc= Proporción de clasificaciones coincidentes en ambas
formas
Fa=frecuencias coincidentes esperadas por azar
Pa= Proporción de clasificaciones conincidentes esperadas.
N =número total de personas de la muestra
Ejemplo 1 Coeficiente Kappa
en función de frecuencias absolutas
OBSERVADOR 2
C1 C2 C3 C4 ni
C1 3 0 1 0 4
OBSERVADOR 1
C2 1 2 0 0 3
C3 0 0 2 0 2
C4 0 0 0 1 1
nj 4 2 3 1 10
Resultados ordenados para su análisis
()*,,
› K= = 0,718
-.)*,,
Ejemplo2 : Coeficiente Kappa
en función de la proporción de las clasificaciones
OBSERVADOR 2
C1 C2 C3 C4 ni
C1 3 0 1 0 4
OBSERVADOR 1
C2 1 2 0 0 3
C3 0 0 2 0 2
C4 0 0 0 1 1
nj 4 2 3 1 10
Resultados ordenados para su análisis
!"#"#"$ &∗&"!∗#"#∗!"$∗$
› Pc= = 0,8 Pa= = 0,29
$% $%#
%,)%*%,#+
› K= =0,718
$*%,#+
Coeficiente de fiabilidad como Estabilidad
Fiabilidad como Estabilidad
Test- - Retest
– Siendo:
– n=número de ítems
– ∑ !" j=Sumatorio de las varianzas de los ítems
Varianzas
#
ᑭxx= 1-[ (1-0,80) ]= 0,9
$
Validez
Validez
Ítems
Criterio X Y X2 Y2 X*Y
Suj.
i1 i2 i3 i4 Y
2 4 4 16 8
A 1 0 0 1 4
B 1 1 1 0 2 3 2 9 4 6
C 0 0 1 0 4 1 4 1 16 4
D 1 0 0 0 1 1 1 1 1 1
Σ 7 11 15 37 19
Validez y longitud
Validez y longitud
› Además de la fiabilidad, también la validez se ve afectada por la longitud
de la prueba, se relacionan a través de la siguiente ecuación.
%"# √' -.
› !"#$ n=
() '*( %"" -/
›
› Donde:
› 012 = 34 56789 :97;<:<75=7 >7 8?4<>7@
› A12 = El coeficiente de validez primitivo
› A11 = El coeficiente de fiabilidad
› n= el número de veces que se aumenta o disminuye el test.
Validez y longitud
-)
).
= 1,28
Validez y longitud
!"#$$ !"(,*(
› n= sustituyendo n= = 1,278
#%
$$ "# (,*%
"(,*
&$' $$ (,*%+%
› ML2p
› ML3p
! ",$(&,'(),')
› P(2,5)= = 0,967
+,! ",$(&,'(),')
ML2p:
! ",$∗&,$'(",')&,$')
› P(1,5)= ",$∗&,$'(",')&,$') =0,72
+,!
ML3p.
! ",$∗&,$'(")&,*&)
› P(1)=0,25+(1-0,25) = 0,72
,-! ",$∗&,$'(")&,*&)
CCI (ML3p)
(Curva Característica del Ítem)
› Ejemplo: Construir la CCI en el intervalo (-3, +3), con los siguientes parámetros:
› a= 1,25; b=0 y c=0,2; D=1,7. Interpretar sus resultados.
› 1.- Calculamos para cada nivel de Ø (-3, -2, -1, 0, 1, 2, 3) su P(Ø)
P(-3)= 0,201
Conforme aumenta la habilidad aumenta
P(-2)= 0,211 la p de acertar el ítem.
› 1.- El desplazamiento de la curva a la derecha o izquierda indica la mayor o menor dificultad de un ítem.
› 2.- La mayor o menor pendiente de la curva indica mayor o menor capacidad de discriminación
Interpretación de la CCI
!,#$!%&!,'
› RE= =-1,205 (y así con cada uno de ellos…y
!,#$!%%($∗!,*+/#!
como el RE no supera 1,96, se ajusta al ML3p)
Calculo de RE con R
comparación con el procedimiento manual anterior
Función de Información del Ítem
Función de Información del Ítem
Qué cantidad de información aporta un ítem
ML1p ML2p
ML3p
Función de Información del Ítem
Qué cantidad de información aporta un ítem
=0,65