Teoria da Resposta ao Item: inferência Bayesiana em Modelos Simétrico e Assimétrico

• Ano de defesa: 2011
• Autor(a) principal: Spenassato, Débora
• Orientador(a): Kinas, Paul Gehrard
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: TRI; Interferência Bayesiana; MCMC; Modelos logístico simétrico e assimétrico; Distribuição normal assimétrica; IRT; Bayesian Inference; Logistic symmetric and asymmetric models; Skew-normal distribution
• Link de acesso: http://repositorio.furg.br/handle/1/10036

No presente estudo discutimos a modelagem de dados dicotômicos através da inferência bayesiana, utilizando o método de Monte Carlo via Cadeias de Markov (MCMC) para modelos da Teoria da Resposta ao Item (TRI) de três parâmetros. Todos os procedimentos de inferência foram implementado no OpenBUGS por intermédio do software R. Consideramos um teste composto por 15 itens, uma amostra de 500 indivíduos e produzimos vinte conjuntos de dados sintéticos para cada um dos seis cenários distintos obtidos a partir de diferentes combinações da distribuição normal ou normal assimétrica das habilidades, com funções de ligação logística ou logística assimétrica. Nosso objetivo foi avaliar a qualidade e eficiência do procedimento de estimação com funções de ligação logística e logística assimétrica e, distribuição normal das habilidades. Concluímos que, havendo algum tipo de assimetria, seja nas habilidades ou na CCI, as estimativas em geral foram melhores utilizando o ajuste assimétrico. O maior erro nas estimativas ocorre quando os dados sintéticos são obtidos a partir de uma forte distribuição normal assimétrica negativa para as habilidades associada a uma função de ligação assimétrica. O melhor ajuste acontece quando a distribuição das habilidades e a função de ligação são simétricas.