Teoría psicométrica clásica y teoría

de respuesta al reactivo

Claudio Bustos Navarrete

Noviembre 2006
 Teoría clásica

● Unidad de análisis: la prueba

● Puntuación verdadera: puntuación promedio
en aplicación de infinitas formas paralelas
● Las puntuaciones se interpretan de acuerdo
al grupo para el cual se normalizó la prueba.
● Las puntuaciones en dos pruebas no son
comparables si están normalizadas para
grupos distintos.
Líneas de trazo de reactivo
 Dificultad y discriminación

● Dificultad: cuanto del atributo debe poseer un

individuo para lograr una determinada
probabilidad de respuesta alfa
● Discriminación: grado en que la respuesta
alfa se correlaciona con el atributo
– Respuesta horizontal: no discriminante
– Más inclinada (vertical), más discrimina
 Medida de reactivo múltiple

● Baja correlación reactivo-atributo

● Relación reactivo-otros atributos
● Especificidad de cada reactivo
● Alto error de medición de cada reactivo
● Reactivo sólo puede categorizar en pocos
niveles.
● Al usarse múltiples ítemes, aumenta
confiabilidad prueba.
 Modelo lineal

● Existen varios modelos de medición:

– Guttman
– No monotónicos (Thurstone)
– Monotónicos con distribución específica
● El más utilizado es el modelo lineal,
sumatorio o centroide
– Simple: se suman los valores de los CCR de
todos los reactivos
 Supuestos del modelo lineal

● Cada reactivo tiene una CCR monotónica

● La suma de los CCR de los reactivos es
aproximadamente lineal
● Los reactivos, en común, miden un sólo
factor. El puntaje total resume toda la
información sobre el atributo.
 Ventaja del modelo lineal

● Simple
● Robusto
● No da mucha relevancia al reactivo individual
● Acepta, incluso, que algunos reactivos
tengan CCR no monotónica.
Gráfico de modelo lineal
 Teoría de respuesta al reactivo

● Desarrollada por Frederik Lork, en 1952.

● La unidad de estudio es el reactivo, no la
prueba.
● Adopta modelos probabilísticos explícitos
para la probabilidad de respuesta para cada
reactivo del test, de acuerdo a la mayor o
menor presencia de un atributo (θ) en el
sujeto.
 Supuestos de la TTR

● El constructo o variable latente es

unidimensional (al igual que en el modelo
lineal)
● Independencia local: Las preguntas son
independientes unas de otras.
 Ventajas de la TTR
● Permite comparar pruebas que están hechas de reactivos
diferentes
● Sujetos con mismo puntaje en una prueba clásica,
presentan θ distintos en la TTR
● En el modelo clásico, el puntaje no se relaciona linealmente
con θ. Realmente, la CCR es una curva ojival.
● La estimación de la dificultad y discriminación no son
independientes entre sí en el modelo clásico. Un reactivo
p=0.5 en la población general será p<0.5 en individuos
menos hábiles, pero la TC no puede calcular la magnitud de
la diferencia.
 Desventaja de la CCR

● Se necesita un número muy alto de sujetos

para establecer las normas de los reactivos,
incluso en los modelos más simples
● ¡De 200 a 500 sujetos para las pruebas más
cortas!
 Parámetros en la TRR

● La TRR predice la probabilidad de respuesta

a una pregunta determinada. Las variables
relacionadas con
– Grado de habilidad : θ
– Diferencias entre los ítemes: parámetros
● Los parámetros son
– a: discriminación
– b: dificultad
– c: adivinación
 Modelo logístico de 1 parámetro

● Sólo se considera la dificultad del ítem

● Parámetro b : Punto en el cual la
probabilidad de respuesta es igual a .50. Se
mide en la misma escala de medida de θ. Se
suele usar un valor entre -3.0 y +3.0
Curvas características ítems,
modelo monoparamétrico
 Función de información

● La precisión con que un ítem mide la

habilidad de un sujeto es variable. Para el
modelo monoparamétrico, mientras más se
acerque la habilidad de la persona al nivel de
dificultad del ítem, más información nos
entregará.
CCR y curva de información
Función de respuesta para el test.

● Es la suma de las funciones de respuesta de

los reactivos.
Función de información para el test

● Es la suma de las funciones de información

de los reactivos.
 Error de medición

● Depende de:
– Número de ítemes: mayor número = menor error
– Nivel de habilidad: niveles de habilidad muy
bajos o altos = mayor error
Error de medición, 5 ítemes
Error de medición, 20 ítemes
 Estimación de habilidad

● Aproximación ingenua:
– Igualar el puntaje del test observado al esperado
– Si tenemos 5 ítemes en nuestro modelo
monoparamétrico, podemos obtener 6 puntajes:
0,1,2,3,4 y 5. Para los puntajes entre 1 y 5
podemos obtener el θ estimado en el punto en el
cual el puntaje esperado es igual al puntaje
observado. Para los puntajes extremos, 0 y 5,
señalábamos antes que θ correspondería a y,
respectivamente.
 Estimación de habilidad

● Predicción de θ a partir del patrón de

respuesta observado
– Para ítemes dicotómicos, existen 2n
combinaciones. Por ejemplo, con 3 ítemes,
tenemos 8 posibilidades: FFF, FFV, FVF, FVV,
VFF,VFV, VVF, VVV.
– Cada combinación tiene una probabilidad de
producirse, que es igual al producto de cada
función de información de los reactivos.
 Estimación de habilidad

● En el modelo monoparamétrico, la
estimación de habilidad depende de cuantos
ítemes se han respondido, y no en el patrón
particular. Por tanto, la aproximación
“ingenua” y basada en probabilidad dan el
mismo resultado
● Esto NO ocurre en los modelos de 2 y 3
parámetros.
Estimación de habilidad
Estimación de habilidad