Diferencias

Muestra las diferencias entre dos versiones de la página.

--- es:manual:analisis:irt [2022/05/30 07:08] – root
+++ es:manual:analisis:irt [2022/05/30 12:43] (actual) – root
@@ Línea 17: / Línea 17: @@
 $$p(\theta=\theta_c|u_1=u_{k_1}; u_2=u_{k_2}; \cdots u_N=u_{k_N})=\prod_{i=1}^N\frac{p(u_i=u_{k_i}|\theta_c)}{p(u_i=u_{k_i})}p(\theta_c)$$
-en donde $\theta_c$ es una cualquiera de las C clases; $p(u_i=u_{k_i}|\theta_c)$ es la probabilidad condicionada de que un alumno de la clase $\theta_c$ elija precisamente la opción $u_{k_i}$ para la pregunta i-esima; y $p(\theta_c)$ es la probabilidad a priori de esta clase.
+en donde $\theta_c$ es una cualquiera de las C clases; $p(u_i=u_{k_i}|\theta_c)$ es la probabilidad condicionada de que un alumno de la clase $\theta_c$ elija precisamente la opción $u_{k_i}$ para la pregunta i-esima; y $p(\theta_c)$ es la probabilidad a priori de esta clase. ((Normalmente se asume que la probabilidad a priori es la misma para cualquiera de las clases, o bien se estima en función de la población. La influencia de este término en el resultado se va reduciendo conforme aumenta el número de preguntas. Esto implica tambien que se requiera un mínimo de preguntas)). El término $p(u_i=u_{k_i})$ del denominador no es necesario computarlo ya que se sabe que  $$\sum_{c=1}^{C}{p(\theta=\theta_c|u_1=u_{k_1}; u_2=u_{k_2}; \cdots u_N=u_{k_N})} = 1$$ por lo que basta con hallar el numerador de esta fórmula para todas las posibles opciones de respuesta y normalizar al final de manera que la suma sea 1.
 Siette implementa tambien los modelos clásicos de la TRI basados en variables y funciones continuas considerando para ello una discretización mucho mas fina (100 clases o mas), que es al fin y al cabo el mismo procedimiento que emplean los modelos de cálculo numérico de la TRI en otros sistemas. En concreto Siette puede implementar un modelo de 4 parámetros ((añade un cuarto parámetro llamado factor de distracción al modelo 3PL)), que puede adaptarse fácilmente a los modelos tradicionales en la TRI como son los modelos 3PL, 2PL o 1PL tambien llamado modelo de Rasch.
+En estos casos la fórmula anterior se transforma en:$$p(\theta|u_1=u_{k_1}; u_2=u_{k_2}; \cdots u_N=u_{k_N})=\prod_{i=1}^N\frac{p(u_i=u_{k_i}|\theta)}{p(u_i=u_{k_i})}p(\theta)$$ en donde la probabilidad condicionada $p(u_i=u_{k_i}|\theta)$ es ahora una función contínua a la que se denomina curva característica de la respuesta $u_{k_i}$. En el caso general, la pregunta $u_i$ tendrá una curva característica distinta para cada una de las posibles opciones de respuesta, en cuyo caso se dice que se trata de un modelo politómico. Es habitual que para simplificar el modelo se recurra a una sola curva característica correspondiente a la opción de respuesta correcta, tomando como alternativa cualquier otra opción de respuesta, es decir se consideran solo dos opciones de respuesta: correcta o incorrecta (modelo dicotómico) y se define solamente la función correspondiente a la respuesta correcta que se representa como $p(u_i=1|\theta)$ ya que $p(u_i=0|\theta)=1-p(u_i=1|\theta)$ por lo que se usa la representación simplificada de la fómula de Bayes:$$p(\theta|u_1; u_2; \cdots u_N)=\prod_{i=1}^N\frac{p(u_i|\theta)^{u_i}(1-p(u_i|\theta))^{(1-u_i)}}{p(u_i)^{u_i}(1-p(u_i))^{(1-u_i)}}p(\theta)$$
+en deonde $u_i$ toma valores 0 o 1 dependiendo de que la respuesta a la pregunta i-esima haya sido correcta o incorrecta. El exponente de los términos del producto indica que en cada caso, dependiendo de la respuesta correcta o incorrecta, se utilizará para el producto la función característica o su inversa.