Modelos uni e multidimensionais de TRI estão sendo estuda- dos para provas multidisciplinares (BARBETTA et al., 2014;QUARESMA,
2014). Como o objetivo geral desta dissertação é identificar modelos da TRI que se ajustem bem ao Enem e a partir deles compreender a multidisciplinaridade do Exame, faz-se necessário introduzir modelos da Teoria da Resposta ao Item Multidimensional (TRIM).
Em Barbetta et al. (2014) temos:
Há várias propostas de modelos TRIM, mas a mais comum considera que existem vários tra- ços latentes, representando diferentes proficiên- cias dos avaliados, mas apenas um parâmetro de dificuldade. Nesse modelo, a probabilidade de um avaliado j com traços latentes θ1j, θ2j, ..., θkj, acertar um item i é dada por:
P (Uij = 1|θj) = ci+ (1 − ci)
1
onde o parâmetro diestá associado ao parâmetro de dificuldade do item bi da seguinte forma: di= −bi× q (a2 1i+ a22i+ ... + a2ki) (3.1)
Uma forma de se analisar a dimensionalidade de um instrumento é por meio da análise fatorial. No entanto, como em avaliações educa- cionais os itens normalmente são dicotômicos (certo ou errado), mui- tos pressupostos da análise fatorial clássica podem não ser atendidos. Dessa forma, Bock, Gibbons e Muraki (1988) fizeram adaptações e propuseram a Análise Fatorial de Informação Completa (AFIC) que permite verificar a dimensionalidade e interpretar os fatores do instru- mento. Ou seja, há uma relação estreita entre TRIM e análise fatorial apropriada para instrumentos compostos de itens.
Nos casos em que o instrumento de medida do traço latente é multidimensional, deve-se determinar quais itens pertencem a quais fatores. Para isso há diferentes abordagens. A primeira delas é relacio- nada às análises exploratórias e confirmatórias. Na análise exploratória, todos os traços latentes podem ser relacionados a todos os itens. Dessa forma, os índices de discriminação aik de um modelo com número de
itens i = 4 e de dimensões k = 2 formariam a seguinte matriz de índice de discriminação: a = a11 a12 a21 a22 a31 a32 a41 a42
Em geral, quando se usa a análise exploratória, não se sabe quan- tas dimensões de fato o instrumento avaliativo está medindo. Para de- finir qual modelo melhor se ajusta aos dados é comum começar com o caso mais simples (unidimensional) e, gradativamente, aumentar o nú- mero de dimensões. No entanto, apesar de normalmente o modelo ficar melhor explicado ao se adicionar uma dimensão, ele fica mais complexo. Já na análise confirmatória, os traços latentes estão relacionados a um grupo de itens escolhidos previamente. Ela pode ser vista como um caso especial de uma exploratória em que os parâmetros dos itens são forçados a pertencer a uma das dimensões para representar as di- ferentes subescalas supostas a priori (BERNINI; MATTEUCCI; MIGNANI,
2015). Nesse sentido, os índices de discriminação aik em um modelo
com número de itens i = 4 e de dimensões k = 2 em que os dois primei- ros itens pertencem à primeira dimensão e os dois últimos à segunda,
formariam a seguinte matriz de índice de discriminação: a = a11 0 a21 0 0 a32 0 a42
Outro modelo, considerado de análise fatorial confirmatória, é o bifatorial. Esse modelo possui um fator comum que explica as inter- correlações de todos os itens, e possui também fatores de cada grupo que tentam capturar a covariância dos itens que é independente da covariância devida ao fator comum (REISE; MORIZOT; HAYS, 2007).
Em Gibbons e Hedeker (1992) tem-se que o modelo bifatorial força cada item i a ter um índice de discriminação diferente de zero na dimensão principal, ai1, e um segundo índice, aik, k = 2, ..., s, em
apenas um dos s − 1 fatores. Supondo que os dois primeiros estejam em uma subdimensão e os dois últimos em outra subdimensão, para quatro itens, a matriz dos índices de discriminação seria:
a = a11 a12 0 a21 a22 0 a31 0 a33 a41 0 a43
Para mais detalhes desse modelo ver Holzinger Karl J.and Swi- neford (1937) e Gibbons e Hedeker (1992).
Uma outra distinção entre modelos é em compensatórios e não compensatórios (RECKASE, 2009). Nos modelos compensatórios a pro-
babilidade de resposta depende de uma soma ponderada dos traços latentes. Escores baixos em uma dimensão podem ser compensados por escores altos em outra dimensão para obter uma alta probabilidade de resposta. Já os modelos não compensatórios permitem interações entre as variáveis latentes de modo que os escores devem ser elevados em todas as dimensões para manter uma probabilidade alta de resposta. Para esta dissertação foram usados os modelos compensatórios,
que são generalizações diretas dos modelos lo- gísticos unidimensionais e que, atualmente, es- tão entre os mais aplicados devido à sua carac- terística de ter um determinada habilidade baixa compensado por outra mais alta (QUARESMA, 2014).
não compensatórios é muito complexo e, em função disto, não são muito usuais (AYALA, 2009).
A Figura (2) mostra um esquema comparativo dos modelos que serão apresentados neste trabalho sendo que em 2a supõe-se unidimen- sionalidade do instrumento, em 2b e 2c bidimensionalidade e em 2d um traço latente dominante no teste e dois subdomínios ou subdimensões.
Fonte: Adaptado de Reise, Morizot e Hays (2007)
Figura 2: Esquema comparativos dos modelos usados nesta dissertação
3.4 MÉTODOS DE COMPARAÇÃO DE MODELOS
Para escolher um modelo em detrimento a outro, é importante determinar um critério para analisar até que ponto deve-se deixar um modelo mais complexo para ter um ganho de informação. Um método usual é a razão de Bayes que compara os valores das verossimilhan- ças marginais entre dois modelos para identificar aquele que é mais
fortemente sustentado pelos dados (ALBERT, 2014). O pacote mirt
(CHALMERS, 2015) do software R (R CORE TEAM, 2015), apresenta o
valor do logaritmo neperiano da verossimilhança marginal de cada um dos modelos. Assim, é possível fazer o cálculo desta razão e, usando as referências de valores em Kass e Raftery (1995), é possível fazer a interpretação dos resultados.
Em Kass e Raftery (1995) tem-se que se duas vezes o logaritmo natural da razão de Bayes for maior que dez, então há evidencias muito fortes que o modelo com mais parâmetros é mais adequado que o com menos parâmetros.
Outro método usual de escolha de modelos é o critério de infor- mação da deviance (DIC), que quanto menor o valor, melhor o modelo. Mais detalhes sobre esta forma de seleção de modelos podem ser en- contrados em Spiegelhalter et al. (2002).