INSTITUTO TECNOLGICO DE CERRO AZUL

VERIFICACIN DE SUPUESTOS DEL MODELO

La evaluacin de los supuestos de un modelo se basa en la verificacin de las

propiedades empricas que se derivan de ellos. Si se cumple la monotona
podremos encontrar estas caractersticas en los datos:
a) todos los pares de tems tendrn correlaciones no-negativas para todos los
subgrupos de sujetos que difieren en el mismo rasgo (Mokken, 1971);
b) todo par de tems tendr una asociacin condicional (CA) en cualquier grupo de
personas con una particular puntuacin emprica (X+) (Rosenbaum, 1984);
c) para cualquier tem i la proporcin de personas que lo respondan
correctamente ser no-decreciente sobre los grupos de puntuacin creciente (X+),
donde X+ se estima sobre el resto de n-1 tems;
d) la puntuacin total (X+) tendr una regresin montona no-decreciente sobre la
habilidad (Lord y Novick, 1968), lo que implica una correlacin positiva entre
ambos.

La doble monotona por su parte implicara que el orden de las dificultades de los
pasos entre tems es independiente de la distribucin de habilidad; esta propiedad
asegurara el ordenamiento invariante de las funciones de respuesta entre pasos.
Este ordenamiento entre pasos slo podra generalizarse al ordenamiento entre
tems si se cumple la doble monotona fuerte. Coeficiente de escalabilidad. La
evaluacin emprica de M puede llevarse a cabo a travs de una adaptacin del
coeficiente de escalabilidad de Loevinger (1947, 1948) que Mokken (1971) utiliz
para las escalas dicotmicas. Este coeficiente se define en trminos de errores de
una escala Guttman que compara un patrn de respuesta observado con el patrn
terico que debiera seguir una escala acumulada. Para dos tems i y k (i < k) se
operacionaliza del siguiente modo: Hik=1-(eik/eik(0)) donde eik y eik(0) son las
probabilidades de errores observados y esperados bajo el modelo de
independencia marginal, en cuyo caso Hik sera 0. En la hipottica situacin en
que los patrones tericos y observados coincidieran el coeficiente de escalabilidad
sera 1. El coeficiente de escalabilidad para un tem (i) podra obtenerse con
 INSTITUTO TECNOLGICO DE CERRO AZUL

respecto al resto de n-1 tems como una combinacin lineal del total de H
obtenidos. 15 La adaptacin de este coeficiente a una escala politmica fue
propuesta por Molenaar (1991, 1997; Sijtsma y Molenaar, 2002). El nuevo
coeficiente pondera los errores en los patrones de respuesta observados respecto
a los patrones tericos. La ponderacin sobre un par de tems se lleva a cabo
teniendo en cuenta el nmero de pasos entre opciones involucrados en la
resolucin de esos tems. El valor de H ponderado iguala la razn entre la
correlacin observada entre dos tems y la correlacin mxima obtenida a partir de
sus frecuencias marginales- Para la evaluacin de su significatividad Molenaar y
Sijstma (2000) utilizan un test estadstico contra la hiptesis nula de H=0. Sin
embargo, dado que en condiciones empricas este test siempre resulta
significativo, es habitual valorar la escalabilidad de un tem respecto al punto de
corte de 0,30 (Mokken, 1971).

Evaluacin de la homogeneidad montona

Puesto que la proporcin de personas que superan una opcin de respuesta de un
tem es no-decreciente sobre los grupos de puntuacin creciente (X+) para
comprobar esta propiedad bastara con formar grupos de sujetos por niveles de
puntuacin manifiesta (X+), y comprobar que el porcentaje de personas que
superan una opcin se incrementa a medida que se incrementa sta.

Evaluacin de la doble monotona

La evaluacin de la doble monotona se lleva a cabo definiendo proporciones
univariadas ( ) y bivariadas ( ) de respuestas entre categoras. Con la informacin
obtenida se forman matrices empricas (P(++)) de orden n(m-1)xn(m-1) con
elementos . Las filas y las columnas se ordenan crecientemente en funcin de los
marginales de las proporciones. Dado este ordenamiento, las celdas tanto de las
filas como de las columnas deben ser montonamente nodecrecientes si las ISRF
son invariantemente ordenadas en theta.

Evaluacin de la doble monotona fuerte

 INSTITUTO TECNOLGICO DE CERRO AZUL

Los anlisis llevados a cabo para estudiar la condicin de doble monotona fuerte
son similares a los llevados a cabo en la evaluacin de la doble monotona pero en
lugar de comparar las proporciones de respuestas referidas a los pasos entre
tems las comparaciones se llevan a cabo sobre las medias aritmticas obtenidas
en los tems.

HOMOGENEIDAD DE VARIANZA
La prueba de Levene se utiliza para verificar el supuesto de homogeneidad de
varianzas de los grupos comparados. Contrasta la Hiptesis Nula de que las
varianzas de las poblaciones comparadas son idnticas. La prueba de Levene se
basa en el estadstico W:

Donde
k: Nmero de grupos
N: Nmero total de muestras
Ni: Nmero de muestras en el grupo i

NORMALIDAD
Un procedimiento grfico para verificar el cumplimiento del supuesto de
normalidad delos residuos consiste en graficar los residuos en papel o en la
grfica de probabilidad normal que se incluye casi en todos los paquetes
estadsticos. Esta grfica del tipo X Y tiene las escalas de tal manera que si los
residuos siguen una distribucin normal, al graficarlos tienden a quedar alineados
en una lnea recta; por lo tanto, si claramente no se alinean se concluye que el
supuesto de normalidad no es correcto. Cabe enfatizar el hecho de que el ajuste
 INSTITUTO TECNOLGICO DE CERRO AZUL

de los puntos a una recta no tiene que ser perfecto, dado que el anlisis de
varianza resiste pequeas y moderadas desviaciones al supuesto de normalidad.

Cuando se requiere probar la normalidad de un conjunto de datos pueden

emplearse grficas como auxiliares visuales, la ventaja de stas herramientas es
que pueden generarse fcilmente de forma manual o con algn paquete
computacional como Excel o Minitab.
Procedimientos grficos: Una primera posibilidad consiste en obtener
histogramas con curvas superpuestas de la distribucin Normal. Otra posibilidad
son las grficas QQ que sitan los cuantiles de la distribucin de la muestra
respecto de los cuantiles del modelo de distribucin normal. Cuando ambas
distribuciones coinciden los puntos se sitan sobre una recta, y en la medida que
la distribucin de la muestra difiera de la distribucin normal se sitan fuera de la
recta.

Ejemplo:

La grfica muestra una distribucin que aproxima la distribucin Normal.

PRUEBAS DE BONDAD DE AJUSTE

Procedimientos ms precisos se basan en pruebas de bondad de ajuste que
someten a contraste la hiptesis de que la distribucin de la muestra se ajusta al
 INSTITUTO TECNOLGICO DE CERRO AZUL

modelo Normal. La prueba de Kolmogorov-Smirnov o la de Shapiro-Wilk pueden

ser utilizadas a este propsito.

INDEPENDENCIA
La suposicin de independencia en los residuos puede verificarse si se grafica el
orden en que se colect un dato contra el residuo correspondiente. De esta
manera, si al graficar en el eje horizontal el tiempo (orden de corrida) y en el eje
vertical los residuos, se detecta una tendencia o patrn no aleatorio claramente
definido, esto es evidencia de que existe una correlacin entre los errores y, por lo
tanto, el supuesto de independencia no se cumple. Si el comportamiento de los
puntos es aleatorio dentro de una banda horizontal, el supuesto se
est cumpliendo. La violacin de este supuesto generalmente indica deficiencias
en la planeacin ejecucin del experimento; asimismo, puede ser un indicador de
que no se aplic en forma correcta el principio de aleatorizacin, o de que
conforme se fueron realizando las pruebas experimentales aparecieron factores
que afectaron la respuesta observada. Por ello, en caso de tener problemas con
este supuesto, las conclusiones que se obtienen del anlisis son endebles y por
ello es mejor revisar lo hecho y tratar de investigar por qu no se cumpli con ese
supuesto de independencia, a fin de reconsiderar la situacin.

Una ayuda valiosa para estudiar la falta de independencia entre los errores es
realizar un grfico de los residuos segn la secuencia en el tiempo o espacio fsico
en que han sido colectados los datos.

Graficar los residuos contra el orden del tiempo en el que se recopilaron los datos
es til para detectar alguna correlacin entre ellos.

Si el modelo es adecuado, los residuales debern estar sin estructura, es decir, no

debern contener patrones obvios.
 INSTITUTO TECNOLGICO DE CERRO AZUL

Ejemplo: Grfica de los residuales en secuencia en el tiempo.

Un paso importante para asegurar la independencia es realizar un procedimiento

apropiado de aleatorizacin.
 INSTITUTO TECNOLGICO DE CERRO AZUL

BIBLIOGRAFA

http://www.uv.es/webgid/Inferencial/6_comprobacin_de_supuestos.html

http://www.estadisticafi.unam.mx/point/9.pdf

http://cursos.aiu.edu/estadistica%20superior/pdf/tema%202.pdf

https://es.scribd.com/doc/105850471/14/Verificacion-de-los-supuestos-del-
modelo