Como ya se mencionó, se debe utilizar un proceso diferente para calcular los puntajes de discapacidad para los niños. Los niños de diferentes edades son increíblemente diferentes y, por lo tanto, tienen diferentes ítems pertenecientes a ellos en el cuestionario.
En la sección de Capacidad del cuestionario para niños, los ítems se aplican a todos los niños de 2 a 17 años, sin filtros específicos para cada edad. En este caso, se debe realizar un análisis multigrupo. Esto es esencialmente lo mismo que realizar un modelo de Rasch para adultos, sin embargo, alertamos al programa al hecho de que tenemos grupos muy diferentes que responden al cuestionario, es decir, diferentes grupos de edad. Usamos los grupos de edad 2 a 4, 5 a 9, y 10 a 17.
En la sección Desempeño del cuestionario para niños, hay un conjunto de preguntas comunes para todos los niños y un conjunto de preguntas con filtros específicos para cada grupo de edad. En este caso, primero se realiza un análisis multigrupo en todos los ítems comunes, como en las preguntas de Capacidad. Luego, este modelo multigrupo se usa para calibrar una puntuación adicional utilizando todas las preguntas específicas de la edad. Esto se llama “anclaje”: estamos anclando los resultados de las preguntas específicas por edad en los resultados del conjunto común de preguntas. Esto debe hacerse para que los puntajes de discapacidad obtenidos para los niños sean comparables en todos los grupos de edad.
El paquete whomds también contiene funciones para
realizar Rasch Anaylsis para niños.
Para realizar el Análisis Rasch para niños, solo se necesita usar una
función: rasch_mds_children(). Esta es una función de
envoltorio, como rasch_mds() para adultos.
rasch_mds_children() utiliza todas las demás funciones
rasch_*() para realizar el análisis. Estas otras funciones
rasch_*() usadas para niños son:
rasch_df_nest()rasch_drop()rasch_factor()rasch_model_children()rasch_quality_children()rasch_quality_children_print()rasch_recode()rasch_rescale_children()rasch_split()rasch_split_age()rasch_testlet()Solo necesitas usar la función rasch_mds_children().
Pero si desea realizar su análisis de una manera más personalizada,
puede trabajar directamente con las funciones internas.
Después de cada iteración del Modelo Rasch, los códigos anteriores producen una variedad de archivos que le dirán qué tan bien los datos se ajustan a las suposiciones del modelo en esta iteración. Los archivos más importantes son los de abajo. Vamos a explicar cada uno en detalle a continuación.
LID_plot_Multigroup.pdf y
LID_above_0.2_Multigroup.csv - muestra ítems
correlacionados para el modelo multigrupoLID_plotAge2to4.pdf y
LID_above_0.2_Age2to4.csv - muestra ítems correlacionados
para edades de 2 a 4 para el modelo ancladoLID_plotAge5to9.pdf y
LID_above_0.2_Age5to9.csv - muestra ítems correlacionados
para edades de 5 a 9 para el modelo ancladoLID_plotAge10to17.pdf y
LID_above_0.2_Age10to17.csv - muestra ítems correlacionados
para edades de 10 a 17 para el modelo ancladoScreePlot_Multigroup_PCM2.pdf - gráfico scree para el
modelo multigrupoScreePlot_Anchored_PCM2_Age2to4.pdf - gráfico scree
para para edades de 2 a 4 para el modelo ancladoScreePlot_Anchored_PCM2_Age5to9.pdf - gráfico scree
para para edades de 5 a 9 para el modelo ancladoScreePlot_Anchored_PCM2_Age10to17.pdf - gráfico scree
para para edades de 10 a 17 para el modelo ancladoWrightMap_multigroup.pdf - ubicaciones de personas e
ítems para for multigroup modelWrightMap_anchored_Age2to4.pdf - ubicaciones de
personas e ítems para edades de 2 a 4 para el modelo ancladoWrightMap_anchored_Age5to9.pdf - ubicaciones de
personas e ítems para edades de 5 a 9 para el modelo ancladoWrightMap_anchored_Age10to17.pdf - ubicaciones de
personas e ítems para edades de 10 a 17 para el modelo ancladoPCM2_itemfit_multigroup.xlsx - ajuste de ítems para el
modelo multigrupoPCM2_itemfit_anchored.xlsx - ajuste de ítems para el
modelo ancladoPCM2_WLE_multigroup.txt - fiabilidad del modelo
multigrupoPCM2_WLE_anchored.txt - fiabilidad del modelo
ancladorasch_mds_children()En esta sección examinaremos cada argumento de la función
rasch_mds_children(). El archivo de ayuda para la función
también describe los argumentos. Se puede acceder a los archivos de
ayuda para las funciones en R escribiendo ?
antes del nombre de la función, de esta manera:
A continuación se muestra un ejemplo de uso de la función
rasch_mds_children():
rasch_mds_children(df = df_children,
vars_id = "HHID",
vars_group = "age_cat",
vars_metric_common = paste0("child", c(1:10)),
vars_metric_grouped = list(
"Age2to4" = paste0("child", c(12,15,16,19,20,24,25)),
"Age5to9" = paste0("child", c(11,13,14,17,18,20,21,22,23,24,25,27)),
"Age10to17" = paste0("child", c(11,13,14,17,18,20,21,22,23,25,26,27))),
TAM_model = "PCM2",
resp_opts = 1:5,
has_at_least_one = 4:5,
max_NA = 10,
print_results = TRUE,
path_parent = "~/Desktop/",
model_name = "Start",
testlet_strategy = NULL,
recode_strategy = NULL,
drop_vars = NULL,
split_strategy = NULL,
comment = "Initial run")El primer argumento es df. Este argumento es para los
datos. El objeto de datos debe ser datos de encuestas individuales, con
una fila por persona. Aquí los datos se almacenan en un objeto
df_children, que es un base de datos incluido en el
paquetewhomds. Para obtener más información sobre
df_children, consulta su archivo de ayuda
ejecutando:?df_children
El siguiente argumento es vars_id, que es el nombre de
la columna utilizada para identificar de forma única a los individuos.
Aquí la columna de ID se llama HHID.
El siguiente argumento es vars_group, que es una cadena
con el nombre de la columna que identifica grupos, específicamente
grupos de edad en este caso. Aquí la columna del grupo de edad es
age_cat.
Los siguientes dos argumentos especifican las variables utilizadas para construir la métrica.
vars_metric_common es un vector de caracteres con los
nombres de los ítems a los que cada individuo responde.
vars_metric_grouped es una lista nombrada de vectores de
caracteres con los ítems a usar en el Análisis de Rasch por grupo de la
variable especificada en vars_group. La lista debe tener
nombres correspondientes a los diferentes grupos (por ejemplo,
Age2to4,Age5to9 y Age10to17), y
contener vectores de caracteres de los elementos correspondientes para
cada grupo.
Si solo se especifica vars_metric_common, entonces se
realizará un análisis multigrupo. Si se especifican
vars_metric_common y vars_metric_grouped,
entonces se realizará un análisis anclado.
vars_metric_grouped no se puede especificar por sí
solo.
El siguiente argumento es TAM_model. Esta es una cadena
que identifica qué modelo de IRT utilizar. Este valor se pasa a la
función del paquete TAM utilizado para calcular el modelo
de Rasch. El valor predeterminado es "PCM2", que especifica
el modelo de Rasch.
El siguiente argumento es resp_opts. Este es un vector
numérico con las posibles opciones de respuesta para
vars_metric_common y vars_metric_grouped. En
esta encuesta, las preguntas EF1 a EF12 tienen
las opciones de respuesta 1 a 5. Entonces, resp_opts es
igual a un vector numérico de longitud 5 con los valores 1,
2,3, 4 y 5.
El siguiente argumento es has_at_least_one. Este es un
vector numérico con las opciones de respuesta que un encuestado debe
tener al menos una para ser incluido en el cálculo de la métrica. Este
argumento es necesario porque a menudo el análisis de Rasch de los datos
de los niños es más difícil debido a la extrema asimetría de las
respuestas. Por esta razón, a menudo es aconsejable construir una escala
solo con los encuestados en el extremo más grave del continuo de
discapacidad, por ejemplo, solo con los encuestados que respondieron 4 o
5 a al menos una pregunta. Al especificar has_at_least_one,
la función solo construirá una escala entre aquellos que respondieron
has_at_least_one en al menos una pregunta de
vars_metric_common y vars_metric_grouped El
valor predeterminado es 4:5, lo que significa que la escala
se creará solo con hijos que respondieron 4 o 5 a al menos una pregunta
en vars_metric_common y vars_metric_grouped.
Los puntajes creados pueden reunirse con los niños excluidos
post-hoc.
El siguiente argumento es max_NA. Este es un valor
numérico para el número máximo de valores faltantes permitidos para que
una persona aún se tenga en cuenta en el análisis. El Análisis de Rasch
puede manejar a personas que tienen algunos valores faltantes, pero
demasiados causarán problemas en el análisis. En general, todos los
individuos en la muestra deben tener menos del 15% de valores faltantes.
Aquí max_NA es 10, lo que significa que se
permite que los individuos tengan un máximo de dos valores faltantes de
las preguntas en vars_metric_common y
vars_metric_grouped para que aún se incluyan en el
análisis.
El siguiente argumento es print_results, que es
TRUE o FALSE. Cuando es TRUE, los
archivos se guardarán en su computadora con los resultados de la
iteración Rasch. Cuando es FALSE, los archivos no se
guardarán.
El siguiente argumento es path_parent. Esta es una
cadena con la ruta a la carpeta donde se guardarán los resultados de
múltiples modelos, asumiendo que print_results es
TRUE. La carpeta en path_parent contendrá
carpetas separadas con los nombres especificados en
model_name en cada iteración. En la ejecución de la función
anterior, todos los resultados se guardarán en el Desktop. Ten en cuenta
que al escribir rutas para R, todas las barras deberían
ser: /(NO \). Asegúrate de incluir un
/ final en el final de la ruta.
El siguiente argumento es model_name. Esto es igual a
una cadena donde le das un nombre del modelo que estás ejecutando. Este
nombre se usará como el nombre de la carpeta donde se guardará toda la
salida en su computadora, si print_results es
TRUE. El nombre que le des debe ser corto pero informativo.
Por ejemplo, puede llamar a su primera ejecución “Start”, como se llama
aquí. Si creas un testlet en su segunda ejecución, quizás puedas
llamarlo “Testlet1”, etc. Elije lo que sea significativo para tí.
Los siguientes argumentos son testlet_strategy,
recode_strategy, drop_vars y
split_strategy. Estos son argumentos que controlan cómo se
usan los datos en cada iteración del Modelo Rasch. Estos se especifican
de la misma manera que en los modelos para adultos, como se describe en
las secciones anteriores. Aquí están todos configurados en
NULL, lo que significa que no se usan en la iteración del
Análisis Rasch que se muestra aquí.
El último argumento es comment. Esto es igual a una
cadena en la que puedes escribir cierta información de texto libre sobre
la iteración actual para que cuando veas los resultados más adelante
puedas recordar lo que hiciste y por qué lo hiciste. Es mejor ser más
detallado, porque olvidarás por qué eligiste ejecutar el modelo de esta
manera en particular. Este comentario se guardará en un archivo
Comment.txt. Aquí el comentario es solo
"Initial run".
Ya hemos discutido las diferencias en el comando requerido para
calcular el modelo de Rasch para niños. Para ejecutar este modelo, hay
un paquete R diferente disponible: TAM. Este
paquete puede ser más complicado de usar que eRm (el
paquete utilizado para adultos), pero permite una mayor flexibilidad y,
por lo tanto, nos permite calcular los análisis multigrupo y anclados
que requerimos.
Con el paquete TAM, también podemos calcular diferentes
tipos de modelos. Por defecto, el paquete whomds calcula
los resultados utilizando el modelo de crédito parcial (el modelo de
Rasch politomérico). El PCM se especifica en TAM con el
argumento TAM_model igual a "PCM2".
Otra opción para TAM_model es "GPCM", que
le dice al programa que calcule un Modelo de crédito parcial
generalizado (GPCM). El GPCM se diferencia del PCM en que relaja el
poder de discriminación uniforme de los artículos. Es decir, el GPCM
permite que algunos ítems puedan identificar mejor las capacidades de
las personas que otros ítems.
Nos enfocamos en PCM porque podemos obtener la escala que buscamos con este modelo.
Como se mencionó anteriormente, en general, la distribución de las
respuestas de los niños está mucho más inclinada hacia el final de la
escala “sin discapacidad”, por lo que es más difícil construir una
métrica de calidad. Su modelo mejorará enormemente si solo lo
construye entre niños que indican tener algún tipo de nivel de problemas
en al menos uno de los dominios. Esta es la razón por la cual
el valor predeterminado para el argumento has_at_least_one
de rasch_children() es 4:5. Recomendamos
mantener este valor predeterminado.
Colapsando opciones de respuesta también puede mejorar la calidad de su escala. También recomendamos intentar construir una escala donde todos los ítems se recodifiquen a 0,1,1,2,2; en otras palabras, contraiga las opciones de respuesta 2a y 3a y las opciones de respuesta 3a y 4a.
El resultado de las iteraciones del Modelo de Rasch para niños que utilizan los códigos de la OMS es muy similar al de los modelos para adultos. Sin embargo, para los modelos anclados (para Desempeño) en particular, para la mayoría de los tipos de archivos hay un archivo separado para cada grupo de edad. La calidad del modelo puede variar según los grupos de edad, y toda la información debe evaluarse simultáneamente para determinar cómo ajustar los datos.
Hay un par de diferencias clave que vamos a destacar. Para evaluar el
ajuste del modelo (targeting) del modelo, abra el archivo
PCM2_WLE.txt y analice el número después de
"WLE Reliability = ". WLE significa “estimador de
probabilidad ponderada” (en inglés weighted likelihood
estimator), y corresponde al PSI que usamos para evaluar el ajuste
del modelo para los modelos adultos. De manera similar, para un buen
ajuste del modelo, nos gustaría ver que este número sea al menos mayor
que 0.7, idealmente mayor que 0.8 o más.
El mapa persona-ítem también es diferente para el modelo de los
niños. El paquete TAM utiliza otro paquete
llamadoWrightMap para producir Wright Maps. Estos
son muy similares a los mapas de persona-ítem que utilizamos
anteriormente, excepto que el tipo de umbrales que se muestran son
diferentes. El Wright Map muestra los “Umbrales Thurstonianos”,
y estos umbrales por definición nunca serán desordenados. Por lo tanto,
es razonable no recodificar las opciones de respuesta para los niños, a
menos que desee contraer las opciones de respuesta vacías o intentar
mejorar la distribución de las ubicaciones de umbral para orientar mejor
las capacidades de las personas.
Al igual que con los adultos, los nuevos puntajes reescalados para
niños se encuentran en el archivo Data_final.csv.
Lea el vignette Mejores prácticas con Análisis Rasch para aprender más sobre principios generales para usar.