CREATE TEST

ERASED TEST, YOU MAY BE INTERESTED ON Teoria e tecnica dei test da 19 a 26

COMMENTS	STATISTICS	RECORDS

TAKE THE TEST

Title of test: Teoria e tecnica dei test da 19 a 26 Description: Teoria e tecnica dei test da 19 a 26 Author: VB Other tests from this author Creation Date: 14/06/2024 Category: University Number of questions: 78

Share the Test:

New Comment

No comments about this test.

Content:

Nella selezione degli item di prestazione massima in base al livello di difficoltà, di solito sono da evitare gli item con livello di difficoltà maggiore di 1 sono da evitare gli item con livello di difficoltà uguale a .50 nessuna delle alternative sono da evitare gli item con difficoltà maggiore di .80 e inferiore a .20. La difficoltà degli item di prestazione massima (Perrata) può assumere valori nessuna delle alternative compresi tra -1 e 0 compresi tra -1 e +1 compresi tra 0 e 1. Il livello di difficoltà degli item di prestazione massima è definito con la proporzione di soggetti che risponde correttamente all'item la correlazione item-totale corretta la proporzione di soggetti che non risponde correttamente all'item il giudizio degli esperti. La formula per calcolare l'indice di discriminatività D è D = P(Alto)/ P(Basso) D = P(Alto) x P(Basso) D = P(Alto) - P(Basso) D = P(Alto) + P(Basso). Il livello di difficoltà di un item di prestazione massima si sceglie anche in base al modello fattoriale alla lunghezza del test al numero di alternative di risposta dell'item all'acquiescienza. In un test di prestazione massima, gli item "troppo facili", con un livello di difficoltà inferiore a .10, possono essere inseriti per tutte le alternative rilevare un livello insolitamente basso del costrutto per sostenere la motivazione dei soggetti che rispondono rilevare uno stile di risposta a caso. Lo scopo dei distrattori negli item per i test di prestazione massima è facilitare l'individuazione della risposta corretta a chi non la sa e tira a indovinare rendere difficile l'individuazione della risposta corretta a chi non la sa e tira a indovinare nessuna delle alternative rendere difficile l'individuazione della risposta corretta a chi la sa, distraendolo. In un item di prestazione massima, i distrattori funzionano bene quando sono stati scelti con proporzioni uniformi sono stati scetli in proporzione maggiore della risposta giusta sono stati scelti solo dai soggetti con livello alto del costrutto non sono stati scelti mai. La correlazione item-totale corretta è un indice che esprime esprime quanto ogni singolo item è in grado di rappresentare, da solo, il costrutto misurato dall'insieme degli item del test permette di valutare quanto ogni item contribuisce al punteggio totale del test tutte le alternative esprime quanto ogni singolo item è rappresentativo dell'intera scala. L'indice di discriminatività può variare da -1 a +1 da 0 a 1 da -1 a 0 da .20 a .40. Per essere ottimale, il valore della correlazione item-totale corretta dovrebbe essere negativo maggiore di .30 uguale a 0 inferiore a -.30. Se due item risultano avere una ridondanza molto elevata, di solito è consigliabile eliminare uno dei due item eliminare entrambi gli item inserire un item che correli con uno solo dei due inserire un terzo item che correli con entrambi. Sono considerati ridondanti gli item che presentano una correlazione tra loro pari a 0 di almeno .30 di almeno .70 di almeno -.20. In un test di prestazione massima, la situazione ideale è avere item con livelli di difficoltà identici tra loro item con livelli di difficoltà diversi tra loro solo item con bassi livelli di difficoltà solo item con elevati di livelli di difficoltà. La correlazione item-totale corretta non è calcolata per gli item di prestazione massima è calcolata solo per costrutti che non hanno facet è calcolata separatamente per ciascun facet del costrutto è calcolata per un facet del costrutto e poi generalizzata agli altri. Un valore negativo della correlazione item-totale corretta indica che l'item ha funzionato molto bene l'item è valido l'item è attendibile c'è un problema ed è opportuno controllare lo scoring. Nei test di prestazione massima, per calcolare la correlazione item-totale corretta è necessario calcolare il coefficiente di correlazione punto-biseriale il coefficiente di skewness il coefficiente di discriminatività il coefficiente di correlazione prodotto-momento di Pearson. Lindice che esprime quanto ogni singolo item è in grado di rappresentare, da solo, il costrutto misurato dall'insieme degli item del test è la correlazione item-totale corretta la discriminatività la comunalità il livello di difficoltà. L'indice che permette di valutare quanto ogni item contribuisce al punteggio totale del test è il livello di difficoltà la discriminatività la correlazione item-totale corretta la comunalità. In un item di prestazione massima, l'indice di discriminatività inferiore a .20 indica che la discriminatività è ottima insufficiente nessuna delle alternative buona. In un test di prestazione massima, l'indice di discriminatività dovrebbe assumere valori positivi, meglio se inferiori a .40 negativi, meglio se inferiori a -.40 negativi, meglio se superiori di -.40 positivi, meglio se maggiori di .40. In un item di prestazione massima, un indice di discriminatività uguale a 0 indica che il gruppo con punteggio basso al test ha risposto correttamente all'item in proporzione maggiore del gruppo con punteggio alto l'item non discrimina tra il gruppo con punteggio alto al test e il gruppo con punteggio basso al test il gruppo con punteggio alto al test ha risposto correttamente all'item in proporzione maggiore del gruppo con punteggio basso nessuna delle alternative. In un item di prestazione massima, un indice di discriminatività con valore negativo indica che il gruppo con punteggio alto al test ha risposto correttamente all'item in proporzione maggiore del gruppo con punteggio basso nessuna delle alternative il gruppo con punteggio basso al test ha risposto correttamente all'item in proporzione maggiore del gruppo con punteggio alto l'item non discrimina tra il gruppo con punteggio alto al test e il gruppo con punteggio basso al test. La misura di quanto ogni item è in grado di distinguere i soggetti con livelli elevati del costrutto da quelli con livello basso del costrutto è l'attendibilità la comunalità la media la discriminatività. L’assenza di una risposta da parte del soggetto a un determinato item è definita missing ridondanza acquiescienza caso valido. Di solito ci si attende che i punteggi ai test psicologici, come ad esempio il quoziente intellettivo, si distrubiscano seguendo nessuna delle alternative la curva logaritmica la esponenziale la curva normale. Un’osservazione in cui il dato è presente e il cui valore è compatibile con quelli possibili per quella variabile è definita caso mancante caso ridondante caso attendibile caso valido. Un aspetto di cui si occupa la procedura di Data Cleaning è valutare la correttezza formale degli item definire i criteri di esclusione dal campione eseguire l'analisi fattoriale verificare la presenza di valori anomali. Per valutare se la distribuzione delle risposte a un item si avvicina alla distribuzione normale si utilizza l'esame del grafico delle frequenze tutte le alternative l'indice di simmetria l'indice di Curtosi. Il data cleaning non prevede la ricodifica dei dati non serve se i dati sono raccolti con test cartacei non serve se i dati sono raccolti con test online deve essere condotto prima di iniziare qualsiasi analisi. L'indice che indica quanto la distribuzione è più appiattita o più appuntita rispetto all anormale è chiamato Collinearità Correlazione Skewness Curtosi. L'indice che indica quanto la distribuzione è simmetrica o asimmetrica rispetto a un punto mediano è chiamato Skewness Collinearità Curtosi Correlazione. In una distribuzione perfettamente normale, l'indice di Curtosi è uguale a -1 uguale a 1 compreso tra -1 e +1 uguale a 0. In una distribuzione perfettamente normale, l'indice di simmetria o Skewness è uguale a -1 uguale a 1 uguale a 0 compreso tra -1 e +1. La distribuzione attesa delle risposte a un item è logaritmica normale lineare quadratica. Per stabilire se lo scostamento dalla distribuzione normale è trascurabile oppure no si utilizza i valori degli indici di Skewness e Curtosi tutte le alternative l'esame del grafico della distribuzione delle frequenze un test statisco di verifica dell'ipotesi nulla. L'imputazione dei dati mancanti si può utilizzare se il pattern dei mancanti riguarda più del 5% dei dati è Missing Completely at Random (MCAR) è Missing At Random (MAR) è Missing Not at Random (MNAR). In fase di studio preliminare, i dati mancanti non possono essere rilevati di solito sono inferiori al 5% possono essere solo Completely at Random (MCAR) forniscono indicazioni su come riformulare gli item. Se in un test sulla despressione si osserva la presenza di dati mancanti con maggior probabilità in soggetti con un elevato livello di depressione, il pattern dei dati mancanti è Missing Completely at Random Missing at Random Missing per definizione della popolazione Missing Not at Random. Quando la probabilità che un dato sia mancante non dipende dalla caratteristica misurata dal test di cui l’item fa parte una volta controllato l’effetto di un altre variabili, si tratta di Missing per definizione della popolazione Missing Not at Random Missing at Random Missing Completely at Random. Quando la probabilità che un dato sia mancante è completamente indipendente sia dalla caratteristica misurata dal test di cui l’item fa parte, sia da qualsiasi altra variabile considerata nell’analisi, si tratta di Missing Completely at Random Missing at Random Missing per definizione della popolazione Missing Not at Random. Quando la probabilità che un dato sia mancante dipende proprio dalla caratteristica misurata nel test, si tratta di Missing per definizione della popolazione Missing at Random Missing Completely at Random Missing Not at Random. I Missing Not at Random dipendono dalla caratteristica misurata nel test sono detti anche non ignorable missing dipendono da fattori sistematici tutte le alternative. I Missing Completely at Random (MCAR) sono distribuiti casualmente all'interno del database sono distribuiti solo sugli item reverse sono distribuiti solo su pochi item specifici sono distribuiti nel database in modo non casuale. Quale dei seguenti è un tipo di pattern dei dati mancanti Missing Completely at Random Missing Not at Random Missing per definizione della popolazione tutte le alternative. Si ritengono adeguati valori di Skewness e Curtosi di almeno 5 inferiori a -1 maggiori di 1 compresi tra -1 e 1. Nell'analisi preliminare degli item di prestazione tipica, per verificare che le risposte siano sufficientemente disperse intorno al punteggio centrale si utilizza la media e la mediana il coefficiente di correlazione il punteggio minmo e massimo la deviazione standard e la differenza interquartile. Nell'analisi preliminare degli item dei test di prestazione tipica si utilizzano le frequenza del punteggio minimo e massimo della scala di risposta gli indici di dispersione gli indici di tendenza centrale tutte le alternative. Affinché un item funzioni bene, il punteggio massimo e mimino della scala di risposta tipo Likert deve essere scelto solo dai soggetti con livello elevato del costrutto non deve essere stato mai scelto deve essere stato scelto almeno una volta deve essere più frequente dei punteggi centrali. Per i punteggi su scala Likert, è possibile utilizzare la media, invece della mediana se la distribuzione delle frequenze è simile alla normale tutte le alternative se le alternative di risposta sono almeno 5 se gli ancoraggi sono ben bilanciati. Negli item con scala Likert, il valore ottimale del punteggio medio dovrebbe corrispondere al punteggio minimo della scala di risposta al punteggio medio della scala di risposta alla deviazione standard al punteggio massimo della scala di risposta. Negli item con scala di risposta Likert, il range dei valori ottimali del punteggio medio varia in funzione dei punti della scala della difficoltà dell'item della correlazione item-totale corretta della lunghezza del test. Negli item con scala di risposta Likert, il valore ottimale della deviazione standard del punteggio varia in funzione dei punti della scala della lunghezza del test della difficoltà dell'item della correlazione item-totale corretta. In un test di prestazione tipica, nel selezionare quale item tenere tra due ridondanti si tende a scegliere nessuna delle alternative formulato meglio tutte le alternative con migliore distribuzione di frequenze. Nella valutazione preliminare degli item, la valutazione della discriminatività è utilizzata solo per i test di prestazione tipica solo per i test di prestazione massima per i test di prestazione massima e per i test di prestazione tipica solo per i test orientati al criterio. In un test di prestazione tipica la ridondanza degli item ha ripercussioni sull'asimmetria sulla dimensionalità del test sulla difficoltà del test sulla curtosi. Nei test di prestazione tipica, per calcolare la correlazione item-totale corretta è necessario calcolare il coefficiente di correlazione punto-biseriale il coefficiente di correlazione prodotto-momento di Pearson il coefficiente di skewness il coefficiente di discriminatività. Nella valutazione preliminare degli item, la correlazione item-totale corretta è utilizzata solo per i test di prestazione tipica per i test di prestazione massima e per i test di prestazione tipica solo per i test orientati al criterio solo per i test di prestazione massima. Un valore negativo della correlazione item-totale corretta in un test di prestazione tipica indica che l'item è attendibile potrebbe trattarsi di un item reverse che non è stato ricodificato l'item ha funzionato molto bene l'item è valido. Valutando la dsicriminatività di un item con scala Likert attraverso l'esame della curva caratteristica dell'item ci aspettiamo che il punteggio 1 sia il punteggio più scelto dai soggetti nel quarto quartile che il punteggio 4 sia il più scelto dai soggetti nel primo quartile che il punteggio 1 sia quello più scelto dai soggetti nel primo quartile che il punteggio 1 non sia scelto da alcun soggetto. Negli item di prestazione tipica, affinché la discriminatività sia accettabile, la grandezza dell'effetto d dovrebbe essere inferiore a .20 inferiore a .10 superiore a .50 superiore a .20. La verifica empirica della dimensionalità di un test ha come obiettivo verificare che la dimensione dell'attendibilità del test rispetti criteri prestabiliti verificare che la lunghezza del test sia adeguata ai tempi previsti per la somministrazione nessuna delle alternative verificare che gli item del test facciano riferimento a una singola caratteristica psicologica latente. Con Analisi Fattoriale si intende un insieme di tecniche statistiche che mirano a individuare il numero massimo di dimensioni latenti che spieghino i pattern di correlazione tra i punteggi negli item il punteggio massimo possibile che si può ottenere nei fattori di un test il numero massimo di fattori che misurano la validità di un test un numero minimo di dimensioni latenti che spieghino i pattern di relazione tra i punteggi agli item. La presenza di correlazioni molto simili tra tutti gli item di un test suggerisce la presenza di normalità dell'insieme di item parsimonia dell'insieme di item non unidimensionalità dell'insieme di item unidimensionilità dell'insieme di item. L'unidimensionalità degli item di un test può essere ipotizzata quando nella matrice di correlazione tra gli item le correlazioni tra gli item sono tutte molto diverse tra loro Le correlazioni tra un alcuni item sono più elevate rispetto alle altre le correlazioni tra gli item sono tutte molto simili tra loro le correlazioni tra gli item sono tutte molto deboli. Individuare quante dimensioni sono necessarie per riassumere adeguatamente le relazioni tra le variabili è lo scopo dell'analisi dell'attendibilità dell'analisi fattoriale dell'analisi della normalità multivariata dell'analisi preliminare degli item. Lo scopo dell'analisi fattoriale esplorativa è spiegare la varianza non condivisa tra gli item in base a un ristretto numero di dimensioni latenti spiegare la varianza condivisa tra i fattori latenti in base a un numero ristretto di item nessuna delle alternative spiegare la varianza condivisa tra gli item in base a un numero ristretto di dimensioni latenti. La distinzione della varianza in varianza comune e varianza unica è presente nessuna delle alternative nell'analisi delle componenti principali nell'analisi fattoriale esplorativa entrambe le alternative. La proporzione di varianza che l'item condivide con gli altri item è detta varianza d'errore varianza comune varianza unica varianza campionaria. Nell'analisi delle componenti principali la varianza non può essere spiegata viene distinta la varianza comune dalla varianza unica non viene distinta la varianza comune dalla varianza unica la varianza deve assumere valori piccoli. I principi alla base dell'AFE sono Casualità, Parsimonia, Struttura semplice Complessità, Attendibilità, Validità Causazione, Parsimonia, Struttura semplice Causazione, Partizione, Struttura complessa. Causazione, Parsimonia, Struttura semplice sono i principi alla base del modello di Rasch della validità di costrutto della Teoria Classica dei Test dell'Analisi fattoriale. Secondo il principio di causazione nessuna delle alternative gli item sono la causa dei punteggi osservati nei fattori latenti i fattori latenti sono la causa dei punteggi osservati negli item i punteggi agli item sono causati dall'errore di misura. L'analisi fattoriale è adeguata per modelli a indicatori riflessivi entrambe le alternative per modelli a indicatori formativi nessuna delle alternative. L'analisi delle componenti principali è adeguata per i modelli a indicatori riflessivi entrambe le alternative per i modelli a indicatori formativi nessuna delle alternative. Il principio che stabilisce che "tra due soluzioni che spieghino approssimativamente la stessa quota di varianza comune tra gli item, è da preferire quella con il minor numero di fattori" è detto principio di selezione dei fattori principio di fattorializzabilità principio di parsimonia principio di dimensionalità. In una analisi fattoriale, la soluzione A spiega il 70% della varianza estraendo 3 fattori, la soluzione B spiega il 78% di varianza estraendo 5 fattori. In base al principio di parsimonia: si dovrà eseguire una nuova analisi per estrarre più fattori si dovrà scegliere la soluzione A si dovrà eseguire una nuova analisi per spiegare il 100% della varianza si dovrà scegliere la soluzione B. Il principio di causazione stabilisce che il pattern delle correlazioni tra le variabili osservate è dovuto all'errore di misura il pattern di correlazioni tra le variabili latenti è dovuto all'effetto causale di variabili osservate il pattern di correlazione fra le variabili osservate è dovuto all’effetto causale di variabili variabili latenti il pattern delle risposte al test è dovuto all'errore casuale.

Report abuse