Bridging Item Response Theory and Factor Analysis: A Four-Parameter Mixture-Dichotomized Model with Bayesian Estimation

Resumen Técnico: Uniendo la Teoría de Respuesta al Ítem y el Análisis Factorial mediante un Modelo de Mezcla de Cuatro Parámetros con Dicotomización

Planteamiento del Problema
La Teoría de Respuesta al Ítem (TRI) y el Análisis Factorial (AF) son marcos fundamentales para modelar rasgos latentes mediante datos de múltiples ítems. Si bien la equivalencia entre el modelo de dos parámetros (2P) de la TRI y el modelo de AF de un solo factor dicotomizado está bien establecida, extender esta correspondencia a los modelos de la TRI con parámetros adicionales —específicamente los modelos de tres parámetros (3P) y cuatro parámetros (4P)— es menos común. El modelo de 4P de la TRI incorpora parámetros de pseudo-adivinación ($c$) e inatención ($d$) para dar cuenta de comportamientos de respuesta como el azar o los errores por descuido. Sin embargo, los modelos de AF dicotomizados estándar no pueden acomodar naturalmente las asíntotas inferior y superior introducidas por estos parámetros. En consecuencia, existe una falta de una formulación de AF formal que sea analíticamente equivalente al modelo de 4P de la TRI, lo que limita la capacidad de utilizar marcos de estimación específicos de AF o ventajas interpretativas para modelos de mayor número de parámetros.

Metodología
Los autores proponen un modelo de Análisis Factorial de Cuatro Parámetros (4P FA) que extiende el marco tradicional de AF dicotomizado a través de una formulación de mezcla jerárquica.

1. Construcción del Modelo:

   • El modelo comienza con una estructura de AF lineal estándar donde una respuesta de ítem continua $Y^*_i$ se define como $Y^*_i = \alpha_i \theta + \epsilon_i$, donde $\theta$ representa el rasgo latente.
   • Ocurre una primera dicotomización en un umbral $\tau_i$, creando un indicador binario latente $Z_i$. Si $Y^*_i \geq \tau_i$, el encuestado se considera que ha "resuelto" el ítem ($Z_i=1$); de lo contrario, no lo ha hecho ($Z_i=0$).
   • Una segunda estructura de mezcla genera la respuesta binaria observada $Y_i$ basada en $Z_i$:
     • Si $Z_i = 0$ (rendimiento latente por debajo del umbral), $Y_i$ sigue una distribución de Bernoulli con probabilidad de éxito $c_i$ (parámetro de adivinación).
     • Si $Z_i = 1$ (rendimiento latente por encima del umbral), $Y_i$ sigue una distribución de Bernoulli con probabilidad de éxito $d_i$ (parámetro de inatención, donde $d_i < 1$ da cuenta de los lapsos).
   • Esta estructura produce el modelo de 4P FA, el cual los autores demuestran que es analíticamente equivalente al modelo de 4P de la TRI. Los parámetros de AF ($\alpha_i, \tau_i$) se mapean a la discriminación ($a_i$) y dificultad ($b_i$) de la TRI mediante transformaciones estándar, mientras que $c_i$ y $d_i$ se comparten directamente.

2. Procedimiento de Estimación:

   • Se desarrolla un procedimiento de estimación Bayesiana para estimar los cuatro parámetros del ítem ($a, b, c, d$), las puntuaciones del rasgo latente ($\theta$) y las puntuaciones de capacidad ajustadas.
   • El modelo se implementa utilizando Grafos Acíclicos Dirigidos (DAGs) en R (vía el paquete runjags que interactúa con JAGS) y Python (vía pymc).
   • La implementación en JAGS utiliza muestreo de Gibbs, mientras que la implementación en Python emplea el Muestreador No-U-Turn (NUTS), aunque este último requiere el manejo de variables latentes discretas ($Z_i$) mediante muestreadores alternativos, lo que impacta la velocidad computacional.
   • El marco también permite la estimación de puntuaciones "NGNI" (No-Adivinación y No-Inatención), que ajustan las puntuaciones observadas eliminando los efectos de la adivinación y la inatención.

Contribuciones Clave

• Extensión Teórica: El artículo establece formalmente la equivalencia analítica entre el modelo 4P FA y el modelo 4P de la TRI, extendiendo la correspondencia AF–TRI más allá del caso 2P.
• Formulación de Mezcla Jerárquica: Introduce una estructura de mezcla jerárquica específica dentro del marco de AF para dar cuenta de la adivinación y la inatención, proporcionando una formulación de variable latente de la que carecen los modelos de AF estándar.
• Implementación de Software: Los autores proporcionan implementaciones de código abierto tanto en R como en Python, facilitando la aplicación de este complejo modelo.
• Ajuste de Puntuaciones: La metodología permite el cálculo de puntuaciones de capacidad ajustadas por distorsiones de respuesta específicas (adivinación e inatención), ofreciendo una herramienta de diagnóstico más allá de las estimaciones de capacidad estándar de la TRI.

Resultados

• Estudio de Simulación: Un estudio de simulación comparó la estimación Bayesiana del modelo 4P FA propuesto (4FA-B) contra una estimación Bayesiana típica de 4P de la TRI (4IRT-B) y una estimación frecuentista de 4P de la TRI mediante el algoritmo EM (4IRT-EM).
  • Convergencia: El algoritmo EM (4IRT-EM) falló frecuentemente en la convergencia o divergió, particularmente con muestras pequeñas (ej., $n=50$) o un gran número de ítems. Los enfoques Bayesianos (tanto la parametrización FA como la de la TRI) demostraron una estabilidad superior.
  • Precisión: Aunque el algoritmo EM fue computacionalmente más rápido (segundos frente a minutos/horas para los métodos Bayesianos), las estimaciones Bayesianas generalmente exhibieron un Error Cuadrático Medio (MSE) menor, particularmente en escenarios de muestras pequeñas.
  • Parametrización: El estudio encontró que la parametrización de AF (4FA-B) a menudo producía estimaciones de discriminación y dificultad más alineadas con los valores reales simulados en comparación con la parametrización Bayesiana típica de la TRI (4IRT-B), lo que sugiere posibles ventajas prácticas en el rendimiento de la estimación.
• Ejemplos Empíricos: El modelo se aplicó a dos conjuntos de datos: una prueba de admisión (MSATB, 1407 encuestados, 20 ítems) y un inventario de ansiedad (766 encuestados, 29 ítems).
  • Los resultados confirmaron una fuerte concordancia entre las estimaciones de los parámetros 4P FA y 4P de la TRI cuando se transforman a una métrica común.
  • La aplicación demostró el cálculo de las puntuaciones NGNI, NG (no-adivinación) y NI (no-inatención), mostrando cómo estas puntuaciones ajustadas difieren de los totales observados basándose en los patrones de respuesta y la dificultad de los ítems.

Significación y Reivindicaciones
El artículo afirma cerrar una brecha significativa en el modelado psicométrico al proporcionar un contraparte de AF riguroso para el modelo de 4P de la TRI. Los autores postulan que esta equivalencia permite a los investigadores aprovechar los marcos de estimación específicos de AF para modelos con parámetros de adivinación e inatención. Sugieren que la parametrización de AF puede ofrecer ventajas prácticas en el rendimiento de la estimación, particularmente en cuanto a estabilidad y precisión en contextos Bayesianos. Además, se destaca la capacidad de derivar puntuaciones de capacidad "purificadas" (NGNI) que dan cuenta de fuentes específicas de error (adivinación e inatención), ofreciendo una aplicación novedosa de la metodología que proporciona una visión diagnóstica más profunda del comportamiento del encuestado que los modelos de la TRI estándar. El trabajo no pretende reemplazar los métodos existentes de la TRI, sino extender la tradición del AF para acomodar comportos de respuesta complejos, unificando así dos de las principales tradiciones psicométricas bajo un único marco flexible.