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

Resumo Técnico: Unindo a Teoria de Resposta ao Item e a Análise Fatorial por meio de um Modelo de Mistura de Quatro Parâmetros Dicotomizado

Problema
A Teoria de Resposta ao Item (TRI) e a Análise Fatorial (AF) são estruturas fundamentais para modelar traços latentes usando dados de múltiplos itens. Embora a equivalência entre o modelo de dois parâmetros (2P) da TRI e o modelo de AF de fator único dicotomizado seja bem estabelecida, a extensão dessa correspondência para modelos de TRI com parâmetros adicionais — especificamente os modelos de três parâmetros (3P) e quatro parâmetros (4P) — é menos comum. O modelo 4P da TRI incorpora os parâmetros de pseudo-adivinhação ($c$) e desatenção ($d$) para dar conta de comportamentos de resposta, como adivinhação ou erros por descuido. No entanto, os modelos de AF dicotomizados padrão não conseguem acomodar naturalmente as assíntotas inferior e superior introduzidas por esses parâmetros. Consequentemente, há uma carência de uma formulação de AF formal que seja analiticamente equivalente ao modelo 4P da TRI, o que limita a capacidade de utilizar estruturas de estimação específicas de AF ou vantagens interpretativas para modelos de parâmetros mais elevados.

Metodologia
Os autores propõem um modelo de Análise Fatorial de Quatro Parâmetros (4P AF) que estende a estrutura tradicional de AF dicotomizada através de uma formulação de mistura hierárquica.

1. Construção do Modelo:

   • O modelo começa com uma estrutura de AF linear padrão onde uma resposta de item contínua $Y^*_i$ é definida como $Y^*_i = \alpha_i \theta + \epsilon_i$, onde $\theta$ representa o traço latente.
   • Ocorre uma primeira dicotomização em um limiar $\tau_i$, criando um indicador binário latente $Z_i$. Se $Y^*_i \geq \tau_i$, o respondente é considerado como tendo "resolvido" o item ($Z_i=1$); caso contrário, não o fez ($Z_i=0$).
   • Um modelo de mistura de segundo nível gera a resposta binária observada $Y_i$ baseada em $Z_i$:
     • Se $Z_i = 0$ (desempenho latente abaixo do limiar), $Y_i$ segue uma distribuição de Bernoulli com probabilidade de sucesso $c_i$ (parâmetro de adivinhação).
     • Se $Z_i = 1$ (desempenho latente acima do limiar), $Y_i$ segue uma distribuição de Bernoulli com probabilidade de sucesso $d_i$ (parâmetro de desatenção, onde $d_i < 1$ contabiliza lapsos).
   • Esta estrutura resulta no modelo 4P de AF, o qual os autores provam ser analiticamente equivalente ao modelo 4P da TRI. Os parâmetros de AF ($\alpha_i, \tau_i$) mapeiam para a discriminação ($a_i$) e dificuldade ($b_i$) da TRI via transformações padrão, enquanto $c_i$ e $d_i$ são compartilhados diretamente.

2. Procedimento de Estimação:

   • Um procedimento de estimação Bayesiana é desenvolvido para estimar os quatro parâmetros do item ($a, b, c, d$), os escores de traço latente ($\theta$) e os escores de habilidade ajustados.
   • O modelo é implementado usando Grafos Acíclicos Dirigidos (DAGs) em R (via o pacote runjags fazendo interface com o JAGS) e Python (via pymc).
   • A implementação em JAGS utiliza amostragem de Gibbs, enquanto a implementação em Python emprega o No-U-Turn Sampler (NUTS), embora este último exija o tratamento de variáveis latentes discretas ($Z_i$) via amostradores alternativos, o que impacta a velocidade computacional.
   • A estrutura também permite a estimação de escores "NGNI" (Não-Adivinhação e Não-Desatenção), que ajustam os escores observados removendo os efeitos de adivinhação e desatenção.

Principais Contribuições

• Extensão Teórica: O artigo estabelece formalmente a equivalência analítica entre o modelo 4P de AF e o modelo 4P de TRI, estendendo a correspondência AF–TRI além do caso 2P.
• Formulação de Mistura Hierárquica: Introduz uma estrutura de mistura hierárquica específica dentro da estrutura de AF para dar conta de adivinhação e desatenção, fornecendo uma formulação de variável latente que os modelos de AF padrão não possuem.
• Implementação de Software: Os autores fornecem implementações de código aberto tanto em R quanto em Python, facilitando a aplicação deste modelo complexo.
• Ajuste de Escores: A metodologia possibilita o cálculo de escores de habilidade ajustados para distorções de resposta específicas (adivinhação e desatenção), oferecendo uma ferramenta diagnóstica que vai além dos escores de habilidade padrão da TRI.

Resultados

• Estudo de Simulação: Um estudo de simulação comparou a estimação Bayesiana do 4P AF proposto (4FA-B) contra uma estimação Bayesiana típica de 4P da TRI (4IRT-B) e uma estimação frequentista de 4P da TRI usando o algoritmo EM (4IRT-EM).
  • Convergência: O algoritmo EM (4IRT-EM) frequentemente falhou em convergir ou divergiu, particularmente com amostras menores (ex: $n=50$) ou maior número de itens. As abordagens Bayesianas (ambas as parametrizações de AF e TRI) demonstraram superior estabilidade.
  • Precisão: Embora o algoritmo EM tenha sido computacionalmente mais rápido (segundos vs. minutos/horas para os métodos Bayesianos), as estimativas Bayesianas geralmente exibiram menor Erro Quadrático Médio (MSE), particularmente em cenários de amostra pequena.
  • Parametrização: O estudo descobriu que a parametrização de AF (4FA-B) frequentemente produziu estimativas de discriminação e dificuldade mais alinhadas com os valores reais simulados em comparação com a parametrização Bayesiana típica da TRI (4IRT-B), sugerindo potenciais vantagens práticas no desempenho da estimação.
• Exemplos Empíricos: O modelo foi aplicado a dois conjuntos de dados: um teste de admissão (MSATB, 1407 respondentes, 20 itens) e um inventário de ansiedade (766 respondentes, 29 itens).
  • Os resultados confirmaram forte concordância entre os parâmetros de 4P AF e 4P da TRI quando transformados em uma métrica comum.
  • A aplicação demonstrou o cálculo de escores NGNI, NG (não-adivinhação) e NI (não-desatenção), mostrando como esses escores ajustados diferem dos totais observados com base nos padrões de resposta e na dificuldade dos itens.

Significância e Alegações
O artigo afirma preencher uma lacça significativa na modelagem psicométrica ao fornecer um contraparte de AF rigoroso para o modelo 4P da TRI. Os autores sustentam que essa equivalência permite que pesquisadores utilizem estruturas de estimação específicas de AF para modelos com parâmetros de adivinhação e desatenção. Eles sugerem que a parametrização de AF pode oferecer vantagens práticas na performance da estimação, particularmente no que diz respeito à estabilidade e precisão em contextos Bayesianos. Além disso, a capacidade de derivar escores de habilidade "purificados" (NGNI) que consideram fontes específicas de erro (adivinhação e desatenção) é destacada como uma aplicação novel da metodologia, oferecendo insights diagnósticos mais profundos sobre o comportamento do respondente do que os modelos de TRI padrão fornecem. O trabalho não pretende substituir os métodos existentes de TRI, mas sim estender a tradição da AF para acomodar comportamentos de resposta complexos, unificando assim duas grandes tradições psicométricas sob um único e flexível framework.