A dimensão de interesse é a mobilidade da liberdade social das mulheres. As mulheres foram questionadas se conseguiam realizar sozinhas as seguintes atividades (1 = sim, 0 = não):
Item 1 - Ir a qualquer parte da vila/cidade.
Item 2 - Sair da vila/cidade.
Item 3 - Conversar com um homem desconhecido.
Item 4 - Ir ao cinema/a um espetáculo cultural.
Item 5 - Ir às compras.
Item 6 - Ir a uma cooperativa/clube de mães/outro clube.
Item 7 - Participar de uma reunião política.
Item 8 Ir a um centro de saúde/hospital.
Fonte: Pesquisa de Fertilidade de Bangladesh de 1989 (Huq e Cleland, 1990).
$items
a b g u
Item 1 2.106 -1.084 0 1
Item 2 2.070 0.629 0 1
Item 3 1.508 -1.025 0 1
Item 4 3.013 0.400 0 1
Item 5 4.082 1.611 0 1
Item 6 3.215 1.385 0 1
Item 7 6.352 1.677 0 1
Item 8 3.069 1.568 0 1
$means
F1
0
$cov
F1
F1 1
Tabela mostrando os erros padrões
coef(ajuste, IRTpars =TRUE, printSE=T)
$`Item 1`
a b g u
par 2.106 -1.084 0 1
SE 0.091 0.028 NA NA
$`Item 2`
a b g u
par 2.070 0.629 0 1
SE 0.068 0.020 NA NA
$`Item 3`
a b g u
par 1.508 -1.025 0 1
SE 0.057 0.031 NA NA
$`Item 4`
a b g u
par 3.013 0.400 0 1
SE 0.125 0.017 NA NA
$`Item 5`
a b g u
par 4.082 1.611 0 1
SE 0.216 0.028 NA NA
$`Item 6`
a b g u
par 3.215 1.385 0 1
SE 0.139 0.026 NA NA
$`Item 7`
a b g u
par 6.352 1.677 0 1
SE 0.556 0.027 NA NA
$`Item 8`
a b g u
par 3.069 1.568 0 1
SE 0.132 0.030 NA NA
$GroupPars
MEAN_1 COV_11
par 0 1
SE NA NA
Compara os tetas estimado com o score total
plot(ajuste)
# Mesmo gráfico anterior com o intervalo de confiança (Demora para rodar)# plot(ajuste, MI=100)
Curva Caracteristica dos Itens (CCI)
plot(ajuste, type ='trace')
Curva de informação do teste
plot(ajuste, type ='info')
Curva de informação do teste com erro padrão
plot(ajuste, type ='infoSE')
Curva de informação de todos os item
plot(ajuste, type ='infotrace')
Curva de informação por item
itemplot(ajuste, 1, type ='info')
Curva caracteristica por itens
itemplot(ajuste, 1, type ='trace')
itemplot(ajuste, 2, type ='trace')
Curva caracteristica por item com a curva de informação
1. M2, df e valor p (M2 = 377.922, df = 20, p = 0)
O que é: É um teste de qui-quadrado (\(\chi^{2}\)) modificado para dados categóricos.
Interpretação: O ideal teórico seria um valor (p > 0,05) (o que indicaria que não há diferença entre o modelo e os dados reais). No entanto, o (M2) é altamente sensível ao tamanho da amostra. Em amostras moderadas ou grandes, o valor (p) quase sempre será zero (p < 0,001), rejeitando a hipótese nula. Por isso, não se guie apenas pelo valor p e foque nos índices abaixo.
2. RMSEA (0.046) e seus intervalos de confiança (0.042 a 0.05)
O que é: O Root Mean Square Error of Approximation mede o erro de aproximação do modelo. Ele penaliza modelos muito complexos.
Pontos de corte:
Menor que (0,05): Excelente ajuste (o seu caso).
Entre (0,05) e (0,08): Ajuste adequado/bom.
Maior que (0,10): Ajuste ruim.
Interpretação: O seu valor de 0,046 demonstra que o resíduo do modelo é muito baixo. O intervalo de confiança de 90% (RMSEA_5 e RMSEA_95) está totalmente abaixo de (0,05), o que dá muita segurança de que o ajuste é ótimo.
3. SRMSR (0.032)
O que é: O Standardized Root Mean Square Residual analisa a média das diferenças entre as correlações observadas e as previstas pelo modelo.
Pontos de corte: Menor que (0,08) indica um bom ajuste. Menor que (0,05) é considerado excelente.
Interpretação: O valor de 0,032 mostra que o erro médio de correlação residual é extremamente pequeno.
### 4. TLI (0.983) e CFI (0.988)
O que são: O Tucker-Lewis Index e o Comparative Fit Index são índices de ajuste comparativo. Eles comparam o seu modelo com um modelo “nulo” (onde as variáveis não teriam nenhuma relação entre si).
Pontos de corte: Ambos devem ser maiores que (0,90) para um ajuste aceitável, e maiores que (0,95) para um ajuste excelente.
Interpretação: Seus valores (0,983 e 0,988) estão confortavelmente acima de (0,95), confirmando a alta qualidade do modelo ajustado.
