Projeto - Figuras
Luis Anunciacao, PhD
29 July, 2021
Preliminary notes
Note This is an R markdown document and refers to the data analysis of the psychological test FIGURAS - MIG. Data and codes are availabe at https://osf.io/492et/.
óóFeel free to contact me at luisfca@puc-rio.br
last updated: 29 July, 2021
Load packages
Get the processed ds
Participants
Fizeram parte desta pesquisa 1.326 participantes, com idade média de 25,65 anos (DP = 9,60, com mínimo de 15 e máximo de 64 anos, sendo 57,5% (n = 763) mulheres. A escolaridade superior completa ou incompleta (61,8%, n = 792) foi a mais presente entre os participantes, que se mostrarammais concentrados na região sudeste (83,7%, n = 1106). Do total, cerca de 14% (n = 182) foram avaliados no contexto do trânsito, 4% (n=56) avaliados no contexto de saúde (i.e., tratamento psicológico) e 7,8% (103) foram policiais militares com porte de armas de fogo. Esses últimos participantes, tiveram idade média de 25.47 anos (DP = 3,17) com ensino médio predominante (72%). O perfil descritivo dos participantes encontra-se apresentado na Tabela 1.
Na segunda parte dessa pesquisa, 132 participantes foram novamente avaliados após 1 mês. A idade desta subamostra variou entre 19 e 53 anos, com média de 26,8 (DP = 10,5). Esses participantes eram predominantemente mulheres (63,9%) e pessoas com ensino superior (78,2%).
Table 1
##
##
## | | Overall (N=1326) |
## |:-----------------------------|:----------------:|
## |**sex** | |
## | F | 763 (57.5%) |
## | M | 563 (42.5%) |
## |**idade** | |
## | N-Miss | 10 |
## | Mean (SD) | 25.649 (9.600) |
## | Range | 15.000 - 64.000 |
## |**region** | |
## | N-Miss | 4 |
## | ne | 133 (10.1%) |
## | se | 1106 (83.7%) |
## | su | 83 (6.3%) |
## |**schooling** | |
## | N-Miss | 44 |
## | fundamental | 63 (4.9%) |
## | medio | 427 (33.3%) |
## | superior | 792 (61.8%) |
## |**escolarid_n** | |
## | N-Miss | 44 |
## | Mean (SD) | 2.576 (0.604) |
## | Range | 1.000 - 6.000 |
## |**traffic** | |
## | no | 1144 (86.3%) |
## | yes | 182 (13.7%) |
## |**prof_driver** | |
## | nao | 1153 (87.0%) |
## | sim | 173 (13.0%) |
## |**clinical** | |
## | no | 1270 (95.8%) |
## | yes | 56 (4.2%) |
## |**pm** | |
## | nao | 1223 (92.2%) |
## | sim | 103 (7.8%) |## Frequencies
## ds$escolarid_n
## Type: Factor
## Group: pm = nao
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 63 5.330 5.330 5.151 5.151
## 2 355 30.034 35.364 29.027 34.178
## 3 759 64.213 99.577 62.061 96.239
## 4 2 0.169 99.746 0.164 96.402
## 5 2 0.169 99.915 0.164 96.566
## 6 1 0.085 100.000 0.082 96.648
## <NA> 41 3.352 100.000
## Total 1223 100.000 100.000 100.000 100.000
##
## Group: pm = sim
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 0 0.00 0.00 0.00 0.00
## 2 72 72.00 72.00 69.90 69.90
## 3 28 28.00 100.00 27.18 97.09
## 4 0 0.00 100.00 0.00 97.09
## 5 0 0.00 100.00 0.00 97.09
## 6 0 0.00 100.00 0.00 97.09
## <NA> 3 2.91 100.00
## Total 103 100.00 100.00 100.00 100.00Statistical analysis
Inicialmente, a adequação computacional da base de dados foi verificada. Não houve dados ausentes ou anômalos nos itens do MIG. Dados ausentes nas características sociodemográficas (ex: idade e escolaridade) representaram cerca de 3% das observações e não foram imputados. Variáveis categóricas foram descritas a partir de suas frequências absolutas e relativas percentuais (%), enquanto variáveis contínuas foram apresentadas por suas médias (M) e desvios-padrão (DP). Em relação às análises psicométricas, um conjunto de etapas foi realizado para investigar diferentes fontes de evidência de validade do MIG, tal como é solicitado pela literatura específica (AERA et al., 2014; Sireci, 2007).
Para avaliar a fidedignidade do instrumento, a consistência interna dos resultados foi obtida por meio do Coeficiente Alfa de Cronbach, Lambda de Guttman e correlação item-total (eventualmente, também chamada de item-restante), utilizando a correlação ponto-bisserial (rpb), tal como recomenda a literatura atual (Cheung & Yip, 2005). Para investigar a estabilidade dos resultados, um conjunto de participantes foi avaliado após 1 mês e técnicas teste-reteste foram realizadas a partir da Correlação de Spearman entre todos os itens do MIG, bem como foram calculados os coeficientes Alfa de Cronbach e Lambda de Guttman especificamente para esta etapa da pesquisa. A diferença entre os resultados obtidos na primeira e segunda etapa da pesquisa foi testada por meio do teste t pareado, partindo-se da hipótese de inexistência de diferença significativa.
Uma vez que o MIG foi desenvolvido com base na teoria do Fator g, sua dimensionalidade foi testada, inicialmente, por uma Análise Fatorial Confirmatória (AFC), em que se definiu um modelo unidimensional a priori. Para efetuar a AFC, todos os itens e participantes avaliados pelo MIG foram considerados. A extração fatorial foi realizada a partir de uma matriz de correlação teatracórica, utilizando o método de mínimos quadrados ponderados robustos ajustados pela média (WLSM) como estimador. Esse método é atualmente o mais indicado para a análise de dados categóricos (Suh, 2015; Tarka, 2017).
A avaliação da adequação do modelo resultante contou com um conjunto de critérios. Inicialmente, a interpretabilidade da solução foi considerada como uma primeira evidência. Além disso, os seguintes desfechos estatísticos foram utilizados: Teste de Esfericidade de Bartlett significativo, Critério de Kaiser-Meyer-Olkin (KMO) igual ou superior a 0,7, Comparative Fit Index (CFI) ou o Tucker-Lewis Index (TLI) ou o Goodness of Fit Index (GFI) iguais ou acima de 0,9, Root Mean Square of Error of Approximation (RMSEA) com resultado abaixo de 0,08 e aceitável quando abaixo de 0,1 e cargas fatoriais dos itens, em sua maioria, significativas e preferencialmente iguais ou acima de 0,3 (Costello & Osborne, 2011; Marôco, 2010).
Após esse conjunto de evidências, modelos de 2PL e 3PL da Teoria de Resposta ao Item (TRI) foram ajustados aos dados e comparados por critérios de informação. Isso ocorreu para se ter mais informações em relação as propriedades dos itens. Nesse sentido, o menor valor do Bayesian Information Criterion (BIC) foi estipulado para apoio decisional (Vrieze, 2012). Pelo ambiente de trabalho da TRI, os parâmetros dos itens e a habilidade dos participantes foram calculados. Com isso, foi também possível investigar a Curva de Informação dos Itens (CCI) e do teste (CCT), bem como identificar o local em que o teste produz maior informação e menor erro das estimativas. Essas últimas análises produzem resultados análogos ao conceito de fidedignidade ou precisão na Teoria Clássica dos Testes (TCT) (Reise & Revicki, 2015).
É importante destacar que a AFC e a TRI produzem resultados similares, ou que podem ser aproximados, quando o estimador utilizado na AFC é adequado para variáveis categóricas. Entretanto, os resultados obtidos pela TRI apresentam maior informação sobre as propriedades dos itens e suas curvas de informação (Klein, 2013).
A invariância da medida e o funcionamento diferencial dos itens (DIF) foram computados em função do sexo do participante. A invariância configural (chamada também de equivalência de estrutura) testa se a estrutura dimensional é similar entre os grupos; a invariância métrica (também denominada de invariância fraca) verifica se as cargas fatoriais dos itens são iguais para todos os grupos e a invariância escalar (denominada de invariância forte) permite comparação de escores entre grupos, partindo do pressuposto de que os interceptos dos itens são equivalentes para os diferentes grupos. Os testes verificaram a diferença do Comparative Fit Index (ΔCFI) e consideraram como invariantes aqueles resultados não significativos (Chalmers et al., 2016). Por sua vez, o DIF foi explorado com base em uma varredura intensa de todos os itens, buscando eventuais diferenças nos acertos entre grupos de homens e mulheres com a mesma habilidade. Em seguida, o escore total esperado também foi investigado em busca de funcionamento diferencial.
O relacionamento do MIG com outras medidas foi testado a partir de técnicas correlacionais. O Rho de Spearman foi calculado entre os resultados obtidos no MIG e aqueles obtidos por outras medidas de inteligência (R-1, n = 43, Beta, n = 98 e TRAP, n = 16), bem como outros testes de habilidades específicas (por exemplo, MEMORE, n = 1087 e ROTAS, n = 1197). Considerou-se como evidências adequadas as correlações que se mostraram significativas. Valores iguais ou superiores a 0,1 foram interpretados como uma correlação fraca, 0,3 como correlação moderada e 0,5 como correlação forte (Cohen, 1988).
Após essas análises, uma classe de modelos lineares gerais foi ajustada aos dados para testar hipóteses previamente estabelecidas sobre o processo de resposta, especificamente diferenças em relação à sexo, tratamento clínico, escolaridade e faixa etária. Múltiplas comparações pareadas podem inflacionar o erro do tipo 1 e, como medida de ajuste, os valores de p destas análises foram corrigidos pela técnica de Bonferroni (Judd et al., 2009).
Finalmente, as normas de interpretação foram desenvolvidas visando fornecer medidas adicionar e, consequentemente, ampliar a utilidade do MIG. Tais normas intragrupos contaram com a relação entre valores brutos e postos percentílicos, bem como por um processo de transformação não-linear dos dados. Esta última técnica altera o formato da distribuição dos dados para fazê-la semelhante à curva normal teórica, o que permite uma interpretação dos resultados maneira idêntica ao Escore Padrão Normalizado (EPN). Tal procedimento é também utilizado em outros instrumentos brasileiros de inteligência (Primi & Almeida, 2000) e foi computador pelo algoritmo exposto em Burns (1988).
As classificações associadas às faixas de percentis foram criadas para oferecer uma síntese informativa dos resultados aos usuários do MIG. Valores entre o percentil 30 e 70 foram considerados médios; valores entre 10 e abaixo de 30 foram considerados médios inferiores; valores acima de 70 e até 90 foram considerados médios superiores e valores abaixo de 10 e acima de 90 foram considerados, respectivamente, como inferiores e superiores. As classificações baseadas no EPN seguiram o sistema Wechsler (Wechsler, 2008).
Todas as análises consideraram o valor de alfa (α) em 0,05 e foram feitas no programa estatístico R 4.0, com base nos pacotes tidyverse (Wickham, 2016), psych (Revelle, 2015), lavaan (Rosseel, 2012) e mirt (Chalmers, 2012), bem como no programa Python 3.8 (Van Rossum & Drake, 2012), com o módulos scikit-learn (Pedregosa et al., 2011) e FactorAnalyzer.
Results
O primeiro conjunto de evidências analisado se referiu a aspectos relacionados à estrutura interna do MIG, especialmente a análise de fidedignidade ou precisão dos dados. Para verificar a consistência interna do instrumento, estimadores da Teoria Clássica dos testes tau-equivalentes e congenéricos foram utilizados. Para verificar a estabilidade dos resultados, técnicas análises dependentes calcadas em teste-reteste foram utilizadas.
Como um todo, o instrumento apresentou Coeficiente Alfa de 0,88 (IC 95% 0,87-0,89), Coeficiente Lambda de Guttman de 0,9 e correlação média inter-itens de 0,2, Tais resultados apontam para uma consistência interna alta do MIG. Esse padrão de alta consistência também foi verificado ao analisar isoladamente os dados dos participantes retestados (Alfa de Cronbach = 0,92 (IC 95% 0,89-0,95), auxiliando na verificação da estabilidade da medida. A proporção média de acertos foi de 54%.
O item 1 foi o com maior proporção de acertos (93%) e o item 27 o com menor (2%). É importante destacar que esse resultado não considera variáveis que podem influenciar no acerto, sejam relacionadas às propriedades dos itens ou às características dos participantes. A correlação ponto-bisserial (rpb) entre cada um dos itens e o total foi realizada. Este coeficiente é um caso particular da correlação de Pearson, que inclui uma expressão que considera, explicitamente, os parâmetros da distribuição subjacente aos dados. Seus resultados são interpretados tal como um tamanho do efeito sobre discriminação dos itens. Valores iguais ou acima de 0,1 indicam um efeito pequeno, 0.3 indicam efeito médio e 0.5 ou superior indicam efeito grande (LeBlanc & Cox, 2017). A Tabela 2 sintetiza os achados descritivos dos itens.
## # A tibble: 1 x 28
## fig_1 fig_2 fig_3 fig_4 fig_5 fig_6 fig_7 fig_8 fig_9 fig_10 fig_11 fig_12
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0.934 0.876 0.922 0.916 0.485 0.873 0.770 0.698 0.566 0.839 0.798 0.715
## # ... with 16 more variables: fig_13 <dbl>, fig_14 <dbl>, fig_15 <dbl>,
## # fig_16 <dbl>, fig_17 <dbl>, fig_18 <dbl>, fig_19 <dbl>, fig_20 <dbl>,
## # fig_21 <dbl>, fig_22 <dbl>, fig_23 <dbl>, fig_24 <dbl>, fig_25 <dbl>,
## # fig_26 <dbl>, fig_27 <dbl>, fig_28 <dbl>## .
## 0.536226item | média | cor ponto-bis | alfa se deletado |
1 | 0.93363499 | 0.2998750 | 0.8779670 |
2 | 0.87556561 | 0.3440085 | 0.8775516 |
3 | 0.92232278 | 0.3320550 | 0.8775058 |
4 | 0.91553544 | 0.3509196 | 0.8772117 |
5 | 0.48491704 | 0.2722969 | 0.8820600 |
6 | 0.87330317 | 0.3484304 | 0.8774784 |
7 | 0.76998492 | 0.4477554 | 0.8757658 |
8 | 0.69758673 | 0.4034682 | 0.8774110 |
9 | 0.56636501 | 0.3949452 | 0.8782396 |
10 | 0.83936652 | 0.4199135 | 0.8761239 |
11 | 0.79788839 | 0.4965297 | 0.8743838 |
12 | 0.71493213 | 0.5362475 | 0.8734568 |
13 | 0.82428356 | 0.5893295 | 0.8720495 |
14 | 0.73303167 | 0.5683350 | 0.8724844 |
15 | 0.58748115 | 0.5274554 | 0.8739942 |
16 | 0.34389140 | 0.4582774 | 0.8759905 |
17 | 0.53393665 | 0.6562640 | 0.8697046 |
18 | 0.47888386 | 0.6887517 | 0.8685694 |
19 | 0.44494721 | 0.7236062 | 0.8673493 |
20 | 0.44042232 | 0.7082790 | 0.8678937 |
21 | 0.34464555 | 0.6791519 | 0.8689812 |
22 | 0.26621418 | 0.6268431 | 0.8707498 |
23 | 0.17948718 | 0.5248806 | 0.8736486 |
24 | 0.19984917 | 0.5718633 | 0.8724181 |
25 | 0.11915535 | 0.4489821 | 0.8754071 |
26 | 0.07616893 | 0.3626466 | 0.8770074 |
27 | 0.01734540 | 0.1950727 | 0.8790624 |
28 | 0.03318250 | 0.2451300 | 0.8785826 |
Alfa da segunda aplicação
##
## Reliability analysis
## Call: alpha(x = .)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.92 0.92 0.98 0.29 11 0.017 0.49 0.23 0.28
##
## lower alpha upper 95% confidence boundaries
## 0.89 0.92 0.95
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## fig_1 0.92 0.92 0.98 0.30 11 0.018 0.034 0.28
## fig_2 0.92 0.92 0.98 0.29 11 0.018 0.034 0.28
## fig_3 0.92 0.92 0.98 0.30 11 0.017 0.033 0.29
## fig_4 0.92 0.92 0.98 0.30 11 0.018 0.034 0.29
## fig_5 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_6 0.92 0.92 0.98 0.30 11 0.017 0.032 0.29
## fig_7 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_8 0.92 0.91 0.97 0.29 10 0.018 0.033 0.28
## fig_9 0.92 0.91 0.98 0.29 11 0.018 0.034 0.29
## fig_10 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_11 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_12 0.92 0.91 0.98 0.29 10 0.018 0.034 0.28
## fig_13 0.92 0.91 0.98 0.29 10 0.018 0.035 0.28
## fig_14 0.92 0.91 0.97 0.29 10 0.018 0.034 0.27
## fig_15 0.92 0.91 0.98 0.28 10 0.019 0.034 0.27
## fig_16 0.92 0.92 0.98 0.29 11 0.018 0.034 0.28
## fig_17 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_18 0.91 0.91 0.98 0.28 10 0.019 0.033 0.27
## fig_19 0.91 0.91 0.98 0.28 10 0.019 0.031 0.27
## fig_20 0.92 0.91 0.97 0.28 10 0.018 0.033 0.28
## fig_21 0.92 0.91 0.97 0.28 10 0.019 0.031 0.27
## fig_22 0.92 0.91 0.98 0.28 10 0.018 0.033 0.28
## fig_23 0.92 0.91 0.98 0.29 11 0.018 0.034 0.28
## fig_24 0.92 0.91 0.98 0.28 10 0.019 0.033 0.27
## fig_25 0.92 0.92 0.98 0.30 11 0.018 0.034 0.29
## fig_26 0.92 0.92 0.98 0.30 11 0.018 0.033 0.29
## fig_28 0.92 0.92 0.98 0.31 11 0.017 0.031 0.29
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## fig_1 38 0.44 0.44 0.43 0.39 0.816 0.39
## fig_2 38 0.44 0.49 0.48 0.40 0.921 0.27
## fig_3 38 0.37 0.43 0.42 0.34 0.947 0.23
## fig_4 38 0.35 0.39 0.38 0.32 0.947 0.23
## fig_5 38 0.59 0.58 0.57 0.54 0.526 0.51
## fig_6 38 0.25 0.28 0.27 0.19 0.789 0.41
## fig_7 38 0.56 0.55 0.54 0.51 0.632 0.49
## fig_8 38 0.69 0.67 0.67 0.65 0.500 0.51
## fig_9 38 0.54 0.51 0.51 0.48 0.421 0.50
## fig_10 38 0.59 0.58 0.57 0.54 0.763 0.43
## fig_11 38 0.52 0.52 0.51 0.47 0.763 0.43
## fig_12 38 0.64 0.63 0.63 0.60 0.658 0.48
## fig_13 38 0.62 0.63 0.63 0.58 0.816 0.39
## fig_14 38 0.65 0.64 0.64 0.61 0.605 0.50
## fig_15 38 0.72 0.71 0.71 0.68 0.526 0.51
## fig_16 38 0.48 0.48 0.46 0.43 0.316 0.47
## fig_17 38 0.59 0.58 0.58 0.54 0.421 0.50
## fig_18 38 0.79 0.79 0.78 0.76 0.342 0.48
## fig_19 38 0.82 0.80 0.81 0.79 0.395 0.50
## fig_20 38 0.68 0.68 0.69 0.64 0.474 0.51
## fig_21 38 0.73 0.71 0.72 0.70 0.289 0.46
## fig_22 38 0.70 0.68 0.68 0.67 0.184 0.39
## fig_23 38 0.60 0.59 0.58 0.56 0.158 0.37
## fig_24 38 0.73 0.73 0.73 0.70 0.237 0.43
## fig_25 38 0.42 0.43 0.41 0.38 0.079 0.27
## fig_26 38 0.43 0.45 0.44 0.38 0.158 0.37
## fig_28 38 0.18 0.22 0.21 0.16 0.026 0.16
##
## Non missing response frequency for each item
## 0 1 miss
## fig_1 0.18 0.82 0
## fig_2 0.08 0.92 0
## fig_3 0.05 0.95 0
## fig_4 0.05 0.95 0
## fig_5 0.47 0.53 0
## fig_6 0.21 0.79 0
## fig_7 0.37 0.63 0
## fig_8 0.50 0.50 0
## fig_9 0.58 0.42 0
## fig_10 0.24 0.76 0
## fig_11 0.24 0.76 0
## fig_12 0.34 0.66 0
## fig_13 0.18 0.82 0
## fig_14 0.39 0.61 0
## fig_15 0.47 0.53 0
## fig_16 0.68 0.32 0
## fig_17 0.58 0.42 0
## fig_18 0.66 0.34 0
## fig_19 0.61 0.39 0
## fig_20 0.53 0.47 0
## fig_21 0.71 0.29 0
## fig_22 0.82 0.18 0
## fig_23 0.84 0.16 0
## fig_24 0.76 0.24 0
## fig_25 0.92 0.08 0
## fig_26 0.84 0.16 0
## fig_28 0.97 0.03 0##
##
## | | Overall (N=38) |
## |:---------------------------|:--------------:|
## |**fig_1** | |
## | Mean (SD) | 0.816 (0.393) |
## | Range | 0.000 - 1.000 |
## |**fig_2** | |
## | Mean (SD) | 0.921 (0.273) |
## | Range | 0.000 - 1.000 |
## |**fig_3** | |
## | Mean (SD) | 0.947 (0.226) |
## | Range | 0.000 - 1.000 |
## |**fig_4** | |
## | Mean (SD) | 0.947 (0.226) |
## | Range | 0.000 - 1.000 |
## |**fig_5** | |
## | Mean (SD) | 0.526 (0.506) |
## | Range | 0.000 - 1.000 |
## |**fig_6** | |
## | Mean (SD) | 0.789 (0.413) |
## | Range | 0.000 - 1.000 |
## |**fig_7** | |
## | Mean (SD) | 0.632 (0.489) |
## | Range | 0.000 - 1.000 |
## |**fig_8** | |
## | Mean (SD) | 0.500 (0.507) |
## | Range | 0.000 - 1.000 |
## |**fig_9** | |
## | Mean (SD) | 0.421 (0.500) |
## | Range | 0.000 - 1.000 |
## |**fig_10** | |
## | Mean (SD) | 0.763 (0.431) |
## | Range | 0.000 - 1.000 |
## |**fig_11** | |
## | Mean (SD) | 0.763 (0.431) |
## | Range | 0.000 - 1.000 |
## |**fig_12** | |
## | Mean (SD) | 0.658 (0.481) |
## | Range | 0.000 - 1.000 |
## |**fig_13** | |
## | Mean (SD) | 0.816 (0.393) |
## | Range | 0.000 - 1.000 |
## |**fig_14** | |
## | Mean (SD) | 0.605 (0.495) |
## | Range | 0.000 - 1.000 |
## |**fig_15** | |
## | Mean (SD) | 0.526 (0.506) |
## | Range | 0.000 - 1.000 |
## |**fig_16** | |
## | Mean (SD) | 0.316 (0.471) |
## | Range | 0.000 - 1.000 |
## |**fig_17** | |
## | Mean (SD) | 0.421 (0.500) |
## | Range | 0.000 - 1.000 |
## |**fig_18** | |
## | Mean (SD) | 0.342 (0.481) |
## | Range | 0.000 - 1.000 |
## |**fig_19** | |
## | Mean (SD) | 0.395 (0.495) |
## | Range | 0.000 - 1.000 |
## |**fig_20** | |
## | Mean (SD) | 0.474 (0.506) |
## | Range | 0.000 - 1.000 |
## |**fig_21** | |
## | Mean (SD) | 0.289 (0.460) |
## | Range | 0.000 - 1.000 |
## |**fig_22** | |
## | Mean (SD) | 0.184 (0.393) |
## | Range | 0.000 - 1.000 |
## |**fig_23** | |
## | Mean (SD) | 0.158 (0.370) |
## | Range | 0.000 - 1.000 |
## |**fig_24** | |
## | Mean (SD) | 0.237 (0.431) |
## | Range | 0.000 - 1.000 |
## |**fig_25** | |
## | Mean (SD) | 0.079 (0.273) |
## | Range | 0.000 - 1.000 |
## |**fig_26** | |
## | Mean (SD) | 0.158 (0.370) |
## | Range | 0.000 - 1.000 |
## |**fig_27** | |
## | Mean (SD) | 0.000 (0.000) |
## | Range | 0.000 - 0.000 |
## |**fig_28** | |
## | Mean (SD) | 0.026 (0.162) |
## | Range | 0.000 - 1.000 |Teste-reteste
Além do cálculo do Coeficiente Alfa e do Lambda de Guttman, uma das formas para se verificar aspectos de fidedignidade dos resultados e do instrumento é a partir de técnicas de teste-reteste.
Nesta pesquisa, após 1 mês, 36 participantes foram novamente avaliados e a estabilidade da medida foi testada pela correlação não-redundante entre as respostas dadas aos itens em ambas as aplicações, bem como pela diferença das médias obtidas neste dois intervalos de tempo e pelo cálculo de coeficientes de fidedignidade relacionados apenas os dados deste segundo momento.
A correlação média entre os itens foi de 0.3 (máximo de 0.83), não houve diferença significativa dos resultados obtidos (t(35) = 0.343, p = 0.73) e, na segunda aplicação, o Coeficiente Alfa de Cronbach foi de 0.92 (IC 95% 0.88-0.95) e o Lambda de Guttman foi 0.97. Estes resultados indicam a estabilidade temporal do Figuras-28. A correlação entre cada um dos itens também foi realizada e encontra-se disposta na Tabela X.
Descritivo
##
##
## | | Overall (N=72) |
## |:-----------------------------|:---------------:|
## |**sex** | |
## | F | 26 (36.1%) |
## | M | 46 (63.9%) |
## |**idade** | |
## | Mean (SD) | 27.167 (11.152) |
## | Range | 18.000 - 64.000 |
## |**region** | |
## | ne | 0 (0.0%) |
## | se | 0 (0.0%) |
## | su | 72 (100.0%) |
## |**schooling** | |
## | N-Miss | 3 |
## | fundamental | 10 (14.5%) |
## | medio | 44 (63.8%) |
## | superior | 15 (21.7%) |
## |**escolarid_n** | |
## | N-Miss | 3 |
## | Mean (SD) | 2.072 (0.602) |
## | Range | 1.000 - 3.000 |
## |**traffic** | |
## | no | 34 (47.2%) |
## | yes | 38 (52.8%) |
## |**clinical** | |
## | no | 72 (100.0%) |
## | yes | 0 (0.0%) |
## |**pm** | |
## | nao | 72 (100.0%) |
## | sim | 0 (0.0%) |Kappa
## Cohen's Kappa for 2 Raters (Weights: equal)
##
## Subjects = 1008
## Raters = 2
## Kappa = 0.4
##
## z = 17.9
## p-value = 0Via boostrap
## [1] "All values of t are equal to 0.399708127290098 \n Cannot calculate confidence intervals"## NULL## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 500 bootstrap replicates
##
## CALL :
## boot.ci(boot.out = boot_out)
##
## Intervals :
## Level Normal Basic
## 95% (-0.4020, 0.1887 ) (-0.3981, 0.1815 )
##
## Level Percentile BCa
## 95% (-0.3855, 0.1941 ) (-0.3790, 0.2190 )
## Calculations and Intervals on Original ScaleCorrelação entre ambas as medidas (our ds)
## Call:
## WRS2::wincor(x = .$X1, y = .$X2)
##
## Robust correlation coefficient: -0.1178
## Test statistic: -0.692
## p-value: 0.4969## Single Score Intraclass Correlation
##
## Model: oneway
## Type : agreement
##
## Subjects = 36
## Raters = 2
## ICC(1) = -0.0899
##
## F-Test, H0: r0 = 0 ; H1: r0 > 0
## F(35,36) = 0.835 , p = 0.702
##
## 95%-Confidence Interval for ICC Population Values:
## -0.4 < ICC < 0.24Correlação entre os itens
item | fig_1 | fig_2 | fig_3 | fig_4 | fig_5 | fig_6 | fig_7 | fig_8 | fig_9 | fig_10 | fig_11 | fig_12 | fig_13 | fig_14 | fig_15 | fig_16 | fig_17 | fig_18 | fig_19 | fig_20 | fig_21 | fig_22 | fig_23 | fig_24 | fig_25 | fig_26 | fig_27 |
fig_2 | 0.34* | ||||||||||||||||||||||||||
fig_3 | 0.17 | 0.83* | |||||||||||||||||||||||||
fig_4 | -0.11 | 0.47* | 0.57* | ||||||||||||||||||||||||
fig_5 | 0.18 | 0.05 | -0.05 | 0.16 | |||||||||||||||||||||||
fig_6 | 0.29* | 0.29* | 0.39* | 0.13 | 0.01 | ||||||||||||||||||||||
fig_7 | 0.02 | -0.05 | 0.02 | 0.23* | 0.46* | 0.14 | |||||||||||||||||||||
fig_8 | 0.32* | 0.23* | 0.16 | 0.16 | 0.50* | 0.14 | 0.46* | ||||||||||||||||||||
fig_9 | 0.26* | 0.28* | 0.23* | 0.23* | 0.18 | 0.08 | 0.00 | 0.43* | |||||||||||||||||||
fig_10 | 0.35* | 0.27* | 0.12 | 0.12 | 0.53* | 0.20 | 0.43* | 0.53* | 0.29* | ||||||||||||||||||
fig_11 | -0.11 | 0.12 | 0.20 | 0.43* | 0.44* | -0.01 | 0.50* | 0.44* | 0.14 | 0.38* | |||||||||||||||||
fig_12 | 0.33* | 0.25* | 0.14 | 0.36* | 0.47* | 0.04 | 0.40* | 0.41* | 0.38* | 0.60* | 0.48* | ||||||||||||||||
fig_13 | 0.37* | 0.62* | 0.52* | 0.26* | 0.33* | 0.22 | 0.34* | 0.45* | 0.14 | 0.43* | 0.48* | 0.30* | |||||||||||||||
fig_14 | 0.26* | 0.38* | 0.32* | 0.32* | 0.28* | 0.10 | 0.13 | 0.63* | 0.53* | 0.20 | 0.21 | 0.39* | 0.42* | ||||||||||||||
fig_15 | 0.33* | 0.33* | 0.27* | 0.27* | 0.32* | 0.28* | 0.22* | 0.47* | 0.51* | 0.36* | 0.34* | 0.59* | 0.21 | 0.50* | |||||||||||||
fig_16 | 0.15 | 0.21 | 0.17 | 0.17 | 0.17 | -0.07 | 0.28* | 0.23* | 0.15 | 0.09 | 0.03 | 0.08 | 0.20 | 0.39* | 0.26* | ||||||||||||
fig_17 | 0.09 | 0.26* | 0.22 | 0.01 | 0.16 | 0.04 | 0.10 | 0.21 | 0.26* | 0.19 | 0.27* | 0.01 | 0.42* | 0.32* | 0.34* | 0.48* | |||||||||||
fig_18 | 0.31* | 0.22* | 0.18 | 0.18 | 0.33* | 0.22* | 0.43* | 0.48* | 0.20 | 0.37* | 0.43* | 0.34* | 0.36* | 0.42* | 0.52* | 0.37* | 0.53* | ||||||||||
fig_19 | 0.20 | 0.24* | 0.20 | 0.20 | 0.34* | 0.00 | 0.48* | 0.45* | 0.23* | 0.28* | 0.46* | 0.44* | 0.39* | 0.42* | 0.53* | 0.37* | 0.50* | 0.76* | |||||||||
fig_20 | 0.27* | 0.29* | 0.24* | 0.24* | 0.15 | 0.09 | 0.28* | 0.20 | 0.27* | -0.01 | 0.21 | 0.18 | 0.46* | 0.40* | 0.33* | 0.51* | 0.60* | 0.56* | 0.73* | ||||||||
fig_21 | 0.13 | 0.20 | 0.16 | 0.16 | 0.34* | -0.10 | 0.36* | 0.40* | 0.20 | 0.19 | 0.38* | 0.28* | 0.32* | 0.24* | 0.44* | 0.47* | 0.65* | 0.66* | 0.76* | 0.68* | |||||||
fig_22 | 0.21 | 0.15 | 0.12 | 0.12 | 0.40* | 0.24* | 0.36* | 0.47* | 0.21 | 0.25* | 0.29* | 0.28* | 0.24* | 0.33* | 0.39* | 0.44* | 0.57* | 0.67* | 0.55* | 0.52* | 0.76* | ||||||
fig_23 | 0.19 | 0.13 | 0.11 | 0.11 | 0.27* | 0.04 | 0.32* | 0.41* | 0.18 | 0.22 | 0.25* | 0.30* | 0.21 | 0.34* | 0.40* | 0.32* | 0.36* | 0.44* | 0.54* | 0.45* | 0.51* | 0.52* | |||||
fig_24 | 0.24* | 0.17 | 0.14 | 0.14 | 0.41* | 0.12 | 0.41* | 0.29* | 0.23* | 0.28* | 0.32* | 0.38* | 0.27* | 0.32* | 0.51* | 0.28* | 0.40* | 0.63* | 0.70* | 0.58* | 0.58* | 0.51* | 0.61* | ||||
fig_25 | 0.13 | 0.09 | 0.07 | 0.07 | 0.28* | 0.14 | 0.21 | 0.09 | 0.12 | 0.15 | 0.17 | 0.20 | 0.14 | 0.04 | 0.27* | 0.01 | 0.15 | 0.40* | 0.37* | 0.31* | 0.45* | 0.35* | 0.41* | 0.53* | |||
fig_26 | 0.00 | 0.13 | 0.11 | 0.11 | 0.13 | -0.14 | 0.17 | -0.01 | 0.04 | 0.05 | 0.25* | 0.15 | 0.21 | 0.06 | 0.26* | 0.17 | 0.36* | 0.44* | 0.54* | 0.45* | 0.51* | 0.16 | 0.22 | 0.61* | 0.41* | ||
fig_27 | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | NaNNA | |
fig_28 | 0.07 | 0.05 | 0.04 | 0.04 | 0.16 | 0.08 | 0.12 | -0.16 | -0.14 | 0.08 | 0.10 | 0.11 | 0.08 | 0.13 | 0.15 | 0.24* | 0.19 | 0.22* | 0.21 | 0.17 | -0.10 | -0.08 | -0.07 | 0.30* | -0.05 | 0.38* | NaNNA |
Bland Altman e JTRCI
O gráfico de Bland Altman encontrar-se a seguir.
## Number of comparisons: 36
## Maximum value for average measures: 23.5
## Minimum value for average measures: 5.5
## Maximum value for difference in measures: 17
## Minimum value for difference in measures: -17
##
## Bias: 0.5555556
## Standard deviation of bias: 9.699615
##
## Standard error of bias: 1.616603
## Standard error for limits of agreement: 2.788631
##
## Bias: 0.5555556
## Bias- upper 95% CI: 3.837433
## Bias- lower 95% CI: -2.726322
##
## Upper limit of agreement: 19.5668
## Upper LOA- upper 95% CI: 25.22802
## Upper LOA- lower 95% CI: 13.90558
##
## Lower limit of agreement: -18.45569
## Lower LOA- upper 95% CI: -12.79447
## Lower LOA- lower 95% CI: -24.11691
##
## Derived measures:
## Mean of differences/means: 3.334845
## Point estimate of bias as proportion of lowest average: 10.10101
## Point estimate of bias as proportion of highest average 2.364066
## Spread of data between lower and upper LoAs: 38.02249
## Bias as proportion of LoA spread: 1.461123
##
## Bias:
## 0.5555556 ( -2.726322 to 3.837433 )
## ULoA:
## 19.5668 ( 13.90558 to 25.22802 )
## LLoA:
## -18.45569 ( -24.11691 to -12.79447 )O gráfico de diferenças clínicas
## Jacobson-Truax classification N
## 1: deteriorated 15
## 2: unchanged 13
## 3: improved 8
## 4: non reliably recovered 0
## 5: recovered 0
Médias via teste T
##
## Paired t-test
##
## data: figuras_pontos by teste_reteste
## t = 0.34366, df = 35, p-value = 0.7332
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.726322 3.837433
## sample estimates:
## mean of the differences
## 0.5555556
##
## Reliability analysis
## Call: alpha(x = .)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.92 0.91 0.98 0.28 10 0.018 0.49 0.23 0.26
##
## lower alpha upper 95% confidence boundaries
## 0.88 0.92 0.95
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## fig_1 0.92 0.91 0.98 0.29 10.5 0.018 0.035 0.27
## fig_2 0.91 0.91 0.98 0.28 10.2 0.019 0.034 0.26
## fig_3 0.91 0.91 0.98 0.28 10.3 0.018 0.034 0.27
## fig_4 0.92 0.91 0.98 0.29 10.4 0.018 0.034 0.27
## fig_5 0.91 0.91 0.98 0.28 10.2 0.019 0.035 0.26
## fig_6 0.92 0.92 0.98 0.29 10.8 0.018 0.033 0.27
## fig_7 0.91 0.91 0.98 0.28 10.2 0.019 0.035 0.26
## fig_8 0.91 0.91 0.97 0.28 10.0 0.019 0.034 0.26
## fig_9 0.91 0.91 0.98 0.28 10.3 0.018 0.035 0.27
## fig_10 0.91 0.91 0.98 0.28 10.2 0.019 0.035 0.26
## fig_11 0.91 0.91 0.98 0.28 10.0 0.019 0.035 0.26
## fig_12 0.91 0.91 0.98 0.28 10.0 0.019 0.035 0.26
## fig_13 0.91 0.91 0.98 0.28 9.9 0.019 0.035 0.26
## fig_14 0.91 0.91 0.97 0.28 9.9 0.019 0.035 0.26
## fig_15 0.91 0.91 0.98 0.27 9.8 0.019 0.035 0.25
## fig_16 0.91 0.91 0.98 0.28 10.3 0.018 0.035 0.27
## fig_17 0.91 0.91 0.98 0.28 10.0 0.019 0.034 0.26
## fig_18 0.91 0.91 0.98 0.27 9.6 0.020 0.033 0.26
## fig_19 0.91 0.91 0.98 0.27 9.5 0.020 0.032 0.26
## fig_20 0.91 0.91 0.97 0.27 9.8 0.019 0.034 0.26
## fig_21 0.91 0.91 0.97 0.27 9.7 0.020 0.032 0.26
## fig_22 0.91 0.91 0.98 0.27 9.8 0.019 0.034 0.26
## fig_23 0.91 0.91 0.98 0.28 10.0 0.019 0.035 0.26
## fig_24 0.91 0.91 0.98 0.27 9.7 0.020 0.034 0.26
## fig_25 0.91 0.91 0.98 0.28 10.4 0.019 0.035 0.27
## fig_26 0.91 0.91 0.98 0.28 10.3 0.018 0.034 0.27
## fig_28 0.92 0.92 0.98 0.29 10.9 0.018 0.032 0.28
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## fig_1 40 0.36 0.37 0.35 0.31 0.850 0.36
## fig_2 40 0.48 0.52 0.52 0.44 0.900 0.30
## fig_3 40 0.42 0.47 0.46 0.38 0.925 0.27
## fig_4 40 0.40 0.44 0.43 0.37 0.925 0.27
## fig_5 40 0.53 0.51 0.49 0.47 0.525 0.51
## fig_6 40 0.24 0.26 0.25 0.18 0.800 0.41
## fig_7 40 0.51 0.49 0.48 0.45 0.650 0.48
## fig_8 40 0.63 0.59 0.59 0.58 0.525 0.51
## fig_9 40 0.50 0.48 0.47 0.44 0.450 0.50
## fig_10 40 0.51 0.51 0.50 0.46 0.800 0.41
## fig_11 40 0.58 0.58 0.57 0.53 0.725 0.45
## fig_12 40 0.62 0.61 0.61 0.57 0.675 0.47
## fig_13 40 0.61 0.63 0.63 0.57 0.800 0.41
## fig_14 40 0.65 0.64 0.64 0.60 0.600 0.50
## fig_15 40 0.68 0.68 0.68 0.64 0.550 0.50
## fig_16 40 0.49 0.48 0.46 0.43 0.300 0.46
## fig_17 40 0.59 0.58 0.58 0.53 0.400 0.50
## fig_18 40 0.79 0.79 0.78 0.76 0.325 0.47
## fig_19 40 0.81 0.80 0.81 0.78 0.375 0.49
## fig_20 40 0.68 0.68 0.68 0.63 0.450 0.50
## fig_21 40 0.73 0.72 0.72 0.70 0.275 0.45
## fig_22 40 0.70 0.68 0.68 0.67 0.175 0.38
## fig_23 40 0.60 0.59 0.58 0.56 0.150 0.36
## fig_24 40 0.73 0.74 0.73 0.70 0.225 0.42
## fig_25 40 0.42 0.44 0.42 0.39 0.075 0.27
## fig_26 40 0.43 0.46 0.44 0.39 0.150 0.36
## fig_28 40 0.19 0.22 0.21 0.16 0.025 0.16
##
## Non missing response frequency for each item
## 0 1 miss
## fig_1 0.15 0.85 0
## fig_2 0.10 0.90 0
## fig_3 0.07 0.92 0
## fig_4 0.07 0.92 0
## fig_5 0.48 0.52 0
## fig_6 0.20 0.80 0
## fig_7 0.35 0.65 0
## fig_8 0.48 0.52 0
## fig_9 0.55 0.45 0
## fig_10 0.20 0.80 0
## fig_11 0.28 0.72 0
## fig_12 0.32 0.68 0
## fig_13 0.20 0.80 0
## fig_14 0.40 0.60 0
## fig_15 0.45 0.55 0
## fig_16 0.70 0.30 0
## fig_17 0.60 0.40 0
## fig_18 0.68 0.32 0
## fig_19 0.62 0.38 0
## fig_20 0.55 0.45 0
## fig_21 0.72 0.28 0
## fig_22 0.82 0.17 0
## fig_23 0.85 0.15 0
## fig_24 0.78 0.22 0
## fig_25 0.92 0.07 0
## fig_26 0.85 0.15 0
## fig_28 0.98 0.03 0##
## Reliability analysis
## Call: alpha(x = .)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.92 0.91 0.97 0.28 10 0.018 0.49 0.23 0.26
##
## lower alpha upper 95% confidence boundaries
## 0.88 0.92 0.95
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## fig_1 0.91 0.91 0.97 0.28 10.3 0.018 0.034 0.27
## fig_2 0.91 0.91 0.97 0.28 10.2 0.018 0.033 0.27
## fig_3 0.92 0.91 0.97 0.28 10.3 0.018 0.033 0.28
## fig_4 0.92 0.91 0.97 0.29 10.4 0.018 0.033 0.27
## fig_5 0.91 0.91 0.97 0.28 10.0 0.019 0.034 0.26
## fig_6 0.92 0.91 0.97 0.29 10.7 0.018 0.032 0.28
## fig_7 0.91 0.91 0.97 0.28 10.0 0.019 0.033 0.25
## fig_8 0.91 0.91 0.97 0.27 9.8 0.019 0.033 0.25
## fig_9 0.92 0.91 0.97 0.28 10.3 0.018 0.033 0.28
## fig_10 0.91 0.91 0.97 0.28 10.0 0.019 0.034 0.26
## fig_11 0.91 0.91 0.97 0.28 10.1 0.018 0.033 0.26
## fig_12 0.91 0.91 0.97 0.28 9.9 0.019 0.033 0.26
## fig_13 0.91 0.91 0.97 0.27 9.8 0.019 0.034 0.25
## fig_14 0.91 0.91 0.97 0.28 10.0 0.019 0.034 0.25
## fig_15 0.91 0.91 0.97 0.27 9.6 0.019 0.034 0.25
## fig_16 0.91 0.91 0.97 0.28 10.2 0.018 0.034 0.26
## fig_17 0.91 0.91 0.97 0.28 9.9 0.019 0.033 0.26
## fig_18 0.91 0.90 0.97 0.27 9.5 0.020 0.032 0.25
## fig_19 0.91 0.90 0.97 0.27 9.5 0.020 0.031 0.25
## fig_20 0.91 0.91 0.97 0.27 9.7 0.019 0.032 0.25
## fig_21 0.91 0.91 0.97 0.27 9.7 0.019 0.031 0.25
## fig_22 0.91 0.91 0.97 0.27 9.8 0.019 0.032 0.25
## fig_23 0.91 0.91 0.97 0.28 9.9 0.019 0.033 0.26
## fig_24 0.91 0.91 0.97 0.27 9.6 0.019 0.032 0.25
## fig_25 0.91 0.91 0.97 0.28 10.3 0.018 0.033 0.27
## fig_26 0.91 0.91 0.97 0.28 10.2 0.018 0.033 0.27
## fig_28 0.92 0.92 0.97 0.29 10.8 0.018 0.031 0.28
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## fig_1 40 0.43 0.43 0.42 0.38 0.825 0.38
## fig_2 40 0.43 0.48 0.48 0.40 0.925 0.27
## fig_3 40 0.37 0.43 0.42 0.34 0.950 0.22
## fig_4 40 0.35 0.39 0.37 0.32 0.950 0.22
## fig_5 40 0.58 0.56 0.55 0.52 0.500 0.51
## fig_6 40 0.24 0.27 0.26 0.18 0.800 0.41
## fig_7 40 0.57 0.56 0.55 0.52 0.625 0.49
## fig_8 40 0.70 0.67 0.67 0.65 0.500 0.51
## fig_9 40 0.43 0.41 0.40 0.37 0.450 0.50
## fig_10 40 0.57 0.56 0.56 0.52 0.775 0.42
## fig_11 40 0.53 0.52 0.51 0.47 0.750 0.44
## fig_12 40 0.59 0.58 0.58 0.54 0.650 0.48
## fig_13 40 0.61 0.63 0.63 0.57 0.800 0.41
## fig_14 40 0.59 0.57 0.57 0.53 0.600 0.50
## fig_15 40 0.73 0.72 0.71 0.69 0.500 0.51
## fig_16 40 0.49 0.48 0.46 0.43 0.325 0.47
## fig_17 40 0.59 0.58 0.58 0.54 0.425 0.50
## fig_18 40 0.79 0.78 0.78 0.76 0.350 0.48
## fig_19 40 0.80 0.79 0.79 0.77 0.375 0.49
## fig_20 40 0.69 0.68 0.69 0.64 0.475 0.51
## fig_21 40 0.73 0.71 0.71 0.69 0.300 0.46
## fig_22 40 0.69 0.66 0.66 0.65 0.200 0.41
## fig_23 40 0.59 0.58 0.57 0.56 0.150 0.36
## fig_24 40 0.73 0.73 0.72 0.69 0.225 0.42
## fig_25 40 0.42 0.43 0.41 0.38 0.075 0.27
## fig_26 40 0.43 0.45 0.44 0.38 0.150 0.36
## fig_28 40 0.18 0.22 0.21 0.16 0.025 0.16
##
## Non missing response frequency for each item
## 0 1 miss
## fig_1 0.17 0.82 0
## fig_2 0.07 0.92 0
## fig_3 0.05 0.95 0
## fig_4 0.05 0.95 0
## fig_5 0.50 0.50 0
## fig_6 0.20 0.80 0
## fig_7 0.38 0.62 0
## fig_8 0.50 0.50 0
## fig_9 0.55 0.45 0
## fig_10 0.22 0.78 0
## fig_11 0.25 0.75 0
## fig_12 0.35 0.65 0
## fig_13 0.20 0.80 0
## fig_14 0.40 0.60 0
## fig_15 0.50 0.50 0
## fig_16 0.68 0.32 0
## fig_17 0.58 0.42 0
## fig_18 0.65 0.35 0
## fig_19 0.62 0.38 0
## fig_20 0.52 0.48 0
## fig_21 0.70 0.30 0
## fig_22 0.80 0.20 0
## fig_23 0.85 0.15 0
## fig_24 0.78 0.22 0
## fig_25 0.92 0.07 0
## fig_26 0.85 0.15 0
## fig_28 0.98 0.03 0Correlação entre ambas as medidas (Nelimar)
Evidências baseadas na estrutura interna
Confirmatory Factor Analysis (CFA)
Uma vez que o MIG teve suas etapas de construção inteiramente baseada na teoria do Fator g, um modelo unidimensional confirmatório foi ajustado aos dados. A adequação do modelo foi avaliada por sua interpretabilidade conceitual, bem como por indicadores estatísticos de ajuste tradicionalmente empregados na análise de Modelos de Equações Estruturais, pelas cargas fatoriais e significância dos itens.
## $chisq
## [1] 13025.14
##
## $p.value
## [1] 0
##
## $df
## [1] 378## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = .)
## Overall MSA = 0.9
## MSA for each item =
## fig_1 fig_2 fig_3 fig_4 fig_5 fig_6 fig_7 fig_8 fig_9 fig_10 fig_11
## 0.89 0.81 0.79 0.81 0.81 0.87 0.91 0.85 0.91 0.90 0.91
## fig_12 fig_13 fig_14 fig_15 fig_16 fig_17 fig_18 fig_19 fig_20 fig_21 fig_22
## 0.93 0.91 0.93 0.94 0.95 0.94 0.93 0.92 0.90 0.93 0.94
## fig_23 fig_24 fig_25 fig_26 fig_27 fig_28
## 0.89 0.87 0.89 0.87 0.75 0.85## chisq.scaled df.scaled pvalue.scaled cfi.scaled tli.scaled
## 5767.375 350.000 0.000 0.935 0.930
## rmsea.scaled srmr
## 0.108 0.162## lavaan 0.6-9 ended normally after 74 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 56
##
## Number of observations 1326
##
## Model Test User Model:
## Standard Robust
## Test Statistic 4114.037 5767.375
## Degrees of freedom 350 350
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 0.713
## Satorra-Bentler correction
##
## Model Test Baseline Model:
##
## Test statistic 83812.601 83812.601
## Degrees of freedom 378 378
## P-value 0.000 0.000
## Scaling correction factor 1.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.955 0.935
## Tucker-Lewis Index (TLI) 0.951 0.930
##
## Robust Comparative Fit Index (CFI) 0.954
## Robust Tucker-Lewis Index (TLI) 0.950
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.090 0.108
## 90 Percent confidence interval - lower 0.088 0.105
## 90 Percent confidence interval - upper 0.093 0.111
## P-value RMSEA <= 0.05 0.000 0.000
##
## Robust RMSEA 0.091
## 90 Percent confidence interval - lower 0.089
## 90 Percent confidence interval - upper 0.093
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.162 0.162
##
## Parameter Estimates:
##
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## f1 =~
## fig_1 1.000 0.474 0.474
## fig_2 1.135 0.121 9.364 0.000 0.538 0.538
## fig_3 1.291 0.148 8.739 0.000 0.612 0.612
## fig_4 1.295 0.134 9.684 0.000 0.614 0.614
## fig_5 0.447 0.084 5.311 0.000 0.212 0.212
## fig_6 0.955 0.117 8.126 0.000 0.452 0.452
## fig_7 1.061 0.121 8.747 0.000 0.503 0.503
## fig_8 0.835 0.104 8.057 0.000 0.396 0.396
## fig_9 0.800 0.100 8.004 0.000 0.379 0.379
## fig_10 1.102 0.132 8.380 0.000 0.523 0.523
## fig_11 1.303 0.146 8.906 0.000 0.618 0.618
## fig_12 1.309 0.142 9.220 0.000 0.621 0.621
## fig_13 1.718 0.175 9.831 0.000 0.814 0.814
## fig_14 1.448 0.147 9.845 0.000 0.686 0.686
## fig_15 1.239 0.132 9.372 0.000 0.587 0.587
## fig_16 1.095 0.123 8.884 0.000 0.519 0.519
## fig_17 1.700 0.170 10.001 0.000 0.806 0.806
## fig_18 1.830 0.183 10.024 0.000 0.868 0.868
## fig_19 2.000 0.199 10.070 0.000 0.948 0.948
## fig_20 2.050 0.203 10.104 0.000 0.972 0.972
## fig_21 1.942 0.192 10.094 0.000 0.920 0.920
## fig_22 1.821 0.185 9.868 0.000 0.863 0.863
## fig_23 1.736 0.178 9.761 0.000 0.823 0.823
## fig_24 1.893 0.189 10.033 0.000 0.897 0.897
## fig_25 1.701 0.175 9.747 0.000 0.806 0.806
## fig_26 1.507 0.161 9.392 0.000 0.714 0.714
## fig_27 1.289 0.179 7.190 0.000 0.611 0.611
## fig_28 1.246 0.170 7.343 0.000 0.591 0.591
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .fig_1 0.000 0.000 0.000
## .fig_2 0.000 0.000 0.000
## .fig_3 0.000 0.000 0.000
## .fig_4 0.000 0.000 0.000
## .fig_5 0.000 0.000 0.000
## .fig_6 0.000 0.000 0.000
## .fig_7 0.000 0.000 0.000
## .fig_8 0.000 0.000 0.000
## .fig_9 0.000 0.000 0.000
## .fig_10 0.000 0.000 0.000
## .fig_11 0.000 0.000 0.000
## .fig_12 0.000 0.000 0.000
## .fig_13 0.000 0.000 0.000
## .fig_14 0.000 0.000 0.000
## .fig_15 0.000 0.000 0.000
## .fig_16 0.000 0.000 0.000
## .fig_17 0.000 0.000 0.000
## .fig_18 0.000 0.000 0.000
## .fig_19 0.000 0.000 0.000
## .fig_20 0.000 0.000 0.000
## .fig_21 0.000 0.000 0.000
## .fig_22 0.000 0.000 0.000
## .fig_23 0.000 0.000 0.000
## .fig_24 0.000 0.000 0.000
## .fig_25 0.000 0.000 0.000
## .fig_26 0.000 0.000 0.000
## .fig_27 0.000 0.000 0.000
## .fig_28 0.000 0.000 0.000
## f1 0.000 0.000 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## fig_1|t1 -1.503 0.053 -28.329 0.000 -1.503 -1.503
## fig_2|t1 -1.153 0.044 -26.094 0.000 -1.153 -1.153
## fig_3|t1 -1.421 0.051 -28.093 0.000 -1.421 -1.421
## fig_4|t1 -1.376 0.049 -27.888 0.000 -1.376 -1.376
## fig_5|t1 0.038 0.034 1.098 0.272 0.038 0.038
## fig_6|t1 -1.142 0.044 -25.972 0.000 -1.142 -1.142
## fig_7|t1 -0.739 0.038 -19.404 0.000 -0.739 -0.739
## fig_8|t1 -0.517 0.036 -14.311 0.000 -0.517 -0.517
## fig_9|t1 -0.167 0.035 -4.829 0.000 -0.167 -0.167
## fig_10|t1 -0.992 0.041 -23.985 0.000 -0.992 -0.992
## fig_11|t1 -0.834 0.039 -21.301 0.000 -0.834 -0.834
## fig_12|t1 -0.568 0.037 -15.546 0.000 -0.568 -0.568
## fig_13|t1 -0.932 0.040 -23.033 0.000 -0.932 -0.932
## fig_14|t1 -0.622 0.037 -16.827 0.000 -0.622 -0.622
## fig_15|t1 -0.221 0.035 -6.364 0.000 -0.221 -0.221
## fig_16|t1 0.402 0.035 11.333 0.000 0.402 0.402
## fig_17|t1 -0.085 0.034 -2.470 0.013 -0.085 -0.085
## fig_18|t1 0.053 0.034 1.537 0.124 0.053 0.053
## fig_19|t1 0.138 0.035 4.007 0.000 0.138 0.138
## fig_20|t1 0.150 0.035 4.336 0.000 0.150 0.150
## fig_21|t1 0.400 0.035 11.278 0.000 0.400 0.400
## fig_22|t1 0.624 0.037 16.880 0.000 0.624 0.624
## fig_23|t1 0.917 0.040 22.791 0.000 0.917 0.917
## fig_24|t1 0.842 0.039 21.452 0.000 0.842 0.842
## fig_25|t1 1.179 0.045 26.372 0.000 1.179 1.179
## fig_26|t1 1.431 0.051 28.132 0.000 1.431 1.431
## fig_27|t1 2.112 0.084 25.256 0.000 2.112 2.112
## fig_28|t1 1.836 0.067 27.594 0.000 1.836 1.836
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .fig_1 0.775 0.775 0.775
## .fig_2 0.711 0.711 0.711
## .fig_3 0.626 0.626 0.626
## .fig_4 0.623 0.623 0.623
## .fig_5 0.955 0.955 0.955
## .fig_6 0.795 0.795 0.795
## .fig_7 0.747 0.747 0.747
## .fig_8 0.843 0.843 0.843
## .fig_9 0.856 0.856 0.856
## .fig_10 0.727 0.727 0.727
## .fig_11 0.619 0.619 0.619
## .fig_12 0.615 0.615 0.615
## .fig_13 0.337 0.337 0.337
## .fig_14 0.529 0.529 0.529
## .fig_15 0.655 0.655 0.655
## .fig_16 0.731 0.731 0.731
## .fig_17 0.351 0.351 0.351
## .fig_18 0.247 0.247 0.247
## .fig_19 0.102 0.102 0.102
## .fig_20 0.055 0.055 0.055
## .fig_21 0.153 0.153 0.153
## .fig_22 0.255 0.255 0.255
## .fig_23 0.323 0.323 0.323
## .fig_24 0.195 0.195 0.195
## .fig_25 0.350 0.350 0.350
## .fig_26 0.489 0.489 0.489
## .fig_27 0.626 0.626 0.626
## .fig_28 0.651 0.651 0.651
## f1 0.225 0.044 5.064 0.000 1.000 1.000
##
## Scales y*:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## fig_1 1.000 1.000 1.000
## fig_2 1.000 1.000 1.000
## fig_3 1.000 1.000 1.000
## fig_4 1.000 1.000 1.000
## fig_5 1.000 1.000 1.000
## fig_6 1.000 1.000 1.000
## fig_7 1.000 1.000 1.000
## fig_8 1.000 1.000 1.000
## fig_9 1.000 1.000 1.000
## fig_10 1.000 1.000 1.000
## fig_11 1.000 1.000 1.000
## fig_12 1.000 1.000 1.000
## fig_13 1.000 1.000 1.000
## fig_14 1.000 1.000 1.000
## fig_15 1.000 1.000 1.000
## fig_16 1.000 1.000 1.000
## fig_17 1.000 1.000 1.000
## fig_18 1.000 1.000 1.000
## fig_19 1.000 1.000 1.000
## fig_20 1.000 1.000 1.000
## fig_21 1.000 1.000 1.000
## fig_22 1.000 1.000 1.000
## fig_23 1.000 1.000 1.000
## fig_24 1.000 1.000 1.000
## fig_25 1.000 1.000 1.000
## fig_26 1.000 1.000 1.000
## fig_27 1.000 1.000 1.000
## fig_28 1.000 1.000 1.000Os resultados trouxeram evidências adequadas sobre a estrutura interna do figuras: X2 = 5767.374609 df = 350, p-value = 0, CFI = 0.9350704, TLI = 0.929876 RMSEA = 0.1080818. A Tabela a seguir apresenta os resultados organizados pela carga fatorial do item.
Latent Factor | Indicator | B | SE | Z | Beta | sig |
f1 | fig_1 | 1.0000000 | 0.00000000 | 0.4739884 | ||
f1 | fig_2 | 1.1347106 | 0.12117726 | 9.364055 | 0.5378397 | *** |
f1 | fig_3 | 1.2907008 | 0.14768833 | 8.739355 | 0.6117772 | *** |
f1 | fig_4 | 1.2950361 | 0.13373256 | 9.683776 | 0.6138321 | *** |
f1 | fig_5 | 0.4472079 | 0.08420532 | 5.310922 | 0.2119714 | *** |
f1 | fig_6 | 0.9545278 | 0.11747121 | 8.125631 | 0.4524351 | *** |
f1 | fig_7 | 1.0613477 | 0.12133787 | 8.747044 | 0.5030665 | *** |
f1 | fig_8 | 0.8349168 | 0.10362433 | 8.057150 | 0.3957409 | *** |
f1 | fig_9 | 0.7996026 | 0.09990305 | 8.003786 | 0.3790024 | *** |
f1 | fig_10 | 1.1023606 | 0.13154019 | 8.380409 | 0.5225062 | *** |
f1 | fig_11 | 1.3030571 | 0.14631613 | 8.905765 | 0.6176340 | *** |
f1 | fig_12 | 1.3093932 | 0.14200925 | 9.220478 | 0.6206372 | *** |
f1 | fig_13 | 1.7179561 | 0.17474517 | 9.831208 | 0.8142913 | *** |
f1 | fig_14 | 1.4483421 | 0.14711069 | 9.845254 | 0.6864974 | *** |
f1 | fig_15 | 1.2387137 | 0.13217347 | 9.371878 | 0.5871359 | *** |
f1 | fig_16 | 1.0948547 | 0.12323461 | 8.884312 | 0.5189485 | *** |
f1 | fig_17 | 1.6996778 | 0.16994849 | 10.001135 | 0.8056276 | *** |
f1 | fig_18 | 1.8302434 | 0.18258599 | 10.024008 | 0.8675142 | *** |
f1 | fig_19 | 1.9997303 | 0.19857935 | 10.070182 | 0.9478490 | *** |
f1 | fig_20 | 2.0504975 | 0.20294662 | 10.103629 | 0.9719121 | *** |
f1 | fig_21 | 1.9415178 | 0.19234096 | 10.094146 | 0.9202570 | *** |
f1 | fig_22 | 1.8208997 | 0.18452655 | 9.867955 | 0.8630854 | *** |
f1 | fig_23 | 1.7357845 | 0.17783298 | 9.760757 | 0.8227418 | *** |
f1 | fig_24 | 1.8929269 | 0.18866710 | 10.033158 | 0.8972255 | *** |
f1 | fig_25 | 1.7012987 | 0.17454254 | 9.747187 | 0.8063959 | *** |
f1 | fig_26 | 1.5074203 | 0.16050417 | 9.391783 | 0.7144998 | *** |
f1 | fig_27 | 1.2894223 | 0.17932365 | 7.190476 | 0.6111713 | *** |
f1 | fig_28 | 1.2461153 | 0.16969495 | 7.343267 | 0.5906443 | *** |
É importante destacar que o valor não-padronizado “B” indica a relação fator-item, enquanto o “Beta” é esta mesma medida padronizada (-1,+1) e tem interpretação análoga a um coeficiente de regressão. O item que tem a maior carga fatorial é o 20 (lambda = 0.978, p , 0.05). Por sua vez, o que tem a menor carga fatorial é o 5 (lambda = 0.195, p < 0.05). O gráfico a seguir apresenta o diagrama conceitual do modelo confirmatório.
Figura 5 (Manual)
Teoria de Resposta ao Item (TRI)
A TRI modela a probabilidade de acerto das respostas obtidas em função de uma expressao nao-linear (função de ligação) que liga a resposta com uma expressãao entre a habilidade do participante (\(\theta\))e os parâmetros dos items. Entre os modelos probabilísticos em que a resposta só assume valores dicotômicos de certo (1)/errado (0), o de dois parâmetros logísticos (2PL) e o de três parâmetros (3PL) costumam ser os mais frequentes. Apesar de serem modelos próximos, o modelo 3PL estima a discriminação do item (parâmetro a), sua dificuldade (parâmetro b) e o acerto ao acaso (parâmetro c), tal como apresentado a seguir:
\[\mathrm{P}\left(Y_{ij} = 1\vert \theta_{i}, a_{j}, b_{j}, c_{j} \right) = c_{j} + \left(1 - c_{j}\right) \cdot \frac{e^{a_{j}\left(\theta_{i}-b_{j}\right) }}{1+e^{a_{j}\left(\theta_{i}-b_{j}\right) }}\] Por sua vez, o modelo 2PL é um caso particular do 3PL que assume c=0.
Posto isso, o modelo 2PL e 3PL foram computados pelo algorítimo EM, pela otimização Broyden–Fletcher–Goldfarb–Shannon (quasi-Newton methods) e com convergência permitida até 10.000 ciclos. A comparação entre os modelos foi realizada pelo likelihood ratio test e indicou que o 3PL tem propriedades estatísticas vantajosas (AIC = 29104.93 contra AIC = 29206.31, p < 0.01) e, por isso, foi mantido.
##
## Model 1: mirt(data = ., model = 1, itemtype = "2PL")
## Model 2: mirt(data = ., model = 1, itemtype = "3PL")AIC | AICc | SABIC | HQ | BIC | logLik | X2 | df | p |
29,201.28 | 29,206.31 | 29,314.03 | 29,310.22 | 29,491.92 | -14,544.64 | |||
29,093.42 | 29,104.93 | 29,262.54 | 29,256.83 | 29,529.37 | -14,462.71 | 163.8606 | 28 | 0 |
Posto isso, o modelo de 3Pl apresentou as seguintes propriedades: M2 = 2864.3047152, df = 350, p = 0, CFI = 0.9153897, TLI = 0.9086209, RMSEA = 0.0736321.
## M2 df p RMSEA RMSEA_5 RMSEA_95 SRMSR TLI
## stats 2864.305 350 0 0.07363207 0.07111984 0.07611361 0.0838606 0.9086209
## CFI
## stats 0.9153897A tabela a seguir sumariza os parâmetros estimados.
item | a | b | g | u |
fig_1 | 0.8467495 | -3.4963382 | 0 | 1 |
fig_2 | 0.7769391 | -2.7932578 | 0 | 1 |
fig_3 | 0.9301812 | -3.0517355 | 0 | 1 |
fig_4 | 0.9350702 | -2.9325533 | 0 | 1 |
fig_5 | 0.2919035 | 0.2142834 | 0 | 1 |
fig_6 | 0.7936815 | -2.7173896 | 0 | 1 |
fig_7 | 0.9212204 | -1.5232684 | 0 | 1 |
fig_8 | 0.6342878 | -1.4262287 | 0 | 1 |
fig_9 | 0.6245906 | -0.4549139 | 0 | 1 |
fig_10 | 0.9879904 | -1.9747074 | 0 | 1 |
fig_11 | 1.2393649 | -1.4059024 | 0 | 1 |
fig_12 | 1.2579673 | -0.9266485 | 0 | 1 |
fig_13 | 2.1602040 | -1.1856422 | 0 | 1 |
fig_14 | 1.5519934 | -0.8970654 | 0 | 1 |
fig_15 | 1.2346496 | -0.3431110 | 0 | 1 |
fig_16 | 1.0680210 | 0.7589665 | 0 | 1 |
fig_17 | 2.4592972 | -0.0501714 | 0 | 1 |
fig_18 | 3.1618025 | 0.1189100 | 0 | 1 |
fig_19 | 5.3434780 | 0.2120027 | 0 | 1 |
fig_20 | 5.7702321 | 0.2236917 | 0 | 1 |
fig_21 | 4.5660563 | 0.4756285 | 0 | 1 |
fig_22 | 3.6133011 | 0.7145728 | 0 | 1 |
fig_23 | 2.9833140 | 1.0505273 | 0 | 1 |
fig_24 | 4.0531675 | 0.9117784 | 0 | 1 |
fig_25 | 2.9501486 | 1.3298471 | 0 | 1 |
fig_26 | 2.3933013 | 1.7187693 | 0 | 1 |
fig_27 | 2.1164315 | 2.6937651 | 0 | 1 |
fig_28 | 2.0935995 | 2.3387587 | 0 | 1 |
A curva de característica dos itens encontra-se abaixo. Ela modela a relação entre a probabilidade de um participante acertar a resposta de um item e sua habilidade latente medida pelo Figuras. De maneira análoga ao encontrado anteriormente, o item 5 é o menos discriminativo, enquanto o 20 é o mais.
Primeiro item
Último item
O somatório das informações de todos os itens e enontra-se a seguir.
## [1] 28.05543
É importante notar que a função de informação tem interpretação similar à precisão do instrumento. Entretanto, no ambiente da TRI, a precisão se relaciona com a habilidade do participante, sendo diferente em cada uma das faixas de habilidade. Dessa forma, o teste se mostrou traz mais informações entre àqueles participantes com \(`\theta\) de aproximadamente 0.4 (44.5342032).
A correlação entre a habilidade obtida pelo modelo 3PL da TRI e pelo somatório dos pontos (TCT) foi de 0.97 (p < 0.01), indicando que ambas as medidas tem uma relação proporcional, forte e significativa.
DIF (Funcionamento diferencial)
A análise de possíveis funcionamentos diferenciais foi realizado para verificar se existia uma probabilidade de acertos dos itens em homens e mulheres com as mesmas habilidades. Para isso, a análise do Funcionamento Diferencial do Item (DIF) e do teste (DFT) foram computadas. Em relação ao DIF, nenhum item do instrumento teve probabilidade de endosso diferente em função do sexo do participante. A Tabela a seguir apresenta os resultados em cada um dos itens.
DIF (classico)
##
## Model 1: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes"),
## SE = TRUE)
## Model 2: multipleGroup(data = ., model = 1, group = group)## AIC AICc SABIC HQ BIC logLik X2 df p
## 1 29207.87 29219.37 29376.99 29371.28 29643.82 -14519.93 NaN NaN NaN
## 2 29164.25 29185.12 29389.75 29382.13 29745.52 -14470.12 99.617 28 0##
## Model 1: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes",
## "intercepts", "free_var", "free_means"), SE = TRUE)
## Model 2: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes"),
## SE = TRUE)## AIC AICc SABIC HQ BIC logLik X2 df p
## 1 29182.62 29188.02 29299.40 29295.45 29483.64 -14533.31 NaN NaN NaN
## 2 29207.87 29219.37 29376.99 29371.28 29643.82 -14519.93 26.755 26 0.422##
## Model 1: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes",
## "intercepts", "free_var"), SE = TRUE)
## Model 2: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes",
## "intercepts", "free_var", "free_means"), SE = TRUE)## AIC AICc SABIC HQ BIC logLik X2 df p
## 1 29184.54 29189.76 29299.3 29295.43 29480.37 -14535.27 NaN NaN NaN
## 2 29182.62 29188.02 29299.4 29295.45 29483.64 -14533.31 3.919 1 0.048##
## Model 1: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes",
## "intercepts"), SE = TRUE)
## Model 2: multipleGroup(data = ., model = 1, group = group, invariance = c("slopes",
## "intercepts", "free_var"), SE = TRUE)## AIC AICc SABIC HQ BIC logLik X2 df p
## 1 29201.28 29206.31 29314.03 29310.22 29491.92 -14544.64 NaN NaN NaN
## 2 29184.54 29189.76 29299.30 29295.43 29480.37 -14535.27 18.741 1 0
DIF item a item
DIF via SEM
DIF via CCpsyC
item | AIC | AICc | SABIC | HQ | BIC | X2 | df | p | adj_pvals |
fig_1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_7 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_14 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_16 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_17 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_18 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_19 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_20 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_21 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_22 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_23 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_24 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_25 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_26 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_27 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
fig_28 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
Por sua vez, o gráfico a seguir apresenta ambos os grupos em conjunto. É possível constatar que não houve funcionamento diferencial em função do sexo do participante.
Correlação com outras variáveis
Correlação com medidas de inteligência
## figuras_pontos r1_pb beta_cod_pb trap_10_minutos pb_beta_rm
## 1.00 0.47 0.33 0.71 0.76## Descriptive Statistics
## ds
## N: 1326
##
## beta_cod_pb figuras_pontos pb_beta_rm r1_pb trap_10_minutos
## ----------------- ------------- ---------------- ------------ ------- -----------------
## Mean 80.79 15.01 15.21 22.12 25.31
## Std.Dev 15.34 5.47 5.23 10.58 6.16
## Min 36.00 0.00 3.00 2.00 12.00
## Q1 73.00 11.00 13.00 18.00 22.50
## Median 82.00 15.00 16.00 25.00 26.50
## Q3 90.00 19.00 19.00 29.00 29.50
## Max 119.00 27.00 23.00 36.00 33.00
## MAD 13.34 5.93 4.45 5.93 5.19
## IQR 17.00 8.00 6.00 9.50 6.50
## CV 0.19 0.36 0.34 0.48 0.24
## Skewness -0.05 -0.17 -0.69 -0.91 -0.68
## SE.Skewness 0.24 0.07 0.33 0.36 0.56
## Kurtosis 0.01 -0.58 -0.47 -0.40 -0.63
## N.Valid 98.00 1326.00 52.00 43.00 16.00
## Pct.Valid 7.39 100.00 3.92 3.24 1.21R1 (via boostrap)
## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 10000 bootstrap replicates
##
## CALL :
## boot.ci(boot.out = boot_out)
##
## Intervals :
## Level Normal Basic
## 95% ( 0.2376, 0.6826 ) ( 0.2580, 0.7020 )
##
## Level Percentile BCa
## 95% ( 0.214, 0.658 ) ( 0.204, 0.652 )
## Calculations and Intervals on Original Scale
## Call:
## WRS2::pbcor(x = .$figuras_pontos, y = .$r1_pb, beta = 0.2, ci = FALSE,
## nboot = 10000, alpha = 0.05)
##
## Robust correlation coefficient: 0.4705
## Test statistic: 3.4137
## p-value: 0.00145Beta Códigos (via boostrap)
## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 10000 bootstrap replicates
##
## CALL :
## boot.ci(boot.out = boot_out)
##
## Intervals :
## Level Normal Basic
## 95% ( 0.1547, 0.5139 ) ( 0.1620, 0.5200 )
##
## Level Percentile BCa
## 95% ( 0.142, 0.500 ) ( 0.145, 0.502 )
## Calculations and Intervals on Original Scale
## Call:
## WRS2::pbcor(x = .$figuras_pontos, y = .$beta_cod_pb, beta = 0.2,
## ci = FALSE, nboot = 10000, alpha = 0.05)
##
## Robust correlation coefficient: 0.312
## Test statistic: 3.2174
## p-value: 0.00176Beta matricial (via boostrap)
## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 10000 bootstrap replicates
##
## CALL :
## boot.ci(boot.out = boot_out)
##
## Intervals :
## Level Normal Basic
## 95% ( 0.6700, 0.8804 ) ( 0.6840, 0.8960 )
##
## Level Percentile BCa
## 95% ( 0.652, 0.864 ) ( 0.636, 0.856 )
## Calculations and Intervals on Original Scale
## Call:
## WRS2::pbcor(x = .$figuras_pontos, y = .$beta_cod_pb, beta = 0.2,
## ci = FALSE, nboot = 10000, alpha = 0.05)
##
## Robust correlation coefficient: 0.312
## Test statistic: 3.2174
## p-value: 0.00176TRAP (via boostrap)
## BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS
## Based on 10000 bootstrap replicates
##
## CALL :
## boot.ci(boot.out = boot_out)
##
## Intervals :
## Level Normal Basic
## 95% ( 0.4180, 1.0256 ) ( 0.5130, 1.0850 )
##
## Level Percentile BCa
## 95% ( 0.3510, 0.9230 ) ( 0.1569, 0.9030 )
## Calculations and Intervals on Original Scale
## Call:
## WRS2::pbcor(x = .$figuras_pontos, y = .$trap_10_minutos, beta = 0.2,
## ci = FALSE, nboot = 10000, alpha = 0.05)
##
## Robust correlation coefficient: 0.7113
## Test statistic: 3.7869
## p-value: 0.002Gráficos de correlação
Correlação com outras habilidades cognitivas
## figuras_pontos rota_c_total rota_d_total rota_a_total memore_total
## 1.00 0.38 0.38 0.42 0.38## Descriptive Statistics
## ds
## N: 1326
##
## beta_cod_pb figuras_pontos r1_pb rota_c_acerto trap_10_minutos
## ----------------- ------------- ---------------- ------- --------------- -----------------
## Mean 80.79 15.01 22.12 153.92 25.31
## Std.Dev 15.34 5.47 10.58 44.88 6.16
## Min 36.00 0.00 2.00 0.00 12.00
## Q1 73.00 11.00 18.00 127.00 22.50
## Median 82.00 15.00 25.00 153.00 26.50
## Q3 90.00 19.00 29.00 182.00 29.50
## Max 119.00 27.00 36.00 245.00 33.00
## MAD 13.34 5.93 5.93 41.51 5.19
## IQR 17.00 8.00 9.50 55.00 6.50
## CV 0.19 0.36 0.48 0.29 0.24
## Skewness -0.05 -0.17 -0.91 -0.32 -0.68
## SE.Skewness 0.24 0.07 0.36 0.07 0.56
## Kurtosis 0.01 -0.58 -0.40 0.84 -0.63
## N.Valid 98.00 1326.00 43.00 1197.00 16.00
## Pct.Valid 7.39 100.00 3.24 90.27 1.21
A variável ID significa acertos por segundo. Números acima de 1 significa que a pessoa acertou mais de 1 item por segundo.
Processo de Resposta
Evidências de validade calcadas no processo de resposta visam identificar a relação entre o desempenho ou a resposta dadas pelos examinandos e o construto que o instrumento se propõe a medir (AERA et al., 2014). Para explorar tais aspectos, modelos lineares foram desenvolvidos.
O primeiro sistema de equações seguiu a lógica comparações planejadas (planned comparisons) e testou o efeito de interação entre escolaridade e sexo. Em seguida, testou-se modelos simples para verificar o efeito do sexo, de estar fazendo tratamento psicológico, estar no contexto do trânsito e de exercer atividades de risco aparente. A Tabela 6 descreve os resultados.
Regression models
Unrestricted model
##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 10089.46 1 10089.46 391.84 .000
## sex 218.03 1 218.03 8.47 .004 .01
## schooling 1465.27 2 732.63 28.45 .000 .04
## age_interval 2088.82 4 522.21 20.28 .000 .06
## traffic 53.92 1 53.92 2.09 .148 .00
## clinical 74.35 1 74.35 2.89 .090 .00
## Error 32572.57 1265 25.75
## CI_90_partial_eta2
##
## [.00, .02]
## [.03, .06]
## [.04, .08]
## [.00, .01]
## [.00, .01]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squaredPairwise: sex
## $emmeans
## sex emmean SE df lower.CL upper.CL
## F 11.5 0.626 1265 10.2 12.7
## M 12.4 0.624 1265 11.2 13.6
##
## Results are averaged over the levels of: schooling, age_interval, traffic, clinical
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## F - M -0.947 0.326 1265 -2.910 0.0037
##
## Results are averaged over the levels of: schooling, age_interval, traffic, clinical## Tolerance and Variance Inflation Factor
## ---------------------------------------
## Variables Tolerance VIF
## 1 sex1 0.7783491 1.284770
## 2 schooling1 0.5126772 1.950545
## 3 schooling2 0.4464511 2.239887
## 4 age_interval1 0.8869724 1.127431
## 5 age_interval2 0.8450911 1.183304
## 6 age_interval3 0.9240131 1.082236
## 7 age_interval4 0.9784148 1.022061
## 8 traffic1 0.9625748 1.038880
## 9 clinical1 0.9618925 1.039617
##
##
## Eigenvalue and Condition Index
## ------------------------------
## Eigenvalue Condition Index intercept sex1 schooling1
## 1 5.30149744 1.000000 1.767202e-03 0.0019407394 0.003022183
## 2 1.57071216 1.837177 2.551511e-04 0.1508889603 0.088917871
## 3 0.77638377 2.613130 2.198708e-03 0.2710773061 0.079645056
## 4 0.59501176 2.984946 1.123557e-04 0.4387188959 0.051825456
## 5 0.50815671 3.229985 1.314386e-03 0.0354447364 0.001840875
## 6 0.46932113 3.360967 4.469967e-04 0.0006836101 0.001396673
## 7 0.38454380 3.713012 1.018117e-02 0.0333576362 0.017121591
## 8 0.20680210 5.063162 4.454755e-05 0.0333803394 0.612671816
## 9 0.15114947 5.922376 2.940520e-02 0.0335368363 0.127814669
## 10 0.03642165 12.064782 9.542743e-01 0.0009709400 0.015743809
## schooling2 age_interval1 age_interval2 age_interval3 age_interval4
## 1 0.0039391045 0.0096780815 0.010260354 1.062885e-02 0.0057059051
## 2 0.0633292334 0.0020615910 0.002264017 1.318106e-04 0.0007644659
## 3 0.0479860568 0.2221320268 0.043084766 4.974880e-04 0.0076278930
## 4 0.0083805657 0.4525708174 0.024291806 3.298417e-04 0.0012547002
## 5 0.0026498663 0.2021078602 0.821220037 4.491075e-05 0.0071110323
## 6 0.0008856899 0.0292075566 0.018368550 8.495939e-01 0.0021364078
## 7 0.0021967914 0.0669246218 0.000864536 1.186401e-01 0.0518196830
## 8 0.6959054299 0.0001258405 0.073561440 1.391014e-02 0.2028770020
## 9 0.1562153733 0.0080240184 0.003935277 1.585899e-03 0.6011557845
## 10 0.0185118888 0.0071675858 0.002149216 4.637060e-03 0.1195471262
## traffic1 clinical1
## 1 0.009906359 2.510181e-03
## 2 0.003023837 4.652442e-04
## 3 0.025254470 2.680946e-03
## 4 0.088412484 1.785620e-04
## 5 0.005346951 1.961428e-03
## 6 0.155975803 8.446001e-04
## 7 0.680635255 2.252801e-02
## 8 0.002654351 8.297853e-05
## 9 0.002299259 1.835406e-01
## 10 0.026491231 7.852074e-01## Descriptive Statistics
## figuras_pontos by sex
## Data Frame: ds
## N: 763
##
## sex = F sex = M
## ----------------- --------- ---------
## Mean 15.15 14.83
## Std.Dev 5.11 5.92
## Min 1.00 0.00
## Q1 12.00 10.00
## Median 15.00 15.00
## Q3 19.00 20.00
## Max 27.00 27.00
## MAD 5.93 7.41
## IQR 7.00 10.00
## CV 0.34 0.40
## Skewness -0.18 -0.13
## SE.Skewness 0.09 0.10
## Kurtosis -0.49 -0.75
## N.Valid 763.00 563.00
## Pct.Valid 100.00 100.00
Restricted: schooling and age (Manual)
##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 20879.59 1 20879.59 821.67 .000
## age_interval 549.19 4 137.30 5.40 .000 .02
## schooling 854.41 2 427.20 16.81 .000 .03
## age_interval x schooling 884.21 8 110.53 4.35 .000 .03
## Error 32018.24 1260 25.41
## CI_90_partial_eta2
##
## [.01, .03]
## [.01, .04]
## [.01, .04]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared## Model Summary
## --------------------------------------------------------------
## R 0.393 RMSE 5.041
## R-Squared 0.155 Coef. Var 33.480
## Adj. R-Squared 0.145 MSE 25.411
## Pred R-Squared 0.133 MAE 4.052
## --------------------------------------------------------------
## RMSE: Root Mean Square Error
## MSE: Mean Square Error
## MAE: Mean Absolute Error
##
## ANOVA
## -----------------------------------------------------------------------
## Sum of
## Squares DF Mean Square F Sig.
## -----------------------------------------------------------------------
## Regression 5861.697 14 418.693 16.477 0.0000
## Residual 32018.237 1260 25.411
## Total 37879.934 1274
## -----------------------------------------------------------------------
##
## Parameter Estimates
## -----------------------------------------------------------------------------------------------------
## model Beta Std. Error Std. Beta t Sig lower upper
## -----------------------------------------------------------------------------------------------------
## (Intercept) 11.286 0.394 28.665 0.000 10.514 12.059
## age_interval1 -0.678 0.391 -0.097 -1.734 0.083 -1.445 0.089
## age_interval2 -0.556 0.207 -0.091 -2.690 0.007 -0.961 -0.151
## age_interval3 -0.439 0.183 -0.070 -2.392 0.017 -0.799 -0.079
## age_interval4 -0.794 0.327 -0.070 -2.430 0.015 -1.435 -0.153
## schooling1 2.382 0.534 0.240 4.461 0.000 1.334 3.429
## schooling2 1.204 0.245 0.322 4.914 0.000 0.723 1.684
## age_interval1:schooling1 0.420 0.575 0.039 0.731 0.465 -0.707 1.548
## age_interval2:schooling1 -1.001 0.280 -0.127 -3.572 0.000 -1.551 -0.451
## age_interval3:schooling1 -0.683 0.231 -0.097 -2.958 0.003 -1.137 -0.230
## age_interval4:schooling1 -0.033 0.443 -0.004 -0.074 0.941 -0.903 0.837
## age_interval1:schooling2 0.174 0.207 0.048 0.842 0.400 -0.232 0.580
## age_interval2:schooling2 0.194 0.129 0.058 1.508 0.132 -0.058 0.446
## age_interval3:schooling2 -0.154 0.126 -0.047 -1.220 0.223 -0.400 0.093
## age_interval4:schooling2 -0.086 0.203 -0.025 -0.422 0.673 -0.484 0.313
## -----------------------------------------------------------------------------------------------------## $emmeans
## age_interval = [15,25]:
## schooling emmean SE df lower.CL upper.CL
## fundamental 9.00 1.594 1260 5.87 12.13
## medio 16.36 0.309 1260 15.75 16.96
## superior 15.90 0.211 1260 15.49 16.32
##
## age_interval = (25,35]:
## schooling emmean SE df lower.CL upper.CL
## fundamental 6.45 1.520 1260 3.47 9.44
## medio 15.49 0.582 1260 14.35 16.64
## superior 15.24 0.420 1260 14.42 16.07
##
## age_interval = (35,45]:
## schooling emmean SE df lower.CL upper.CL
## fundamental 8.48 1.008 1260 6.50 10.46
## medio 10.67 0.699 1260 9.30 12.04
## superior 15.07 0.760 1260 13.58 16.56
##
## age_interval = (45,55]:
## schooling emmean SE df lower.CL upper.CL
## fundamental 9.57 1.347 1260 6.93 12.21
## medio 10.30 0.920 1260 8.49 12.11
## superior 12.42 1.156 1260 10.15 14.69
##
## age_interval = (55,65]:
## schooling emmean SE df lower.CL upper.CL
## fundamental 5.00 3.564 1260 -1.99 11.99
## medio 9.50 2.520 1260 4.56 14.44
## superior 9.83 2.058 1260 5.80 13.87
##
## Confidence level used: 0.95
##
## $contrasts
## age_interval = [15,25]:
## contrast estimate SE df t.ratio p.value
## fundamental - medio -7.357 1.624 1260 -4.531 <.0001
## fundamental - superior -6.902 1.608 1260 -4.293 0.0001
## medio - superior 0.455 0.374 1260 1.216 0.6724
##
## age_interval = (25,35]:
## contrast estimate SE df t.ratio p.value
## fundamental - medio -9.039 1.628 1260 -5.554 <.0001
## fundamental - superior -8.789 1.577 1260 -5.573 <.0001
## medio - superior 0.250 0.718 1260 0.349 1.0000
##
## age_interval = (35,45]:
## contrast estimate SE df t.ratio p.value
## fundamental - medio -2.193 1.227 1260 -1.788 0.2222
## fundamental - superior -6.588 1.263 1260 -5.218 <.0001
## medio - superior -4.395 1.033 1260 -4.256 0.0001
##
## age_interval = (45,55]:
## contrast estimate SE df t.ratio p.value
## fundamental - medio -0.729 1.632 1260 -0.447 1.0000
## fundamental - superior -2.850 1.776 1260 -1.605 0.3263
## medio - superior -2.121 1.478 1260 -1.435 0.4545
##
## age_interval = (55,65]:
## contrast estimate SE df t.ratio p.value
## fundamental - medio -4.500 4.366 1260 -1.031 0.9085
## fundamental - superior -4.833 4.116 1260 -1.174 0.7215
## medio - superior -0.333 3.254 1260 -0.102 1.0000
##
## P value adjustment: bonferroni method for 3 tests
Restricted: sex
##
## Two Sample t-test
##
## data: figuras_pontos by sex
## t = 1.0265, df = 1324, p-value = 0.3049
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.2842635 0.9082145
## sample estimates:
## mean in group F mean in group M
## 15.14679 14.83481Restricted: therapy
##
## Call:
## lm(formula = figuras_pontos ~ clinical, data = ds)
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.9961 -3.9961 0.0039 4.0039 12.0039
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15.2123 0.3736 40.720 <2e-16 ***
## clinical1 0.2163 0.3736 0.579 0.563
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.472 on 1324 degrees of freedom
## Multiple R-squared: 0.000253, Adjusted R-squared: -0.0005021
## F-statistic: 0.3351 on 1 and 1324 DF, p-value: 0.5628##
## Two Sample t-test
##
## data: figuras_pontos by clinical
## t = -0.57887, df = 1324, p-value = 0.5628
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.898255 1.033238
## sample estimates:
## mean in group no mean in group yes
## 14.99606 15.42857##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 49647.68 1 49647.68 1658.15 .000
## clinical 10.03 1 10.03 0.34 .563 .00
## Error 39642.69 1324 29.94
## CI_90_partial_eta2
##
## [.00, .00]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squaredRestricted: PM
##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 111020.40 1 111020.40 3935.30 .000
## gun 2300.85 1 2300.85 81.56 .000 .06
## Error 37351.88 1324 28.21
## CI_90_partial_eta2
##
## [.04, .08]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared## $emmeans
## gun emmean SE df lower.CL upper.CL
## no 14.6 0.152 1324 14.3 14.9
## yes 19.6 0.523 1324 18.5 20.6
##
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## no - yes -4.92 0.545 1324 -9.031 <.0001##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 53284.04 1 53284.04 2075.16 .000
## gun 2263.25 1 2263.25 88.14 .000 .06
## schooling 3094.73 2 1547.37 60.26 .000 .09
## Error 32815.24 1278 25.68
## CI_90_partial_eta2
##
## [.04, .09]
## [.06, .11]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared## # A tibble: 103 x 2
## profissao sex
## <chr> <fct>
## 1 PM M
## 2 PM M
## 3 PM M
## 4 PM M
## 5 PM M
## 6 PM M
## 7 PM M
## 8 PM M
## 9 PM M
## 10 PM M
## # ... with 93 more rowsRestricted: traffic
##
##
## ANOVA results using figuras_pontos as the dependent variable
##
##
## Predictor SS df MS F p partial_eta2
## (Intercept) 131592.17 1 131592.17 4432.70 .000
## traffic 347.55 1 347.55 11.71 .001 .01
## Error 39305.17 1324 29.69
## CI_90_partial_eta2
##
## [.00, .02]
##
##
## Note: Values in square brackets indicate the bounds of the 90% confidence interval for partial eta-squared## $emmeans
## traffic emmean SE df lower.CL upper.CL
## no 15.2 0.161 1324 14.9 15.5
## yes 13.7 0.404 1324 12.9 14.5
##
## Confidence level used: 0.95
##
## $contrasts
## contrast estimate SE df t.ratio p.value
## no - yes 1.49 0.435 1324 3.422 0.0006## $emmeans
## contrast estimate SE df t.ratio p.value
## yes - no -1.49 0.435 1324 -3.422 0.0006
##
##
## $contrasts
## contrast estimate SE df z.ratio p.value
## (nothing) nonEst NA NA NA NA##
## Call:
## lm(formula = figuras_pontos ~ factor(cnh), data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.5065 -4.5065 -0.5065 5.0673 11.4935
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.7196 0.4683 29.295 <2e-16 ***
## factor(cnh)1 -0.2131 0.4683 -0.455 0.65
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.23 on 179 degrees of freedom
## Multiple R-squared: 0.001155, Adjusted R-squared: -0.004425
## F-statistic: 0.2071 on 1 and 179 DF, p-value: 0.6496Normas
A utilidade dos resultados brutos do MIG é restrita ao próprio sistema desenvolvido no teste e, com isso, a comunicação tanto entre profissionais como com os resultados obtidos pelo MIG e outros instrumentos é limitada. O desenvolvimento de medidas de normatização é feito para conferir uniformidade na interpretação da pontuação do MIG e, consequentemente, ampliar sua utilidade geral (Anastasi, 1976).
As tabelas, a seguir, apresentam a relação entre pontuação bruta (feita pelo somatório dos itens acertados do MIG, o percentil relacionado a esse resultado e uma classificação descritiva de desempenho. O desenvolvimento de tabelas específicas foi proporcionado em função dos resultados significativos apresentados anteriormente. O percentil é uma medida de posição ordinal relativa, muito utilizada em avaliação psicológica. Esta medida “indica a porcentagem de indivíduos em um grupo cujos resultados são inferiores ou até ele” (Urbina, 2014, p. 40). A classificação é uma síntese textual do desempenho.
Para tornar os resultados do MIG mais próximos ao contexto neuropsicológico, uma tabela com uma conversão com o Escore Normal Padronizado (EPN) foi realizada, com classificações de performance baseadas no tradicional Sistema Wechsler (Wechsler, 2008). É importante destacar que o MIG avalia aspectos não-verbais da inteligência e, por isso, esta medida deve ser utilizada, preferencialmente, com instrumentos complementares para a investigação de processos cognitivos, em geral, e a eles associados.
A forma da utilização dessas tabelas é a seguinte: inicialmente, (1) o profissional deve escolher a tabela mais adequada considerando o perfil de seu avaliando, bem como possíveis condições administrativas ou legais; em seguida, (2) deve-se localizar a pontuação bruta obtida e (3) o percentil relacionado para, finalmente, (4) identificar a classificação relacionada ao percentil, tal como ilustrado no diagrama conceitual na Figura 17. Já em relação à conversão para métrica QI, é necessário parear a pontuação obtida com o QI teórico esperado.
Existem condições particulares que devem ser consideradas. Apesar de várias tabelas disponíveis, a tabela de escolaridade têm predileção de uso clínico, uma vez que o efeito principal (η2 = 0,03) foi superior ao da faixa etária (η2 = 0,02), o que também já foi encontrado em outros estudos sobre inteligência (Cahan & Cohen, 1989). Destaca-se que esta recomendação não deve ser generalizada para todos testes psicológicos, mas se refere apenas ao MIG. No contexto do trânsito, é preferível utilizar a tabela específica, caso o psicólogo assim prefira, tendo em vista a necessidade de obter parâmetros comparativos mais específicos. Na ausência de informações demográficas, a utilização da tabela geral é recomendada. As seguintes condições devem ser observadas em todas as tabelas normativas:
Quando uma pontuação bruta não estiver presente na tabela (por exemplo, 7 pontos no nível médio de escolaridade), deve-se considerar sempre a pontuação imediatamente inferior (neste caso, 6) e, consequentemente, verificar o percentil associado a tal valor (neste caso, percentil 5). O percentil é uma medida de frequência acumulada relativa “abaixo de” e isso justifica essa instrução.
Quando a pontuação estiver duplicada, deve-se considerar aquela que apareceu por último (por exemplo, 19 pontos no nível de escolaridade superior, equivale ao percentil 75).
A amostra de pessoas entre 56 e 64 anos deve ser utilizada apenas de maneira preliminar, uma vez que o tamanho amostral é pequeno.
O psicólogo deve ter autonomia de usar a tabela mais adequada ao seu contexto, entendendo que as sugestões deste manual apenas visam auxiliar seu trabalho, mas jamais serem entendidas como as únicas corretas.
É importante levar e conta que as normas só podem ser utilizadas adequadamente se a aplicação do MIG seguiu a padronização indicada. Quaisquer modificações realizadas durante a aplicação invalidam a utilização das tabelas normativas.
Na próxima seção, as tabelas serão apresentadas cada uma em uma página, para facilitar na visualização de cada tabela normativa de maneira completa. Após as tabelas normativas serão feitas as considerações finais do capítulo de psicometria, assim como, a apresentação da síntese dos estudos psicométricos realizados com o MIG.
Transito geral
## # A tibble: 19 x 4
## percentil classificacao no yes
## <dbl> <chr> <dbl> <dbl>
## 1 0.05 inferior 6 4
## 2 0.1 medio inferior 8 5
## 3 0.15 medio inferior 9 7
## 4 0.2 medio inferior 10 8
## 5 0.25 medio inferior 12 9
## 6 0.3 medio 12 10
## 7 0.35 medio 13 11
## 8 0.4 medio 14 12
## 9 0.45 medio 15 13
## 10 0.5 medio 15 13
## 11 0.55 medio 16 14
## 12 0.6 medio 17 15
## 13 0.65 medio 18 16
## 14 0.7 medio 18 18
## 15 0.75 medio superior 19 19
## 16 0.8 medio superior 20 20
## 17 0.85 medio superior 21 21
## 18 0.9 medio superior 22 22
## 19 0.95 superior 24 24## # A tibble: 2 x 4
## traffic n mean sd
## <fct> <int> <dbl> <dbl>
## 1 no 1144 15.2 5.32
## 2 yes 182 13.7 6.21Transito por habilitação
## # A tibble: 19 x 4
## percentil classificacao `1 hab` `2 hab`
## <dbl> <chr> <dbl> <dbl>
## 1 0.05 inferior 4 4
## 2 0.1 medio inferior 5 6
## 3 0.15 medio inferior 6 8
## 4 0.2 medio inferior 8 8
## 5 0.25 medio inferior 10 9
## 6 0.3 medio 11 9
## 7 0.35 medio 12 10
## 8 0.4 medio 12 11
## 9 0.45 medio 13 12
## 10 0.5 medio 13 14
## 11 0.55 medio 15 14
## 12 0.6 medio 16 15
## 13 0.65 medio 17 16
## 14 0.7 medio 18 17
## 15 0.75 medio superior 19 19
## 16 0.8 medio superior 21 20
## 17 0.85 medio superior 22 20
## 18 0.9 medio superior 22 21
## 19 0.95 superior 24 23## # A tibble: 2 x 4
## primeira_habilitacao n mean sd
## <chr> <int> <dbl> <dbl>
## 1 1 hab 104 13.9 6.31
## 2 2 hab 78 13.5 6.10Transito motorista profissional
## # A tibble: 19 x 4
## percentil classificacao `1` `2`
## <dbl> <chr> <dbl> <dbl>
## 1 0.05 inferior 3 6
## 2 0.1 medio inferior 4 9
## 3 0.15 medio inferior 6 10
## 4 0.2 medio inferior 7 12
## 5 0.25 medio inferior 7 12
## 6 0.3 medio 8 13
## 7 0.35 medio 9 14
## 8 0.4 medio 9 15
## 9 0.45 medio 10 15
## 10 0.5 medio 10 16
## 11 0.55 medio 11 17
## 12 0.6 medio 11 18
## 13 0.65 medio 12 19
## 14 0.7 medio 13 19
## 15 0.75 medio superior 14 20
## 16 0.8 medio superior 15 20
## 17 0.85 medio superior 16 21
## 18 0.9 medio superior 16 22
## 19 0.95 superior 19 24## # A tibble: 2 x 4
## motoristaprofissional n mean sd
## <dbl> <int> <dbl> <dbl>
## 1 1 173 10.6 4.72
## 2 2 249 15.8 5.38Motorista profissional em julho 19 2021
## # A tibble: 1,326 x 2
## motoristaprofissional primeira_habilitacao
## <dbl> <chr>
## 1 2 2 hab
## 2 2 2 hab
## 3 1 2 hab
## 4 1 2 hab
## 5 2 2 hab
## 6 2 2 hab
## 7 2 2 hab
## 8 2 2 hab
## 9 1 2 hab
## 10 2 2 hab
## # ... with 1,316 more rows## Hedges' g | 95% CI
## -------------------------
## 0.08 | [-0.22, 0.37]
##
## - Estimated using pooled SD.## # A tibble: 19 x 4
## percentil classificacao nao sim
## <dbl> <chr> <dbl> <dbl>
## 1 0.05 inferior 5 13
## 2 0.1 medio inferior 7 14
## 3 0.15 medio inferior 9 15
## 4 0.2 medio inferior 10 16
## 5 0.25 medio inferior 11 17
## 6 0.3 medio 12 18
## 7 0.35 medio 13 18
## 8 0.4 medio 13 19
## 9 0.45 medio 14 19
## 10 0.5 medio 15 20
## 11 0.55 medio 15 20
## 12 0.6 medio 16 21
## 13 0.65 medio 17 21
## 14 0.7 medio 18 21
## 15 0.75 medio superior 19 22
## 16 0.8 medio superior 20 23
## 17 0.85 medio superior 21 24
## 18 0.9 medio superior 22 25
## 19 0.95 superior 23 26## # A tibble: 2 x 4
## pm n mean sd
## <fct> <int> <dbl> <dbl>
## 1 nao 1223 14.6 5.41
## 2 sim 103 19.6 3.98## # A tibble: 3 x 3
## sex schooling n
## <fct> <fct> <int>
## 1 M medio 72
## 2 M superior 28
## 3 M <NA> 3## # A tibble: 19 x 5
## percentil classificacao fundamental medio superior
## <dbl> <chr> <dbl> <dbl> <dbl>
## 1 0.05 inferior 2 6 6
## 2 0.1 medio inferior 3 8 8
## 3 0.15 medio inferior 4 9 10
## 4 0.2 medio inferior 5 10 11
## 5 0.25 medio inferior 5 11 12
## 6 0.3 medio 6 12 13
## 7 0.35 medio 6 13 14
## 8 0.4 medio 7 14 14
## 9 0.45 medio 7 15 15
## 10 0.5 medio 8 15 16
## 11 0.55 medio 9 16 16
## 12 0.6 medio 9 16 17
## 13 0.65 medio 10 17 18
## 14 0.7 medio 10 18 19
## 15 0.75 medio superior 11 19 19
## 16 0.8 medio superior 12 20 20
## 17 0.85 medio superior 12 21 21
## 18 0.9 medio superior 13 22 22
## 19 0.95 superior 14 24 24## # A tibble: 3 x 4
## schooling n mean sd
## <fct> <int> <dbl> <dbl>
## 1 fundamental 63 8.27 4.15
## 2 medio 427 15.0 5.43
## 3 superior 792 15.6 5.21## # A tibble: 19 x 7
## percentil classificacao `[15,25]` `(25,35]` `(35,45]` `(45,55]` `(55,65]`
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0.05 inferior 7 5 4 4 3
## 2 0.1 medio inferior 9 7 5 5 4
## 3 0.15 medio inferior 11 8 7 5 5
## 4 0.2 medio inferior 12 10 8 6 5
## 5 0.25 medio inferior 13 11 9 7 6
## 6 0.3 medio 13 12 9 8 6
## 7 0.35 medio 14 14 10 9 6
## 8 0.4 medio 15 14 10 9 6
## 9 0.45 medio 15 15 11 10 7
## 10 0.5 medio 16 15 11 10 8
## 11 0.55 medio 17 16 12 10 8
## 12 0.6 medio 18 17 12 11 9
## 13 0.65 medio 18 18 13 11 9
## 14 0.7 medio 19 19 14 12 10
## 15 0.75 medio superior 20 19 15 14 12
## 16 0.8 medio superior 21 20 16 14 13
## 17 0.85 medio superior 22 21 17 15 15
## 18 0.9 medio superior 22 22 19 17 18
## 19 0.95 superior 24 23 22 21 18## # A tibble: 5 x 4
## age_interval n mean sd
## <fct> <int> <dbl> <dbl>
## 1 [15,25] 860 16.0 5.09
## 2 (25,35] 246 15.0 5.63
## 3 (35,45] 131 11.8 5.06
## 4 (45,55] 67 10.5 5.03
## 5 (55,65] 12 8.92 5.47Normas gerais
## # A tibble: 19 x 3
## figuras_pontos percentil classificacao
## <dbl> <dbl> <chr>
## 1 6 0.05 inferior
## 2 7 0.1 medio inferior
## 3 9 0.15 medio inferior
## 4 10 0.2 medio inferior
## 5 11 0.25 medio inferior
## 6 12 0.3 medio
## 7 13 0.35 medio
## 8 14 0.4 medio
## 9 14 0.45 medio
## 10 15 0.5 medio
## 11 16 0.55 medio
## 12 17 0.6 medio
## 13 18 0.65 medio
## 14 18 0.7 medio
## 15 19 0.75 medio superior
## 16 20 0.8 medio superior
## 17 21 0.85 medio superior
## 18 22 0.9 medio superior
## 19 24 0.95 superior## # A tibble: 1 x 3
## n mean sd
## <int> <dbl> <dbl>
## 1 1326 15.0 5.47Normas com interação
## # A tibble: 95 x 6
## # Groups: age_interval [5]
## age_interval percentil classificacao fundamental medio superior
## <fct> <dbl> <chr> <dbl> <dbl> <dbl>
## 1 [15,25] 0.05 inferior 3 8 7
## 2 [15,25] 0.1 medio inferior 5 10 9
## 3 [15,25] 0.15 medio inferior 5 11 11
## 4 [15,25] 0.2 medio inferior 6 12 12
## 5 [15,25] 0.25 medio inferior 6 13 13
## 6 [15,25] 0.3 medio 7 14 13
## 7 [15,25] 0.35 medio 7 15 14
## 8 [15,25] 0.4 medio 8 15 14
## 9 [15,25] 0.45 medio 9 16 15
## 10 [15,25] 0.5 medio 10 16 16
## 11 [15,25] 0.55 medio 10 17 17
## 12 [15,25] 0.6 medio 10 18 17
## 13 [15,25] 0.65 medio 10 19 18
## 14 [15,25] 0.7 medio 10 19 19
## 15 [15,25] 0.75 medio superior 10 20 19
## 16 [15,25] 0.8 medio superior 10 21 21
## 17 [15,25] 0.85 medio superior 11 22 21
## 18 [15,25] 0.9 medio superior 13 23 22
## 19 [15,25] 0.95 superior 16 24 24
## 20 (25,35] 0.05 inferior 2 7 6
## 21 (25,35] 0.1 medio inferior 3 8 7
## 22 (25,35] 0.15 medio inferior 3 9 9
## 23 (25,35] 0.2 medio inferior 3 10 10
## 24 (25,35] 0.25 medio inferior 4 12 12
## 25 (25,35] 0.3 medio 4 12 13
## 26 (25,35] 0.35 medio 4 14 14
## 27 (25,35] 0.4 medio 5 15 14
## 28 (25,35] 0.45 medio 6 15 15
## 29 (25,35] 0.5 medio 6 16 15
## 30 (25,35] 0.55 medio 6 16 16
## 31 (25,35] 0.6 medio 6 18 17
## 32 (25,35] 0.65 medio 7 18 18
## 33 (25,35] 0.7 medio 7 19 19
## 34 (25,35] 0.75 medio superior 7 20 19
## 35 (25,35] 0.8 medio superior 7 21 20
## 36 (25,35] 0.85 medio superior 10 21 21
## 37 (25,35] 0.9 medio superior 13 23 22
## 38 (25,35] 0.95 superior 14 24 23
## 39 (35,45] 0.05 inferior 3 4 6
## 40 (35,45] 0.1 medio inferior 3 7 8
## 41 (35,45] 0.15 medio inferior 5 8 9
## 42 (35,45] 0.2 medio inferior 5 8 11
## 43 (35,45] 0.25 medio inferior 6 9 11
## 44 (35,45] 0.3 medio 6 9 12
## 45 (35,45] 0.35 medio 7 9 12
## 46 (35,45] 0.4 medio 8 10 13
## 47 (35,45] 0.45 medio 8 10 14
## 48 (35,45] 0.5 medio 9 10 15
## 49 (35,45] 0.55 medio 9 11 16
## 50 (35,45] 0.6 medio 9 11 17
## 51 (35,45] 0.65 medio 10 12 17
## 52 (35,45] 0.7 medio 11 12 19
## 53 (35,45] 0.75 medio superior 11 13 20
## 54 (35,45] 0.8 medio superior 12 14 21
## 55 (35,45] 0.85 medio superior 12 14 21
## 56 (35,45] 0.9 medio superior 14 16 22
## 57 (35,45] 0.95 superior 14 16 23
## 58 (45,55] 0.05 inferior 5 4 5
## 59 (45,55] 0.1 medio inferior 5 5 7
## 60 (45,55] 0.15 medio inferior 6 6 8
## 61 (45,55] 0.2 medio inferior 7 7 9
## 62 (45,55] 0.25 medio inferior 7 7 9
## 63 (45,55] 0.3 medio 7 9 9
## 64 (45,55] 0.35 medio 8 9 10
## 65 (45,55] 0.4 medio 8 9 10
## 66 (45,55] 0.45 medio 9 10 11
## 67 (45,55] 0.5 medio 10 10 11
## 68 (45,55] 0.55 medio 10 10 13
## 69 (45,55] 0.6 medio 10 11 14
## 70 (45,55] 0.65 medio 10 11 14
## 71 (45,55] 0.7 medio 11 12 15
## 72 (45,55] 0.75 medio superior 11 14 15
## 73 (45,55] 0.8 medio superior 11 14 16
## 74 (45,55] 0.85 medio superior 12 15 18
## 75 (45,55] 0.9 medio superior 12 16 21
## 76 (45,55] 0.95 superior 15 18 22
## 77 (55,65] 0.05 inferior 1 4 5
## 78 (55,65] 0.1 medio inferior 2 5 6
## 79 (55,65] 0.15 medio inferior 2 5 6
## 80 (55,65] 0.2 medio inferior 3 6 6
## 81 (55,65] 0.25 medio inferior 3 6 6
## 82 (55,65] 0.3 medio 3 7 6
## 83 (55,65] 0.35 medio 4 7 6
## 84 (55,65] 0.4 medio 4 7 6
## 85 (55,65] 0.45 medio 5 7 7
## 86 (55,65] 0.5 medio 5 8 8
## 87 (55,65] 0.55 medio 5 8 10
## 88 (55,65] 0.6 medio 6 8 11
## 89 (55,65] 0.65 medio 6 8 12
## 90 (55,65] 0.7 medio 7 9 12
## 91 (55,65] 0.75 medio superior 7 11 12
## 92 (55,65] 0.8 medio superior 7 12 13
## 93 (55,65] 0.85 medio superior 8 14 14
## 94 (55,65] 0.9 medio superior 8 16 16
## 95 (55,65] 0.95 superior 9 17 17## # A tibble: 15 x 3
## schooling age_interval n
## <fct> <fct> <int>
## 1 fundamental [15,25] 10
## 2 medio [15,25] 266
## 3 superior [15,25] 573
## 4 fundamental (25,35] 11
## 5 medio (25,35] 75
## 6 superior (25,35] 144
## 7 fundamental (35,45] 25
## 8 medio (35,45] 52
## 9 superior (35,45] 44
## 10 fundamental (45,55] 14
## 11 medio (45,55] 30
## 12 superior (45,55] 19
## 13 fundamental (55,65] 2
## 14 medio (55,65] 4
## 15 superior (55,65] 6Escore Padrão Normalizado
Testes de inteligência costumam ser apresentados em unidades denominadas QI de desvio. Esta métrica assume uma distribuição normal subjacente aos dados, com média teórica igual a 100 e desvio-padrão igual a 15 (Wechsler, 2008). Para oferecer também este tipo de métrica aos usuários do MIG, calculou-se o EPN com base nos dados brutos.
O EPN é uma transformação não-linear dos dados, que sobrepõe a distribuição empírica com uma distribuição normal teórica e permite que suas interpretações dos resultados sejam iguais ao QI de desvio. Para isso, a frequência acumulada de todos os escores é calculada (ou seja, o percentil), o valor de Z-score associado a tal percentil é encontrado na distribuição normal teórica, atribui-se este Z-score teórico aos resultados empíricos e, em seguida, faz-se a conversão para QI de desvio, multiplicando o valor por 15 e adicionando 100 (Burns, 1988).
A Figura 16 apresenta os resultados da EPN e, na seção de tabelas de normas, eles serão descritos mais detalhadamente. É importante apenas notar que a distribuição empírica dos escores no MIG já é próxima à normal (Média = 15,01, Mediana = 15, Assimetria = -0,17, Curtose-3= -0,58).
## Descriptive Statistics
## ds$figuras_pontos
## N: 1326
##
## figuras_pontos
## ----------------- ----------------
## Mean 15.01
## Std.Dev 5.47
## Min 0.00
## Q1 11.00
## Median 15.00
## Q3 19.00
## Max 27.00
## MAD 5.93
## IQR 8.00
## CV 0.36
## Skewness -0.17
## SE.Skewness 0.07
## Kurtosis -0.58
## N.Valid 1326.00
## Pct.Valid 100.00## # A tibble: 1,326 x 4
## figuras_pontos freq_acumulada z_real[,1] z_normal
## <dbl> <int> <dbl> <dbl>
## 1 0 1 -2.74 -2.33
## 2 1 1 -2.56 -2.33
## 3 1 1 -2.56 -2.33
## 4 1 1 -2.56 -2.33
## 5 1 1 -2.56 -2.33
## 6 2 1 -2.38 -2.33
## 7 2 1 -2.38 -2.33
## 8 2 1 -2.38 -2.33
## 9 2 1 -2.38 -2.33
## 10 2 1 -2.38 -2.33
## # ... with 1,316 more rows
## # A tibble: 28 x 2
## figuras_pontos `mean(qi_teorico)`
## <dbl> <dbl>
## 1 0 65.1
## 2 1 65.1
## 3 2 65.1
## 4 3 68.3
## 5 4 70.7
## 6 5 73.9
## 7 6 76.9
## 8 7 79.7
## 9 8 81.9
## 10 9 84.4
## 11 10 86.9
## 12 11 89.1
## 13 12 91.4
## 14 13 93.8
## 15 14 96.6
## 16 15 99.6
## 17 16 102.
## 18 17 105.
## 19 18 107.
## 20 19 110.
## 21 20 112.
## 22 21 115.
## 23 22 119.
## 24 23 123.
## 25 24 127.
## 26 25 132.
## 27 26 Inf
## 28 27 InfAll codes and analysis on this webpageis protected by copyright law. Copying or storing any content is expressly prohibited without prior written permission of the author or the copyright holder identified in the individual content’s copyright notice. For permission to use the content, please contact luisfca@puc-rio.br. > Done