Estimación Variacional Regularizada para el Análisis Factorial Exploratorio de Ítems

Área de la Ciencia:

• Psicometría
• Modelado Estadístico
• Medición Educativa

Sus antecedentes:

• La Teoría de Respuesta al Ítem Multidimensional (MIRT) modela la relación entre los rasgos latentes y las respuestas a los ítems.
• La especificación precisa de la estructura de carga de factores de ítems es fundamental para la validez de MIRT.
• Los métodos existentes pueden tener dificultades con datos de alta dimensionalidad y recuperación precisa de la estructura.

Objetivo del estudio:

• Proponer un novedoso algoritmo regularizado de Maximización de la Expectativa Variacional Gaussiana (GVEM) para inferir la estructura de carga de factores de ítems en MIRT.
• Desarrollar un método computacionalmente eficiente adecuado para aplicaciones MIRT de alta dimensionalidad.
• Recuperar con precisión la estructura de carga de factores de ítems directamente de los datos.

Principales métodos:

• Desarrolló un algoritmo GVEM regularizado que incorpora una penalización de tipo L1.
• La penalización reduce a cero ciertas cargas de factores de ítems, lo que ayuda a la identificación de la estructura.
• El algoritmo aprovecha la eficiencia computacional de GVEM para MIRT de alta dimensionalidad.

Principales resultados:

• Los estudios de simulación demuestran una recuperación precisa de la estructura de carga.
• El método propuesto muestra una eficiencia computacional significativa.
• La efectividad del algoritmo se ilustra con datos de evaluación educativa del mundo real (NELS:88).

Conclusiones:

• El algoritmo GVEM regularizado proporciona un enfoque eficiente y preciso para inferir las estructuras de carga de factores de ítems MIRT.
• Este método es muy adecuado para aplicaciones de medición psicométrica y educativa complejas y de alta dimensionalidad.
• Los hallazgos contribuyen a mejorar la calibración de parámetros de ítems y la estimación de rasgos latentes en MIRT.