Sei sulla pagina 1di 20

UNIVERSITÀ DELLA VALLE D'AOSTA

Lezioni di METODI AVANZATI PER LA RICERCA PSICOLOGICA


Gennaio UNIVERSITÉ DE LA VALLÉE D'AOSTE
del prof. Renato Miceli (a.a. 2011-2012) prof. Renato Miceli
2012
Per il Corso di Laurea Magistrale in Psicologia UNIVERSITA' DEGLI STUDI DI TORINO
DIPARTIMENTO DI PSICOLOGIA
Laboratorio di Psicometria e Analisi dei Dati

Ausilio alla lettura degli output di procedure matematco-statistiche


Le successive diapositive riportano alcune porzioni di output ottenuto elaborando dati tramite uno specifico software; in particolare,
gli output si riferiscono alla stima di modelli matematico-statistici quali : regressione, analisi della varianza, logit, log-lineare e Rasch.
Gli output sono commentati in modo da agevolare il riconoscimento dei principali aspetti utili per la valutazione e l'analisi dei risultati.
Tutti i commenti fanno riferimento ad aspetti o statistiche presenti e dettagliatamente illustrati nel testo:
R. Miceli, 2001, Percorsi di ricerca e analisi dei dati, Torino, Bollati Boringhieri
Il software utilizzato è: SAS (Statistical Analisys System) Versione 9.1 e Winsteps Versione 3.68.2

1a) Modello Lineare Classico (Regressione) SAS (Proc REG)

1b) Modello Lineare Classico (Regressione) SAS (Proc GLM)

2a) Modello Lineare Classico (Analisi della Varianza)  SAS (Proc GLM)

2a) Modello Lineare Classico (Analisi della Varianza)  SAS (Proc CATMOD)

3a) Modello di Probabilità (Logit)  SAS (Proc Logistic)

4) Modello di Probabilità (Log-Lineare)  SAS (Proc Catmod)

5) Modello di Misurazione (Rasch-Base)  Winsteps


yˆ i  ˆ0  ˆ1x 1i  ˆ2 x 2i 1) Modello Lineare Classico (Regressione) I DATI
Seguono due elaborazioni:
y, x1 e x2 sono variabili metriche (a)  SAS (Proc REG)
(b)  SAS (Proc GLM)

Statistiche descrittive (univariate)

The CORR Procedure

3 Variables: y x1 x2

Simple Statistics

Variable N Mean Std Dev Sum Minimum Maximum

y 100 -0.02140 4.40774 -2.14000 -10.00000 10.00000


x1 100 34.84000 18.54115 3484 0 100.00000
x2 100 1.22000 86.03646 122.00000 -296.00000 250.00000 Correlazioni (bivariate)

Pearson Correlation Coefficients, N = 100


Prob > |r| under H0: Rho=0

y x1 x2

y 1.00000 -0.10423 0.56898


0.3021 <.0001

x1 -0.10423 1.00000 0.09653


0.3021 0.3394

x2 0.56898 0.09653 1.00000


<.0001 0.3394
yˆ i  ˆ0  ˆ1x 1i  ˆ2 x 2i 1a) Modello Lineare Classico (Regressione) SAS (Proc REG)
y, x1 e x2 sono variabili metriche

Test F Overall e relativa Probabilità


Gradi di Libertà
 MODELLO (senza considerare l'intercetta)
 RESIDUO
H0 : ˆ1  ˆ2  ...  ˆk  0
 TOTALE
Coefficiente di Determinazione R2 e ADJ R2
("Corrected" = N-1 perchè è presente Varianze
l'intercetta; altrimenti "Uncorrected"=N)
Attenzione a pag. 163 del testo, la formula di
ADJ R2 è sbagliata; quella corretta è:
Somme dei Quadrati = Devianze
(dato che nel modello è presente N  i   1  R 2 
l'intercetta) ADJR 2  1
N N K i
(nessun missing)
The REG Procedure
Model: MODEL1
Dependent Variable: y
Number of Observations Read 100
Stima Parametro Number of Observations Used 100

ˆ0 Analysis of Variance


Sum of Mean
Source DF Squares Square F Value Pr > F

ˆ1 Model
Error
2
97
678.62864
1264.18496
339.31432
13.03283
26.04 <.0001

Corrected Total 99 1942.81360

ˆ2 Root MSE 3.61010 R-Square 0.3493


Dependent Mean -0.02140 Adj R-Sq 0.3359
Errore Standard Coeff Var -16870
Test t e Probabilità
Parameter Estimates Parametri
Standardizzati
H0 : ˆk  0
Parameter Standard Standardized
Variable DF Estimate Error t Value Pr > |t| Estimate
Intercept
x1
1
1
1.27265
-0.03819
0.77083
0.01956
1.65
-1.95
0.1020
0.0538
0
-0.16065
ˆk
x2 1 0.02994 0.00422 7.10 <.0001 0.58448
yˆ i  ˆ0  ˆ1x 1i  ˆ2 x 2i 1b) Modello Lineare Classico (Regressione) SAS (Proc GLM)
y, x1 e x2 sono variabili metriche

Per il commento a questa


The GLM Procedure
Dependent Variable: y
porzione di output si veda qui
Sum of l'analoga sezione commentata
Source DF Squares Mean Square F Value Pr > F a proposito dell'analisi di
Regressione (1a)
Model 2 678.628642 339.314321 26.04 <.0001

Error 97 1264.184962 13.032835

Corrected Total 99 1942.813604 Tre tipi di


Scomposizione della
R-Square Coeff Var Root MSE y Mean Devianza Spiegata dal
0.349302 -16869.63 3.610102 -0.021400 Modello (Type I; II; III)

Source DF Type I SS Mean Square F Value Pr > F Le variabili sono tutte


metriche
x1 1 21.1069062 21.1069062 1.62 0.2062 (Type II = Type III)
x2 1 657.5217354 657.5217354 50.45 <.0001

Source DF Type II SS Mean Square F Value Pr > F Test F e Probabilità


x1 1 49.6742525 49.6742525 3.81 0.0538
x2 1 657.5217354 657.5217354 50.45 <.0001 H0: Effetto (xk) = Nullo

Source DF Type III SS Mean Square F Value Pr > F

x1 1 49.6742525 49.6742525 3.81 0.0538


x2 1 657.5217354 657.5217354 50.45 <.0001
Stima Parametro
Standard
Parameter Estimate Error t Value Pr > |t| Errore Standard
Test t e Probabilità
Intercept 1.272645343 0.77083060 1.65 0.1020
x1 -0.038191063 0.01956210 -1.95 0.0538 H0 : ˆk  0
x2 0.029943695 0.00421570 7.10 <.0001
yˆ ijh =ˆ0  ˆjx1  ˆhx2  ˆjhx1x2 2) Modello Lineare Classico (Analisi della Varianza)  I DATI
Seguono due elaborazioni:
(a)  SAS (Proc GLM)
y è una variabile metrica; (b)  SAS (Proc CATMOD)
x1 è categoriale a 5 livelli (A,B,C,D,E);
x2 è categoriale a 2 livelli (0,1)
Pertanto: 1≤j ≤ 5; 1≤h ≤ 2;
„ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ†
‚ ‚ x2 ‚ ‚
Tabella delle Medie ( o tabella ANOVA) ‚ ‡ƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ‰ ‚
‚ ‚ 0 ‚ 1 ‚ Totale ‚
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‚ y ‚ y ‚ y ‚
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‚ Freq. ‚ Freq. ‚ Freq. ‚
‚ ‚ (N) ‚ (N) ‚ (N) ‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
„ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ† ‚x1 ‚ ‚ ‚ ‚
‚ ‚ x2 ‚ ‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‰ ‚ ‚ ‚
‚ ‡ƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ‰ ‚ ‚A ‚ 162‚ 165‚ 327‚
‚ ‚ 0 ‚ 1 ‚ Totale ‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰ ‚B ‚ 153‚ 162‚ 315‚
‚ ‚ y ‚ y ‚ y ‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰ ‚C ‚ 155‚ 172‚ 327‚
‚ ‚ Media ‚ Media ‚ Media ‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰ ‚D ‚ 158‚ 159‚ 317‚
‚x1 ‚ ‚ ‚ ‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‰ ‚ ‚ ‚ ‚E ‚ 158‚ 155‚ 313‚
‚A ‚-18.0907‚ 2.0800‚ -7.9128‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰ ‚Totale ‚ 786‚ 813‚ 1599‚
‚B ‚ -2.2301‚ 18.4846‚ 8.4232‚ Šƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒŒ
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚C ‚-21.5142‚ 1.7674‚ -9.2682‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚D ‚-18.3696‚ 1.9176‚ -8.1940‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚E ‚ 7.6665‚ 28.8735‚ 18.1684‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰ Tabella delle Frequenze o delle Numerosità
‚Totale ‚-10.5569‚ 10.3592‚ 0.0777‚
Šƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒŒ
yˆ ijh =ˆ0  ˆjx1  ˆhx2  ˆjhx1x2 2a) Modello Lineare Classico (Analisi della Varianza)  SAS (Proc GLM)
Questo output viene qui suddiviso in 3 parti  1 2 3
y è una variabile metrica; x1 è categoriale a 5 livelli (A,B,C,D,E); x2 è categoriale a 2 livelli (0,1)
Pertanto: 1≤j ≤ 5; 1≤h ≤ 2;
Segue...

The GLM Procedure


N° di livelli e "codici" ( o valori) 1 Class Level Information
delle variabili (indicate alla
procedura come...) categoriali Class Levels Values

x1 5 A B C D E
Per il commento a questa porzione di output si veda qui l'analoga x2 2 0 1
sezione intitolata "Analysis of Variance" commentata a proposito Number of Observations Read 1599
2 dell'analisi di Regressione (1a) Number of Observations Used 1599

The GLM Procedure


Tre tipi di
Dependent Variable: y Scomposizione della
Sum of Devianza Spiegata dal
Source DF Squares Mean Square F Value Pr > F Modello (Type I; II; III)
Model 9 374524.0691 41613.7855 245.62 <.0001
Error 1589 269210.0783 169.4211
Corrected Total 1598 643734.1474 Il disegno è non
bilanciato ed è
R-Square Coeff Var Root MSE y Mean presente il termine di
0.581799 16744.07 13.01618 0.077736 interazione (non nullo)
(Type II ≠ Type III)
Source DF Type I SS Mean Square F Value Pr > F
Effetto diretto (x1)
x1 4 195505.1558 48876.2890 288.49 <.0001 Test F e Probabilità
x2 Effetto diretto (x2) 1 178495.9571 178495.9571 1053.56 <.0001
x1*x2 Interazione 4 522.9562 130.7391 0.77 0.5436 H0 : ˆAx 1  ˆBx 1  ˆCx 1 
Source DF Type II SS Mean Square F Value Pr > F  ˆ x 1  ˆ x 1  0
D E
x1 4 199168.1576 49792.0394 293.90 <.0001
x2 1 178495.9571 178495.9571 1053.56 <.0001 H0 : ˆ0
x2
 ˆ
1
x2
0
x1*x2 4 522.9562 130.7391 0.77 0.5436 Analogamente per l'effetto di
interazione
Source DF Type III SS Mean Square F Value Pr > F
x1 4 199434.7669 49858.6917 294.29 <.0001
x2 1 178323.9322 178323.9322 1052.55 <.0001
x1*x2 4 522.9562 130.7391 0.77 0.5436
Segue...

yˆ ijh =ˆ0  ˆjx1  ˆhx2  ˆjhx1x2 2a) Modello Lineare Classico (Analisi della Varianza)  SAS (Proc GLM)

La cella di riferimento Stima Parametro Errore Standar Test t e Probabilità


(sulla tabella ANOVA)
è quella definita dalla H0 : ˆjx 1  0
cetgoria E (di x1) e dalla

H0 : ˆhx 2  0
categoria 1 (di X2)

y E 0  28.87
H : ˆ x 1x 2  0
0 jh

3
Standard
Parameter Estimate Error t Value Pr > |t|
L'uso dell'inversa generalizzata
ˆ0 Intercept 28.87354839 B 1.04548513 27.62 <.0001
per ottenere le stime conduce
x1 A -26.79354839 B 1.45596480 -18.40 <.0001
x1 B -10.38898049 B 1.46248016 -7.10 <.0001 ad una parametrizzazione
ˆjx 1 x1 C -27.10610653 B 1.44154270 -18.80 <.0001 d'angolo
x1 D -26.95593832 B 1.46921083 -18.35 <.0001
x1 E 0.00000000 B . . .
(18 parametri in totale)
x2 0 -21.20709269 B 1.47150413 -14.41 <.0001 (8 vincolati)
ˆhx 2 x2 1 0.00000000 B . . .
x1*x2 A 0 1.03635195 B 2.05862280 0.50 0.6147
x1*x2 A 1 0.00000000 B . . .
x1*x2 B 0 0.49245943 B 2.07809064 0.24 0.8127
x1*x2 B 1 0.00000000 B . . . PARAMETRI VINCOLATI
ˆ x 1x 2 x1*x2 C 0 -2.07454272 B 2.05994412 -1.01 0.3140
jh x1*x2 C 1 0.00000000 B . . .
x1*x2 D 0 0.91986237 B 2.07440376 0.44 0.6575
x1*x2 D 1 0.00000000 B . . .
x1*x2 E 0 0.00000000 B . . .
x1*x2 E 1 0.00000000 B . . .

NOTE: The X'X matrix has been found to be singular, and a generalized inverse was used to solve
the normal equations. Terms whose estimates are followed by the letter 'B' are not
uniquely estimable.
yˆ ijh =ˆ0  ˆjx1  ˆhx2  ˆjhx1x2 yˆ ijh =ˆ0  ˆjx1  ˆhx2
Invece di stimare esattamente lo stesso modello dell'esempio (2a),
si è voluto qui (con la Proc CATMOD)
stimare il modello senza i termini di interazione

y è una variabile metrica; x1 è categoriale a 5 livelli (A,B,C,D,E); x2 è categoriale a 2 livelli (0,1)


Pertanto: 1≤j ≤ 5; 1≤h ≤ 2;

2b) Modello Lineare Classico (Analisi della Varianza)  SAS (Proc CATMOD)

The CATMOD Procedure Test t e Probabilità sono qui condotti sulla


Data Summary variabile casuale 2, ma si interpretano in
maniera analoga all'output (2a) dove
Response y Response Levels 701 compaiono test F e t
Weight Variable None Populations 10
Data Set MATDAT Total Frequency 1599
Frequency Missing 0 Observations 1599
Si tratta della statistica D
("Deviance" di McCullagh e Nelder,
La cella di riferimento 1983), ovvero della statistica G2
Analysis of Variance (sulla tabella ANOVA) (Bishop, Fienberg, Holland, 1975)
è quella definita dalTotale
Source DF Chi-Square Pr > ChiSq (di x1) e dal Totale (di X2)
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
Intercept 1 0.06 0.8113
x1 4 1215.11 <.0001
y    0.077
x2 1 1063.02 <.0001
La parametrizzazione è centrale
Residual 4 3.08 0.5443
(10 parametri in totale)
(2 vincolati)
Analysis of Weighted Least Squares Estimates
PARAMETRI VINCOLATI
Standard Chi-
Parameter Estimate Error Square Pr > ChiSq
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
 Ex 1   Ax 1   Bx 1  Cx 1   Dx 1  18.1881
Intercept 0.0773 0.3238 0.06 0.8113
x1 A -8.0429 0.6511 152.61 <.0001  1x 2   0x 2  10.5717
B 8.0642 0.6475 155.12 <.0001
C -9.9254 0.6451 236.74 <.0001
D -8.2840 0.6490 162.91 <.0001
x2 0 -10.5717 0.3242 1063.02 <.0001
 Pˆ y 1  3) Modello di Probabilità (Logit)  I DATI
log  i
  ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5b1 Segue una elaborazionie
 1  ˆ
P  y i 1  (a)  SAS (Proc LOGISTIC)

Pˆ y i 1 
 
exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5 b1

1  exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5b1 

y è una variabile dicotomica (0 / 1);


x è una variabile metrica;
A è categoriale a 4 livelli, riscritta in forma disgiuntiva completa nelle 4 variabili booleane (a1-a4);
B è categoriale a 2 livelli, riscritta in forma disgiuntiva completa nelle 2 variabili booleane (b0,b1);

Nelle successive analisi, si considerano come esplicative (o indipendenti)


la variabile metrica x e le variabili booleane a2, a3, a4, b1;

Statistiche descrittive (Univariate)

The MEANS Procedure

Variable N Mean Std Dev Minimum Maximum


ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
y 816 0.4693627 0.4990605 0 1.0000000
x 816 42.9411765 16.3081981 15.0000000 75.0000000
a1 816 0.2414216 0.4279453 0 1.0000000
a2 816 0.3946078 0.4887663 0 1.0000000
a3 816 0.2781863 0.4481056 0 1.0000000
a4 816 0.0857843 0.2800453 0 1.0000000
b0 816 0.5416667 0.4982609 0 1.0000000
b1 816 0.4583333 0.4982609 0 1.0000000
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
Pˆ y i 1 
 
exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5 b1 y è una variabile dicotomica (0 / 1);


1  exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5 b1  x è una variabile metrica;
a2, a3, a4, b1 sono booleane;

3a) Modello di Probabilità (Logit)  SAS (Proc LOGISTIC) Questo output viene qui suddiviso in 2 parti  1 2
The LOGISTIC Procedure
Model Information
1 Segue...
Data Set WORK.UNO
Response Variable y
Number of Response Levels 2
Distrib. di frequenza della variabile dipendente;
Model binary logit In questa analisi si modellizza:
Optimization Technique Fisher's scoring P y i 1 NON  P y i  0 
Number of Observations Read 816
Number of Observations Used 816
Rispettivamente per:
Response Profile Modello con la sola intercatta (M0); Modello stimato (M1)
Ordered Total
Value y Frequency Akaike Information Criterion (AIC)
Schwarz Criterion (SC)
1 1 383 Sono utili per confrontare fra loro modelli diversi
2 0 433 (generalmente concatenati o nested)
Probability modeled is y=1. Valori minori indicano modelli preferibili.
Model Convergence Status Log-Verosomiglianze (-2 Log L)
Convergence criterion (GCONV=1E-8) satisfied. Sono gli "ingredienti" di Likelihood Ratio

Model Fit Statistics "Pseudo-R-quadro": Cox & Snell (1989); Nagelkerke (1991)
Intercept
Intercept and
Criterion Only Covariates

AIC 1130.151 1107.835


SC 1134.855 1136.061
-2 Log L 1128.151 1095.835 Likelihood Ratio
(indicato anche – Aldrich & Nelson, 1984 – come "c")
R-Square 0.0388 Max-rescaled R-Square 0.0518 ed altri test (proposti da Soak & Heat);
Testing Global Null Hypothesis: BETA=0
tutti controllano l'ipotesi nulla:
Test Chi-Square DF Pr > ChiSq

Likelihood Ratio
Score
32.3160
31.5732
5
5
<.0001
<.0001
H0 : ˆ1  ˆ2  ...  ˆk  0
Wald 30.2607 5 <.0001
Segue...

Pˆ y i 1 
 
exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5 b1
3a) Modello di Probabilità (Logit)  SAS (Proc LOGISTIC)

1  exp ˆ0  ˆ1x  ˆ2a 2  ˆ3a 3  ˆ4 a 4  ˆ5 b1 
Stima Parametro Errore Standar Test t e Probabilità
exp ˆk  
H0 :ˆk  0 e relativi intervalli di confidenza 95%

2
Le osservazioni in y e i valori riprodotti
Analysis of Maximum Likelihood Estimates
Standard Wald vengono ordinati in funzione di questi ultimi.
Parameter DF Estimate Error Chi-Square Pr > ChiSq Una coppia con differenti valori osservati Pˆ y i 1
viene definita "Concordante" se ad
Intercept 1 -0.4163 0.3086 1.8200 0.1773
x 1 0.0124 0.00493 6.3536 0.0117 un'osservazione con un valore minore
a2 1 -0.4142 0.2023 4.1930 0.0406 corrisponde un valore riprodotto minore di
a3 1 -0.6316 0.2258 7.8233 0.0052 quello relativo ad una osservazione con il
a4 1 -1.3135 0.3110 17.8366 <.0001
b1 1 0.4469 0.1619 7.6239 0.0058 valore maggiore. Nella condizione opposta
una coppia viene definita "Discordante". Se
Odds Ratio Estimates una coppia non è né Concordante né
Point 95% Wald
Effect Estimate Confidence Limits Discordante viene definita "Pareggio" (Tied).

x 1.013 1.003 1.022 c  nc  0.5  t  nc  nd  t


a2 0.661 0.445 0.982 Somers' D  nc  nd  t
a3 0.532 0.342 0.828
a4 0.269 0.146 0.495 Goodman - KruskalGam ma  nc  nd  nc  nd 
b1 1.564 1.138 2.147 Kendall' sTau - a  nc  nd  0.5  N  N  1
Association of Predicted Probabilities and Observed Responses Dove :
Percent Concordant 61.0 Somers' D 0.227 N  Osservazio ni ; t  Coppie
Percent Discordant 38.3 Gamma 0.229
Percent Tied 0.7 Tau-a 0.113 nc  Concordant i ; nd  Discordant i
Pairs 165839 c 0.614 t  nc  nd  Pareggi (tied )

yˆ i  exp ˆ0  ˆhA  ˆjB  ˆkC  ˆhjAB  ˆhk
AC
 ˆjkBC  ˆhjk
ABC

y è una variabile a scala assoluta (conteggio);
A,B,C sono tre variabili categoriali dicotomiche (2 livelli codificati 1 e 2);
Pertanto: 1≤j ≤ 2; 1≤h ≤ 2; 1≤k ≤ 2;

4) Modello di Probabilità (Log-Lineare)  I DATI


Segue una elaborazione:
(a)  SAS (Proc CATMOD)

„ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ†
‚ ‚ c ‚ ‚
‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‰ ‚
‚ ‚ 1 ‚ 2 ‚ ‚
‚ ‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‰ ‚
‚ ‚ b ‚ b ‚ ‚
‚ ‡ƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ…ƒƒƒƒƒƒƒƒ‰ ‚
‚ ‚ 1 ‚ 2 ‚ 1 ‚ 2 ‚ Totale ‚
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‚ freq ‚ freq ‚ freq ‚ freq ‚ freq ‚
‚ ‡ƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚ ‚ (N) ‚ (N) ‚ (N) ‚ (N) ‚ (N) ‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚a ‚ ‚ ‚ ‚ ‚ ‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‰ ‚ ‚ ‚ ‚ ‚
‚1 ‚ 74‚ 51‚ 110‚ 15‚ 250‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚2 ‚ 111‚ 14‚ 119‚ 6‚ 250‚
‡ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒ‰
‚Totale ‚ 185‚ 65‚ 229‚ 21‚ 500‚
Šƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒ‹ƒƒƒƒƒƒƒƒŒ

Tabella delle Frequenze


Invece di stimare il modello saturo [ABC],
si è voluto qui (con la Proc CATMOD)
stimare il modello [AB] [BC]

yˆ i  exp ˆ0  ˆhA  ˆjB  ˆkC  ˆhjAB  ˆjkBC 
4a) Modello di Probabilità (Log-Lineare)  SAS (Proc CATMOD)

I dati sono stati forniti alla procedura in modo "sintetico" (matrice dati aggregata) riportando per ogni cella della
tabella di contingenza (2x2x2) la frequenza; questo spiega le 8 "observations" e la presenza della variabile "Weight"
(f). A livello "individuale" (matrice dati disaggregata) le osservazioni sono 500.

The CATMOD Procedure


Data Summary Test t e Probabilità sui singoli effetti (diretti e
interazioni) sono qui condotti sulla variabile
Response a*b*c Response Levels 8 casuale 2
Weight Variable f Populations 1
Data Set UNO Total Frequency 500
Frequency Missing 0 Observations 8 H0 : ˆ1A  ˆ2A  0; H0 : ˆ1B  ˆ2B  0; H0 : ˆ1C  ˆ2C  0;
H0 : ˆ11AB  ˆ12AB  ˆ21AB  ˆ22AB  0;
Maximum Likelihood Analysis
Maximum likelihood computations converged. H0 : ˆ11
BC
 ˆ12
BC
 ˆ21
BC
 ˆ22
BC
 0;

Maximum Likelihood Analysis of Variance


Source DF Chi-Square Pr > ChiSq
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
a 1 12.58 0.0004 Si tratta della statistica G2
b 1 154.49 <.0001 (Bishop, Fienberg, Holland, 1975)
a*b 1 26.81 <.0001
c 1 11.54 0.0007
b*c 1 24.80 <.0001
La parametrizzazione è centrale
Likelihood Ratio 2 3.11 0.2114
(Il parametro relativo all'intercetta (0) viene
Analysis of Maximum Likelihood Estimates stimato, ma omesso dall'output)
Standard Chi-
Parameter Estimate Error Square Pr > ChiSq H0 : ˆhA  0; H0 : ˆjB  0; H0 : ˆkC  0;
ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ
a
b
1
1
0.2427
0.9399
0.0684
0.0756
12.58
154.49
0.0004
<.0001
H0 : ˆhjAB  0; H0 : ˆjkBC  0;
a*b 1 1 -0.3543 0.0684 26.81 <.0001
c 1 0.2291 0.0674 11.54 0.0007
b*c 1 1 -0.3358 0.0674 24.80 <.0001
559 individui sono stati sottoposti a 30 domande;
5) Modello di Misurazione (Rasch-Base)  I DATI le risposte sono state registrate con il loro esito dicotomico
Segue una elaborazione: (1=Giusto; 0=Errato)

 
(a)  Winsteps

ˆ exp ˆn  ˆs


Px 1|ˆ ,ˆ  
 
Pertanto in questa elaborazione:

1  exp ˆn  ˆs


n ,s 1 ≤ n ≤ 559; 1 ≤ s ≤ 30;

2 vettori colonna RISPOSTE


(variabili categoriali) (nell'ordine: da sinistra a destra, da DOMANDA1 a DOMANDA30);
riguardanti caratteristiche
descrittive degli individui Le ETICHETTE (codice indentificativo di ciascuna domanda),
NON UTILIZZATI in questa analisi ovvero i nomi colonna di coascun vettore di risposta, sono:
D1, D2, D3, ... , D30

S1 1 1 1 1 0 1 1 0 0 1 0 0 1 1 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 1
Codice S2 2 1 0 1 1 0 0 1 0 1 1 0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 0
IDENTificativo S3 1 1 0 0 0 1 0 0 1 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1
(559 individui) S4 2 1 0 1 0 0 0 1 0 0 0 0 0 0 1 1 1 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1
S5 2 1 1 1 1 0 1 1 1 1 0 0 1 0 0 0 1 1 1 0 1 1 0 0 0 0 1 0 1 1 1 1
S6 2 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1
S7 2 1 1 0 0 0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 1 0 0 1 0 1 1 0 0 1
S8 2 1 1 1 1 0 0 0 1 0 1 0 1 0 0 0 1 1 1 0 1 0 0 0 0 1 0 1 1 1 1 0
In questa matrice dati S9 2 1 0 1 0 0 0 1 0 1 1 0 0 1 1 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 0 1
NON sono presenti S10 2 1 1 1 1 0 1 0 0 1 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
MISSING S11 2 1 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0
(ovvero risposte :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
mancanti o omesse) :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::
S549 1 10 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 0 1 0 0 1 0 0 0 0 0 0 1 1 0 1
S550 1 10 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 1 1 0 0 0 1 1 1 0 1 0 1
S551 2 10 1 1 1 0 1 0 0 1 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 0 1
S552 1 10 1 1 0 1 1 1 1 1 1 0 1 1 1 1 0 0 1 0 0 1 0 0 1 0 0 1 1 0 1 1
S553 2 10 1 1 0 0 1 0 0 0 1 1 1 1 0 0 0 1 1 0 1 0 0 0 1 0 0 1 1 0 0 1
S554 2 10 1 1 1 0 0 0 0 1 1 0 0 1 1 1 1 0 1 1 1 0 0 0 0 0 0 1 1 0 0 1
S555 2 10 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 0 0 1 1 0 0 0 1
S556 2 10 1 1 1 0 1 1 1 1 1 1 0 1 1 1 1 1 1 0 1 1 0 0 1 1 0 1 1 1 0 1
S557 1 10 0 1 0 1 1 1 0 1 0 0 0 1 1 1 0 1 1 0 1 0 1 0 0 0 0 1 1 1 1 1
S558 2 10 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 1 1 1 1
S559 2 10 1 0 1 0 0 0 1 0 0 0 1 0 1 0 1 1 0 1 0 1 0 0 0 0 0 0 0 0 0 1
L'output di questo software è molto ricco, variegato e talvolta, anche ridondante.
5a) Modello di Misurazione Sono qui selezionati solo alcuni degli aspetti più rilevanti.
(Rasch-Base)  Winsteps L'output qui riportato è stato comunque suddiviso in 5 parti  1 2 3 4 5

I termini "USERS" (e successivamente "ITEMS") servono per distinguere gli output relativi agli Segue...
INDIVIDUI da quelli relativi alle DOMANDE; POSSONO ESSERE MODIFICATI (a piacimento)
DALL'UTILIZZATORE DEL SOFTWARE

E' stato possibile stimare l'abilità di tutti gli individui (559) e la


difficoltà di tutte le domande (30); ovvero NON sono presenti MNSQ = Mean Square (Medie quadratiche)
individui (o domande) che hanno fornito (ricevuto) NESSUNA
risposta corretta oppure TUTTE risposte corrette ZSTD = è MNSQ standardizzata in modo da
approssimare una distribuzione t con
media 0 e varianza 1
PUNTEGGIO (di riga)
STIMA ˆn   Medie quadratiche ponderate

FREQUENZA
ERRORE STANDARD Medie quadratiche non ponderate
MEDIA
DEVIAZIONE STANDARD
MASSIMO
TABLE 3.1 MATRICE: MVDAH02M 559X30 1 MINIMO
INPUT: 559 USERS 30 ITEMS MEASURED: 559 USERS 30 ITEMS 2 CATS 3.68.2
--------------------------------------------------------------------------------
SUMMARY OF 559 MEASURED USERS
-------------------------------------------------------------------------------
| RAW MODEL INFIT OUTFIT |
Le statistiche di questa sezione:
| SCORE COUNT MEASURE ERROR MNSQ ZSTD MNSQ ZSTD |
RMSE, ADJ.SD, SEPARATION e
|-----------------------------------------------------------------------------|
RELIABILITY
| MEAN 14.7 30.0 -.05 .44 .99 .0 1.03 .0 |
(qui relative agli INDIVIDUI) sono
| S.D. 4.5 .0 .85 .03 .20 1.1 .44 1.1 |
analoghe a quelle calcolate (per
| MAX. 28.0 30.0 3.21 .77 1.72 3.2 4.08 3.7 |
le DOMANDE) nella diapositiva
| MIN. 3.0 30.0 -2.70 .42 .54 -3.0 .41 -2.5 |
successiva, dove sono
|-----------------------------------------------------------------------------|
COMMENTATE
| REAL RMSE .46 ADJ.SD .72 SEPARATION 1.58 USER RELIABILITY .71 |
|MODEL RMSE .44 ADJ.SD .73 SEPARATION 1.67 USER RELIABILITY .73 |
S.E. of USER MEAN = Errore
standard della media dei ˆn
| S.E. OF USER MEAN = .04 |
-------------------------------------------------------------------------------
USER RAW SCORE-TO-MEASURE CORRELATION = 1.00
CRONBACH ALPHA (KR-20) USER RAW SCORE RELIABILITY = .72

ATTENDIBILITÁ; equivale al tradizionale (nella T.C.T.) test di attendibilità;


può essere letta anche come "coerenza interna" ( di Cronbach) o come attendibilità secondo la formula (Kuder-Richardson)
KR-20, quando le risposte sono dicotomiche
Segue... 5a) Modello di Misurazione (Rasch-Base)  Winsteps

Questa sezione (qui per le DOMANDE) è analoga a quella per gli INDIVIDUI commentata nella diapositiva precedente

TABLE 3.1 MATRICE: MVDAH02M 559X30


INPUT: 559 USERS 30 ITEMS MEASURED: 559 USERS 30 ITEMS 2 CATS
2 3.68.2
--------------------------------------------------------------------------------
SUMMARY OF 30 MEASURED ITEMS
-------------------------------------------------------------------------------
| RAW MODEL INFIT OUTFIT |
| SCORE COUNT MEASURE ERROR MNSQ ZSTD MNSQ ZSTD |
|-----------------------------------------------------------------------------| LOG-LIKELIHOOD CHI-SQUARE
| MEAN 274.5 559.0 .00 .10 1.00 -.2 1.03 .0 |
| S.D. 124.1 .0 1.19 .02 .07 1.8 .23 2.1 | è l'unica statistica di adattamento
| MAX. 481.0 559.0 2.79 .17 1.19 3.4 2.13 4.7 | globale riportata.
| MIN. 41.0 559.0 -2.10 .09 .85 -5.2 .78 -4.9 | Sostanzialmente è riconducibile
1 2 3 4
|-----------------------------------------------------------------------------| alla statistica G2
| REAL RMSE .11 ADJ.SD 1.19 SEPARATION 11.21 ITEM RELIABILITY .99 | (Bishop, Fienberg, Holland, 1975)
|MODEL RMSE .10 ADJ.SD 1.19 SEPARATION 11.41 ITEM RELIABILITY .99 |
| S.E. OF ITEM MEAN = .22 |
-------------------------------------------------------------------------------
UMEAN=.000 USCALE=1.000
ITEM RAW SCORE-TO-MEASURE CORRELATION = -.99
16770 DATA POINTS. LOG-LIKELIHOOD CHI-SQUARE: 17707.33 with 16182 d.f. p=.0000

REAL e MODEL sono due modi di calcolare le stesse statistiche: possono essere considerati come "limiti di confidenza"
REAL=> Inferiore ("Peggiore"); MODEL => Superiore ("Migliore")
Per comprendere il significato delle quattro statistiche qui riportate è utile considerare le seguenti formule (qui con riferimento alle DOMANDE o
ITEMS dove K è il numero totale si domande). Per quanto riguarda gli INDIVIDUI (USERS) le formule sono analoghe ma calcolatea partire dai ˆ
n

Varianza delle Stime [SD2] Varianza Er.Std. [MSE2] Radice Quadrata di (MSE2) Varianza Corretta [SA2] SQRT(SA2) = ADJ.SD.
[RMSE] 1 2
 
2
1 K ˆ 1 K SA2  SD2  MSE2 ADJ.SD  SA2
SD    s   MSE   S s 
2 2 2

K s1 K s1 RMSE  MSE2

Indice Separazione [G] Numero Strati [H] Attendibilità [R] 4


3 SA2 MSE 2 G2
SA2 4  G  1 R   1 
G  H 
RMSE 3 SD2
SD2
1  G2
Segue... 5a) Modello di Misurazione (Rasch-Base)  Winsteps

PUNTEGGIO (di riga) TUTTE le DOMANDE (ITEM) dalla MENO alla PIÚ FACILE
ERRORE STANDARD
Correlazione "Point-Measure"
FREQUENZA
Medie quadratiche ponderate CORR. = CORRELAZIONE FRA IL
DOMANDE VETTORE DI RISPOSTE
STIMA ˆn   Medie quadratiche non ponderate (fornite dagli individui) ALL'ITEM
E IL VETTORE
DELLE STIME DI ABILITÁ ˆ 
TABLE 13.1 MATRICE: MVDAH02M 559X30 (degli individui)
INPUT: 559 USERS 30 ITEMS MEASURED: 559 USERS 30 ITEMS 2 CATS 3.68.2
--------------------------------------------------------------------------------
ITEM STATISTICS: MEASURE ORDER EXP. = CORRELAZIONE ATTESA
------------------------------------------------------------------------------------------------- (rispetto ai vincoli del modello)
|ENTRY TOTAL MODEL| INFIT | OUTFIT |PT-MEASURE |EXACT MATCH|ESTIM| |
|NUMBER SCORE COUNT MEASURE S.E. |MNSQ ZSTD|MNSQ ZSTD|CORR. EXP.| OBS% EXP%|DISCR| ITEM |
|------------------------------------+----------+----------+-----------+-----------+-----+------|
| 17 41 559 2.79 .17|1.19 1.4|2.13 4.4| -.07 .24| 92.5 92.7| .82| d18 |
| 20 99 559 1.69 .12| .88 -1.8| .78 -2.2| .46 .31| 83.7 83.0| 1.14| d21 | "Exact Match"
| 28 121 559 1.41 .11| .97 -.4| .99 -.1| .35 .33| 80.1 79.4| 1.03| d29 | (Observed) OBS% = percentuale SSERVATA
| 3 130 559 1.31 .11| .99 -.2|1.00 .0| .34 .33| 78.2 78.0| 1.01| d4 |
| 21 131 559 1.30 .11|1.12 2.2|1.16 1.9| .19 .33| 75.5 77.9| .82| d22 | di risposte che si collocano entro
| 22 137 559 1.23 .10|1.03 .6|1.06 .7| .30 .34| 77.3 77.0| .94| d23 | mezzo (0.5) punto grezzo (score) rispetto
| 24 149 559 1.10 .10|1.09 1.8|1.17 2.3| .23 .34| 73.7 75.3| .82| d25 | all'atteso
| 23 162 559 .97 .10|1.03 .7|1.10 1.4| .30 .35| 75.8 73.6| .92| d24 |
| 10 180 559 .80 .10|1.03 .8|1.07 1.2| .31 .35| 69.9 71.4| .91| d11 |
| 9 186 559 .74 .10|1.06 1.6|1.18 3.0| .26 .36| 70.7 70.7| .80| d10 | (Expected) EXP% = percentuale ATTESA di
| 6 188 559 .72 .10|1.00 .1|1.02 .4| .35 .36| 71.0 70.5| .98| d7 | risposte entro mezzo (0.5) punto grezzo
| 19 205 559 .57 .09| .93 -1.9| .91 -1.8| .44 .36| 71.2 68.8| 1.20| d20 |
(score) atteso
| 27 214 559 .49 .09|1.09 2.5|1.12 2.5| .26 .36| 63.5 68.0| .72| d28 |
| 2 268 559 .03 .09| .98 -.7| .97 -.7| .38 .36| 67.1 65.3| 1.09| d3 |
| 8 294 559 -.18 .09| .96 -1.2| .94 -1.4| .40 .36| 66.5 65.0| 1.16| d9 |
| 15 294 559 -.18 .09| .89 -3.7| .88 -3.1| .48 .36| 72.6 65.0| 1.43| d16 |
| 5 296 559 -.20 .09| .85 -5.2| .81 -4.9| .53 .36| 73.3 65.1| 1.62| d6 | "Estim Discr"
| 4 299 559 -.22 .09| .93 -2.3| .91 -2.1| .43 .36| 68.9 65.1| 1.28| d5 | Stima (A POSTERIORI) del paramtero di
discriminazione ( )
| 18 324 559 -.43 .09|1.11 3.4|1.23 4.7| .21 .35| 59.6 65.9| .53| d19 |
| 11 327 559 -.45 .09|1.01 .3|1.02 .5| .34 .35| 64.8 66.1| .96| d12 |
| 13 371 559 -.84 .10| .90 -2.6| .86 -2.5| .45 .34| 73.3 69.6| 1.27| d14 |
| 1 383 559 -.95 .10| .98 -.5| .94 -.9| .36 .33| 70.8 70.9| 1.06| d2 |
| 7 385 559 -.97 .10|1.01 .3|1.01 .1| .32 .33| 71.9 71.2| .98| d8 |
| 25 389 559 -1.00 .10|1.05 1.2|1.08 1.2| .26 .33| 72.3 71.7| .87| d26 |
| 12 394 559 -1.05 .10| .99 -.3|1.03 .4| .33 .32| 73.2 72.3| 1.01| d13 |
| 30 420 559 -1.32 .10| .97 -.6| .95 -.6| .34 .31| 75.8 76.0| 1.05| d1 |
| 14 431 559 -1.44 .11| .98 -.4| .89 -1.3| .34 .30| 77.1 77.7| 1.06| d15 |
| 29 461 559 -1.80 .12|1.01 .2|1.05 .5| .25 .27| 83.0 82.7| .98| d30 |
| 16 476 559 -2.02 .12| .92 -1.0| .78 -1.9| .37 .26| 85.0 85.3| 1.10| d17 |
| 26 481 559 -2.10 .13| .95 -.6| .92 -.6| .31 .25| 86.6 86.1| 1.05| d27 |
|------------------------------------+----------+----------+-----------+-----------+-----+------|
| MEAN 274.5 559.0 .00 .10|1.00 -.2|1.03 .0| | 74.2 73.6| | |
| S.D. 124.1 .0 1.19 .02| .07 1.8| .23 2.1| | 7.0 7.1| | | MEDIE e DEVIAZIONI STANDARD
-------------------------------------------------------------------------------------------------
Segue... 5a) Modello di Misurazione (Rasch-Base)  Winsteps
SOLO gli INDIVIDUI (USER) con PEGGIORE adattamento (FIT)
PUNTEGGIO (di riga)
ERRORE STANDARD

FREQUENZA Correlazione "Point-Measure"


Medie quadratiche ponderate
 
STIMA ˆn
Medie quadratiche non ponderate INDIVIDUI
CORR. = CORRELAZIONE FRA IL
VETTORE DI RISPOSTE
(fornite agli item) DALL'INDIVIDUO
E IL VETTORE
TABLE 6.1 MATRICE: MVDAH02M 559X30 ZOU908WS.TXT Oct 8 15:30 2010
INPUT: 559 USERS 30 ITEMS MEASURED: 559 USERS 30 ITEMS 2 CATS 3.68.2
DELLE STIME DI DIFFICOLTÁ ˆ 
-------------------------------------------------------------------------------- (degli item)
USER STATISTICS: MISFIT ORDER
------------------------------------------------------------------------------------------------ EXP. = CORRELAZIONE ATTESA
|ENTRY TOTAL MODEL| INFIT | OUTFIT |PT-MEASURE |EXACT MATCH| |
|NUMBER SCORE COUNT MEASURE S.E. |MNSQ ZSTD|MNSQ ZSTD|CORR. EXP.| OBS% EXP%| USER | (rispetto ai vincoli del modello)
|------------------------------------+----------+----------+-----------+-----------+-----------|
| 88 6 30 -1.76 .50|1.21 .8|4.08 3.3|A .09 .39| 76.7 81.0| S178 1 3|
| 308 8 30 -1.31 .46|1.38 1.6|3.54 3.7|B .00 .43| 70.0 76.7| S376 2 6|
| 267 8 30 -1.31 .46|1.44 1.8|3.30 3.4|C-.02 .43| 70.0 76.7| S339 2 6|
"Exact Match"
| 475 8 30 -1.31 .46|1.12 .6|3.21 3.4|D .19 .43| 76.7 76.7| S526 2 10| (Observed) OBS% = percentuale SSERVATA
| 501 7 30 -1.52 .48|1.17 .8|3.20 3.0|E .19 .41| 73.3 78.8| S55 2 1| di risposte che si collocano entro
| 510 9 30 -1.10 .45|1.46 2.0|3.08 3.6|F-.01 .44| 66.7 75.0| S558 2 10| mezzo (0.5) punto grezzo (score) rispetto
| 473 9 30 -1.10 .45|1.48 2.1|2.95 3.4|G .00 .44| 60.0 75.0| S524 1 10|
| 511 10 30 -.90 .44|1.44 2.1|2.56 3.2|H .05 .45| 63.3 73.6| S559 2 10| all'atteso
| 75 12 30 -.54 .42|1.61 2.9|2.46 3.7|I-.05 .47| 53.3 72.3| S166 1 3|
| 13 6 30 -1.76 .50|1.46 1.6|2.34 1.9|J-.04 .39| 70.0 81.0| S11 2 1| (Expected) EXP% = percentuale ATTESA di
| 123 21 30 1.09 .45|1.35 1.6|2.32 2.7|K .10 .45| 66.7 74.7| S209 2 4|
| 457 12 30 -.54 .42|1.46 2.3|2.27 3.3|L .07 .47| 60.0 72.3| S51 2 1|
risposte entro mezzo (0.5) punto grezzo
| 514 11 30 -.72 .43|1.17 .9|2.22 3.0|M .24 .46| 70.0 73.0| S58 2 1| (score) atteso
| 379 11 30 -.72 .43|1.34 1.7|2.18 2.9|N .16 .46| 56.7 73.0| S44 2 1|
| 190 11 30 -.72 .43|1.23 1.2|2.18 2.9|O .22 .46| 63.3 73.0| S27 2 1|
| 181 12 30 -.54 .42|1.40 2.0|2.13 3.1|P .12 .47| 53.3 72.3| S261 2 5|
| 59 12 30 -.54 .42|1.34 1.7|2.12 3.0|Q .16 .47| 66.7 72.3| S151 1 2|
| 250 11 30 -.72 .43|1.21 1.1|2.12 2.8|R .24 .46| 70.0 73.0| S323 2 6|
| 31 11 30 -.72 .43|1.72 3.2|2.11 2.8|S-.11 .46| 56.7 73.0| S126 2 2|
| 527 13 30 -.36 .42|1.35 1.8|2.05 3.1|T .15 .48| 63.3 71.6| S7 2 1|
| 326 22 30 1.29 .46|1.29 1.3|2.01 2.0|U .15 .44| 70.0 76.3| S392 1 8|
| 124 21 30 1.09 .45|1.33 1.5|1.98 2.2|V .15 .45| 66.7 74.7| S21 2 1|
| BETTER FITTING OMITTED +----------+----------+ | | |
| 36 17 30 .34 .42| .60 -2.5| .52 -2.1|g .77 .48| 86.7 72.2| S130 2 2|
| 261 16 30 .17 .42| .60 -2.6| .52 -2.2|f .78 .48| 90.0 72.0| S333 2 6|
| 98 15 30 -.01 .42| .59 -2.6| .51 -2.3|e .78 .48| 90.0 71.6| S187 1 3|
| 33 10 30 -.90 .44| .58 -2.5| .47 -1.8|d .76 .45| 96.7 73.6| S128 2 2|
| 458 16 30 .17 .42| .55 -2.9| .48 -2.5|c .80 .48| 90.0 72.0| S510 2 10|
| 544 15 30 -.01 .42| .55 -3.0| .48 -2.5|b .81 .48| 90.0 71.6| S85 1 1|
| 443 13 30 -.36 .42| .54 -3.0| .47 -2.4|a .81 .48| 90.0 71.6| S498 1 10|
|------------------------------------+----------+----------+-----------+-----------+-----------|
| MEAN 14.7 30.0 -.05 .44| .99 .0|1.03 .0| | 74.2 73.6| |
| S.D. 4.5 .0 .85 .03| .20 1.1| .44 1.1| | 8.7 3.2| | MEDIE e DEVIAZIONI STANDARD
------------------------------------------------------------------------------------------------
TABLE 1.1 MATRICE: MVDAH02M 559X30
Segue... INPUT: 559 USERS 30 ITEMS MEASURED: 559 USERS 30 ITEMS 2 CATS 3.68.2 5a) Modello di Misurazione (Rasch-Base)  Winsteps
--------------------------------------------------------------------------------
MAP OF USERS AND ITEMS
MEASURE | MEASURE
<more> --------------------- USERS -+- ITEMS ----------------- <rare> MAPPA: INDIVIDUI (USER) DOMANDE (ITEM)
4 + 4
|
|
|
|

. |
|
Sullo stesso asse (in verticale) è riportata la
| POSIZIONE (unità di misura = logit)
3 +
|
3
di individui e domande in una rappresentazione
.# | X grafica che corrisponde a due ISTOGRAMMI
|
|
appaiati (uno per individui, uno per item);
### |T l'altezza delle colonne (in orizzontale) indica la
|
|
frequenza.
2 + 2 Procedendo dall'alto al basso: per gli individui, dai
|
## | X
più ai meno "abili"; per le domande, dalle più alle
T| meno "difficili"
##### |
| X
######## |S XXX I simboli: M, S, T sull'asse verticale indicano
1
.########### | X
+ X 1
rispettivamente: la media, una deviazione
.########## | standard dalla media, due deviazioni standard
############### S| XXX
| X
dalla media
################## | X
######################## |
|
################# |
0 .###################### M+M X 0
####################### | XX
| XX
.######################### | X
.##################### | X
|
.##################### |
################# S| X
-1 + XXXX -1
.########### |
############ |S
| XX
## |
|
.#### T| X
|
-2 # + X -2
| X
|
. |T
| Ogni "simbolo" corrisponde ad un certo
| numero (indicato) di individui o domande
# |
|
-3 + -3
<less> --------------------- USERS -+- ITEMS ----------------- <frequent>
EACH '#' IN THE USER COLUMN IS 2 USERS: EACH '.' IS 1