Dos enfoques analíticos del diseño con grupo control no equivalente para variables dependientes categóricas

  1. Rabadán Anta, Rafael
  2. Galindo Garre, Francisca
  3. Alto García, Manuel
Revista:
Psicothema

ISSN: 0214-9915

Ano de publicación: 1999

Volume: 11

Número: 3

Páxinas: 663-678

Tipo: Artigo

DIALNET GOOGLE SCHOLAR lock_openAcceso aberto editor

Outras publicacións en: Psicothema

Resumo

El análisis estadístico del diseño con grupo control no equivalente (GCNE) con variables dependientes numéricas ha sido un tema de gran interés durante la última década. Mucho menos interés ha demandado el análisis estadístico con variables dependientes categóricas, aunque las mismas ideas se aplican en ambos casos. No obstante, los problemas generados por el error de medida de pretest (y postest) y las variables omitidas dificultan en mayor medida un análisis correcto. En este trabajo se aborda un análisis comparativo de dos enfoques recientemente propuestos para el análisis estadístico del diseño GCNE: el modelo lineal de crédito parcial (Fischer y Ponocny, 1994, 1995) y el modelo multivariante categórico de medidas repetidas (Agresti, 1996, 1997). La interpretación de los resultados con ambos enfoques se apoya en un ejemplo del campo clínico.

Referencias bibliográficas

  • Achen, C.H. (1986): The Statistical Analysis of Quasiexperiments. Berkeley, CA: University of California Press.
  • Agresti, A. (1993): Distribution-free fitting of logit models with random effects for repeated categorical responses. Statistics in Medicine, 12, 1969-87.
  • Agresti, A. (1996): Logit models with random effects and quasi-symmetric loglinear models. En A.Forcina et al.: Statistical Modelling. Proceedings of the 11th International Workshop on Statistical Modelling, pp. 3-12. Orvieto, IT: Graphos.
  • Agresti, A. (1997): A model for repeated measurements of a multivariate binary response. Journal of the American Statistical Association, 92, 315-21.
  • Ato, M. (1995): Análisis estadístico I: Diseños con variable de asignación no conocida. En M.T.Anguera y otros: Métodos de Investigación en Psicología, pp. 271-303. Madrid: Síntesis.
  • Ato, M. y López, J.J. (1996): Análisis Estadístico para Datos Categóricos. Madrid: Síntesis.
  • Caussinus, H. (1966). Contribution à l’analyse statistique des tableaux de correlation. Annales de la Faculté des Sciences de l{‘Université de Toulouse, 29, 77-182.
  • Conaway, M.R. (1989): Analysis of repeated categorical measurements with conditional likelihood methods. Journal of the American Statistical Association, 84, 53-62.
  • Duncan, O.D. (1979): Testing key hypothesis in panel analysis. In K.F. Schuessler, ed.: Sociological Methodology, 1980, pp. 279-89. San Francisco: CA: Jossey-Bass.
  • Duncan, O.D. (1984): Rasch measurement in survey research: further examples and discussion. In C.F.Turner and E.Martin, eds.: Surveying Subjective Phenomena, vol. 2, pp. 367-403. New York, NY: Russell Sage Foundation.
  • Fischer, G.H. (1995a): The linear logistic test model. En G.H.Fischer e I.W.Molenaar, eds.: Rasch Models, Foundations, Recent Developments and Applications, pp. 131-55. New York, NY: Springer-Verlag.
  • Fischer, G.H. (1995b): Linear logistic models for change. En G.H.Fischer e I.W.Molenaar, eds.: Rasch Models, Foundations, Recent Developments and Applications, pp. 156-80. New York, NY: Springer-Verlag.
  • Fischer, G.H. (1995c): The derivation of polytomous Rasch models. En G.H.Fischer e I.W.Molenaar, eds.: Rasch Models, Foundations, Recent Developments and Applications, pp. 293-305. New York, NY: Springer-Verlag.
  • Fischer, G.H. y Ponocny, I. (1994): An extension of the partial credit model with an application to the measurement of change. Psychometrika, 59, 177-92.
  • Fischer, G.H. y Ponocny, I. (1995). Extended rating scale and partial credit models for assessing change. En G.H.Fischer e I.W.Molenaar, eds.: Rasch Models, Foundations, Recent Developments and Applications, pp. 353-70. New York, NY: Springer-Verlag.
  • Fischer, G.H. (1997). Unidimensional linear logistic Rasch models. En W.J.van der Linden y R.K.Hambleton, eds.: Handbook of Modern Item Response Theory, pp. 225-43. New York, NY: Springer-Verlag.
  • Fischer, G.H. y Seliger, E. (1997). Multidimensional linear logistic models for change. En W.J.van der Linden y R.K.Hambleton, eds.: Handbook of Modern Item Response Theory, pp. 323-46. New York, NY: Springer-Verlag.
  • Francis, B.; Green, M.; Payne, C. et al. -eds.- (1993). The GLIM System. Release 4 Manual. Oxford, UK: Clarendon Press.
  • Glas, C.A.W. y Verhelst, N.D. (1989): Extensions of partial credit model. Psychometrika, 54, 635-59.
  • Hagenaars, J. (1990): Categorical Longitudinal Data. Newbury Park, CA: Sage.
  • Hatzinger, R. (1994): A GLM Framework for Item Response Theory Models. Unpublished manuscript.
  • Heinen, T. (1996): Latent Class and Discrete Latent Trait Models. Newbury Park, CA: Sage.
  • Judd, C.M. y Kenny, D. (1981): Estimating the Effects of Social Interventions. Cambridge, MA: Cambridge University Press.
  • Masters, G.N. (1982): A Rasch model for partial credit scoring. Psychometrika, 47, 149-73.
  • Masters, G.N. (1985): A comparison of latent trait and latent class analysis of Likert-type data. Psychometrika, 49, 529-44
  • Mathsoft, Inc. (1997). S-PLUS 4 Guide to Statistics. Data Analysis Products Division. Seattle: Mathsoft.
  • Plewis, I. (1980): Analyzing change: Measurement and Explanation Using Longitudinal Data. New York, NY: Wiley.
  • Rabadán, R. (1998). El modelo loglineal de Rasch y sus extensiones: Aplicaciones para el análisis de respuestas dependientes con datos categóricos. Tesis doctoral no publicada. Universidad de Murcia.
  • Rabadán, R.; Ato, M.; López, J.J. y Galindo, P. (1997). Standardization of symmetry factors in generalized loglinear Rasch models. Poster presented at the 10th European Meeting of the Psychometric Society. Santiago de Compostela (Spain).
  • Rasch, G. (1960): Probabilistic Models for Some Intelligence and Attainment Tests. Copenhagen, DE: Denmarks Paedagogiske Institute.
  • Reichardt, C.A. (1979): The statistical analysis from non-equivalent group designs. En T.D.Cook y D.T.Campbell: Quasi-experimentation: Design and Analysis Issues for Field Settings, pp. 147-205. Chicago, IL: Rand McNally.
  • SAS Institute (1993). SAS Software: Changes and enhancements 6.08. (SAS Technical Report P252). Cary, NC: Sas Institute.
  • SPSS Inc. (1996). SPSS Advanced (version 7.5). Chicago, Il: SPSS Inc.
  • Stanek III, E.J. (1988): Choosing a pretest-postest analysis. The American Statistician, 41, 178-83.
  • Thissen, D. y Mooney, J.A. (1989): Loglinear item response models, with applications to data from social surveys. En C.C. Clogg, ed.: Sociological Methodology 1989, pp. 299-330. Oxford, UK: Basil Blackwell.
  • Tjur, T. (1982): A connection between Rasch’s item analysis model and a multiplicative Poisson Model. Scandinavian Journal of Statistics, 9, 23-30.
  • Trochim, W.M.K. (1986): Advances in Quasi-experimental Design and Analysis: New Directions for Program Evaluation. San Francisco, CA: Jossey-Bass.
  • Vermunt, J. (1997). LEM: A General Program for the Analysis of Categorical Data. Unpublished report. Tilburg University.
Fonte de datos: Dialnet