PIR 2025 · Pregunta 10
Teoría de respuesta al ítem y modelos psicométricosRespecto a la función de información de un ítem en la Teoría de Respuesta al Ítem (TRI), considerando los modelos de 1 y 2 parámetros:
Ver respuesta sin contestar
Respuesta correcta: A (clave oficial publicada)
Explicación
En los modelos logísticos de 1 y 2 parámetros, la función de información del ítem se define como I(θ) = a²·P(θ)·[1−P(θ)]. Dado que el producto P(1−P) alcanza su máximo cuando P = 0,5, la información es máxima exactamente cuando θ coincide con el parámetro de dificultad (b). La función varía con θ (forma de campana), es inversamente proporcional al error típico de medida (ET = 1/√I) y se deriva de la curva logística, no de la distribución normal acumulada.
A. La información del ítem I(θ) = a²·P(θ)·Q(θ) alcanza su valor máximo cuando P(θ) = 0,5, condición que se cumple exactamente en θ = b. En el modelo 1PL (a=1) el máximo es 0,25; en el 2PL es a²/4. Esto refleja que el ítem proporciona mayor precisión de medida para sujetos cuyo nivel de rasgo coincide con su dificultad.
- B. La información no es constante; es una función de θ que crece hasta b y decrece hacia los extremos. La constancia de la varianza del error es un supuesto de la Teoría Clásica de los Tests (TCT), no de la TRI.
- C. La información y el error típico de medida (ET) tienen una relación inversa y no lineal: ET(θ) = 1/√I(θ). No son equivalentes numéricos; de hecho, cuando I(θ) es máxima (0,25 en 1PL), el ET es mínimo (2), no igual a la información.
- D. La fórmula mencionada corresponde a modelos de ojiva normal, no a los logísticos de 1PL/2PL. Además, incluso en el modelo normal, la información se calcula con la densidad normal estándar (φ), no con su probabilidad acumulada (Φ).
Fuentes
- Baker, F. B. (2001). The Basics of Item Response Theory. ERIC Clearinghouse on Assessment and Evaluation
- Embretson, S. E., & Reise, S. P. (2000). Item Response Theory for Psychologists.
- Hambleton, R. K., & Swaminathan, H. (1985). Item Response Theory: Principles and Applications.
Explicación generada con IA y verificada por consenso entre modelos de distintas familias.