Beruflich Dokumente
Kultur Dokumente
Dalton F. Andrade
Departamento de Informática e Estatística – UFSC
dandrade@inf.ufsc.br
www.inf.ufsc.br/~dandrade
3
Introdução: Estatística em Avaliação Educacional
Sistema Nacional de Avaliação da Educação Básica –
SAEB (http://www.inep.gov.br/basica/saeb/
Planejamento
Amostragem
Medida de Proficiência
4
Introdução: Estatística em Avaliação Educacional
Foco nas gestões dos sistemas educacionais
Realizado desde 1990. A partir 1995, passou a fazer uso da
TRI.
1995, 1997, ..., 2003, 2005 (em análise).
4a. e 8a. séries do Ensino Fundamental e 3a. Série do Ensino
Médio.
Disciplinas: Português, Matemática, ...
Amostra de estudantes
Proficiência do estudante
Fatores Associados: como características dos estudantes,
professores e escolas estão relacionadas com a
proficiências dos estudantes
5
Introdução: Estatística em Avaliação Educacional
Provas/Planejamento
O número de itens (questões) requerido pelos especialistas,
para cada série e disciplina, é maior do que um estudante
pode responder em 2 horas.
Equalização: obter resultados comparáveis (mesma escala)
para as 4a., 8a. and 3a. séries e também ao longo do tempo.
Matemática, 3a. série: 169 itens.
- 13 conjuntos com 13 itens cada (169=132)
- Provas: cadernos de provas com 3 conjuntos, total de
39=3x13 itens
- Total de 26 cadernos de provas
- Itens de 8a. Série e também de anos anteriores
6
Cadernos de Provas: Planejamento em Blocos
Incompletos Balanceados - BIB
Cadernos Conjuntos de itens Cadernos Conjuntos de itens
de provas de provas
1 1 2 5 14 1 3 8
2 2 3 6 15 2 4 9
3 3 4 7 16 3 5 10
4 4 5 8 17 4 6 11
5 5 6 9 18 5 7 12
6 6 7 10 19 6 8 13
7 7 8 11 20 7 9 1
8 8 9 12 21 8 10 2
9 9 10 13 22 9 11 3
10 10 11 1 23 10 12 4
11 11 12 2 24 11 13 5
12 12 13 3 25 12 1 6
13 13 1 4 26 13 2 7
7
Introdução: Estatística em Avaliação Educacional
Amostragem
Dados de 2002
3 a. 2.181.158 17.958
8
Introdução: Estatística em Avaliação Educacional
Medindo a Proficiência
Medir a proficiência do estudante.
Obter resultados comparáveis entre séries (4a., 8a.
EF e 3a. EM).
Obter resultados comparáveis entre anos para a
mesma série.
Diferentes provas entre anos, entre séries e entre
estudantes de uma mesma série.
Teoria Clássica (TC)
Teoria da Resposta ao Item (TRI)
9
Introdução: Estatística em Avaliação Educacional
Análise de Fatores Associados
Como as características dos estudantes,
professores e escola estão relacionadas com a
proficiência dos estudantes.
Modelos de regressão com estruturas especiais de
dependência.
Referências Básicas:
GOLDSTEIN, H. (2003). Multilevel Statistical Models. 3a ed.
London: Edward Arnold.
10
Introdução: Estatística em Avaliação Educacional
Análise de Fatores Associados
Modelo de regressão:
Y = f(X1, ..., Xp, W1, ..., Wq) + Erro
11
Introdução: Estatística em Avaliação Educacional
Análise de Fatores Associados
Modelagem hierárquica/multinível
Model nulo:
12
Introdução: Estatística em Avaliação Educacional
Análise de Fatores Associados
Alguns resultados do SAEB 2001
Decomposição da variância
Disciplina Série
Escola Estudante
4ª 37,13% 62,87%
Matemática 8ª 37,71% 62,29%
11ª 43,36% 56,64%
4ª 31,28% 68,72%
Português 8ª 30,50% 69,50%
11ª 34,72% 65,28%
13
Introdução: Estatística em Avaliação Educacional
Análise de Fatores Associados
Alguns resultados do SAEB 2001 : Matemática
Grade
Fator 4th 8th 11th
Intercepto (β0) 172,63 (1,75) 240,31 (1,48) 277,05 (2,07)
Gênero 3,86 (0,32) 14,27 (0,37) 18,93 (0,46)
Raça 1,04 (0,34) 3,16 (0,38) 2,52 (0,48)
Defasagem idade -4,15 (0,18) -6,72 (0,21) -8,25 (0,23)
Nível sócio-econômico 3,63 (0,21) 3,97 (0,25) 1,02 (0,30)
Tipo de escola 25,13 (1,10) 24,57 (1,23) 19,57 (1,46)
Nível sócio-econômico 13,62 (0,62) 14,27 (0,71) 20,77 (1,00)
Defasagem média -3,70 (0,49) -10,68 (0,49) -13,80 (0,70)
Procedimento seleção 3,27 (1,50) 12,89 (1,61) 17,28 (1,70)
14
Teoria Clássica
Baseada no escore total: número de acertos
Seus parâmetros dependem do grupo de respondentes
Parâmetro de dificuldade: proporção de acertos
Correlação bisserial
Parâmetro de discriminação:
proporção de acertos grupo superior – grupo inferior
Como comparar/representar proporção acertos aluno 4a.
série com a proporção de acertos aluno 5a. Série ?
Modelo:
X = T + Erro
15
Teoria da Resposta ao Item (TRI)
1. O foco é no item e não no escore total, como na Teoria
Clássica.
2. São modelos que relacionam um ou mais traços latentes de
um indivíduo, com a probabilidade dele apresentar uma
certa resposta ao item.
3. Traço Latente: proficiência/habilidade em Matemática,
Português, Ciências etc.
4. Baseado nas respostas dadas por um ou mais grupos de
indivíduos, a um conjunto de itens, desejamos:
- estimar os parametros dos itens (processo de
calibração)
- estimar as proficiências dos indivíduos
- estimar a proficiência média de um ou mais grupos de
indivíduos
16
Teoria da Resposta ao Item (TRI)
5. A probabilidade de uma certa resposta a um item é
modelada como função da proficiência do indivíduo e os
parâmetros que representam algumas propriedades dos
item.
6. Modelo acumulativo: quanto maior a proficiência do
indivíduo, maior a probabilidade de uma resposta correta.
7. Propriedade da invariância: os parâmetros dos itens e as
proficiências são invariantes, exceto pela escolha da escala
(métrica).
17
Modelos da TRI
1
Pij P(U ij 1 | j ) ci (1 ci ) ai ( j bi )
1 e
18
Modelo Logístico de 3 Parâmetros
a: parâmetro de discriminação
b: parâmetro de dificuldade (medido na mesma escala da
proficiência)
c: parâmetro de acerto casual (probabilidade de que um estudante
com baixa proficiência responda corretamente)
19
Modelo Logístico de 3 Parâmetros
0,8
0,6
0,4
0,2
0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
proficiência
P1 P0
20
Modelos da TRI
Modelo Nominal : modela todas as categorias de
resposta s=1,2, ...,mi.
exp[ a is ( j bis )]
P(U ijs 1 | j ) mi
exp[ a
h 1
ih ( j bih )]
21
Modelo Nominal
a=(-2,-1,1,0) e b=(-2,-1,2,1)
1,0
probabilidade
0,8
0,6
0,4
0,2
0,0
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0
proficiência
P1 P2 P3 P4
22
Modelos da TRI
Modelo de Resposta Gradual (categorias ordinais)
1
P(U ijs 1 | j )
1 exp[ai ( j bis )]
1
1 exp[ai ( j bi ( s1) )]
23
Modelo de Resposta Gradual
a=1,2 e b=(-2,-1,1)
1,0
0,8
probabilidade
0,6
0,4
0,2
0,0
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0
proficiência
P0 P1 P2 P3
24
Outros Modelos da TRI
Modelo de Crédito Parcial : Modelo de resposta gradual
sem o parâmetro a (Rasch).
Modelo de Escala Gradual: Modelo de resposta gradual
com bis = bi – ds
Modelo dos Grupos Múltiplos (dois ou mais grupos).
1
P( U ij 1 | kj ) ci ( 1 ci ) ai ( kj bi )
1 e
26
Aplicações em Avaliação Educacional
Públicas: Estaduais/Municipais
SARESP (São Paulo)
SPAECE (Ceará)
SAEPE (Pernambuco)
Município do Rio de Janeiro
Município de São Paulo
Privadas
SIMA: Sistema Marista de Avaliação
Fundação Bradesco
27
Outras Aplicações da TRI em Educação
Educação Estatística
θ: extensão do uso de estatística no local de
trabalho.
Questionário com 46 técnicas estatísticas e
métodos de pesquisa (itens).
Harraway, J.A. and Barker, R.J. (2005). Statistics in the
workplace: a survey of use by recent graduates with higher
degrees. Statistics Education Research Journal, 4(2), 43-58,
http://www.stat.auckland.ac.nz/serj
Harraway, J.A., Andrade, D.F.(2006). An item response
analysis of statistics use in the workplace. (apresentado no
ICOTS7, Salvador)
28
Outras Aplicações da TRI em Educação
Educação Médica
Avaliar o desempenho do aluno de curso de medicina
Prova realizada uma vez por ano por todos os alunos (1a.-
6a.)
Comissão de avaliação do curso de medicina da UEL, PR:
Sakai, M., Mashima, D., Ferreira Filho, O.F., Matsuo, T.
29
Aplicações da TRI em outras áreas
Qualidade de Vida
Mesbah, M., Cole, B.F. and Lee, M.L.T.(2002). Ed.
Statistical methods for quality of life studies:
design, measurements and analysis. Boston:
Kluwer Academic Publishers
30
Aplicações da TRI em outras áreas
HIT (Headache Impact Test): medir o impacto
causado por dor de cabeça em diferentes situações
(no trabalho, em casa e em ocasiões sociais).
Ware, J.E., Bjorner, J. B., Kosinski, M. (2000).
Practical Implications of Item Response Theory and
Computerized Adaptive Testing. A Brief Summary of
Ongoing Studies of Widely Used Headache Impact
Scales. Medical Care, v.38.
www.amihealthy.com
31
Aplicações da TRI em outras áreas
Medir o Grau de Satisfação do Consumidor
Costa, M.B.F. (2001). Técnica derivada da teoria da
resposta ao item aplicada ao setor de serviços.
Dissertação de Mestrado – PPGMUE/UFPR
Bortolotti, S.L.V. (2003). Aplicação de um modelo de
desdobramento da teoria da resposta ao item – TRI.
Dissertação de Mestrado. EPS/UFSC.
Bayley, S. (2001). Measuring customer satisfaction.
Evaluation Journal of Australasia, v. 1, no. 1, 8-16.
32
Aplicações da TRI em outras áreas
Psiquiatria/Psicologia
Escalas psiquiátricas:
Inventário de depressão de Beck (BDI)
Escala de sintomas Depressivos (CES-D)
Escala de rastreamento de dependência de sexo (ERDS)
Schaeffer, N. C. (1988). An Application of Item Response to the
Measurement of Depression. Sociological Methodology, 18,
271–307.
Embretson, S. E. and Reise, S. P. (2000). Item response theory
for psychologists. New Jersey: Lawrence Erlbaum
Associates, Inc., Publishers..
33
Aplicações da TRI em outras áreas
Psiquiatria/Psicologia
Coleman, M. J., Matthysse, S., Levy, D. L., Cook, S., Lo, J. B.
Y.,Rubin, D. B. and Holzman, P. S. (2002). Spatial and object
working memory impairments in schizophrenia patients: a
bayesian item-response theory analysis. Journal of Abnormal
Psychology, 111, number 3, 425-435.
Hays, R., Morales, L. S. e Reise, S. P. (2000). Item response
theory and health outcomes measurement in the 21st century,
Medical Care, v.38.
Kirisci, L., Hsu, T. C. e Tarter, R. (1994). Fitting a two-parameter
logistic item response model to clarify the psychometric
properties of the drug use screening inventory for adolescent
alcohol and drug abusers, Alcohol Clin. Exp. Res 18: 1335–
1341. 34
Aplicações da TRI em outras áreas
Psiquiatria/Psicologia
Langenbucher, J. W., Labouvie, E., Sanjuan, P. M.,
Bavly, L., Martin, C. S. e Kirisci, L. (2004). An
application of item response theory analysis to
alcohol, cannabis and cocaine criteria in DSM-IV,
Journal of Abnormal Psychology 113: 72–80.
Yesavage JA, Brink TL Rose TL et al. (1983).
Development and validation of a geriatric depression
screening scale: a preliminary report. J Psychiat Res,
17:37-49.
35
Aplicações da TRI em outras áreas
Nutrição
Diagnóstico de insegurança alimentar: Escala Brasileira
de Medida de Segurança Alimentar - EBIA.
Profa. Ana Maria Segall Corrêa – Dep. Medicina
Preventiva e Social – FCM/UNICAMP
Parke E. Wilde, Gerald J. and Dorothy R. Friedman
(2004). Differential Response Patterns Affect Food-
Security Prevalence Estimates for Households with
and without Children. J. Nutr.134: 1910–1915.
36
Aplicações da TRI em outras áreas
Serviço Médico
Jishnu Das, Jeffrey Hammer (2005). Which doctor?
Combining vignettes and item response to measure
clinical competence. Journal of Development
Economics 78, 348-383
Genética
Tavares, H. R.; Andrade, D. F.; Pereira, C.A. (2004)
Detection of determinant genes and diagnostic via
item response theory. Genetics and Molecular
Biology, v. 27, n. 4, p. 679-685.
37
Aplicações da TRI em outras áreas
Gestão pela Qualidade Total
Alexandre, J.W.C., Andrade, D.F., Vasconcelos, A.P. e
Araújo, A.M.S.(2002). Uma proposta de análise de um
construto para a medição dos fatores críticos da
gestão pela qualidade através da teoria da resposta
ao item. Gestão & Produção, v.9, n.2, p.129-141
38
Estimação na TRI
39
Estimação na TRI
Uma população
Máxima verossimilhança conjunta:
N I
L( , ) Pr ob(U | , ) P (1 Pij )
uij 1uij
ij
j 1 i 1
N I
log L uij log Pij (1 uij ) log( 1 Pij )
j 1 i 1
42
Estimação na TRI
Máxima verossimilhança marginal
I
Pr ob(U j | , ) P (1 Pij )
uij 1uij
ij
i 1
43
Estimação na TRI
Máxima verossimilhança marginal
As estimativas dos parâmetros dos itens são os
valores de ξ que maximizam L(ξ,η).
Algoritmo EM: U e θ são os dados completos, e U é
dado observado.
Assumindo ξ “conhecido”, voltamos para L(ξ,θ) = L(θ)
e maximizamos para θ.
44
Estimação na TRI
Estimação Bayesiana
Distribution a priori para a: Lognormal
Distribution a priori para b: Normal
Distribution a priori para c: Beta
Matemática - Brasil
300
proficiência média
250
200
150
1995 1997 1999 2001 2003
47
Modelos mais recentes da TRI
48
Exemplo Dados Longitudinais
International Project on Mathematical Attainment -
IPMA (Profa. Ednéia Consolin Poli – UEL)
1999 2000 2001 2002 2003
Professores 22 22 22 20 18 24 16 17
Escolas 8 8 6 8 6 8 6 6
No. de itens 20 40 20 60 40 80 60 80
49
Modelos mais recentes da TRI
Modelando a Proficiência Média: curva de
crescimento
μk = f(tk,α)
Tavares, H.R., Andrade, D.F.(2005). Growth curve models for
longitudinal item response data. Presented at AERA2005
in Montreal.
50
Modelos mais recentes da TRI
Modelos de Desdobramento
São modelos não acumulativos
São bastante utilizados em estudos de atitudes
Roberts, J. S., Laughlin, J. E. A.(1996) Unidimensional item response
model for unfolding responses from a graded disagree-agree response
scale. Applied Psychological Measurement, 20, p. 231-255.
Roberts, J. S., Donoghue, J.R., Laughlin, J. E.(2000) A general model for
unfolding Unidimensional polychromous responses using item response
theory. Applied Psychological Measurement, 24, p. 3-32.
Roberts, J. S., LIN, Y., Laughlin, J. E.(2001) Computerized adaptive testing
with the generalized graded unfolding model. Applied Psychological
Measurement, 25, p. 177-196.
51
Modelos mais recentes da TRI
Modelos Multidimensionais: mais de uma
dimensão para representar o traço latente
Mislevy, R.J. (1986). Recent development in the factor analysis
of categorical data. Journal of Educational Statistics, 11,
3-31.
Wood, R., Wilson, D., Gibbons, R., Schilling, S., Muraki, E.,
Bock, D. (2003). Testfact 4: Test Scoring, Item Statistics
and Item Factor Analysis. Chicago: scientific Software, Inc.
52
Modelos mais recentes da TRI
Modelos Multidimensionais: mais de uma
dimensão para representar o traço latente
Reckase, M. D. (1997). A linear logistic multidimensional model
for dichotomous item response data. In W. J. Linden & R. K.
Hambleton (Eds.), Handbook of modern item response
theory (pp. 271-286). New York: Springer.
Nojosa, R. T. (2001). Modelos Multidimensionais para a Teoria
da Resposta ao Item. Dissertação de Mestrado.
Departamento de Estatística. Universidade Federal de
Pernambuco.
53
Modelos mais recentes da TRI
Modelos Multivariados: mais de um traço latente
para o mesmo aluno: matemática e português.
Matos, G. S. (2001). Teoria da Resposta ao Item: Uma
Proposta de Modelo Multivariado. Dissertação de
Mestrado. Departamento de Estatística. Universidade
Federal de Pernambuco.
Exemplo: Projeto FUNDESCOLA / INEP-MEC
Alunos de 4a. série (1999) acompanhados até a 8a. série
(2003) - Longitudinal
Disciplinas: matemática e Português - Bivariado
Dados Incompletos: alunos podem sair e entrar
54
Equalização
Resultados de diferentes provas em uma mesma
escala
Exemplo: SAEB (entre séries e anos)
Como obter resultados comparáveis?
Itens comuns entre séries e anos
55
Equalização
Calibração (estimação dos parâmetros dos itens) em
separado para cada uma das populações envolvidas
Equalização pelo princípio da invariância: a posteriori
Exemplo: dados do SARESP (estado de São Paulo)
3a. série 96 – 28 itens (abril)
4a. série 97 – 30 itens (abril)
3a. série 97 – 32 itens (novembro)
11 itens comuns entre 3a. 96 e 3a. 97
21 itens comuns entre 4a. 96 e 3a. 97
56
Equalização
Exemplo: dados do SARESP
Estimativas dos parâmetros dos itens comuns aos grupos 3ª série 96 e 97.
Parâmetro a Parâmero b Parâmetro c
ª
Item 3 . 96 3ª 97 ª
3 . 96 3ª 97 ª
3 . 96 3ª 97
C3S01 1,30 1,07 -2,25 -3,40 0,07 0,15
C3S02 1,71 1,55 -2,01 -3,04 0,08 0,17
C3S03 1,36 1,61 -2,35 -3,24 0,07 0,17
C3S04 1,04 0,65 0,32 -0,09 0,10 0,08
C3S05 1,05 0,57 0,95 -0,06 0,14 0,08
C3S06 1,38 0,82 0,91 0,16 0,14 0,08
C3S07 0,87 1,06 -0,81 -1,49 0,07 0,09
C3S08 1,01 1,48 -0,14 -1,09 0,09 0,09
C3S09 1,41 1,07 -1,23 -2,12 0,05 0,11
C3S10 2,37 1,37 -0,30 -0,88 0,05 0,09
C3S11 2,29 1,20 0,08 -0,18 0,05 0,08
57
Equalização
Exemplo: dados do SARESP
0
-3 -2 -1 0 1
y = 1,1084x - 0,7159 -1
b97
R2 = 0,968
-2
-3
-4
b96
58
Equalização
Calibração simultânea: Modelo dos Grupos
Múltiplos
1
P( U ij 1 | kj ) ci ( 1 ci ) ai ( kj bi )
1 e
Questões:
- Número e distribuição de itens comuns
- Como ¨posicionar¨ novos grupos em uma escala já construída
- Avaliações Estaduais e outras: itens calibrados + itens novos
59
Construindo e Interpretando Escala
Beaton, A.E., Allen, N.L. (1992). Interpreting scales
through scale anchoring. Journal of Educational
Statistics, 17, 191-204.
60
Construindo e Interpretando Escala
Educação Estatística
θ: extensão do uso de estatística no local de trabalho.
Questionário com 46 técnicas estatísticas e métodos de
pesquisa (itens).
Harraway, J.A. and Barker, R.J. (2005). Statistics in the workplace: a
survey of use by recent graduates with higher degrees. Statistics
Education Research Journal, 4(2), 43-58,
http://www.stat.auckland.ac.nz/serj
Harraway, J.A., Andrade, D.F.(2006). An item response analysis of
statistics use in the workplace. (apresentado no ICOTS7, Salvador)
61
Construindo e Interpretando Escala
Educação Estatística
% de respondentes que 100 100 77 49 21 3 0 0
atingiram o nível
Parametros dos itens Níveis da escala (50,15)
Topic a b 5 20 35 50 65 80 95 110
GRAPH 0,08 39,21 0,06 0,17 0,41 0,71 0,89 0,97 0,99 1,00
TESTS 0,12 49,72 0,01 0,03 0,15 0,51 0,85 0,97 0,99 1,00
SLREG 0,12 50,26 0,01 0,03 0,14 0,49 0,85 0,97 0,99 1,00
ANOVA 0,14 54,92 0,00 0,01 0,06 0,34 0,80 0,97 1,00 1,00
POSTHOC 0,11 61,53 0,00 0,01 0,05 0,22 0,60 0,89 0,98 1,00
MULTREG 0,11 61,78 0,00 0,01 0,05 0,21 0,59 0,89 0,98 1,00
FACTDES 0,09 69,31 0,00 0,01 0,05 0,16 0,41 0,71 0,90 0,97
PCA 0,13 69,48 0,00 0,00 0,01 0,07 0,36 0,80 0,97 0,99
MANOVA 0,10 69,81 0,00 0,01 0,03 0,13 0,39 0,73 0,92 0,98
NONLREG 0,09 70,00 0,00 0,01 0,04 0,13 0,38 0,72 0,91 0,98
REPMEAS 0,09 70,22 0,00 0,01 0,04 0,14 0,38 0,71 0,91 0,97
LOGREG 0,08 71,84 0,00 0,01 0,04 0,14 0,36 0,66 0,87 0,96
POWER 0,08 73,84 0,00 0,01 0,04 0,13 0,33 0,62 0,84 0,95
NONPREG 0,10 74,21 0,00 0,01 0,02 0,09 0,29 0,63 0,88 0,97
RANDEFTS 0,11 74,39 0,00 0,00 0,01 0,06 0,26 0,65 0,91 0,98
CLUSTER 0,08 74,48 0,00 0,01 0,04 0,13 0,32 0,61 0,83 0,94
BLOCKING 0,08 75,30 0,00 0,01 0,04 0,12 0,31 0,59 0,82 0,94
DISCRIM 0,11 76,79 0,00 0,00 0,01 0,05 0,22 0,59 0,88 0,97
EXPLORFA 0,07 79,84 0,00 0,01 0,04 0,10 0,25 0,50 0,75 0,90
CANCORR 0,11 80,96 0,00 0,00 0,01 0,03 0,15 0,47 0,82 0,96
MDS 0,09 81,02 0,00 0,00 0,02 0,06 0,20 0,48 0,77 0,93
CORRESP 0,11 81,85 0,00 0,00 0,01 0,03 0,14 0,45 0,81 0,95
PATHANAL 0,07 81,89 0,00 0,01 0,03 0,09 0,23 0,47 0,72 0,88
CROSSOV 0,06 84,96 0,01 0,02 0,05 0,11 0,23 0,43 0,65 0,82
SURVANAL 0,06 87,65 0,00 0,01 0,03 0,08 0,19 0,38 0,62 0,81
META 0,06 88,91 0,01 0,02 0,04 0,09 0,20 0,37 0,59 0,77
BAYESIAN 0,06 90,43 0,00 0,01 0,03 0,07 0,17 0,34 0,57 0,78
STOCHAST 0,05 94,56 0,01 0,02 0,04 0,09 0,17 0,32 0,51 0,69
LGLINMOD 0,08 77,30 0,00 0,01 0,03 0,10 0,27 0,55 0,81 0,93
COMPINT 0,06 79,27 0,01 0,03 0,07 0,15 0,30 0,51 0,72 0,86
THEORY 0,05 74,15 0,04 0,08 0,14 0,25 0,40 0,57 0,72 0,84
MRKRECAP 0,06 87,09 0,01 0,02 0,05 0,11 0,22 0,40 0,61 0,79 62
Construindo e Interpretando Escala
Escala Nacional de Proficiência – INEP/MEC
“Régua (métrica) criada a partir dos resultados do SAEB
- Média 250 (rendimento médio dos alunos da 8a. Série em 1997)
- Desvio padrão 50
- http://www.inep.gov.br/download/saeb/2004/
resultados/BRASIL.pdf
63