Paquete cNORM - RDocumentación (2023)

El paquete cNorm proporciona métodos para generar puntajes estándar continuos, como f. mi. para el desarrollo de pruebas psicométricas, biométricas (p. ej., curvas de crecimiento biológico y fisiológico) y exámenes de detección en el ámbito médico. Se basa en el enfoque sugerido por A. Lenhard et al. (2016, 2019). Para obtener un tutorial detallado, consulte la página de inicio del proyectohttps://www.psychometrica.de/cNorm_en.htmlyhttps://cnorm.shinyapps.io/cNORM/para una demostración en línea.

Acercarse

Los métodos convencionales para producir normas de prueba a menudo están plagados de "saltos" o "brechas" (es decir, discontinuidades) en las tablas de normas y baja confianza para evaluar puntajes extremos. cNORM aborda estos problemas y también tiene la ventaja adicional de no requerir suposiciones sobre la distribución de los datos brutos: Las puntuaciones estándar se establecen a partir de datos brutos mediante el modelado de estos últimos como una función de las puntuaciones percentiles y una variable explicativa (por ejemplo, la edad) a través dePolinomios de TaylorEl método minimiza el sesgo que surge del error de muestreo y medición, al tiempo que maneja marcadas desviaciones de la normalidad, como las que son comunes en las muestras clínicas. Incluye procedimientos para la estratificación posterior de muestras de normas para superar el sesgo en la recopilación de datos y mitigar las violaciones de la representatividad. A diferencia de los enfoques paramétricos, no se basa en suposiciones de distribución de los datos de normas iniciales y, por lo tanto, es un enfoque muy sólido para generar tablas de normas.

El fundamento del enfoque es modelar la relación entre ubicación/puntuación normal, edad y puntuación bruta a través de regresión múltiple y para ajustar un hiperplano tridimensional. Este hiperplano se usa para cerrar todas las brechas y para calcular puntajes de normas continuos:

Instalación

cNORM se puede instalar a través de

install.packages("cNORM", dependencias = VERDADERO)

Además, puededescargar una versión precompiladao acceda a la versión de desarrollo de github a través de

install.packages("devtools")library(devtools)devtools::install_github("WLenhard/cNORM")library(cNORM)

Por favor reporte errores. ¡Las sugerencias para mejorar son siempre bienvenidas!

Ejemplo

La realización del análisis consta de los siguientes pasos:

1. Preparación de datos y establecimiento del modelo de regresión
2. Validando el modelo
3. Generar tablas de normas y trazar los resultados

cNORM ofrece funciones para seleccionar los mejores modelos de ajuste y generar las tablas de normas.

## En pocas palabras:## Código de ejemplo básico para modelar la biblioteca de conjuntos de datos de muestra (cNORM)# Inicie la interfaz gráfica de usuario (necesita tener instalado Shiny)# La GUI incluye las funciones más importantes. Para casos específicos,# utilice cNORM en la consola.cNORM.GUI()# Inicio fácil: normalización convencional para un grupo sin continuidad a lo largo de la edad# con el conjunto de datos incorporado de elfe.cnorm(raw = elfe$raw)# Clasifique los datos dentro del grupo y calcule potencias e interacciones para el # conjunto de datos interno 'elfe' y calcule el modelo. El objeto resultante incluye los # datos clasificados a través de object$data y el modelo a través de object$model.cnorm.elfe <- cnorm(raw = elfe$raw, group = elfe$group)# Trazar R2 de diferentes soluciones modelo en dependencia del número of predictorsplot(cnorm.elfe, "subset", type=0) # plot R2plot(cnorm.elfe, "subset", type=3) # plot MSE# ¡NOTA! En este punto, generalmente selecciona un buen modelo de ajuste y vuelve a ejecutar el proceso # con un número fijo de términos, p. gramo. cuatro Evite modelos con una gran cantidad de términos: cnorm.elfe <- cnorm(raw = elfe$raw, group = elfe$group, terms = 4)# De forma predeterminada, el parámetro de potencia se establece en k = 5 y t = 3. Puede elegir un valor de # a 6, pero los valores más altos pueden provocar un sobreajuste. En caso de sobreajuste, reduzca estos valores #. En caso de que solo se especifique k, cNORM usa este valor tanto para k como para t.# En el siguiente ejemplo, la distribución por edad se modela con el parámetro de potencia # k = 3 (= cúbico), mientras que para la edad, solo hay una trayectoria cuadrática (-> 't = 2').cnorm.elfe <- cnorm(raw = elfe$raw, group = elfe$group, k = 3, t = 2)# Inspección visual de las curvas de percentiles del ajustado modelplot(cnorm.elfe, "percentiles")# Inspección visual de las puntuaciones normales y sin procesar observadas y ajustadasplot(cnorm.elfe, "norm")plot(cnorm.elfe, "raw")plot(cnorm.elfe, "raw" , grupo = "grupo") # Mostrar ajuste por variable de agrupación# Para verificar cómo funcionan otros modelos, trace series de gráficos de percentiles con un número ascendente# de predictores, en este ejemplo hasta 14 predictores.plot(cnorm.elfe, "series", end=14)# Validación cruzada del número de términos con 20% de los datos para validación y 80% de entrenamiento.# Debido a la intensidad del tiempo, el máximo de términos está restringido a 10 en este ejemplo; 3 repeticionescnorm.cv(cnorm.elfe$data, max=10, repeats=3)# Validación cruzada con términos preespecificados, p. gramo. de un modelo ya existentecnorm.cv(cnorm.elfe, repeticiones=3)# Imprimir tabla de normas (para grado 3, 3.2, 3.4, 3.6)normTable(c(3, 3.2, 3.4, 3.6), cnorm.elfe)# El al revés: imprima la tabla sin procesar (para el grado 3) junto con intervalos de confianza del 90 %# para una prueba con una confiabilidad de .94rawTable(3, cnorm.elfe, IC = .9, confiabilidad = .94)# Obtenga la norma predicha puntajes para un vector de puntajes brutos y variable explicativa, p. gramo. agepredicted <- predictNorm(elfe$raw, elfe$group, cnorm.elfe)# En el caso de conjuntos de datos desequilibrados que se desvían del censo, la norma de datos# se puede ponderar por medio de rastrillado/post estratificación. Genere# los pesos con la función computeWeights() y páselos como el parámetro de pesos#. Para calcular los pesos, especifique un marco de datos con los # márgenes de población (hay más información disponible en la función computeWeights#). Una demostración basada en el sexo y el estado migratorio en el desarrollo de vocabulario# (conjunto de datos ppvt):márgenes <- data.frame(variables = c("sexo", "sexo", "migración", "migración"), niveles = c(1 , 2, 0, 1), compartir = c(.52, .48, .7, .3))pesos <- calcularPesos(ppvt, márgenes)modelo <- cnorm(sin procesar = ppvt$sin procesar, grupo=ppvt$grupo , pesos = pesos)# iniciar viñeta para un recorrido completo viñeta("cNORM-Demo", paquete = "cNORM")vignette("WeightedRegression", paquete = "cNORM")

cNORM ofrece funciones para elegir el modelo óptimo, tanto a partir de una inspección visual de los percentiles, como por criterios de información y pruebas del modelo:

En este ejemplo, se calculó un polinomio de Taylor con potencia k = 4 para modelar una muestra de la prueba de comprensión lectora ELFE 1-6 (tarea de completar oraciones; W. Lenhard & Schneider, 2006). En el gráfico, puede ver la parte de la varianza explicada por los diferentes modelos (con un número progresivo de predictores). Se usa R2 ajustado, Cp de Mallow (una medida similar a AIC) y BIC (BIC está disponible a través de la opcióntipo = 2). El valor de R2 ajustado predefinido de .99 ya se alcanza con el tercer modelo y luego solo obtenemos mejoras menores en el R2 ajustado. Por otro lado, Cp declina rápidamente después, por lo que el modelo 3 parece ser un buen candidato en términos del contenido de información relativa por predictor y la información capturada (R2 ajustado). Es recomendable elegir un modelo en el "codo" para evitar el sobreajuste, pero la solución debe probarse para detectar violaciones de los supuestos del modelo y la progresión de los percentiles también debe inspeccionarse visualmente.

La progresión pronosticada sobre la edad se muestra como líneas y los datos manifiestos como puntos. Solo se necesitaron tres predictores para modelar casi a la perfección los datos de la muestra estándar con R2 ajustado.

Data de muestra

El paquete incluye datos de dos grandes proyectos de normalización de pruebas, a saber, ELFE 1-6 (Lenhard & Schneider, 2006) y la adaptación alemana del PPVT4 (A. Lenhard, Lenhard, Suggate & Seegerer, 2015), que pueden utilizarse para ejecutar el análisis. Además, muestras grandes del Centro de Control de Enfermedades (CDC) sobre curvas de crecimiento en la infancia y la adolescencia (para calcular las curvas del índice de masa corporal 'IMC'), la esperanza de vida al nacer y la mortalidad por país desde 1960 hasta 2017 (disponible en el Banco Mundial ). Tipo?duende,?ppvt,?CENTROS PARA EL CONTROL Y LA PREVENCIÓN DE ENFERMEDADES,?epm,?mortalidado?vidapara mostrar información sobre los conjuntos de datos.

Términos de uso, licencia y declaración de interés

cNORM tiene la licencia GNU Affero General Public License v3 (AGPL-3.0). Esto significa que las partes protegidas por derechos de autor de cNORM se pueden usar de forma gratuita para fines comerciales y no comerciales que se ejecutan bajo esta misma licencia, conservar el aviso de derechos de autor, proporcionar su código fuente y citar cNORM correctamente. La protección de los derechos de autor incluye, por ejemplo, la reproducción y distribución del código fuente o partes del código fuente de cNORM o de gráficos creados con cNORM. La integración del paquete en un entorno de servidor para acceder a la funcionalidad del software (p. ej., para la entrega en línea de puntajes normativos) también está sujeta a esta licencia. Sin embargo, una función de regresión determinada con cNORM no está sujeta a la protección de derechos de autor y puede usarse libremente sin condiciones previas. Si desea aplicar cNORM de una forma que no sea compatible con los términos de la licencia AGPL 3.0, no dude en contactarnos para negociar condiciones individuales. Si desea utilizar cNORM para publicaciones científicas, también le pediremos que cite la fuente.

Los autores desean agradecer a WPS (https://www.wpspublish.com/) por proporcionar financiación para desarrollar, integrar y evaluar la ponderación y la estratificación posterior en el paquete cNORM. El proyecto de investigación se llevó a cabo en 2022.

Referencias

• Gary, S. y Lenhard, W. (2021). En la normatividad confiamos. Diagnóstico.
• Lenhard, A., Lenhard, W., Segerer, R. y Suggate, S. (2015). Prueba de vocabulario en imágenes de Peabody - Revisión IV (Adaptación alemana). Fráncfort a. M./Alemania: Pearson Assessment.
• Lenhard, A., Lenhard, W., Suggate, S. y Segerer, R. (2016). Una solución continua al problema de la normatividad. Evaluación, Primero en línea, 1-14. doi:10.1177/1073191116656437
• Lenhard, A., Lenhard, W., Gary, S. (2018). Normativa Continua (cNORM). La red integral R, paquete cNORM, disponible:https://CRAN.R-project.org/package=cNORM
• Lenhard, A., Lenhard, W., Gary, S. (2019). Normalización continua de pruebas psicométricas: un estudio de simulación de enfoques paramétricos y semiparamétricos. PLoS ONE, 14(9), e0222279. doi:10.1371/journal.pone.0222279
• Lenhard, W. y Lenhard, A. (2020). Mejora de la calidad del puntaje de norma a través de la normalización continua basada en regresión. Medición Educativa y Psicológica (Online First), 1-33.https://doi.org/10.1177/0013164420928457