Estudio de factores asociados a través de regresión cuantílica jerárquica

Autores/as

DOI:

https://doi.org/10.18222/eae.v29i71.4973

Palabras clave:

Evaluación de la Educación, Factores Asociados, Regresión Cuantílica Jerárquica, Rendimiento Escolar

Resumen

Este trabajo presenta un abordaje no usual en el estudio de factores asociados al desempeño escolar, haciendo uso de regresiones cuantílicas jerárquicas. Mientras que en el enfoque tradicional se tiene el objetivo de identificar factores importantes en base a los individuos del rango intermedio de competencia, en este abordaje se pretende detectar efectos en los cuantiles de la distribución de competencia, lo que permite identificar cómo determinado factor influye en los estudiantes de competencia baja, intermedia y alta. Se describe la metodología adoptada y una aplicación con los datos de las pruebas de Lengua Portuguesa y Matemáticas del 8º año de la Educación Básica del estado de Pará, en el 2016.

 

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Pedro Alberto Barbetta, Universidade Federal de Santa Catarina (UFSC), Florianópolis-SC, Brasil

Departamento de Informática e Estatística (INE)

Dalton Francisco de Andrade, Universidade Federal de Santa Catarina (UFSC), Florianópolis-SC, Brasil

Departamento de Informática e Estatística (INE)

Fundação Vunesp

Héliton Ribeiro Tavares, Universidade Federal do Pará (UFPA), Belém, Pará, Brasil

Faculdade de Estatística

Programa de Pós-Graduação em Matemática e Estatística

Citas

ALMEIDA, A. T. C. Determinante dos piores e melhores resultados educacionais dos alunos da rede pública de ensino fundamental no Brasil. Planejamento de Políticas Públicas, Brasília, DF, n. 42, p. 147-187, jan./jun. 2014.

ALVES, M. T. G.; SOARES, J. F. O efeito das escolas no aprendizado dos alunos: um estudo com dados longitudinais no ensino fundamental. Educação e Pesquisa, São Paulo, v. 34, n. 3, p. 527-544, set./dez. 2008. DOI: https://doi.org/10.1590/S1517-97022008000300008

ALVES, M. T. G.; SOARES, J. F. Effects of schools and municipalities in the quality of basic education. Cadernos de Pesquisa, São Paulo, v. 43, n. 149, p. 492-517, maio/ago. 2013. DOI: https://doi.org/10.1590/S0100-15742013000200007

ANDRADE, R. J.; SOARES, J. F. O efeito da escola básica brasileira. Estudos em Avaliação Educacional, São Paulo, v. 19, n. 41, p. 379-406, set./dez. 2008. DOI: https://doi.org/10.18222/eae194120082067

ANDRADE, D. F.; TAVARES, H. R.; VALLE, R. C. Teoria da resposta ao item: conceitos e aplicações. São Paulo: Associação Brasileira de Estatística, 2000.

AYALA, R. J. The theory and practice of item response theory. New York: The Guilford, 2009.

BATES, D.; MAECHLER, M.; BOLKER, B.; WALKER, S. Fitting linear mixed- -effects models using lme4. Journal of Statistical Software, Innsbruck, Austria, v. 67, n. 1, p. 1-48, Oct. 2015. DOI: https://doi.org/10.18637/jss.v067.i01

BOTTAI, M.; ORSINI, N.; GERACI, M. A gradient search maximization algorithm for the asymmetric Laplace likelihood. Journal of Statistical Computation and Simulation, London, v. 85, n. 10, p. 1919-1925, 2015. DOI: https://doi.org/10.1080/00949655.2014.908879

CHEN, Y. L.; TIAN, M. Z.; YU, K. M.; PAN, J. X. Composite hierachical linear quantile regression. Acta Mathematicae Applicatae Sinica, London, v. 30, n. 1, p. 49-64, 2014. DOI: https://doi.org/10.1007/s10255-014-0267-1

DAVINO, C.; VISTOCCO, D. Quantile regression for the evaluation of student satisfaction. Statistica Applicata, London, v. 20, n. 3-4, p. 179-196, 2008.

GALARZA, C. E.; LACHOS, V. H.; BANDYOPADHYAY, D. Quantile regression in linear mixed models: a stochastic approximation EM approach. Statistics and Its Interface, London, v. 10, n. 3, p. 471-482, 2017. DOI: https://doi.org/10.4310/SII.2017.v10.n3.a10

GERACI, M. Linear quantile mixed models: the lqmm package for Laplace quantile regression. Journal of Statistical Software, Innsbruck, Austria, v. 57, n. 13, p. 1-29, Mayo 2014. DOI: https://doi.org/10.18637/jss.v057.i13

GERACI, M. Package lqmm v. 1.5.3. 2016. Disponível em: <https://cran.rproject.org/web/packages/lqmm/lqmm.pdf>. Acesso em: 5 set. 2017.

GERACI, M.; BOTTAI, M. Quantile regression for longitudinal data using the asymmetric Laplace distribution. Biostatistics, Oxford, UK, v. 8, n. 1, p. 140-154, 2007. DOI: https://doi.org/10.1093/biostatistics/kxj039

GERACI, M.; BOTTAI, M. Linear quantile mixed models. Statistics and Computing, London, v. 24, n. 3, p. 461-479, 2014. DOI: https://doi.org/10.1007/s11222-013-9381-9

GIMENES, N. Avaliação em larga escala no Brasil: tensões e desafios. Estudos em Avaliação Educacional, São Paulo, v. 26, n. 62, p. 254-261, maio/ago. 2015. DOI: https://doi.org/10.18222/eae266203578

HASSAN, I. Hierarchical quantile regression. 2014. 34f. Thesis (Master of Science in Biostatistics) – University of Alberta, Canadá, 2014. Disponível em: <https://era.library.ualberta.ca/files/m326m3245/Hassan_Imran_201408_ MSc.pdf>. Acesso em: 5 set. 2017.

KOENKER, R. Quantile regression. Cambridge, UK: Cambridge University, 2005. DOI: https://doi.org/10.1017/CBO9780511754098

KOENKER, R.; BASSETT, G. Regression quantiles. Econometrica, New York, v. 46, n. 1, p. 33-50, Jan. 1978. DOI: https://doi.org/10.2307/1913643

LAROS, A. J.; MARCIANO, J. L.; ANDRADE, M. J. Fatores que afetam o desempenho na prova de Matemática do Saeb: um estudo multinível. Avaliação Psicológica, Porto Alegre, v. 9, n. 2, p. 173-186, ago. 2010.

MARTINS, P. S.; PEREIRA, P. T. Does education reduce wage inequality? Quantile regression evidence from 16 countries. Labour Economics, New York, v. 11, n. 3, p. 355-371, June 2004. DOI: https://doi.org/10.1016/j.labeco.2003.05.003

MORICONI, G. M.; NASCIMENTO, P. A. M. M. Fatores associados ao desempenho dos concluintes de engenharia no Enade 2011. Estudos em Avaliação Educacional, São Paulo, v. 25, n. 57, p. 248-278, jan./abr. 2014. DOI: https://doi.org/10.18222/eae255720142831

NASCIMENTO, P. A. M. M. Fatores associados ao desempenho escolar: resultado de um modelo multinível de valor adicionado. Estudos em Avaliação Educacional, São Paulo, v. 23, n. 51, p. 16-39, jan./abr. 2012. DOI: https://doi.org/10.18222/eae235120121943

NETER, J.; KUTNER, M.; WASSERMAN, W.; NACHTSHEIM. C. Applied linear statistical models. Boston: McGraw-Hill/Irwin, 1996. 1415p.

PARÁ. Secretaria da Educação. Estudos do SisPAE 2016 – Perfil dos participantes e fatores associados ao desempenho escolar. Belém do Pará, fevereiro 2017. Disponível em: <https://sispae.vunesp.com.br/Revistas2016.aspx>. Acesso em: 7 mar. PONTES; L. A. F.; SOARES, T. M. As metas escolares do Ideb: uma proposta alternativa de cálculo. Estudos em Avaliação Educacional, São Paulo, v. 27, n. 66, p. 690-715, set./dez. 2016. DOI: https://doi.org/10.18222/eae.v27i66.3956

RANGVID, B. S. Educational peer effects quantile regression evidence from Denmark with PISA 2000 data. The economics of education and training. Germany: Physica-Verlag, 2008. DOI: https://doi.org/10.1007/978-3-7908-2022-5_9

R FOUNDATION FOR STATISTICAL COMPUTING. R Core Team. R: a language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing, 2017. Disponível em: . Acesso em: 5 set. 2017.

YU, K.; ZHANG, J. A three-parameter asymmetric Laplace distribution and its extension. Communications in Statistics: Theory and Methods, London, v. 34, n. 9/10, p. 1867-1879, Sept. 2006.2018. DOI: https://doi.org/10.1080/03610920500199018

Publicado

2018-08-31

Cómo citar

Barbetta, P. A., Andrade, D. F. de, & Tavares, H. R. (2018). Estudio de factores asociados a través de regresión cuantílica jerárquica. Estudos Em Avaliação Educacional, 29(71), 320–349. https://doi.org/10.18222/eae.v29i71.4973

Número

Sección

Artículos