Estudo de fatores associados através de regressão quantílica hierárquica
DOI:
https://doi.org/10.18222/eae.v29i71.4973Palavras-chave:
Avaliação da Educação, Fatores Associados, Regressão Quantílica Hierárquica, Rendimento EscolarResumo
Este trabalho apresenta uma abordagem não usual em estudo de fatores associados ao desempenho escolar, utilizando regressões quantílicas hierárquicas. Enquanto na abordagem tradicional tem-se por objetivo identificar fatores importantes com base nos indivíduos da faixa intermediária de proficiência, nesta aqui apresentada procura-se detectar efeitos nos quantis da distribuição de proficiência, permitindo identificar como determinado fator influencia estudantes de baixa, intermediária e alta proficiências. São realizadas a descrição da metodologia adotada e uma aplicação com os dados das provas de Língua Portuguesa e Matemática do 8º ano do ensino fundamental do estado do Pará, em 2016.
Downloads
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2018 Pedro Alberto Barbetta, Dalton Francisco de Andrade, Héliton Ribeiro Tavares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
a. Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação.
b. Todos os trabalhos estão licenciados sob a Licença Creative Commons Attribution (CC BY 4.0), que permite o compartilhamento do trabalho com reconhecimento da autoria.
