Drie-Minuten-Toets (DMT) en AVI - Toetswijzer - Kennisnet
Drie-Minuten-Toets (DMT) en AVI - Toetswijzer - Kennisnet
Drie-Minuten-Toets (DMT) en AVI - Toetswijzer - Kennisnet
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
echte waard<strong>en</strong> <strong>en</strong> dus ook dat we voor elke leerling de parameter δv met behulp van formule (4) kunn<strong>en</strong><br />
uitrek<strong>en</strong><strong>en</strong>.<br />
De schatting van de vaardigheid van leerling v wordt gegev<strong>en</strong> door<br />
<strong>en</strong> de standaardfout (SE) door<br />
sv<br />
v <br />
<br />
39<br />
v<br />
(6)<br />
( sv<br />
SE v)<br />
(7)<br />
<br />
In beide formules betek<strong>en</strong>t s v de geobserveerde somscore die door leerling v is behaald. Merk op dat in dit<br />
model de standaardfout to<strong>en</strong>eemt met de behaalde score.<br />
4.3.2 Het populatiemodel voor de <strong>DMT</strong>: de gamma-verdeling<br />
E<strong>en</strong> groot voordeel van het gebruik van e<strong>en</strong> lat<strong>en</strong>te-variabele-model zoals hierbov<strong>en</strong> is beschrev<strong>en</strong>, is dat<br />
m<strong>en</strong> de prestaties van leerling<strong>en</strong> zinvol kan vergelijk<strong>en</strong> als de leerling<strong>en</strong> verschill<strong>en</strong>de kaart<strong>en</strong> hebb<strong>en</strong><br />
gelez<strong>en</strong> of zelfs e<strong>en</strong> verschill<strong>en</strong>d aantal kaart<strong>en</strong>. Voor het opstell<strong>en</strong> van normeringstabell<strong>en</strong> echter, di<strong>en</strong>t<br />
m<strong>en</strong> voorzichtig te werk te gaan: gebruikmak<strong>en</strong>d van formule (6) hierbov<strong>en</strong> kan m<strong>en</strong> voor elke leerling e<strong>en</strong><br />
schatting mak<strong>en</strong> van zijn vaardigheid <strong>en</strong> kan m<strong>en</strong> vervolg<strong>en</strong>s de verdeling van deze schatting<strong>en</strong> bestuder<strong>en</strong><br />
om er normtabell<strong>en</strong> uit te distiller<strong>en</strong>. De verdeling is idealitergebaseerd op e<strong>en</strong> (redelijk) grote <strong>en</strong><br />
repres<strong>en</strong>tatieve steekproef uit de populatie. Op zichzelf is hier niets teg<strong>en</strong> in te br<strong>en</strong>g<strong>en</strong>, zolang m<strong>en</strong> zich<br />
maar realiseert dat m<strong>en</strong> de verdeling van de vaardigheidsschatting<strong>en</strong> bestudeert <strong>en</strong> niet de verdeling van de<br />
vaardigheid. Omdat alle schatting<strong>en</strong> behept zijn met e<strong>en</strong> schattingsfout (de meetfout) zal de variantie van de<br />
verdeling van de schatting<strong>en</strong> onvermijdelijk groter zijn dan de variantie van de verdeling van de<br />
vaardighed<strong>en</strong> zelf. In deze sectie gaan we in op het schatt<strong>en</strong> van de vaardigheidsverdeling, <strong>en</strong> daarin spel<strong>en</strong><br />
de schatting<strong>en</strong> van de individuele vaardighed<strong>en</strong> ge<strong>en</strong> <strong>en</strong>kele rol.<br />
Het basismodel dat wordt gebruikt is oorspronkelijk geïntroduceerd door Ow<strong>en</strong> (1969) <strong>en</strong> verder uitgewerkt<br />
in Jans<strong>en</strong> (1986) <strong>en</strong> Jans<strong>en</strong> & Van Duijn (1992). Het model stelt dat de lat<strong>en</strong>te leesvaardigheid in de<br />
populatie e<strong>en</strong> gamma-verdeling volgt. E<strong>en</strong> gamma-verdeling is e<strong>en</strong> verdeling voor niet-negatieve continue<br />
variabel<strong>en</strong>. De kansdichtheidsfunctie (pdf) wordt gegev<strong>en</strong> door<br />
<br />
<br />
(<br />
)<br />
<br />
1 g( ) e<br />
waarin α <strong>en</strong> β (beide positief) de parameters zijn van de verdeling, <strong>en</strong> Γ(.) de gammafunctie is. (Indi<strong>en</strong> het<br />
argum<strong>en</strong>t α e<strong>en</strong> geheel getal is, geldt dat Γ(α) = (α-1)!; de gammafunctie kan word<strong>en</strong> opgevat als e<strong>en</strong><br />
uitbreiding van de faculteitfunctie tot gebrok<strong>en</strong> getall<strong>en</strong>.)<br />
De gamma- <strong>en</strong> de Poisson-verdeling gaan goed sam<strong>en</strong>. Om dit te lat<strong>en</strong> zi<strong>en</strong>, herhal<strong>en</strong> we formule (1), maar<br />
we schrijv<strong>en</strong> deze nu wat nauwkeuriger op<br />
v<br />
(8)<br />
s<br />
( ) <br />
Ps ( | ) e<br />
(9)<br />
s!<br />
waarin het linkerlid duidelijk aangeeft dat het om e<strong>en</strong> conditionele kans gaat gegev<strong>en</strong> de waarde van de<br />
lat<strong>en</strong>te variabele θ <strong>en</strong> waarbij de parameter δ moet word<strong>en</strong> begrep<strong>en</strong> zoals aangegev<strong>en</strong> door formule (4).<br />
De marginale likelihood, d.i. de kans dat we score s observer<strong>en</strong> bij e<strong>en</strong> random trekking uit de populatie, is<br />
dan gegev<strong>en</strong> door<br />
<br />
(10)<br />
Ps () Ps ( | ) g(<br />
) d<br />
0<br />
Als we het rechterlid van (8) <strong>en</strong> (9) substituer<strong>en</strong> in het rechterlid van (10) <strong>en</strong> uitwerk<strong>en</strong>, dan krijg<strong>en</strong> we als<br />
resultaat<br />
( s)<br />
s<br />
Ps () p(1 p)<br />
s!<br />
(<br />
)<br />
<br />
(11)