Rekenen voor peuters - Toetswijzer
Rekenen voor peuters - Toetswijzer
Rekenen voor peuters - Toetswijzer
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Indien die overschrijdingskans heel erg klein is, zeg 1%, dan weten we dat een chikwadraatafstand<br />
van 20.83 of groter slechts in 1% van de gevallen <strong>voor</strong>komt indien het model<br />
<strong>voor</strong> deze leerling geldig is. Op grond van dit kleine percentage kunnen we ons geloof in het<br />
model (<strong>voor</strong> die leerling) opzeggen, en besluiten dat er wat aan de hand is met die leerling.<br />
Als de overschrijdingskans echter behoorlijk groot is, zeg 35%, betekent dit dat onder het<br />
model een chi-kwadraatafstand van 20.83 of groter <strong>voor</strong>komt in 35 % van de gevallen, en ons<br />
besluit zal (waarschijnlijk) zijn dat we hier geen reden hebben om iets speciaals te signaleren.<br />
Maar wat hier met een hoop woorden is omschreven is niets anders dan een statistische toets.<br />
Hoe we die toets in concreto moeten uitvoeren beschrijven we hierna.<br />
De verdeling van de chi-kwadraatafstanden tussen geobserveerde en verwachte profielen<br />
De gedaante van Tabel 1 en van de formule die er op volgt zou kunnen suggereren dat de chikwadraatafstand<br />
de theoretische chi-kwadraatverdeling volgt. Dat zou zo zijn indien de<br />
rekentoets 270 items zou bevatten (het aantal items gelijk aan het grand total van de tabel),<br />
maar hier is dat niet zo: het onderdeel <strong>Rekenen</strong> in de Eindtoets bestaat slechts uit 60 items.<br />
We hebben dus geen theoretische basis om te beweren dat we de theoretische chi-kwadraatverdeling<br />
(met 2 vrijheidsgraden) kunnen gaan gebruiken. De theoretische verdeling op<br />
theoretische gronden afleiden is een moeilijke onderneming, maar gelukkig kunnen we<br />
dankzij de beschikbaarheid van snelle computers de theoretische verdeling willekeurig dicht<br />
benaderen door simulatietechnieken. We beschrijven kort hoe dit wordt gedaan.<br />
We vertrekken van een gegeven totaalscore, bij<strong>voor</strong>beeld 120 zoals in het <strong>voor</strong>beeld<br />
hierboven. Als we de parameters van alle items in het OPLM model kennen kunnen we<br />
berekenen hoe groot de kans is dat iemand met een totaalscore van 120 item 1 (met een<br />
gewicht van 4) correct beantwoordt. Stel dat die kans 0.6 is. Dan gooien we (electronisch) een<br />
muntstuk op dat precies een kans van 0.6 heeft om ‘Munt’ op te leveren. Gebeurt dit, dan<br />
noteren we een correct antwoord op item 1, gebeurt het niet dan noteren we een fout<br />
antwoord. Als het antwoord op het eerste item correct was, dan moet de gesimuleerde leerling<br />
nog 120 – 4 = 116 punten behalen op de 59 overblijvende items; was het eerste item fout dan<br />
moet hij op de overblijvende 59 items alsnog een score van 120 behalen. En de procedure kan<br />
zich dus herhalen <strong>voor</strong> item 2, enzo<strong>voor</strong>t tot alle items beantwoord zijn. Als de gesimuleerde<br />
persoon alle items heeft beantwoord kunnen we zijn geobserveerd profiel berekenen en dus<br />
ook de chi-kwadraatafstand tot het verwachte profiel. De details over het berekenen van de<br />
kans op een goed antwoord worden beschreven in Appendix B van dit rapport.<br />
Als we de hele procedure van de vorige alinea een groot aantal keren herhalen, bij<strong>voor</strong>beeld<br />
30,000 keer, dan beschikken we over 30,000 chi-kwadraatafstanden waarvan we de<br />
cumulatieve frequentieverdeling kunnen tekenen. Dit hebben we ook inderdaad gedaan, en het<br />
resultaat staat in Figuur 5, samen met de theoretische cumulatieve chi-kwadraatverdeling met<br />
twee vrijheidsgraden.<br />
12