Estudo de fatores associados através de regressão quantílica hierárquica

Autores

DOI:

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

Palavras-chave:

Avaliação da Educação, Fatores Associados, Regressão Quantílica Hierárquica, Rendimento Escolar

Resumo

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

Não há dados estatísticos.

Biografia do Autor

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

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.

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.

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.

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.

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.

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.

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.

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.

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.

GERACI, M.; BOTTAI, M. Linear quantile mixed models. Statistics and Computing, London, v. 24, n. 3, p. 461-479, 2014.

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.

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.

KOENKER, R.; BASSETT, G. Regression quantiles. Econometrica, New York, v. 46, n. 1, p. 33-50, Jan. 1978.

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.

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.

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.

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.

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.

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.

Downloads

Publicado

31-08-2018

Como Citar

Barbetta, P. A., Andrade, D. F. de, & Tavares, H. R. (2018). Estudo de fatores associados através de regressão quantílica hierárquica. Estudos Em Avaliação Educacional, 29(71), 320–349. https://doi.org/10.18222/eae.v29i71.4973

Edição

v. 29 n. 71 (2018): maio/ago. 2018

Seção

Artigos

Licença

Copyright (c) 2018 Estudos em Avaliação Educacional

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:

a. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons BY-NC do tipo "Atribuição Não Comercial" que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

b. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

c. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).