TEMA 7: VALIDEZ DE LAS INFERENCIAS (II)

2. VALIDACIN CON VARIOS PREDICTORES Y UN SOLO INDICADOR DEL CRITERIO

2.1. EL COEFICIENTE DE VALIDEZ MLTIPLE
2.2. EL MOD. DE REGRESIN LINEAL MLTIPLE
2.2.1. Ecuacin de regresin
2.2.2. La varianza residual o varianza error y el error tpico de estimacin mltiple
2.2.3. Intervalos de confianza
2.3. INTERPRETACIN DE LA EVIDENCIA OBTENIDA ACERCA DE LA CAPACIDAD
PREDICTORA DEL CONJUNTO DE VARIABLES UTILIZADAS
2.3.1. Coeficiente de determinacin mltiple
2.3.2. Coeficiente de alineacin mltiple
2.3.3. Coeficiente de valor predictivo mltiple
2.4. MTODOS PARA SELECCIONAR LAS VARIABLES PREDICTORAS MA ADECUADAS
2.4.1. Mtodo Forward
2.4.2. Mtodo Backward
3.

VALIDEZ Y UTILIDAD DE LAS DECISIONES

3.1. NDICES DE VALIDEZ Y SELECCIN
3.1.1. ndices de validez
3.1.2. ndices de seleccin
3.2. DNDE SITUAR EL PUNTO DE CORTE?
3.3. MODELOS DE SELECCIN
3.4. CMO ESTIMAR LA EFICACIA DE LA SELECCIN?

4.

FACTORES QUE INFLUYEN EN EL COEFICIENTE DE VALIDEZ

4.1. LA VARIABILIDAD DE LA MUESTRA
4.2. LA FIABILIDAD SDE LAS PUNTUACIONES DEL TEST Y NDEL CRITERIO
4.2.1. Estimacin del coeficiente de validez suponiendo que el test y el criterio tuvieran una
fiabilidad perfecta
4.2.2. Estimacin del coeficiente de validez suponiendo que el test tuviera una fiabilidad
perfecta
4.2.3. Estimacin del coeficiente de validez suponiendo que el criterio tuviera una fiabilidad
perfecta
4.2.4. Estimacin del coeficiente de validez en el supuesto de mejorar la fiabilidad del test y
del criterio
4.2.5. Estimacin del coeficiente de validez en el supuesto de mejorar la fiabilidad del test
4.2.6. Estimacin del coeficiente de validez en el supuesto de mejorar la fiabilidad criterio
4.2.7. Valor mximo del coeficiente de validez
4.3. VALIDEZ Y LONGITUD

2. VALIDACIN CON VARIOS PREDICTORES Y UN SOLO INDICADOR DEL CRITERIO

1

Procedimiento para llevar a cabo un estudio de validacin:

1. Se seleccionan una serie de actitudes, conocimientos o rasgos de personalidad
2. Se seleccionan los instrumentos adecuados para obtener 1 medida de cada 1
3. Se comparan con la medida del criterio de xito a partir de 1 o varios indicadores
Los procedimientos para conocer la influencia de varias VV predictoras cuantitativas en otra
tambin cuantitativa (criterio) son: la correlacin mltiple y el mod. de regresin mltiple
El mod. de regresin lineal: permite obtener 1 ecuacin de regresin ponderado y combinando
las VV predictoras, para que los errores de pronstico sean mn. y se eliminen las VV que no
aporten inf.
Correlacin parcial: interpreta el g de correlacin entre la variable criterio (Y) y 1 de las VV
predictoras, eliminando de antemano el efecto que sobre dicha correlacin ejerzan las dems VV

RYX1 X 2

RYX 2 X 1

rYX1 rYX 2 rX 1 X 2
(1 rYX 2 )(1 rX21 X 2 )
rYX 2 rYX1 rX 1 X 2
(1 rYX1 )(1 rX21 X 2 )

a) En la 1 se calcula la correlacin entre la variable criterio Y y la variable predoctora X1

eliminando la influencia de la X2
b) En la 2 se calcula la correlacin entre la variable criterio Y y la variable predoctora X2
eliminando la influencia de la X1

Correlacin semiparcial: g de correlacin entre la variable criterio (Y) y 1 de las VV predictoras,

eliminando el efecto que sobre sta, ejercen el resto de VV

ryx1 ryx2rx1x2
ry(x1*x2) =
1 - r x1x2

ryx2 ry1rx1x2
ry(x2*x1) =
1 - r x1x2
a) La 1 expresa la correlacin entre la variable criterio y la predictora X1 cuando de sta se
elimina la influencia de la variable predictora X2

b) La 2 expresa la correlacin entre la variable criterio y la predictora X2 cuando de sta se

elimina la influencia de la variable predictora X1
2.1. EL COEFICIENTE DE VALIDEZ MLTIPLE

Viene dado por la correlacin mltiple entre las puntuaciones obtenidas por la muestra en la
variable criterio y las obtenidas en el cjto. de las predictoras
G de asociacin entre la VD (criterio) y el cjto de variables predictoras
Correlacin mltiple:

ryx1 + ryx2 2ryx1ryx2rx1x2

R y*x1x2 =
1 - rx1x2
-

Otra forma de expresarla es en funcin de los coeficientes de regresin mltiple en

puntuaciones tpicas:

R y*x1x2 =

b*1ryx1 + b2*2ryx2

Y = puntuaciones de los sujetos de la muestra en el criterio

X1 y X2 = puntuaciones de los sujetos de la muestra en las 2 VV predictoras
b*1 y b*2 = coeficientes de regresin en puntuaciones tpicas
2.2. EL MODELO DE REGRESIN LINEAL MLTIPLE

Son ecuaciones de 1 plano (no de 1 recta como en la simple) o hiperplano si son ms de 2 VV

predictoras
Y= a + b1X1 + b2X2 + bnXn
Y = puntuacin pronosticada en el criterio
A = ordenada en origen
b1, b2,bn = coeficientes de regresin
X1, X2 Xn = VV predictoras

2.2.1. Ecuaciones de regresin

Puntuaciones tpicas:
Zy= b1*Zx1 + b2*Zx1

ryx1 y ryx2 = correlaciones entre las VV criterio y

ryx1 ryx2 rx1x2

ryx2 ryx1

rx1x2
b1* =

b2* =
1 - rx1x2

1-

cada variable predictora

rx1x2 = correlaciones entre las 2 VV predictoras
a=0

Puntuaciones diferenciales:

Y = b1x1 + b2x2

Sy
b1 = b*1

Sy

Sx1

a=

b2 = b*2
Sx1

Puntuaciones directas
__ __
__
a = Y b1X1 b2X2

Y = a +b1X1 + b2 X2

2.2.2. La Varianza residual o de error y el error tpico de estimacin mltiple

El coeficiente de validez mltiple indica la eficacia de las VV predictoras para estimar el criterio
Cuanto ms alto sea el coeficiente de validez, ms exacta es la estimacin
Pero el coeficiente de validez no es perfecto y est afectada por el error de estimacin
Error de estimacin: diferencia entre la puntuacin obtenida en el criterio y la pronosticada
mediante la ecuacin de regresin (Y Y)
A la varianza de todos los errores de estimacin se llama varianza residual, varianza de error o
error cuadrtico medio y su frmula es:

Y = puntuacin de cada sujeto en el criterio

Y= puntuacin pronosticada mediante la ecuacin de regresin
N = n de sujetos

(Y Y)
Sy*x1x2 =
N

- Es la variabilidad media de las puntuaciones pronosticadas en la recta de regresin

Error tpico de estimacin mltiple: s la desviacin tpica de estos errores

(Y Y)
Sy*x1x2 =
N
2.2.3. Intervalos de confianza

Asumiendo que la distribucin de los errores de estimacin cuya desviacin tpica viene dada por
el error tpico de estimacin mltiple, se establece 1 intervalo de confianza en torno a la
puntuacin pronosticada. Pasos:
1. Deter. el nivel de confianza y buscar su puntuacin tpica
2. Calcular el error tpico
3. Calcular el error mx.
4

4.
5.

Aplicar la ecuacin de regresin y obtener la puntuacin pronosticada

Establecer el intervalo de confianza

2.3. INTERPRETACIN DE LA EVIDENCIA OBTENIDA SOBRE LA APACIDAD

PREDICTORA DEL CONJUNTO DE VARIABLES UTILIZADAS

La variacin total de los valores de Y es igual a la varianza explicada por la influencia de X1X2
(cjto de VV predictoras) ms la variacin por el azar o residual
Sy = Sy +

Proporcin de la varianza de las puntuaciones en el criterio que se puede explicar a partir de la

varianza de las puntuaciones en las VV predictoras. Igual al coeficiente de validez al cuadrado
Sy
1=

Sy*x1x2
Sy*x1x2 1 = Ry*x1x2 +
Sy

+
Sy

Sy

Sy*x1x2 = Sy 1 - Ry*x1x2

Sy*x1x2 = Sy(1 Ry*x1x2)

Szy*zx1zx2 = 1 -- Ry*x1x2

2.3.1. Coeficiente de determinacin mltiple (varianza comn o asociada)

Equivale al coeficiente de validez mltiple al cuadrado

Es la proporcin de la varianza de las puntuaciones del criterio que
se puede pronosticar a partir de las VV predictoras

C.D. = Ry*x1x2

2.3.2. Coeficiente de alineacin mltiple

Proporcin que representa el error tpico de estimacin mltiple respecto a la desviacin tpica de
las puntuaciones en el criterio
Al cuadrado es el complementario del C.D. y representa las puntuaciones en el criterio que no se
puede predecir a partir de las VV predictoras

Sy* x1x2
C.A. = K =

1 - Ry*x1x2
Sy

2.3.3. Coeficiente de valor predictivo mltiple

Es el complementario del coeficiente de alineacin (capacidad de las VV predictoras para

pronosticar el criterio

1=

1 - Ry*x1x2

* ver ejemplo (pg.366 373)

2.4. MTODOS PARA SELECCIONAR LAS VARIABLES PREDICTORAS MS ADECUADAS
2.4.1.

2.4.2.

Mtodos Forward
Stepwise: es el ms utilizado. Pasos:
1. Clculo de las intercorrelaciones entre las VV
2. Seleccionar la variable predictora con 1 correlacin mayor y se efecta la ecuacin de
regresin
3. Se aade a la ecuacin (1 a 1) las dems VV predictoras y que cuya correlacin semiparcial
con el criterio sea ms alta (de mayor a menor), despus de haber eliminado la influencia de la
anterior, y as sucesivamente
4. Cada vez que se incluye 1 variable predictora en la ecuacin se calcula el aumento en el C.D.
y se analiza si ese aumento es significativo. Se para cuando el aumento no es significativo
Mtodos Backward
Es inverso al anterior. Pasos:
1. Clculo de la (C.D.) entre la variable criterio y el cjto de predictoras
2. Se eliminan 1 a 1 las VV menos relevantes, calculando en cada proc. de eliminacin la
reduccin en el C.D.
3. El proc. se detiene cuando la reduccin sea significativa
* ver ejemplo (pg. 374 378)

3. VALIDEZ Y UTILIDAD DE LAS DECISIONES

Procedimientos que analizan la valide de las decisiones a partir de las puntuaciones en 1 o varios
tests en relacin a 1 criterio dicotmico. La puntuaciones se dicotomizan a partir de 1 punto de
corte (P:C), es decir se asignan en 2 cat. (p.e. aptos no aptos, admitidos rechazados, etc.)

3.1. NDICES DE VALIDEZ Y DE SELECCIN

Para el estudio de validacin se aplica 1 prueba a todos los sujetos y se fija 1 P.C., por lo que todos
que lo superen se consideran Aptos y los que no No aptos. Despus de 1 tiempo se comprueba
cul ha sido el rendimiento de ambas cat.

TEST Aptos
No - Aptos

CRITERIO
Aptos
No- Aptos
NAA
NAN
NNA
NNN

NTA
NTN
A

NCA
NCNA
N
NAA + NNN = Aciertos Sujetos que se han calificado igual en el test y el criterio.
Han sido aptos y no-aptos igual en las 2 pruebas
NNA = Falsos negativos sujetos que superaron el criterio y no el del P.C.

NAN = Falsos positivos sujetos que superaron el P. C. y no el criterio

NAC = Sujetos considerados aptos en el criterio
NCNA = Sujetos considerados no aptos en el criterio
NTA = Sujetos considerados aptos en el test
NTNA = Sujetos considerados no aptos en el test
3.1.1.

ndices de validez
Coeficiente Kappa: evala la consistencia o acuerdo entre las decisiones adoptadas a partir de las
puntuaciones en el predictor (test) y el criterio (rendimiento)
Fc = n de casos en las que hay coincidencia predictor y criterio

Fc Fa
K=
N - Fa

Fc = NAA + NNN
Fa = n de casos en que el predictor y criterio coincidan por azar
NCA * NTA

NCNA *
NTNA
N

N = n de sujetos

a) Cuando el resultado se acerca a 1, mayor es la validez de la prueba de admisin (test)

b) Proporcin de clasificaciones correctas:
Fc
Pc =
N
c) Sensibilidad: proporcin de sujetos seleccionados en el test especto al total que tuvieron
xito en el criterio
NAA
S=
NCA
c) Especificidad: proporcin de sujetos correctamente rechazados en el test respecto al total de
no aptos en el criterio
NNN
E=
NCNA
d) Razn de eficacia: proporcin e sujetos seleccionados en el test con buen rendimiento en el
criterio
NAA
RE =
NTA
7

3.1.2.

ndices de seleccin
Razn de idoneidad: proporcin de sujetos que rinden bien en el criterio

NCA
RI =
N

Razn de seleccin: proporcin de sujetos aptos en el test

NTA
RS =
N

3.2. DNDE SITUAR EL PUNTO DE CORTE?

En teora debera situarse en el valor donde se cometan menos errores, pero hay que analizar las
consecuencias ya que no tiene la misma importancia cometer 1 error u otro (falsos negativos o
positivos), ya que e ello depender la decisin de situar el P.C.
En trminos de decisin estadstica, el P.C. se situara teniendo en cuenta la matriz de pagos (la que
refleja las prdidas y ganancias derivadas de las decisiones)
Criterios utilizados en la toma de decisiones en ambiente de incertidumbre:
1. Criterio maximin: elegir la alternativa que entre los resultados ms desfavorables, permita
mx ganancia (mx. de mn.)
2. Criterio minimax: se estudia las alternativas que van a proporcionar las mx. perdidas y
dentro de stas se elige la que de 1 prdida menor (mn. de los mx.)
* ver ejemplo (pg. 386 389)
Correlacin biserial puntual: Si se considera que la prueba de admisin (test) es 1 variable
cuantitativa y el criterio es dicotmica
Correlacin phi biserial: si la variable predictora (test) es dicotomizada y al criterio
(rendimiento) dicotmica

3.3. MODELOS DE SELECCIN

Mod. Compensatorio: mod. aditivo en el que a cada sujeto se le asigna 1 nica puntuacin global
(p.e. selectividad). La forma adecuada es mediante el mod. de regresin
Mod. conjuntivo: se fijan de antemano unos mn. en cada una de las pruebas. Slo se seleccionan
los sujetos que hayan superado esos mn. en todas las pruebas
Mod. disyuntivo: slo se exige superar 1 deter. nivel de competencia en algn predictor/es
Mod. conjuntivo compensatorio: se seleccionan los sujetos que superan los mn. en cada uno
de los predictores y se les aplica el mod. compensatorio de puntuacin global, pudiendo elegir los
mejores o establecer 1 P.C.
8

Mod. disyuntivo compensatorio: despus de aplicar el mod. disyuntivo se aplica el

compensatorio

3.4. CMO ESTIMAR LA EFICACIA EDE UNA SELECCIN?

Mediante la razn de eficacia

Mediante el mod. de regresin (ver ejemplo pg. 391 393)
1. Se estima la puntuacin pronosticada en el criterio de los sujetos
2. Se asume que las distribuciones de los errores de estimacin se
ajusta a la distribucin normal, con media dada en la puntuacin
pronosticada en el criterio y la desviacin tpica dada por
el error tpico de estimacin
3.

Y= A + BX

Sy*x = Sy

1 - rxy

la puntuacin tpica correspondiente al punto crtico del criterio

Z, marca la separacin entre la posibilidad de xito y la de fracaso
Yc Y
Zc =
Sy*x

4.

Se busca en las tablas de curva normal

4. FACTORES QUE INFLUYEN EN EL COEFICIENTE DE VALIDEZ

4.1. LA VARIABILIDAD DE LA MUESTRA

El coeficiente de validez tiende a aumentar a medida que la variabilidad es mayor (ver ejemplo
pg. 394 395)
Supuestos:
1. La pendiente de la ecuacin de regresin (b = admitidos y B = aspirantes)) que permite
pronosticar el criterio a partir de la variable predictora es igual en aspirantes y seleccionados

Sy
B = b Rxy

sy
=

rxy

Sx
2.

El error tpico de estimacin es igual en ambos grupos

Syx = syx Sy

sx

1 - Rxy = sy

1 - rxy

Si se quiere conocer el coeficiente de validez de la batera en el grupo de aspirantes, se despejan

las ecuaciones ant.

Sx * rxy
Rxy =
Sx * rxy + sx - sx * rxy

Si se quiere estimar cul es la variabilidad de la muestra se aspirantes en el criterio, despejamos

las ecuaciones ant.
Sx
Sy = sy

1 - rxy + rxy
sx

4.2. LA FIABILIDAD DE LAS PUNTUACIONES DEL TEST Y DEL CRITERIO

Frmula de atenuacin (Spearman): permite corregir la atenuacin, disminucin o reduccin del

coeficiente de validez debida a errores de medida. De esta frmula se deriva:

4.2.1. Estimacin del coeficiente de validez suponiendo que tanto el test como el criterio tuvieran una
fiabilidad perfecta
Rvxvy = coeficiente de validez terico si las puntuaciones del test y
del criterio no estuvieran errores
rxy = coeficiente de validez emprico
rxx = coeficiente de fiabilidad emprico del test
ryy = coeficiente de fiabilidad del criterio

rxy
RVxVy =

rxx *ryy

4.2.2. Estimacin del coeficiente de validez suponiendo que el test tuviera una fiabilidad perfecta

rxy
R VxY =
rxx
4.2.3.

Estimacin del coeficiente de validez suponiendo que el criterio tuviera una fiabilidad perfecta

rxy
RVXy =
ryy
4.2.4.

Estimacin del coeficiente de validez del test suponiendo que mejorara la fiabilidad del test y
del criterio

10

rxy
Rxy =

rxx
4.2.5.

ryy

Rxx
Ryy
Estimacin del coeficiente de validez suponiendo de que se mejorara la fiabilidad del test

rxy
Rxy =

rxx
4.2.6.

Estimacin del coeficiente de validez suponiendo de que se mejorara la fiabilidad del criterio

rxy
Rxy =

ryy
4.2.7.

Valor mximo del coeficiente de validez

rxy

Esta frmula permite estimar el CV cuando se han

eliminado todos los errores de medida del test y
del criterio y que como toda correlacin puede ser
mayor o igual a la und.

Suponiendo que fuera igual a la und. que sera

el valor mx. se deduce:

Como el valor mx. del coeficiente d fiabilidad del

criterio es la und., la frmula ant. se expresara:

RVxVy =
1

rxx

rxy

rxy

rxx

ryy

ryy

rxx

Como la raz cuadrada del coeficiente de fiabilidad es el ndice de fiabilidad, la frmula queda as:
11

rxy rvx

4.3. VALIDEZ Y LONGITUD

La mejora del coeficiente de fiabilidad al aumentar la

longitud del test tambin repercute en la mejora del
coeficiente de validez. La relacin del coeficiente de validez
con la fiabilidad y la longitud del test viene dada en
esta expresin

rxy n
Rxy =
1 + (n -1) rxx

Rxy = coeficiente de validez estimado al modificar la longitud del test

Rxy = coeficiente de validez inicial del test, antes de modificar la longitud
n = n de veces que se aumenta o disminuye la longitud del test
rxx = coeficiente de fiabilidad inicial del test

Para la deduccin de la frmula basta aplicar la ecuacin

de Sperman Brown

nrxx
Rxx =
1 + (n 1) rxx

Cuando se quiere saber el n de veces que hay que aumentar o disminuir la longitud del test para
conseguir 1 deter. valor del coeficiente de validez, ser segn esta frmula:

Rxy (1 - rxx )
n=

rxy - Rxy rxx

Para saber cuntos tems deben aadirse, segn la longitud que nos indica la frmula ant, ser:
EF
n=

EF = n * x * EI
EI

12