Documentos de Académico
Documentos de Profesional
Documentos de Cultura
propiedades psicométricas.
Elaborado Por: Mg Juan Pablo Sánchez Escudero.
Asignatura: Psicometría.
Universidad Católica de Oriente.
Facultad de Ciencias sociales – Programa de Psicología.
Grupo de Investigación GIBPSICOS.
Contenido
INTRODUCCIÓN. ........................................................................................................................ 2
EL PROCESO DE CONSTRUCCIÓN DE CUESTIONARIOS E INVENTARIOS.................................................. 3
PRIMEROS PASOS:....................................................................................................................... 4
REDACCIÓN DE LOS ÍTEMS: ...................................................................................................... 4
SELECCIÓN DE LA MUESTRA ..................................................................................................... 5
ORGANIZACIÓN DE LA BASE DE DATOS ...................................................................................... 7
TIPS Y RECOMENDACIONES FINALES ......................................................................................... 8
ANÁLISIS DESCRIPTIVO DE LOS ÍTEMS............................................................................................. 9
ANÁLISIS MATEMÁTICO DE LA NORMALIDAD DE LOS ÍTEMS. ......................................................... 12
ANÁLISIS DE CONFIABILIDAD. ..................................................................................................... 16
ANÁLISIS DE CONSISTENCIA INTERNA EN JAMOVI Y JASP .......................................................... 18
ANÁLISIS FACTORIAL EXPLORATORIO PARA LA VALIDEZ DE ESTRUCTURA. .......................................... 22
2. EXTRACCIÓN DE LOS FACTORES:......................................................................................... 25
ANÁLISIS FACTORIAL EXPLORATORIO EN JAMOVI. .................................................................... 30
ANÁLISIS FACTORIAL CONFIRMATORIO. ....................................................................................... 36
BAREMACIÓN DE LA PRUEBA ...................................................................................................... 45
PUNTUACIONES NORMALIZADAS: ............................................................................................ 48
HERRAMIENTAS DIGITALES..................................................................................................... 51
BIBLIOGRAFÍA. ......................................................................................................................... 52
Manual para la evaluación de propiedades psicométricas.
Introducción.
Primeros pasos:
Antes de evaluar las propiedades psicométricas de cualquier instrumento es
indispensable hacer una revisión de los ítems que lo componen, recolectar datos
en una muestra representativa y significativa del grupo al que estará dirigida la
prueba final y construir una base de datos con la información obtenida.
Para Urbina (2004) los criterios centrales para evaluar la calidad de un ítem son:
Alternativa de
Ítem mal planteado. Justificación
redacción.
En ocasiones siento
que el futuro es En ocasiones siento Se incluyen dos ítems en uno, lo
incierto, aunque que el futuro es que dificulta su comprensión y
después pienso que incierto. posterior solución.
Dios me ayudará.
Las dobles negaciones dificultan
la comprensión del ítem, además
No me gusta no ser Me gusta sentirme
es conveniente incluir ítems
útil. útil.
invertidos para evitar la
aquiescencia.
Siempre pienso bien Las palabras como “siempre” o
Suelo planificar mis
las cosas antes de “nunca” pueden generar sesgos
acciones.
actuar. en las respuestas.
Selección de la muestra
En términos generales, una muestra debe cumplir con dos condiciones básicas, la
representatividad, es decir, que conserve las características generales de la
población de una forma similar a como se presentan naturalmente; y la
significatividad, que tenga un tamaño lo suficientemente adecuado como para
que todas esas características del atributo psicológico aparezcan.
Aunque no existe una receta clara que sirva como regla para la elección del
tamaño de muestra ideal para la validación, puede establecerse que una muestra
de menos de 200 sujetos sería insuficiente para la estimación de las propiedades
psicométricas de un instrumento en psicología.
Antes de proceder con algún análisis es indispensable contar con una base de
datos bien organizada y estructurada. Se recomienda hacer la base de datos en
Microsoft Excel y después “migrarla” al paquete estadístico de preferencia. Si bien
JAMOVI permite la creación y edición de la base de datos directamente se
recomienda utilizar Excel para este proceso a fin de facilitar el cálculo o conversión
de datos mediante el uso de fórmulas.
En caso que la prueba tenga ítems invertidos (es decir, que se califican contrario a
los demás) es necesario reorganizarlos, de no hacerlo se afectarán negativamente
los estadísticos de confiabilidad. La nomenclatura se puede cambiar desde el
momento de la tabulación o desde los paquetes estadísticos. A continuación se
deja un ejemplo para la reorganización de las respuestas de los ítems invertidos.
Moda: Es una medida de tendencia central que representa el número que más se
repite en la distribución, este dato es relevante debido a que puede indicar una
posible tendencia en la respuesta de los sujetos. Su valor adquiere significado
según la población y atributo que se esté evaluando.
Tanto JASP como JAMOVI permiten hacer un análisis descriptivo completo de los
ítems, la principal diferencia radica en el formato de los gráficos de los que
disponen, por lo que su uso dependerá del usuario.
1. Descriptives (esquina
superior izquierda).
2. Descriptive Statistics.
4.Seleccionar las
medidas a usar.
Mean Media.
Mode Moda.
Std. Desviación
deviation estándar
Variance Varianza.
Skewness Asimetría
1. Exploration (esquina
superior izquierda).
2. Descriptives.
4 Seleccionar las
medidas a usar.
Mean Media.
Mode Moda.
Std. Desviación
deviation estándar
Variance Varianza.
Skewness Asimetría
Prueba de Shapiro-Wilk:
Es una de las pruebas de normalidad más utilizadas. Tiene buenas propiedades de
poder estadístico y está basada en la correlación entre las puntuaciones dadas y
los puntajes normales asociados (Das & Imon, 2016). Originalmente estuvo
restringido a muestra menores a 50 sujetos aunque después se adaptó para
muestras mayores (Yap & Sim, 2011).
Asimetría
𝑛 𝑛
1 3
𝐺1,𝑝 = 2 ∑ ∑[(𝑥𝑖 − 𝑥̅ )′𝑆̂ −1 (𝑥𝑗 − 𝑥̅ )]
𝑛
𝑖=1 𝑗=1
Curtosis:
𝑛
1 2
𝐺2,𝑝 = ∑[(𝑥𝑖 − 𝑥̅ )′𝑆̂ −1 (𝑥𝑗 − 𝑥̅ )]
𝑛
𝑖=1
T-Tests.
One Sampe T-Test.
Seleccionar ítems a analizar y ubicarlos en la sección “Dependent Variables”
Retire la selección de la casilla “Student´s” y seleccione la casilla “Normality”
en “Assumption Checks”.
Regla de Interpretación:
Según los resultados puede concluirse que todos los ítems presentan una
desviación de la normalidad, sin embargo, el grado de la violación del supuesto,
así como la dirección del sesgo, sólo pueden evaluarse a través del análisis de los
valores de asimetría o de los boxplot, en la Tabla 4 se presenta la correspondencia
de los valores de asimetría con la distribución de los ítems.
Ítems W p
A1 0.854 < .001
A2 0.837 < .001
A3 0.855 < .001
A4 0.813 < .001
A5 0.874 < .001
Nota. Resultados estadísticamente significativos
(p<0.05) indican una desviación de la
normalidad.
A1 0.826
A2 -1.126
A3 -0.99
A4 -1.03
A5 -0.85
Análisis de confiabilidad.
𝑋𝑜 = 𝑋𝑡𝑟𝑢𝑒 + 𝑋𝑒𝑟𝑟𝑜𝑟
Donde:
𝑋𝑜 es la puntuación observada.
𝑋𝑡𝑟𝑢𝑒 es la puntuación verdadera, es decir, la puntuación promedio en una
distribución hipotética que se obtendría si el individuo presentara una infinita
cantidad de veces el ítem. Es una medida hipotética.
𝑋𝑒𝑟𝑟𝑜𝑟 es el componente de error asociado a toda puntuación,
generalmente es desconocido.
misma varianza y que todos los ítems miden el mismo rasgo (factor) subyacente
(Dunn, Baguley & Brunsden, 2013); el incumplimiento de este principio puede llevar
sobreestimar o subestimar la consistencia de la prueba. Debido a las dificultades
técnicas para evaluar el cumplimiento de este supuesto (en especial los asociados
a la invarianza en el error) se recomienda acompañar el coeficiente por otros
como el Omega de McDonald, más robusto en estos casos (Dunn, Baguley &
Brunsden, 2013).
Para el cálculo del coeficiente puede hacerse uso de la siguiente fórmula como
indican González y Pazmiño (2015):
𝐾 ∑ 𝑆𝑖2
𝛼= [1 − 2 ]
𝐾−1 𝑆𝑟
Donde:
La interpretación del gráfico sigue las mismas reglas de las correlaciones, es decir,
se analiza tanto su fuerza como su dirección. Las correlaciones positivas
aparecerán en diferentes tonos de color verde y las negativas en diferentes tonos
de rojo, las correlaciones débiles aparecerán más claras, siendo prácticamente
blancas alrededor del cero.
En la Figura 3 se puede apreciar el mapa de calor para los cinco primeros ítems de
la base de datos BigFiveInventory.csv que se trabajó anteriormente. Se han
señalado las correlaciones negativas entre el ítem A1 y el resto de ítems. Como
recordará este ítem es de escala invertida, por lo que es esperable que presente
una correlación negativa con otros ítems de la prueba. De no corregirse esta
condición se afectarán los coeficientes de confiabilidad, como se mostró en el
análisis inicial.
if item dropped
item-rest correlation Cronbach's α McDonald's ω
Para poder analizar qué tan adecuadamente los ítems de la prueba representan
el constructo hipotético que pretenden medir se debe identificar si esos ítems
pueden ser agrupados en “factores”, es decir, si existen grupos de correlaciones
entre ciertos ítems que los diferencien de los demás.
En otras palabras, el objetivo del análisis factorial es la reducción del número de los
indicadores operativos de la prueba en un conjunto menor de variables
conceptuales (Péres y Medrano, 2010). Cada grupo de ítems se denomina factor y
refleja un concepto teórico específico.
Se han resaltado con azul y rojo las correlaciones correspondientes a los ítems A e
Ítems C respectivamente. Si observa con detenimiento podrá darse cuenta que
existe una correlación más fuerte entre los ítems A respecto a los ítems C, y que de
manera similar la correlación entre los Ítems C es más alta entre ellos que con los
ítems A.
Esto significa que cada conjunto de ítems es más similar entre ellos en
comparación con el otro, pudiéndose agrupar en dos factores, cada uno
reflejando un aspecto diferente del constructo general que representa la prueba.
En este caso los ítems representan las dimensiones de Agradabilidad (A1 a A5) y
Conciencia (C1 a C5) del modelo de los cinco grandes, las demás dimensiones no
se presentan para facilitar la comprensión del principio.
Para realizar el análisis factorial el investigador debe trabajar siempre con una base
de datos que contenga cada una de las respuestas de los sujetos a cada uno de
los ítems de la prueba.
∑𝑖≠𝑗 𝑟𝑖𝑗2
𝐾𝑀𝑂 =
∑𝑖≠𝑗 𝑟𝑖𝑗2 + ∑𝑖≠𝑗 𝑟𝑖𝑗∙𝑚
2
Una matriz de identidad se caracteriza por tener valores iguales a uno sobre la
diagonal y cero en el resto de elementos que la componen. Con base en el
supuesto de la hipótesis nula de la prueba, valores significativos (p<0.05) indicarían
Análisis paralelo: Selecciona los factores comunes que tengan autovalores más
altos que los que presentarían en una situación donde los ítems no estuvieran
relacionados (Lloret-Segura, Ferreres-Traver, Hernández-Baeza, Tomás-Marco,
2014). Es uno de los métodos más recomendados en la actualidad, incluso por
encima de métodos más populares como el uso conjunto de autovalores
superiores a uno y scree plot o el criterio arbitario del investigador.
Esta técnica suele acompañarse del Scree-plot, un método gráfico que permite la
estimación del número de factores a partir de la interpretación del punto de
inflexión o de los factores que superen un autovalor igual a uno. En la Figura 7 se
puede observar un gráfico de sedimentación (scree plot) de la base de datos
trabajada en ejemplos anteriores (BigFiveInventory).
Número fijo de factores: Se refiere al uso del criterio teórico del investigador para
selecciona “a priori” el número de factores a utilizar, sólo se recomienda en los
casos donde las soluciones factoriales no sean interpretables a razón del modelo
teórico subyacente. En cualquier otro caso se recomienda usar algún método
objetivo.
Rotaciones Ortogonales: Asumen que no existe una correlación entre los factores;
aunque es uno de los métodos de rotación más populares (sobre todo porque
suelen dar soluciones fácil de interpretar) no es muy congruente con la evaluación
psicológica, que asume, por definición cierto grado de intercorrelación entre
factores. Las rotaciones ortogonales más usadas son:
Rotaciones Oblicuas: Este tipo de rotaciones asumen que existe cierto grado de
intercorrelación entre los factores, por lo que son más congruentes con la mayoría
de situaciones de evaluación psicológica, de acuerdo con Lloret-Segura y
colaboradores (2014) este tipo de rotaciones son las más recomendadas en la
actualidad, independiente del modelo teórico desde el que se parta.
Todos los ítems de la prueba tienen una correlación con cada uno de los factores,
por lo que es necesario interpretar adecuadamente su valor. Como criterio para la
interpretación de las cargas factoriales, suele establecerse un puntaje de 0.4,
debajo del cual se consideraría que el ítem no corresponde a un determinado
factor, sin embargo, el tamaño de la muestra puede influir en los valores de la
correlación como lo demuestran Zamora, Monroy y Chávez (2009), quienes
recomiendan además unos criterios de interpretación ajustados al tamaño de la
muestra, como se presenta en la Tabla 7.
Carga Tamaño
Factorial muestral
0,3 352
0,35 250
0,4 200
0,45 150
0,5 120
0,55 100
0,6 85
0,65 70
0,7 60
0,75 50
Adaptado de Zamora, Monroy y Chávez, 2009
Por recomendación general, aquellos ítems que presenten cargas factoriales altas
en diferentes factores, deben ser eliminados de la prueba al aportar información
ambigua del atributo psicológico a medir. En caso que un ítem no presente cargas
factoriales adecuadas en ninguno de los factores deberá también ser eliminado
del cuestionario final.
MSA MSA
Overall 0.849 E3 0.897
A1 0.754 E4 0.877
A2 0.836 E5 0.893
A3 0.870 N1 0.779
A4 0.878 N2 0.780
A5 0.904 N3 0.862
C1 0.843 N4 0.885
C2 0.796 N5 0.860
C3 0.852 O1 0.859
C4 0.827 O2 0.780
C5 0.864 O3 0.844
E1 0.838 O4 0.770
E2 0.884 O5 0.762
A1 A2 A3 A4 A5 C1 C2 C3 C4 C5
A1 ,754 0,241 0,132 0,024 0,031 -0,046 -0,047 -0,036 -0,088 0,019
A2 0,241 ,836 -0,267 -0,159 -0,101 0,023 0,025 -0,117 0,016 -0,033
A3 0,132 -0,267 ,870 -0,159 -0,258 -0,004 -0,018 -0,002 -0,004 0,009
A4 0,024 -0,159 -0,159 ,878 -0,068 0,048 -0,147 0,036 0,019 0,112
Correlación A5 0,031 -0,101 -0,258 -0,068 ,904 -0,024 0,029 -0,027 -0,004 -0,019
anti-imagen C1 -0,046 0,023 -0,004 0,048 -0,024 ,843 -0,257 -0,124 0,152 0,034
C2 -0,047 0,025 -0,018 -0,147 0,029 -0,257 ,796 -0,160 0,223 0,066
C3 -0,036 -0,117 -0,002 0,036 -0,027 -0,124 -0,160 ,852 0,139 0,173
C4 -0,088 0,016 -0,004 0,019 -0,004 0,152 0,223 0,139 ,827 -0,287
C5 0,019 -0,033 0,009 0,112 -0,019 0,034 0,066 0,173 -0,287 ,864
a. Medidas de adecuación de muestreo (MSA)
Siguiendo la regla de interpretación descrita al principio, se puede concluir que es
conveniente aplicar el análisis factorial a los ítems.
¿Cómo Reportar?
Los resultados del índice de Kaiser-Meyer-Olkin (KMO=0.849) y la prueba de
esfericidad de Bartlett (X2(300)=18146;p<0.001) permiten concluir que es viable
aplicar la técnica de análisis factorial a los ítems.
Factor
Uniqueness
1 2 3 4 5 6
A1 -0.563 0.666
A2 0.701 0.484
A3 0.628 0.474
A4 0.410 0.703
A5 0.460 0.517
Factor
Uniqueness
1 2 3 4 5 6
C1 0.548 0.641
C2 0.674 0.505
C3 0.562 0.683
C4 -0.675 0.409
C5 -0.553 0.568
E1 0.600 0.601
E2 0.682 0.440
E3 0.518
E4 -0.532 0.440
E5 0.599
N1 0.848 0.298
N2 0.833 0.335
N3 0.674 0.462
N4 0.430 0.433 0.494
N5 0.437 0.651
O1 0.566 0.653
O2 -0.420 0.701
O3 0.655 0.514
O4 0.754
O5 -0.491 0.639
Como puede observarse, el factor seis no presenta, al parecer, ninguna carga que
supere el umbral de 0.4 establecido en la configuración del análisis, esta situación
indica la presencia de covariación entre diferentes ítems de los factores, pero no lo
suficientemente alta como para generar una situación de ambigüedad. En un
análisis detallado de la matriz de correlación se encontró que al eliminar el ítem A1
el factor desaparece, por lo que es necesario retirarlo de la estructura factorial
final para facilitar la interpretación de los hallazgos.
También se observa que los ítems E3, E5 y O4 no presentan cargas factoriales altas
en ninguno de los factores, siendo necesaria su eliminación. El ítem N4 también se
elimina al considerarse ambiguo, debido a la carga que presenta en dos factores
diferentes.
Summary
Factor SS Loadings % of Variance Cumulative %
Tras el primer análisis, se deben retirar los ítems A1, E3, E5, O4 y N4 obteniendo una
estructura factorial con adecuados índices de adecuación muestral (KMO=0.809;
X2(190)=13897; p<0.001) y con la estructura que se presenta en la Tabla 13.
Factor
Uniqueness
1 2 3 4 5
A2 0.589 0.615
A3 0.711 0.451
A4 0.458 0.697
A5 0.582 0.513
C1 0.536 0.663
C2 0.650 0.546
C3 0.569 0.674
C4 -0.671 0.490
C5 -0.568 0.575
E1 0.603 0.621
Factor
Uniqueness
1 2 3 4 5
E2 0.768 0.366
E4 -0.561 0.456
N1 0.836 0.311
N2 0.815 0.341
N3 0.681 0.497
N5 0.462 0.677
O1 -0.484 0.725
O2 0.496 0.703
O3 -0.614 0.538
O5 0.550 0.694
1 2 3 4 5
1 — -0.246 -0.104 0.301 0.116
2 — 0.293 -0.248 -0.292
3 — -0.543 -0.170
4 — 0.284
5 —
Como puede observarse, la estructura cuenta con cinco factores con al menos
tres ítems en cada uno. Este modelo explica un total de 44.2% de la varianza. La
matriz de correlaciones presentada en la Tabla 14 indica unos niveles bajos de
asociación entre la mayoría de los factores, justificando la posible utilización de
rotaciones ortogonales, sin embargo, apelando al principio de parsimonia descrito
con anterioridad y las recomendaciones de Lloret-Segura et. al. (2014) se mantiene
la decisión de la rotación oblicua.
e1 Ítem 1
e2 Ítem 2
Factor 1
e3 Ítem 3
e4 Ítem 4
e5 Ítem 5
Factor 2
e6 Ítem 6
e7 Ítem 7
Estimación de parámetros:
Vale la pena anotar que algunas de estas medidas son particularmente sensibles
al tamaño de la muestra. Tal es el caso del Chi Cuadrado cuyos valores tienden a
ser significativos si la muestra es mayor a 200, tendiendo a rechazar modelos bien
Medida de bondad
Denominación. Descripción. Interpretación.
de ajuste.
Medida de ajuste
general del modelo a
Valores significativos
los datos. Contrasta si
indican que el
la diferencia entre la
Chi Cuadrado X2 modelo no se ajusta
matriz reproducida y la
adecuadamente a
correspondiente a los
los datos.
datos es significativa o
no.
Razón Chi
cuadrado sobre los X2/gl Valores menores a 3
grados de libertad
Medidas
Denominación. Descripción. Interpretación.
Incrementales.
Evalúa la disminución
Índice de ajuste del X2 del modelo
NFI Mayor o igual a 0.90
Normalizado NFI respecto al modelo
nulo.
Analiza los cambios en
Índice de Tucker-
NNFI - TLI el X2 si se agregan Mayor o igual a 0.90
Lewis
elementos al modelo
Idealmente se
Matemáticamente se esperan valores
Aproximación a la
define como el error menores a 0.05,
raíz del residuo
RMSA de aproximación aunque algunos
cuadrático
medio por el grado de autores usan como
promedio
libertad. criterio valores
menores a 0.08.
Es una medida
Raíz del residuo estandarizada del
cuadrático RMSA, presenta la
SRMR p<0,05
promedio ventaja de ser
normalizado SRMR insensible a la medida
del instrumento.
Nota: Descripción y reglas de interpretación obtenidas y adaptadas de Ruiz, Pardo
y San Martín (2010), Lara (2014).
Estimate SE Z p
Agradabilidad Agradabilidad 1.000
Conciencia 0.350 0.0235 14.87 < .001
Apertura 0.315 0.0260 12.11 < .001
Extraversión -0.653 0.0190 -34.34 < .001
Neuroticismo -0.205 0.0232 -8.84 < .001
Conciencia Conciencia 1.000
Apertura 0.323 0.0260 12.41 < .001
Extraversión -0.282 0.0245 -11.49 < .001
Neuroticismo -0.250 0.0234 -10.69 < .001
Apertura Apertura 1.000
Extraversión -0.324 0.0266 -12.20 < .001
Neuroticismo -0.133 0.0255 -5.21 < .001
Extraversión Extraversión 1.000
Neuroticismo 0.220 0.0232 9.46 < .001
Neuroticismo Neuroticismo 1.000
χ² df p
1953 142 < .001
RMSEA 90% CI
CFI TLI RMSEA
Lower Upper
0.868 0.841 0.0675 0.0649 0.0702
Respecto al ajuste del modelo, los valores presentados en la Tabla 19, así como el
cálculo del valor del X2/gl, indican que el modelo presenta un desajuste respecto a
la matriz de datos, es decir, el modelo no representa adecuadamente los datos,
esto puede deberse al tamaño de la muestra o al incumplimiento de la
normalidad multivariante, por lo que es necesario evaluar también las medidas
incrementales.
En la Tabla 21 se han resaltado los índices de modificación más altos, ítems que, al
ser eliminados de la estructura pueden generar un cambio notorio en el modelo.
Se ha decidido mantener el Ítem 4 dado que, aunque su ausencia modificaría el
modelo, reducir la cantidad de ítems en el factor entorpecería el análisis de
confiabilidad. A continuación se presentan los resultados del modelo final, una vez
se han retirado dichos elementos.
χ² dfa p
720 80 < .001
a. df = Grados de libertad.
RMSEA 90% CI
CFI TLI RMSEA
Lower Upper
0.933 0.912 0.0534 0.0499 0.0571
e1 N1
e2 N2 Neuroticismo
e3 N3
.221
e4 E1
e5 E2
Extraversión -.091
e6 E4
-.374 -.067
e7 O1
e8 O3 Apertura -.170 -.148
e9 O5
.351 -.577
e10 C1
e11 C2 Conciencia .330
e12 C3
.330
e13 A2
.953*** Agradabilidad
e14 A3
e15 A4
Baremación de la prueba
En las primeras páginas de este manual se describió el problema de la ausencia de
significación de las puntuaciones de las escalas e instrumentos psicológicos y se
estableció como una de las posibles soluciones la comparación de los sujetos o su
ubicación en una escala estandarizada, es decir, una escala en la que los
numerales indicaran la posición relativa del sujeto respecto a los demás, en otras
palabras, una escala de intervalo real.
Una de las medidas de posición más utilizadas son los percentiles y derivados. Los
centiles son valores que dividen la muestra en partes iguales, cada una
representando un porcentaje específico de la distribución, el proceso es similar .
Existen diferentes tipos de puntuaciones centiles:
Deciles: Son nueve valores que dividen la distribución en 10 partes iguales. Cada
una representando el 10% de la distribución.
Quintiles: Son cuatro valores que dividen la población en cinco partes iguales,
cada una de ellas representando el 20% de la distribución.
Cuartiles: Son tres valores que dividen la población en cuatro partes iguales, cada
una representando el 25%. Son las medidas más utilizadas para la baremación de
pruebas, dada su fácil adaptación a la mayoría de rangos de medidas en
psicología.
Algunas escalas, en especial las que se interesan por algún tipo de factor clínico,
presentan una combinación de percentiles y cuartiles, logrando mayor
discriminación hacia los extremos de la escala.
Medida Fórmula
Percentil
Decil
Quintil
Cuartil
Tanto Jasp como Jamovi permiten la identificación de los centiles de una manera
rápida y confiable. En este ejemplo se calcularán los cuartiles y deciles para la
escala de Neuroticismo, identificada en capítulos anteriores.
Jamovi:
Exploration.
Descriptives.
Statistics.
Activar la opción de “Quartiles”.
Activar la opción de “Cut points for” y reemplazar el valor por 10.
JASP:
Descriptives.
Descriptive Statistics.
Statistics.
Activar la opción de “Quartiles”.
Activar la opción de “Cut points for” y reemplazar el valor por 10.
Ejemplo:
Puntuaciones normalizadas:
𝑇𝑖 = 50 + (10)𝑍𝑖
De manera similar a la puntuación T, las puntuaciones D también se calculan a
partir de la puntuación Z y sumen una media de 50, pero una desviación típica de
20, por lo que si un sujeto tiene una puntuación D igual a 98 se encontrará a 2.8
desviaciones típicas por encima de la media.
𝐷𝑖 = 50 + (20)𝑍𝑖
Los estaninos por su parte representan una escala con una puntuación media de 5
y una desviación de 2.
𝐸𝑛𝑖 = 5 + (2)𝑍𝑛𝑖
Ejemplo: A continuación se presenta la transformación de la puntuación del sujeto
50 a cada una de las puntuaciones estandarizadas descritas anteriormente. El
cálculo para cada una se realizó a través del archivo de Excel “Calculadora de
Puntuaciones estandarizadas” cuyo enlace de descarga encontrará en la sección
de herramientas digitales.
Herramientas digitales.
Bibliografía.
Abad, F., Garrido, J., Olea, J., & Ponsoda, V. (2006). Introducción a la psicometría:
teoría clásica de los test y teoría de la respuesta al ítem. Madrid: Universidad
Autónoma de Madrid, 61-118.
Das, K. R., & Imon, A. H. M. R. (2016). A brief review of tests for normality. American
Journal of Theoretical and Applied Statistics, 5(1), 5-12.
González Alonso, J., & Pazmiño Santacruz, M. (2015). Cálculo e interpretación del
Alfa de Cronbach para el caso de validación de la consistencia interna de un
cuestionario, con dos posibles escalas tipo Likert. Revista Publicando, 2(1), 62-67.
Pérez, E. R., & Medrano, L. (2010). Análisis factorial exploratorio: bases conceptuales
y metodológicas. Revista Argentina de Ciencias del Comportamiento, 2(1).
Zamora, S., Monroy, L. y Chávez, C. (2009). Análisis factorial: una técnica para
evaluar la dimensionalidad de las pruebas. Cuaderno técnico 6. México: Centro
Nacional de Evaluación para la Educación Superior, A.C.