EVIDENCIAS

BASADAS EN LA RELACIÓN CON

OTRAS VARIABLES

Se trata de analizar las relaciones que existen entre las puntuaciones del test y otras variables externas
relevantes desde el punto de vista teórico o práctico para obtener información acerca del grado en el que
estas relaciones son consistentes con la interpretación propuesta para la puntuaciones

• Otras medidas del mismo constructo obtenidas por diferentes tests

• Medidas de constructos diferentes pero que se insertan en el modelo teórico donde se encuadra el
constructo de interés
• Algún tipo de variable (criterio) que pretendemos predecir a partir de las puntuaciones del test
• Cuando exploramos las relaciones con el mismo
constructo medido por otras vías hablamos de
evidencia convergente.
• Cuando se exploran las relaciones con otros
constructos diferentes hablamos de evidencia
discriminante.

EVIDENCIA
• Dos tipos de estrategias CONVERGENTE Y
• Experimental DISCRIMINANTE
• Correlacional
 LA MATRIZ MULTIRASGO‐MULTIMÉTODO
Extraversión Liderazgo Inteligencia Social
AI OS EP AI OS EP AI OS EP
Extraversi AI 0,8 AI:Autoinforme
ón OS 0,7 0,8
EP 0,6 0,7 0,9
OS: Observación
Liderazgo AI 0,2 0,1 0,15 0,8 Sistemática
OS 0,1 0,15 0,1 0,7 0,8
EP 0,15 0,1 0,1 0,6 0,6 0,8
EP: Encuesta
Intel. AI 0,2 0,05 0,0 0,1 0,1 0,3 0,9 al profesor
Social OS 0,05 0,1 0,1 0,1 0,2 0,1 0,7 0,8
EP 0,0 0,1 0,2 0,3 0,1 0,2 0,7 0,6 0,8

Validez convergente; Heterorasgo‐monométodo; Heterorasgo‐heterométodo

VALIDEZ REFERIDA AL CRITERIO (VALIDEZ PREDICTIVA)
• Identificar un criterio adecuado o relevante para el test en cuestión y arbitrar un
método eficaz para medirlo
• Elegir una muestra apropiada de sujetos que sea representativa de la población a la
que normalmente se aplicará el test
• Aplicar el test a la muestra elegida
• Obtener una medida del criterio en la muestra elegida
• Determinar el grado de relación existente entre las puntuaciones obtenidas por los
sujetos en el test y el criterio

Validez predictiva cuando el criterio se mide con posterioridad al test

Validez concurrente cuando se miden ambos a la vez
 X Y

Nivel de Dicotómica Dicotomizada Ordinal Continua

medida
Dicotómica Correlación Φ Correlación Φ Correlación
biserial-puntual
Dicotomizada Correlación Correlación
tetracórica biserial
Ordinal Spearman

Continuo Correlación de
Pearson

*Cuando las variables son de distinto nivel se emplea la correlación que correspondería al nivel más bajo*
USO DE LA
REGRESIÓN EN
VALIDEZ
PREDICTIVA
CONCEPTOS PREVIOS
• Covarianza – Correlación = relación lineal no direccional rXY = rYX
• Regresión = realizar predicciones sobre una variable a partir de
otra(s). Relación direccional.
• Variable a predecir (Y) = Variable dependiente o criterio.
• Variables que sirven para predecir (X) = Variables independientes o
predictoras.
• Modelo general = Regresión múltiple.
• Modelo más simple = Regresión simple.
Y y = 1+ 2x

Y = A + BX
Rendimiento

Inteligencia

Y’ = A + BX
e = Y – Y’
(ERROR DE PREDICCIÓN O DE PRONÓSTICO)
 6
5
Rendimiento
4
3
B
2
1
0
A
-1
-2

Inteligencia

Y’ = A + BX
A = Ordenada en el origen
B = Pendiente de la recta
CÁLCULO DE LOS COEFICIENTES POR MÍNIMOS CUADRADOS

Coeficientes en puntuaciones directas

La ecuación será Y’ = A + BX

n XY   X Y
B
n X   X 
2
2

SY
B  rXY
SX

A  Y  BX
CÁLCULO DE LOS COEFICIENTES

Coeficientes en puntuaciones diferenciales

La ecuación será y’ = a + bx

b=B
a=0

Coeficientes en puntuaciones típicas

La ecuación será zy’ = α + βzx

β = rXY
α=0
TRANSFORMACIÓN DE LOS COEFICIENTES

Paso de directas a típicas

B  SX

SY

Paso de típicas a directas

  SY
B
SX
Ejemplo:
Media Tiempo = 8; Media Errores = 3
Desv. Tip. Tiempo = 2,503 (sesg) 2,591 (insesg)
Tiempo Errores Desv.Tip. Errores = 1,265 (sesg) 1,309 (insesg)
7 4 rXY= -0863
11
5
2
4
 X  120  X 2
 1054  Y  45  Y 2
 159  XY  319
5 5
6 4 n XY   X  Y  15  319  120  45   0,436
B
  X 
9 4
n X 15  1054  120
2 2
2
13 1
8 2
4 5 SY 1,265
9 3 B  rXY   0,863    0,436
6 3 SX 2,503
10 2
11 1 A  Y  BX  3  (  0,436)  8  6,488
9 2
7 3
Y’ = 6,488 – 0,436ꞏX
 b = B = -0,436
a=0

y’ = -0,436ꞏx

β = rXY = -0,863
α=0

zy’ = -0,863ꞏzx

¿Cuántos errores cometerá un sujeto que tarda 3 minutos en realizar la tarea?

Y’ = 6,488 – 0,436ꞏ3 = 5,18

¿Cuántos errores cometerá un sujeto que tarda 9 minutos en realizar la tarea?

Y’ = 6,488 – 0,436ꞏ9 = 2,564

e6 = 4 -2,564 =1,436 e10 = 3 -2,564 =0,436 e14 = 2 -2,564 = -0,564
 VALORACIÓN DEL MODELO

SY2 ' S e2
CD  rXY
2
 2  1 2
SY SY

El Coeficiente de Determinación en un modelo de regresión simple es igual al coeficiente de

correlación de Pearson al cuadrado, e indica la proporción de varianza del criterio que queda
explicada por ese modelo lineal.

𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑎𝑙𝑖𝑒𝑛𝑎𝑐𝑖ó𝑛 𝐶𝐴 1 𝑟

𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜 𝐶𝑉𝑃 1 1 𝑟

VALORACIÓN DEL MODELO

Coeficiente n  11  rXY

2
  r2  
p 1  rXY
2

de Determinación
2
rˆ
XY  1 XY 
Ajustado
n  p 1 n  p 1

donde p es el número de variables independientes

n es el tamaño de la muestra

SY2'  SY2  S e2
SY2'  rXY
2
SY2
S e2  SY2 (1  rXY
2
)
Intervalo confidencial de la puntuación estimada en el criterio:

1. Nivel de confianza (NC)  Zα/2

2. Estimo el criterio  Y’ = A + BX

3. Calculo el error típico de estimación: 𝑆 . 𝑆 1 𝑟

4. Calculo el error máximo: Emax = Z·Sy.x

5. IC  Y’± Emax
Y’ = -6,337 + 0,116*inteligencia

Y’(int= 78) = -6,337 + 0,116*78 = -6,337 + 9,048= 2,711

-6,337429 + 0,115506*78 = 2,672039

IC Y’ ± Z(1-α/2)*Sy.x

𝑆 . 𝑆 1 𝑟 = 2,23548√(1 – 0,68556) = 1,2535

IC = 2,711±1,96*1,2535  P( 0,2543 ≤ Y’ ≤ 5,1677)=0,95

REGRESIÓN LINEAL MÚLTIPLE







Y’ = A + B1X1 + B2X2+…+BKXK
CÁLCULO DE LOS COEFICIENTES: ALGORITMO MATRICIAL

Coeficientes en puntuaciones directas

Y ' A B1 X 1  B2 X 2  ...... Bk X k
 
B  X ' X  X 'Y
1


B eselvector de pesosestimados
X  eslamatrizde puntuacionesdirectasenlas variables predictoras
conuna primeracolumnadeunos

Y  vector de puntuacionesenelcriterio
CÁLCULO DE LOS COEFICIENTES: ALGORITMO MATRICIAL

Coeficientes en puntuaciones diferenciales

y ' a  b1 x1  b2 x 2  ...... bk x k
 
b  C xx1C xy

b  eselvector de pesosestimados
C xx1  Inversadelamatrizde varianzas covarianzas entrelas variables predictoras

C xy  vector de covarianzasentre variables predictoras yelcriterio

Coeficientes en puntuaciones típicas

zy '    1 zx1   2 zx 2  ......  k zx k
 1 
  Rxx Rxy

  eselvector de pesosestimados
Rxx1  Inversadelamatrizdecorrelaciones entrelas variables predictoras

Rxy  vector decorrelacinesentre variables predictoras yelcriterio
VALORACIÓN DEL MODELO

n  11  RYY '  

Coeficiente 2
p 1  RYY
2
de Determinación Rˆ2
YY '  1  R2
YY ' 
'

Ajustado n  p 1 n  p 1
donde p es el número de variables independientes
n es el tamaño de la muestra

Significación de los coeficientes

Interpretación de los coeficientes

EJEMPLO
 METODOS DE REGRESIÓN
• Método directo (Enter)

• Jerárquico o por bloques

• Paso a paso (Stepwise)

• Fordward
• Stepwise
• Backward
 FACTORES QUE AFECTAN AL COEFICIENTE DE VALIDEZ
• VARIABILIDAD DE LA MUESTRA
El valor del coeficiente disminuye cuando las puntuaciones en el test y en el criterio sean muy
homogéneas (restricción de rango).
Selección y restricción de rango: variable directamente selectiva y variable indirectamente
selectiva
Coeficiente de validez corrigiendo la restricción de rango

𝑆 𝑟
𝑅
𝑆 𝑟 1 𝑟 𝑠

Donde las letras minúsculas se refieren al grupo en el que se conocen todos los datos (normalmente el
grupo reducido) y las letras mayúsculas se refieren al grupo donde falta alguna información
(normalmente el grupo amplio)
EJEMPLO

El test X se ha utilizado como prueba de admisión en un determinado centro escolar. Calculemos el

coeficiente de validez en el grupo de solicitantes, sabiendo que la varianza de sus puntuaciones en ese
grupo fue de 14 y en el grupo de admitidos 9. En este último grupo la correlación entre las puntuaciones
en el test y un criterio fijado por el centro fue de 0,68 y la varianza de las puntuaciones en el criterio 8.

GRUPO REDUCIDO
𝑆 𝑟
(seleccionados) 𝑅
s2x = 9 𝑆 𝑟 1 𝑟 𝑠
rxy = 0,68
S2y = 8

GRUPO 14 ∗ 0,68 2,544

𝑅 0,756
COMPLETO 14 ∗ 0,68 1 0,68 ∗9 3,36333
(solicitantes)
S2X = 14
RXY = ¿?
• FIABILIDAD DEL TEST Y EL CRITERIO
“Atenuación”: reducción en la correlación entre dos medidas causada por la falta de fiabilidad de
estas.
Valor máximo del coeficiente de validez 𝑟 𝑟 𝑟

Fórmulas de Spearman para corregir la atenuación

- Test y criterio con fiabilidad perfecta
𝑟
𝑟
𝑟 𝑟

- Test de fiabilidad perfecta

𝑟
𝑟
𝑟
- Criterio de fiabilidad perfecta
𝑟
𝑟
𝑟
- Fiabilidades mejoradas pero sin ser perfectas

𝑟 𝑟 ´𝑟 ´
𝑟
𝑟 ´𝑟 ´

- Fiabilidad mejorada en el test

𝑟 𝑟 ´
𝑟
𝑟 ´

- Fiabilidad mejorada del criterio

𝑟 𝑟 ´
𝑟
𝑟 ´

rXX’  fiabilidad mejorada del test

rYY’  fiabilidad mejorada del criterio
• LONGITUD DEL TEST

𝑟 𝑟 𝑘
𝑅
1 𝑟 ´ 1 𝑘 1 𝑟 ´
𝑟 ´
𝑘
RXY: coeficiente de validez del nuevo test
rxy: coeficiente de validez del test original
rxx’: coeficiente de fiabilidad del test original

k: número de veces que se ha modificado la longitud del test inicial, 𝑘

nf: número de ítems del test final

ni: número de ítems del test inicial
Para saber cuantos ítems hay que añadir para alcanzar una determinada validez

1 𝑟 ´ 1 𝑟 ´ 𝑅
𝑘
𝑟 𝑟 𝑅 𝑟 ´
𝑟 ´
𝑅
 VALIDEZ DE DECISIÓN

12 niños de 7 años han sido diagnosticados con retraso en el lenguaje oral o sin el por un grupo de expertos. A
estas mismos niños se les aplica una prueba de Fluidez Verbal, como presunto buen predictor, con los
siguientes resultados:

A B C D E F G H I J K L
Test 4 4 3 2 5 2 6 1 7 3 3 0
Diagnóstico NR R R NR NR R NR R NR R NR R

Si consideramos que un niño tiene retraso cuando la puntuación en el test es 3 o inferior, ¿cuál sería la
validez de la escala como predictor del retraso?
 TEST
R NR
R 5 1 6
DIAGNÓSTICO
NR 2 4 6
7 5 12

• Aciertos: diagonal principal, 5 + 4 = 9

• Falsos positivos: los que se identifican como con retraso y no lo tienen 2

• Falsos negativos: los que se identifican como sin retraso y sí lo tienen  1

ALGUNOS INDICADORES

• Proporción de clasificaciones correctas: La suma de los aciertos entre el total de casos  9/12 = 0,75

• Sensibilidad: Proporción de personas correctamente detectadas por la escala respecto al total de casos
existentes según los expertos  S=5/6=0,83

• Especificidad: Proporción de personas correctamente detectadas por la prueba como que no tienen
retraso y que efectivamente según los expertos no lo tienen  E=4/6=0,67

• Kappa

𝐹 𝐹
𝜅
𝑁 𝐹

Fc: frecuencia de coincidencia, o número de casos en que test y expertos coinciden

Fa: frecuencia de azar, o número de casos que cabe esperar que coincidan ambas clasificaciones por azar
(frecuencias esperadas)

Fc = 5 + 4 = 9 𝐹 6
9 6
𝜅 0,5
12 6