BREVE GUA DE PROCEDIMIENTOS PARA EXPLORAR VALIDEZ Y

CONFIABILIDAD DE CUESTIONARIOS. APLICACIONES CON SPSS 11.0

Hctor Mora Nawrath
Esta breve gua incorpora las pruebas ms usadas asociadas a la exploracin de validez de
constructo y fiabilidad de incorpora el software spss 11.0. La idea es definir y graficar como dichas
pruebas pueden ser puestas en marcha en una investigacin. Para practicar, utilice el archivo
Ev_docente.sav
Exploracin de Validez y fiabilidad
I Validez
Perspectiva clsica: grado en que un instrumento mide realmente lo que quiere medir.
Grado en que una medicin concuerda con un referente (nfasis en resultado, no en
instrumento).
Se infiere la relacin entre el concepto y el indicador; se busca el control de errores
sistemticos (inexactitud debido a imperfecciones en instrumento, irregularidades durante
las mediciones o a los efectos de la operacin misma de medida), y logro de representacin
adecuada del concepto.
Busca analizar un constructo para visualizar las distintas dimensiones que componen un
concepto (AF), mediante la identificacin de propiedades o variables latentes factores-;
cada factor es representado por los indicadores que alcanzan mayores correlaciones.
Es un proceso que acumula evidencia emprica con el objetivo de establecer la pertinencia
en la medicin de un concepto o constructo terico, esto, a partir de inferencias o
interpretaciones que se elaboran con base en las puntuaciones obtenidas en una prueba.
Debe contar con un referente terico que especifique las relaciones entre el rasgo latente o
constructo y los elementos e indicadores especficos que dan cuenta de este.
Requiere: homogeneidad (relacin recproca entre los indicadores de un constructo);
unidimensionalidad (un conjunto de tems o indicadores mide slo una dimensin);
convergencia (diferentes medidas de un concepto o tem proporciona resultados
semejantes); divergencia (muestra bajos niveles de correlacin con conceptos diferentes o
tems).
2 Anlisis factorial para la validez del constructo
2.1 Definicin
Conjunto de diversos procedimientos tcnicos para el estudio de la relacin de
interdependencia entre un conjunto de variables con la finalidad de agruparlas en funcin
de la variabilidad compartida; descubrir las estructuras subyacentes (factores),
dimensiones o conceptos latentes, cumpliendo la finalidad de resumir y reducir los datos.
Hace posible definir la dimensionalidad de un constructo y presentar evidencias para
seleccionar los tems o indicadores que se ajusten mejor a estas (factores).
Permite determinar cuntos factores (dimensiones) se necesitan para explicar las
correlaciones que se dan entre el conjunto de puntuaciones (indicadores).
Es til si evaluamos la multidimensionalidad de un constructo, ya que permite una
exploracin emprica, considerando que el objetivo es seleccionar aquellos tems que
correlacionan mayor con el conjunto de tems que estn midiendo el constructo.
2.2 Objetivos
Estructura latente: se logra a travs de la sntesis de la informacin de p variables
observadas (indicadores), con la menor prdida de informacin en un nmero inferior de
variables K no observadas (factores comunes o componentes principales).
Modelo parsimonioso e interpretable: la solucin factorial ha de ser sencilla, compuesta
por el menor nmero de factores, los cuales deben ser estadsticamente significativos y
susceptibles de interpretacin.
La obtencin de puntuaciones factoriales, variables tpicas o sucedneas, para cada factor,
las que actan como representacin de los factores o componentes en anlisis posteriores.
2.3 Anlisis a considerar
2.3.1 Anlisis de Componentes principales (ACP):
Busca las combinaciones de p variables observadas (o indicadores) en un nmero
sustancialmente inferior de k variables latentes (o no observadas) [para] reducir la
dimensionalidad de la serie de variables originales, pero conservando la mayor parte de la
informacin proporcionada por las variables observadas.
Pueden ser extrados tantos componentes como variables observadas, lo que permitira
explicar toda la variabilidad en las variables originales; esto vulnerara el principio base en
la prueba: parsimonia, es decir, la reduccin y simplificacin para la interpretabilidad.
2.3.2 Rotacin de la matriz:
Implica girar en el origen los ejes de referencia de los factores hasta alcanzar una posicin
determinada de las variables empricas. El efecto de la rotacin es redistribuir la varianza
de los primeros factores a los ltimos para lograr un patrn de factores ms simples y
tericamente ms significativos, para lo cual existen dos tipos: la ortogonal y la oblicua. La
finalidad de cualquier rotacin es simplificar las filas y las columnas de la matriz de
factores para facilitar su interpretacin. En dicha matriz, los componentes son
representados por las columnas y las filas dan cuenta de las cargas de las variables para
cada uno de estos.
La rotacin: La ortogonal consiste en que los ejes se mantengan formando un ngulo de
90, lo que produce que todo componente sea independiente de los dems, en tanto se
mantienen perpendiculares entre s. Estas rotaciones son adecuadas cuando el objetivo del
analista es reducir la informacin y que los factores no se encuentren correlacionados; La
oblicua permite que los ejes puedan tomar cualquier posicin en el espacio factorial, de
manera que los hiperplanos se coloquen oblicuos los unos a los otros, lo que permite la
existencia de correlaciones entre los factores o componentes, siendo el coseno del ngulo
entre los ejes factoriales el indicativo de correlacin. Es una rotacin adecuada cuando se
busca la exploracin de dimensiones latentes intercorrelacionadas.
La simplificacin de filas, se busca aproximar a cero tantos valores como sea posible
(maximizar la carga de una variable sobre un nico factor;
La simplificacin de las columnas busca aproximar a cero tantos valores como sea posible
(que las cargas altas sea la menor posible). Rotaciones ortogonales que buscan dichos
objetivos: quartimax, equimax y varimax.
2.3.3 Varimax, rotacin ms adecuada para explorar validez:
Busca simplificar las columnas de la matriz, alcanzando la mxima simplificacin posible
al minimizar el nmero de variables que tienen cargas altas en un factor o componente,
maximizando la suma de las varianzas de las cargas factoriales dentro el factor, dejando
por cada columna cantidades prximas a 1 (entre -1 y +1) o a 0.
Permite una separacin ms clara entre factores, y el patrn factorial resulta ms robusto
cuando se analizan diferentes subconjuntos de variables, demostrando ser ms eficiente en
el logro de la rotacin ortogonal.
2.3.4 Requisitos y supuestos
2.3.4.1 Matriz de datos
Histograma para observar la distribucin de frecuencia de cada variable (explorar la
normalidad).
Grficos de dispersin: apreciar la relacin entre dos o ms variables, donde el
posicionamiento de los puntos a lo largo de una recta permite ver la existencia de
linealidad (constatar si la nube de puntos es aleatoria y dispersa).
Las cajas o boxplot: observar la existencia de diferencias entre grupos, si es que se busca
constatar la existencia de dos o ms grupos en una variable.
Trabajo de depuracin de la tabla de datos (datos ausentes); buscar la informacin,
suprimir a los individuos o variables que presentan ausencia de informacin.
Se pueden estimar los valores ausentes considerando relaciones conocidas entre valores de
otras variables o la ponderacin de valores de un conjunto de variables relacionada para
crear el valor sustituto.
Casos que no siguen el mismo comportamiento o tendencia expresada por el conjunto. La
deteccin de casos atpicos se observa en aquellos que caen fuera de los rangos de la
distribucin (grfico de dispersin para pares de variables).
2.3.4.2 Linealidad y correlaciones
Los coeficientes de correlacin entre pares de variables han de ser lineales, para de este
modo obtener una buena representacin al ejecutar los modelos utilizando esta tcnica. Se
asume que las relaciones entre las variables observadas y los factores latentes,
representadas en un sistema de ecuaciones, han de ser tambin lineales.
La manera de detectar la linealidad puede proceder a travs de grficos de dispersin,
grficos de regresin parcial o grficos de residuos.
Los anlisis factoriales son pertinentes cuando la correlacin entre variables se encuentra
sobre ,2 (algunos autores sealan .3). Niveles inferiores en la matriz de correlacin R entre
los tems o variables, debera desestimar su utilizacin. Frente a incorrelacin, carece de
sentido la bsqueda de estructuras latentes que agrupen a variables observadas como
expresiones de una misma dimensin o concepto.
Pruebas a utilizar.
Correlacin bivariada: Explorar la correlacin entre parase de variables para determinar la fuerza
con que se vinculan entre s.
El ndice de Kaiser-Meyer-Olkin (KMO): Es til para comparar las magnitudes de los
coeficientes de correlacin general o simple con respecto a las magnitudes de los coeficientes de
correlacin parciales. Mide la correlacin entre dos variables una vez que se han descontado los
efectos lineales de otras variables, donde, en un modelo factorial, se interpretan los efectos de otras
variables como los correspondientes a factores comunes. Si se obtienen valores bajos con el ndice
KMO, entonces indica que las correlaciones entre pares de variables no pueden ser explicadas por
las otras variables y, por lo tanto, no es factible llevar a cabo el anlisis factorial (valores extremos
entre .5 y 1).
Test de Barlett: Se usa para comprobar que la matriz de correlaciones no es una matriz identidad;
estima la intercorrelacin a partir de una transformacin del determinante de la matriz. Si las
variables no estn intercorrelacionadas, entonces el test de esfericidad de Bartlett debe presentar un
valor superior al lmite de .05.
KMO y prueba de Bartlett
,710
1032,201
406
,000
Medida de adecuacin muestral de
Kaiser-Meyer-Olkin.
Chi-cuadrado
aproximado
gl
Sig.
Prueba de esfericidad
de Bartlett
Este procedimiento establece que efectivamente existen correlaciones suficientes entre variables,
arrojando como resultado un p < .05 (p = .00).
2 Interpretacin de la matriz
La matriz factorial es una reproduccin simplificada de la matriz de correlaciones inicial,
donde cada componente o factor (j) est representado por una columna, las filas
representan las variables y los lij se consideran como los coeficientes de correlacin en
situacin de ortogonalidad entre los componentes es decir, de no correlacin entre estos-.
Es de esperar que, para el desarrollo correcto de la prueba, existan componentes que se
encuentren saturados por un cierto nmero de variables, lo que implica que los coeficientes
factoriales equivalen a correlaciones de cada variable Xi con cada factor o componente j.
Para la seleccin del nmero de componentes a retener en el modelo se deben considerar):
que existan un nmero reducido de factores no superior a la mitad del nmero de
variables o indicadores-; que los componentes sean significativos e interpretables.
Para cumplir con esto, existen cinco procedimientos complementarios: autovalores,
varianza atribuible a cada factor, grfico de sedimentacin e interpretabilidad.
2.1 Autovalores y comunalidades
2.1.1 Autovalores
Es la cantidad de varianza explicada para cada componente principal o suma de los
cuadrados de los pesos de cualquier columna de la matriz.
Su tamao permite describir la dispersin de los datos o puntuaciones en el espacio
multivariables, donde se incluye un eje para cada variable observada.
El punto de corte que se fija en ACP es 1, donde todo componente que presente valores
mayores deber ser incluido en el modelo factorial, ya que valores inferiores significaran
que no logran explicar la varianza de una variable.
Autovalores se calculan a partir de la suma de los cuadrados de los coeficientes factoriales
lij de cada variable emprica en el factor, lo que dividido por el total de variables y
multiplicado por 100 da cuenta de la varianza total de los datos para ese factor (varianza
total explicada por el componente).
Al estar estandarizadas, el valor de las variables es igual 1, donde la suma de los
autovalores de todas las variables observadas ser igual al nmero total de variables, y su
promedio igual a 1.
Si dividimos el valor propio entre el nmero de variables nos indica la proporcin (tanto
por ciento si multiplicamos por 100) de las varianza de las variables que explica el factor.
Las cargas factoriales pueden tener como valor mximo 1, por tanto el valor mximo que
puede alcanzar el valor propio es igual al nmero de variables.
Varianza total explicada
11,190 41,443 41,443 11,190 41,443 41,443 4,673 17,307 17,307
2,365 8,758 50,201 2,365 8,758 50,201 4,531 16,783 34,090
2,007 7,433 57,634 2,007 7,433 57,634 2,733 10,121 44,211
1,469 5,439 63,073 1,469 5,439 63,073 2,661 9,857 54,068
1,347 4,988 68,061 1,347 4,988 68,061 2,590 9,591 63,659
1,138 4,213 72,275 1,138 4,213 72,275 2,326 8,616 72,275
,946 3,503 75,778
,829 3,070 78,847
,768 2,846 81,693
,694 2,571 84,264
,619 2,292 86,556
,583 2,158 88,714
,545 2,019 90,733
,442 1,639 92,372
,388 1,438 93,810
,305 1,128 94,939
,295 1,093 96,031
,234 ,867 96,898
,187 ,692 97,590
,167 ,618 98,208
,121 ,449 98,657
,103 ,381 99,038
8,307E-02 ,308 99,346
7,146E-02 ,265 99,611
5,310E-02 ,197 99,807
3,636E-02 ,135 99,942
1,564E-02 5,791E-02 100,000
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
Autovalores iniciales
Sumas de las saturaciones al cuadrado
de la extraccin
Suma de las saturaciones al cuadrado
de la rotacin
Mtodo de extraccin: Anlisis de Componentes principales.
Grfica de sedimentacin
Es utilizado para determinar el nmero de factores a retener. Toma como referencia un
grfico en el cual se representan los autovalores que corresponden a cada factor en el eje
vertical, y los componentes segn su orden de extraccin en el horizontal, donde la
conjuncin de ambos da como resultado una curva decreciente que conecta las
puntuaciones.
Para Hair et. al. (1999) existe otro criterio, el que denomina a priori, y que consiste en que
el investigador predetermina tericamente el nmero de factores que debe retener antes del
anlisis, y entrega la instruccin al computador para que detenga el anlisis cuando se
logren los factores deseados.
Grfico de sedimentacin
Nmero de componente
27 25 23 21 19 17 15 13 11 9 7 5 3 1
A
u
t
o
v
a
l
o
r
12
10
8
6
4
2
0
2.1.2 Comunalidades
Comunalidades se obtienen a travs de la suma de lij2 para cada variable en los respectivos
factores o componentes (h2= l21j+l22j+...+ l2kj) y representa la proporcin de varianza da
cada variable Xi que es explicada por los factores o componentes en el modelo. Cuando
estamos en presencia de comunalidades prximas a .0, quiere decir que las variables no han
quedado bien definidas en el modelo.
Una primera interpretacin se desprende del examen de la tabla de comunalidades, la que expone la
proporcin de varianza de cada variable o tem explicada por el conjunto de factores comunes,
donde a mayor sea la cantidad de comunalidades cercanas a 1, mejor ser la calidad de ajuste del
modelo.
Comunalidades
1,000 ,698
1,000 ,692
1,000 ,689
1,000 ,528
1,000 ,695
1,000 ,839
1,000 ,739
1,000 ,751
1,000 ,713
1,000 ,822
1,000 ,718
1,000 ,710
1,000 ,666
1,000 ,736
1,000 ,803
1,000 ,702
1,000 ,774
1,000 ,822
1,000 ,650
1,000 ,823
1,000 ,802
1,000 ,820
1,000 ,684
1,000 ,797
1,000 ,625
1,000 ,516
1,000 ,700
DID Facilita comprensin de contenidos
DID Prepara clases y domina contenidos
DID Fomento del aprendizaje
DID Tiempo para aclarar contenidos
DID Ejercicios y lecturas acorde con contenidos
DID Resumenes al concluir clases
DID Uso de resultados para comprensin de contenidos
DID Informacin e ideas actualizada
DID Usa recursos didcticos como apoyo
DID Expone contenidos de manera coherente y ordenada
DID Facilita la comprensin de los contenidos del curso con ejemplos
claros
PER Puntualidad al incio y trmino del horario
PER Cumple con los compromisos acadmicos en los plazos
estiados
PER Se interesa porque los estudiantes tengan una buena
comprensin de la materia
PER Acepta crticas y comentarios efectuados por los alumnos
PER Responde cortesmente cuando se le plantean preguntas
PER Mantiene buenas relaciones con los estudiantes
PER Califica a los alumnos con criterios claros y objetivos
MOT Fomenta el inters de los alumnos por los temas tratados
MOT Estimula el mejoramiento del rendimiento de los estudiantes
MOT Promueve la reflexin y participacin en clase
MOT Motiva a los estudiantes a profundizar sobre las materias
OR Disponibilidad horario consultas fijados
OR Demuestra una actitud hacia el dilogo con los alumnos
OR Orienta acadmicamente al alumno, cada vez que este lo requiere
OR Fomenta el trabajo en equipo
OR Asigna con claridad los contenidos y condiciones de trabajos y
evaluciones
Inicial Extraccin
Mtodo de extraccin: Anlisis de Componentes principales.
2.1.3 Cargas factoriales:
Es cuanto determina la variable a la conformacin de un factor o dimensin; mientras ms elevada
sea la carga, mayor peso tiene en la interpretacin del modelo. Las cargas factoriales menores a .3
estn en el nivel mnimo y las sobre .5, estn en un nivel significativo. Dado que la carga
representa la correlacin entre la variable y el factor, el cuadrado de la carga representa la
proporcin de varianza total de la variable de la que da cuenta el factor. Cuando una carga es de .3,
explica el 10%; si una carga es de .5, quiere decir que el 25% de la varianza que se atribuye al
factor.
Matriz de componentes rotados
a
,175 ,191 5,138E-02 ,773 ,173 1,294E-02
,329 ,143 ,123 ,655 ,245 ,244
,407 ,600 ,232 ,221 ,172 ,178
,176 ,414 ,154 ,235 ,296 ,400
4,875E-02 2,513E-02 4,492E-02 ,824 -8,63E-02 5,902E-02
,216 ,112 -,165 ,183 ,845 7,675E-02
3,760E-02 ,210 ,355 -3,75E-03 ,746 -,104
,165 ,135 ,659 ,400 ,276 ,188
,185 ,108 ,816 8,581E-04 -1,82E-02 2,765E-02
,641 ,282 6,803E-02 ,226 1,556E-02 ,526
,563 ,191 ,418 ,348 ,208 ,160
-2,55E-02 ,185 -,150 ,171 -4,48E-02 ,788
,636 ,198 ,290 ,329 3,834E-02 -,167
,487 ,512 ,122 ,149 ,415 ,167
,574 ,567 ,155 8,446E-02 ,164 ,306
,707 ,340 -,143 8,134E-02 7,728E-02 ,230
,734 ,359 -1,48E-02 4,812E-02 ,108 ,304
,710 -5,74E-02 ,312 ,154 ,438 -1,88E-02
,248 ,259 ,363 5,626E-02 ,567 ,255
-7,54E-02 ,450 ,749 7,488E-02 ,190 -,107
,166 ,834 ,254 4,576E-02 2,453E-02 ,107
2,266E-03 ,878 6,773E-02 8,150E-02 ,186 -6,18E-02
,353 2,629E-02 ,247 -8,84E-02 9,469E-02 ,693
,452 ,696 ,111 2,745E-02 4,116E-02 ,305
,378 ,547 -1,10E-02 ,160 ,181 ,353
,323 ,539 ,215 ,233 ,113 8,574E-02
,559 ,152 ,240 ,424 ,352 -4,97E-02
DID Facilita comprensin de contenidos
DID Prepara clases y domina contenidos
DID Fomento del aprendizaje
DID Tiempo para aclarar contenidos
DID Ejercicios y lecturas acorde con contenidos
DID Resumenes al concluir clases
DID Uso de resultados para comprensin de contenidos
DID Informacin e ideas actualizada
DID Usa recursos didcticos como apoyo
DID Expone contenidos de manera coherente y ordenada
DID Facilita la comprensin de los contenidos del curso con ejemplos claros
PER Puntualidad al incio y trmino del horario
PER Cumple con los compromisos acadmicos en los plazos estiados
PER Se interesa porque los estudiantes tengan una buena comprensin de la materia
PER Acepta crticas y comentarios efectuados por los alumnos
PER Responde cortesmente cuando se le plantean preguntas
PER Mantiene buenas relaciones con los estudiantes
PER Califica a los alumnos con criterios claros y objetivos
MOT Fomenta el inters de los alumnos por los temas tratados
MOT Estimula el mejoramiento del rendimiento de los estudiantes
MOT Promueve la reflexin y participacin en clase
MOT Motiva a los estudiantes a profundizar sobre las materias
OR Disponibilidad horario consultas fijados
OR Demuestra una actitud hacia el dilogo con los alumnos
OR Orienta acadmicamente al alumno, cada vez que este lo requiere
OR Fomenta el trabajo en equipo
OR Asigna con claridad los contenidos y condiciones de trabajos y evaluciones
1 2 3 4 5 6
Componente
Mtodo de extraccin: Anlisis de componentes principales.
Mtodo de rotacin: Normalizacin Varimax con Kaiser.
La rotacin ha convergido en 13 iteraciones. a.
II Fiabilidad
Puede definirse como el grado de precisin que una medicin ofrece; para ser fiable, una
escala debe tener la capacidad de exhibir resultados consistentes en mediciones sucesivas
del mismo fenmeno.
Puede determinarse mediante un coeficiente de confiabilidad, el cual corresponde a un
ndice, que bajo la forma de proporcin, da cuenta de la razn entre la varianza de la
puntuacin verdadera de la escala y la varianza total.
Tiene como objetivo determinar, probablsticamente, el grado de variacin atribuible a
errores aleatorios o causales no vinculados a la construccin del instrumento. Garantiza la
consistencia expresada en la determinacin del grado de error contenido en la aplicacin de
una escala, y por tanto, en la medicin del fenmeno.
El error puede ser entendido como el componente de la puntuacin observada en la
medicin que no se relaciona con la capacidad que posee quien la responde. Siendo X una
puntuacin observada, T una puntuacin verdadera y E el error, el hecho de que una
puntuacin observada sea igual a la puntuacin verdadera ms el error puede expresarse
como:
1 Fiabilidad como consistencia Interna
Determina la fiabilidad de las puntuaciones obtenidas a travs de una sola administracin
del test.
Generaliza las puntuaciones respecto de un dominio o conjunto de tems y observar si los
sujetos responden consistentemente a lo largo del conjunto de tems utilizados.
Estos procedimientos operan considerando las correlaciones entre diversas partes del test,
para lo cual existen dos caminos, la divisin en dos mitades y la consideracin del universo
de tems.
X= T + E
1.1 Dos mitades
Asignacin aleatoria de los tems a una u otra mitad.
Eleccin de elementos pares e impares, denominada mitad pares-mitad nones, existiendo
adems la posibilidad de incluir en la primera mitad los primero tems y en la segunda
mitad los restantes.
Igualar las dos mitades considerando la dificultad de los tems, la cual se define dividiendo
para cada elemento el nmero total de sujetos que los resolvieron correctamente por
aquellos que lo intentaron.
R E L I A B I L I T Y A N A L Y S I S - S C A L E (S P L I T)
Reliability Coefficients
N of Cases = 45,0 N of Items = 27
Correlation between forms = ,8405 Equal-length Spearman-Brown = ,9133
Guttman Split-half = ,9133 Unequal-length Spearman-Brown = ,9134
14 Items in part 1 13 Items in part 2
Alpha for part 1 = ,8769 Alpha for part 2 = ,9042
1.2 Universo de tems.
El coeficiente indica si una puntuacin observada (muestra de tems) estima bien la
puntuacin verdadera (universo), considera un nmero indefinido de pruebas paralelas
representadas aleatoriamente por cada tem o indicador.
La diferencia que existe con las pruebas paralelas es que en stas todos los tems o
indicadores tienen idntica varianza e idntica correlacin con el total de dominios de
tems.
Una poblacin de tems que pertenece al dominio, dimensin o constructo que se busca
medir (hipotticamente infinita),
Cualquier instrumento se compone por una muestra de k tems, los que han sido colectados
de forma aleatoria del conjunto hipottico,
Las puntuaciones verdaderas de un sujeto son las que se obtendran si respondiera a todos
los tems de la poblacin, (observada equivalen a muestra de tems).
Las punt. observadas pueden ser fiables en la medida que alcance correlaciones altas con la
puntuacin verdadera (k tems tienen una correlacin alta con el instrumento).
Supone la existencia de una matriz de correlaciones entre todos los tems del universo
hipottico.
Las correlaciones de cada tem con todos los dems deben ser iguales.
1.2.1 Alpha de Cronbach
Supone que la proporcin de la varianza verdadera (fiabilidad) es igual a la varianza
compartida dividida por la varianza total. La varianza verdadera queda definida
operativamente por la suma de las co-varianzas, por lo que discriminan los tems
precisamente por estar relacionados unos con otros.
El grado de relacin alcanzado es lo que corresponde a la consistencia interna, indicando
en qu proporcin discriminan los tems al estar vinculados entre s (una gran co-variacin
es indicativa de relacin entre tems).
Un test ser poco fiable, si una porcin de la varianza se origina debido a que los tems son
distintos.
Alcanza valores positivos comprendidos entre 0 y 1, donde 0 indica ausencia total de
consistencia interna, y 1, la redundancia total entre los tems.
Nunnally (1995) proponen valores entre 0,75 y 0,9; Cea DAncona (1998), no inferiores a
0,8. Peterson (1994) considera como mnimo 0,7 para investigaciones preliminares y 0,8
para investigaciones bsicas. Morales et. al. (2003), en 0,5 si es una investigacin bsica y
sobre 0,85 si es una investigacin diagnstica o intervencin.
Se recomienda valores no inferiores a 0,8 para garantizar que el error tpico de la medicin
no sea muy alto. El procedimiento para determinar la contribucin del tem a la escala es
relativamente simple; se calcula el coeficiente alpha de toda la escala, donde se excluye un
tem de los clculos (el que se desea analizar).
R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A)
Item-total Statistics
Scale Scale Corrected
Mean Variance Item- Alpha
if Item if Item Total if Item
Deleted Deleted Correlation Deleted
E13_D 99,7778 226,8131 ,4962 ,9384
E14_D 99,2889 222,2101 ,6346 ,9366
E15_D 99,7556 216,8253 ,7713 ,9347
E16_D 99,6444 222,5525 ,6138 ,9369
E17_D 99,0889 232,9919 ,2857 ,9407
E18_D 100,0000 227,0000 ,4590 ,9389
E19_D 100,3111 227,7646 ,4422 ,9391
E20_D 99,5556 222,4798 ,6306 ,9367
E21_D 100,0444 227,3616 ,3887 ,9402
E26_D 99,3111 223,6737 ,7163 ,9360
E31_D 99,5333 220,9818 ,7544 ,9353
E22_P 99,0444 233,8162 ,2590 ,9410
E27_P 99,2222 225,9949 ,5970 ,9372
E28_P 99,3111 220,7646 ,7856 ,9350
E29_P 99,5333 218,0273 ,8002 ,9345
E30_P 98,8889 227,7828 ,6004 ,9373
E32_P 98,8889 225,9192 ,6886 ,9365
E33_P 99,7333 219,9727 ,6214 ,9369
E34_M 99,6889 222,4010 ,6489 ,9365
E35_M 99,7333 228,3818 ,4689 ,9386
E36_M 99,3556 223,7343 ,6235 ,9368
E37_M 99,6222 226,1495 ,5175 ,9381
E25_O 99,6667 225,9545 ,4449 ,9393
E38_O 99,2222 220,6313 ,7247 ,9356
E39_O 99,2667 222,9727 ,6735 ,9363
E40_O 98,9333 224,7000 ,6404 ,9367
E41_O 99,6667 220,1818 ,6787 ,9361
Reliability Coefficients
N of Cases = 45,0 N of Items = 27
Alpha = ,9395
Correlacin tem-total
Esta prueba tiene por objetivo correlacionar cada tem con la suma de todos aquellos que
conforman la escala (menos el tem a correlacionar), lo que nos lleva a detectar si existe
relacin entre la puntuacin alta en un tem y puntuaciones altas en el resto de la escala.
La existencia de correlacin sta dada por un coeficiente distinto de 0, pudiendo asumir
valores positivos o negativos, y cuyos extremos son -1 y 1. La proximidad a estos puntos
y lejana de 0- determina la fuerza en la correlacin, la que va desde las dbiles (entre 1 a
2,5 o -2,5 a -1), a las medias (0,5 a 0,75 y -0,75 a -0,5) y a las fuertes (sobre 0,75 a 1 y -1 a
0,75), donde 1 y -1 corresponden a correlaciones perfectas.
El supuesto es que los tems que alcanzan una mayor correlacin son los que comparten
ms caractersticas con los dems, y por ende, estaran midiendo el mismo rasgo o
dimensin del fenmeno.
Pueden ser suprimidos todos aquellos tems con bajas correlaciones.
Si un tem es consistente con el resto de la escala, la correlacin entre las puntuaciones que
las personas han dado al tem debera concordar con las que ha dado al resto de los tems,
de tal manera que la correlacin de signo positivo- entre el tem analizado y la suma de
los restantes debera ser al menos moderada.
(el test se ejecuta junto a alpha de Cronbach, cuarta columna)