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)
Resumen de Diseño Estadístico Para Investigadores en Ciencias Sociales y del Comportamiento. Capítulo 2: Variables Estadísticas: RESÚMENES UNIVERSITARIOS