Sunteți pe pagina 1din 296

Psicometra.

Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Prlogo.........1

PARTE I. R y Rcommander

INTRODUCCIN .............................................................................................................. 2 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Instalacin de R ...................................................................................................... 6 Primer contacto....................................................................................................... 8 Opciones de trabajo con R ................................................................................... 12 Obtencin de ayuda sobre R ............................................................................... 14 Paquetes ................................................................................................................. 19 R a modo de calculadora ...................................................................................... 20 Notas bsicas sobre R ........................................................................................... 21

RCOMMANDER .................................................................................................................... 23 2.1 2.2 2.3 2.4 2.4.1 Instalacin de Rcommander ............................................................................... 23 Descripcin de Rcommander .............................................................................. 26 Opciones generales de la barra de mens ........................................................... 29 Lectura e importacin de datos ........................................................................... 33 Opciones de configuracin ................................................................................ 42

MANIPULACION DE DATOS Y TRANSFORMACION DE VARIABLES ........... 44 3.1 3.1.1 3.1.2 3.1.3 3.1.4 3.1.5 3.1.6 3.1.7 3.1.8 3.2 3.2.1 3.2.2 3.2.3 3.2.4 3.2.5 Manipulacin de datos ......................................................................................... 44 Seleccionar conjunto de datos activo................................................................. 45 Actualizar conjunto de datos activo................................................................... 45 Ayuda sobre el conjunto de datos activo ........................................................... 46 Variables del conjunto de datos activo .............................................................. 46 Establecer nombres de casos ............................................................................. 47 Filtrar el conjunto de datos activo ..................................................................... 47 Eliminar los casos con valores omitidos............................................................ 49 Guardar el conjunto de datos activo .................................................................. 50 Manipulacin de variables .................................................................................. 51 Recodificar variables ......................................................................................... 52 Calcular una nueva variable .............................................................................. 54 Aadir nmero de observaciones al conjunto de datos ..................................... 55 Tipificar variables .............................................................................................. 56 Convertir variable numrica en factor ............................................................... 57

____________________________________________________________________ I

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
3.2.6 3.2.7 3.2.8 3.2.9 Segmentar una variable numrica...................................................................... 58 Reordenar niveles de factor ............................................................................... 60 Renombrar variables .......................................................................................... 60 Eliminar variables del conjunto de datos ........................................................... 61

PARTE II. Construccin y anlisis de escalas

ANLISIS DE ESCALAS ............................................................................................... 62 4.1 4.2 4.3 4.3.1 4.4 4.5 4.6 4.6.1 4.6.2 4.6.3 Presentacin del ejemplo ...................................................................................... 63 Lectura de datos.................................................................................................... 65 Correccin de la prueba. Recodificacin de los tems ....................................... 69 tems inversos .................................................................................................... 71 Correccin de la prueba. Obtencin de la puntuacin ...................................... 76 Anlisis de tems.................................................................................................... 80 Anlisis de tems. ndices de forma ..................................................................... 82 Media aritmtica ................................................................................................ 82 ndice de atraccin ............................................................................................. 83 Grfico de la distribucin de respuestas ............................................................ 86

FIABILIDAD. NDICE DE DISCRIMINACIN Y COEFICIENTE ALFA ............ 89 5.1 5.2 5.3 5.3.1 5.3.2 5.3.3 5.3.4 5.3.5 5.3.6 5.4 5.4.1 5.4.2 5.4.3 5.4.4 ndices de relacin. Matriz de correlaciones ...................................................... 89 ndices de relacin. ndice de discriminacin .................................................... 93 Fiabilidad............................................................................................................... 94 Modelo lineal clsico ......................................................................................... 95 Coeficiente de fiabilidad.................................................................................... 98 Procedimientos empricos para la estimacin del coeficiente de fiabilidad ...... 99 Estimacin de la puntuacin verdadera ........................................................... 101 Coeficiente alfa................................................................................................ 106 ndices derivados del modelo factorial ............................................................ 108 Rcommander y la estimacin de la fiabilidad.................................................. 111 Matriz de correlacin ....................................................................................... 111 ndice de discriminacin y coeficiente alfa ..................................................... 113 Coeficiente Theta............................................................................................. 116 Error estndar de medida y estimacin de la puntuacin verdadera................ 116

VALIDEZ ........................................................................................................................ 119 6.1 6.2 6.2.1 Sesgo..................................................................................................................... 122 Fuentes de evidencia ........................................................................................... 124 Contenido ........................................................................................................ 124

____________________________________________________________________ II

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
6.2.2 6.2.3 6.2.4 6.2.5 6.2.6 7 Proceso de respuesta. ....................................................................................... 128 Estructura interna............................................................................................. 129 Relaciones con otras variables......................................................................... 134 Generalizacin de la validez ............................................................................ 136 Consecuencias ................................................................................................. 137

ESTRUCTURA INTERNA. DIMENSIONALIDAD .................................................. 140 7.1 7.1.1 7.1.2 7.1.3 7.1.4 7.1.5 7.1.6 7.2 7.2.1 7.3 7.3.1 7.3.2 7.3.3 7.3.4 7.3.5 Modelo de anlisis factorial ............................................................................... 141 Supuestos y consecuencias .............................................................................. 143 Reproduccin de la matriz de correlacin ....................................................... 145 Representacin matricial ................................................................................. 146 Extraccin factorial ......................................................................................... 148 Modelo de componentes principales ............................................................... 152 Rotacin factorial ............................................................................................ 153 Etapas en la ejecucin de un anlisis factorial ................................................. 156 Interpretacin de la solucin factorial ............................................................. 157 Anlisis factorial y Rcommander .................................................................... 163 Modelo unidimensional ................................................................................... 163 Modelo bidimensional ..................................................................................... 168 Representacin grfica de la solucin factorial ............................................... 171 Estimacin de las puntuaciones factoriales ..................................................... 172 Anlisis de componentes principales ............................................................... 173

FUNCIONAMIENTO DIFERENCIAL DEL TEM .................................................. 176 8.1 8.2 8.3 8.3.1 8.4 8.4.1 8.4.2 Conceptos bsicos ............................................................................................... 177 Estandarizacin .................................................................................................. 181 Regresin logstica .............................................................................................. 182 Consideraciones sobre el funcionamiento diferencial del tem ....................... 184 Funcionamiento diferencial del tem y Rcommander ..................................... 186 Regresin logstica .......................................................................................... 186 Diferencias entre medias ponderadas .............................................................. 188

COMPARACIN ENTRE GRUPOS. (ALICIA LPEZ-JUREGUI) ................... 192 9.1 9.1.1 9.1.2 9.1.3 9.2 9.2.1 9.3 Comparacin de dos grupos. Pruebas de comparacin de medias ................ 193 Prueba para una media..................................................................................... 194 Comparacin de dos medias ............................................................................ 197 Pruebas para las varianzas ............................................................................... 204 Pruebas para las proporciones .......................................................................... 206 Tablas de doble entrada. Inferencia ................................................................. 211 Comparacin entre ms de dos grupos (ANOVA) .......................................... 215

____________________________________________________________________ III

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
9.3.1 9.4 9.4.2 9.4.3 9.5 9.5.2 10 ANOVA de un factor....................................................................................... 215 Variacin entre grupos y variacin intra grupos ............................................. 217 ANOVA de un factor mediante Rcommander................................................. 225 Anlisis de varianza de dos factores ................................................................ 228 Efectos principales e interaccin ....................................................................... 230 Anlisis de varianza con Rcommander........................................................ 235

TEST-CRITERIO. REGRESIN LINEAL ................................................................ 238 10.1 10.1.1 10.1.2 10.1.3 10.1.4 10.1.5 10.1.6 10.1.7 10.2 10.3 10.3.1 10.3.2 10.3.3 10.3.4 10.3.5 10.3.6 10.4 10.4.1 10.4.2 Regresin simple ................................................................................................. 239 Ecuacin de la recta ......................................................................................... 239 Relaciones entre variables en las ciencias sociales.......................................... 240 Estimacin de la recta de regresin ................................................................. 241 Error tpico de estimacin ............................................................................... 244 Estimacin del criterio ..................................................................................... 244 Descomposicin de la varianza y coeficiente de determinacin .................... 245 Modelo lineal ................................................................................................... 249 Regresin simple con Rcommander ................................................................. 250 Regresin mltiple .............................................................................................. 254 Modelo............................................................................................................. 254 Supuestos ......................................................................................................... 257 Estimacin de los parmetros .......................................................................... 258 Descomposicin de la varianza ....................................................................... 259 Coeficiente de determinacin mltiple ............................................................ 261 Inferencias sobre el modelo ............................................................................. 263 Correlacin mltiple con Rcommander ......................................................... 265 Diagnsticos del modelo de regresin ............................................................. 269 Representacin grfica de distribuciones multivariadas.................................. 271

11

INTERPRETACIN NORMATIVA DE PUNTUACIONES. BAREMOS ............. 274 11.1 11.2 11.3 Transformaciones lineales.................................................................................. 274 Transformaciones no lineales ............................................................................ 276 Baremos con Rcommander ............................................................................... 278

12

REFERENCIAS BIBLIOGRFICAS ......................................................................... 284

____________________________________________________________________ IV

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Prlogo El estudio de una escala de actitudes, un inventario de personalidad o una prueba de aptitud numrica comprende un conjunto de anlisis cuya finalidad es garantizar la fiabilidad de los datos y la validez de las inferencias derivadas de ellos. El corpus que da sustento terico, aplicado y tico a tales menesteres se cimienta sobre la disciplina denominada psicometra. La psicometra se ocupa del proceso de construccin y validacin de escalas cuyo objetivo es medir variables de naturaleza psicolgica. El libro trata en profundidad y de forma actualizada los dos grandes temas de la medicin emprica, la fiabilidad y las validez, as como la tecnologa implicada en su anlisis: regresin simple y mltiple, anlisis factorial, equiparacin de puntuaciones, funcionamiento diferencial del tem, anlisis de varianza. Todo ello se aborda desde una doble perspectiva terica y aplicada. La primera aporta las bases necesarias para su comprensin y la segunda contribuye a su asimilacin por medio de un ejemplo real que se ilustra con la ayuda del mejor software disponible para el anlisis de datos y la psicometra, R. R es un entorno de trabajo que se distribuye bajo licencia libre, y que ofrece al estudiante, profesor o investigador todas las herramientas necesarias para el anlisis de datos y de escalas. En este manual, el autor introduce al lector en R Commander, un paquete gratuito, fiable y fcil de usar que incluye las funciones precisas para analizar datos y escalas. El libro se estructura en dos partes; en la primera de ellas se introducen el entorno R y R Commander y se muestran las funciones para el manejo de datos y modificacin de variables. En la segunda parte, se incluyen los conceptos psicomtricos bsicos y se ejemplifican aplicndolos sobre una escala de datos real.

-1-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1 Introduccin

En el mbito de las ciencias sociales se dispone de una variada gama de programas para el anlisis de datos, que bien bajo licencia privativa o bajo licencia libre cumplen las exigencias del usuario independientemente del tipo de explotacin o de la sencillez o complejidad de los modelos que quiera evaluar. Entre los primeros, se podran citar programas tan conocidos como PASW (antes SPSS), SAS, STATISTICA, Systat, Stata o GenStat que han copado durante aos el mercado, y han sido, y son utilizados como herramienta para la docencia por prcticamente todas las universidades tanto espaolas, europeas como americanas. Desde sus primeras versiones hasta las actuales, estos programas han ido incorporando modelos de anlisis cada vez ms complejos a la par que han ido mejorando sus interfaces grficas (GUI Graphical User Interfaces). El desarrollo de los mens contextuales basados en la gestin de ventanas los han convertido en programas de fcil manejo, y al mismo tiempo ha permitido una socializacin en el uso de modelos de anlisis complejos que son ahora accesibles al usuario medio. Sin embargo, el carcter comercial y la licencia privativa de todos ellos es una limitacin que valoro negativamente. Desde el punto de vista del profesor que asume la responsabilidad de ofrecer y facilitar al alumno las bases para una formacin continua que no finaliza con el abandono de la universidad, la accesibilidad es una caracterstica substancial. La disponibilidad de una herramienta, siempre asequible a coste 0, es un factor que debiera considerarse en la docencia, por ofrecer tanto al alumno como al futuro profesional una autonoma de trabajo efectiva que facilita el proceso de enseanza-aprendizaje. Adase, que los programas comerciales comparten otra caracterstica referida a su funcionamiento. Son herramientas cerradas, prediseadas, y en consecuencia difcilmente manipulables, que operan a travs de algoritmos -2-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ empaquetados cuya adaptacin a la situaciones concretas de anlisis se torna ardua y a veces imposible. Sin embargo ambas situaciones pueden cambiar de una forma atractiva tanto para el alumno no especializado en anlisis estadstico, como para el profesor que imparte docencia en anlisis de datos. El cambio se produce a travs de la adopcin de una herramienta que cumple formalmente todos los criterios de calidad exigibles a un programa para el tratamiento de datos y que adems de ser de libre distribucin es moldeable en funcin de los intereses del usuario. La herramienta que cumple este triple criterio, calidad, accesibilidad y adaptabilidad es R. R viene avalado tcnicamente por ser el entorno de mayor

implementacin entre la poblacin estadstica, lo cual garantiza su validez; es la implementacin GNU de S, lo cual garantiza la gratuidad de su distribucin. Adems R ofrece la capacidad de combinar anlisis prediseados con anlisis especficos adaptados a cada situacin concreta, lo cual garantiza su versatilidad. Validez, gratuidad y versatilidad son las cartas de presentacin de R frente al resto de software para el anlisis de datos. El entorno R, que era utilizado hasta hace poco tiempo, prcticamente slo por estadsticos o personal altamente especializado, se convierte con la ayuda de una interfaz grfica (por ejemplo, Rcommander de John Fox) en una herramienta para el anlisis de datos con un potencial inusitado, a la vez que cumple los criterios de facilidad de uso y gratuidad. Estas caractersticas convierten a R en un poderoso aliado para la enseanza del anlisis de datos, pero adems, ofrece al alumno o profesional una herramienta continuamente actualizada que le brinda la posibilidad de una autonoma de trabajo no disponible bajo cualquier ningn otro entorno (Elosua, 2009). R es un entorno de programacin y anlisis estadstico y grfico derivado del lenguaje de programacin S (Becker, Chambers y Wilks, 1988;

-3-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Chambers y Hastie, 1992; Venables y Ripley, 2000). Existe una versin de este lenguaje distribuida por Insightful Corporation bajo el nombre comercial de SPlus, y una versin libre con cdigo abierto conocida como R. Esta ltima fue desarrollada por Ross Ihaka y Robert Gentleman (esta es una de las razones del nombre R; Ihaka y Gentleman, 1996; otra de las razones deriva de la fontica de R our nuestro- que lo enlaza con la filosofa del software libre) del Departamento de Estadstica de la Universidad de Auckland (Nueva Zelanda). La primera versin de R se difundi rpidamente y la expansin es hoy irrefrenable. Desde su creacin, R se alimenta y crece con los trabajos de investigadores provenientes de prcticamente todas las ramas del conocimiento. Las aportaciones desinteresadas de funciones y libreras de propsito tanto general como especfico hacen de R un entorno dinmico formado por una comunidad en movimiento continuo y acelerado que se inscribe dentro de la filosofa del software libre. R, en tanto en cuanto software libre, se inscribe dentro del proyecto GNU General Public Licence. (Licencia Pblica General, GNU). Se trata de una licencia creada por Free Software Foundation (Fundacin para el software libre) organizacin fundada por Richard Matthew Stallman (rms) en el ao 1985. El principal propsito de la licencia GNU es declarar la libertad del uso, modificacin y distribucin del software y protegerlo de intentos de privatizacin que puedan de algn modo restringir su uso (el contenido de la licencia puede consultarse en el sitio http://www.gnu.org/copyleft/gpl. html). Dentro de esta licencia se distribuyen un sin fin de programas, muchos de los cuales son versiones libres del software informtico generalista ms utilizado. De entre ellos tal vez los ms extendidos sean la suite ofimtica OpenOffice, el navegador Mozilla, los artculos de wikipedia, el sistema operativo GNU/Linux, o el editor de textos Emacs. Parte de la vasta informacin disponible sobre R es accesible a travs de la web CRAN (Comprehensive R Archive Network; http://cran.r-project.org/), sitio oficial de R. Es la pgina base del proyecto R, desde la cual se puede descargar la ltima versin del programa (un equipo formado por unas doce personas, R

-4-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Development Core Team; asumi en 1997 las labores de actualizacin semestral del cdigo de R), consultar manuales sobre R, obtener ayuda sobre su funcionamiento a travs de un sistema de ayuda online, y en definitiva, estar al corriente de los movimientos en este entorno de trabajo. La bibliografa sobre R es amplia, porque a la propiamente desarrollada para R se aade la bibliografa sobre S o S-plus. Entre los libros ms importantes es imprescindible citar el manual de referencia que desarrolla y actualiza con cada versin de R el R Development Core Team (2008) y el ya clsico y excelente volumen de Venables y Ripley (2002) que se ha convertido en el libro de cabecera de los usuarios de R y S Modern Applied Statistics with S-plus. Como obras introductorias, las ms aconsejables seran el sencillo trabajo de Venables, Smith y the R Development Core Team (2007) publicado bajo el ttulo An Introduction to R y el volumen de Paradis (2005) titulado R for Beginners. Existen traducciones al castellano de ambas en el sitio http://cran.es.r-project.org/, donde tambin pueden consultarse los textos originales. La obra de Dalgaard (2002), Introductory Statistics with R, es un volumen compacto que cubre el contenido de un curso bsico de estadstica, y al mismo tiempo introduce al lector en los conceptos elementales de la programacin en R. Son ms recientes el libro de Braun y Murdoch (2007) que ofrece un primer curso en estadstica utilizando R, y la obra publicada por Crawley (2008) que en sus 900 pginas ilustra el proceso de modelado estadstico con R. Tambin es altamente aconsejable el libro de Fox Companion to Applied Regression. (2002) titulado An R and Para usuarios iniciados S-plus la ltima

actualizacin de la obra de Chambers (2007), uno de los artfices del lenguaje S, es una excelente opcin. La transicin entre el SPSS o SAS al R puede acompaarse de la lectura del trabajo de Muenchen que con el ttulo R for SAS and SPSS Users ofrece dos productos; un corto y accesible en red (http://rforsasandspssusers.com /), y otro de 470 pginas publicado recientemente por Springer (Muenchen, 2009). En R confluyen caractersticas que convierten a este entorno en algo nico: es libre, tiene versiones para distintas plataformas (Windows, Linux, Unix, o Mac), est continuamente actualizado y siempre a la vanguardia de los

-5-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ ms avanzados modelos estadsticos. R es un software libre que se inscribe dentro del proyecto GNU (acrnimo recursivo de GNU in not UNIX), lo que significa que los usuarios pueden utilizarlo, modificarlo y actualizarlo en funcin de sus necesidades. La informacin disponible sobre R es accesible a travs de la web CRAN (Comprehensive R Archive Network; http://cran.r-project.org/). R es ms que un software para el anlisis de datos; es un entorno de programacin en el que se integran multitud de paquetes que continuamente van incrementando sus capacidades. Incluye desde funciones bsicas relacionadas con los anlisis descriptivos de datos, hasta los modelos ms complejos concernientes con los ltimos avances en el campo de la estadstica, la psicometra y el anlisis de datos en entornos como la psicologa, biologa, medicina o informtica. Aparte de las capacidades de anlisis estadstico, R es un potentsimo generador de grficos que cuenta con numerosas y variadas funciones y libreras diseadas con esta finalidad. Es posible componer un simple plot, definir figuras extremadamente complejas e incluso crear animaciones. Puede disfrutarse de una muestra de grficos generados con R en el sitio http://addictedtor.free.fr/graphiques/. Todos ellos evidencian posibilidades de R. la versatilidad y

1.1

Instalacin de R

El primer paso en la utilizacin de R comienza con su instalacin. El proceso, aunque similar para las distintas plataformas, ser brevemente descrito para Windows (aunque parezca una contradiccin GNU-Windows). La instalacin de R bajo Windows se lleva a cabo directamente desde la pgina de CRAN (Comprehensive R Archive Network) a la que se puede acceder a travs de la direccin. http://cran.r-project.org/.

-6-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1.1. Figura. Pgina CRAN

En esta pgina, una vez seleccionada la opcin Windows, aparecer una pantalla como la que se muestra en la siguiente figura,

1.2. Figura. Bajar R

En ella se seleccionar la opcin base que permitir la instalacin del paquete base o paquete bsico para la ejecucin de R. Las funciones incluidas en base son fcilmente ampliables a travs de los ms de 2100 paquetes o contribuciones aadidas al entorno R; cantidad que va incrementndose da a da .

-7-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1.3. Figura. Archivos R

El archivo de instalacin de R es el archivo con extensin .exe (R2.10.1.exe; esta es la versin activa en el momento de redaccin de este manual). Una vez seleccionado el archivo es posible guardarlo o ejecutarlo directamente. El tamao del archivo (32 megabytes) y el tipo de conexin a Internet hacen aconsejable seleccionar un repositorio (mirror; espejo de CRAN) cercano al lugar donde habitamos para agilizar la transferencia del fichero. Una vez ejecutado el archivo de instalacin, ste preguntar por el idioma deseado, as como por el directorio en el que se quiera instalar R. Por defecto, el programa se instalar en C:\Archivos de programa\R\R2.10.1, opcin que puede modificarse a conveniencia.

1.2

Primer contacto

Una vez instalado el programa es posible ejecutarlo a travs del icono de acceso directo que aparecer en el escritorio, o bien a travs de las ventanas Inicio>Todos los programas>R>R2.10.1. La primera pantalla que aparece cuando se ejecuta R recibe el nombre de consola de R (R console). En ella puede comprobarse la versin instalada (R versin 2.10.1).

-8-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1.4. Figura. Consola R

La presencia del smbolo del sistema o prompt, en color rojo, (>) indica que R est listo para recibir comandos. Por ejemplo, tecleando 2 + 3 (pruebe el lector cualquier otra operacin) y pulsando <ENTER>, R devolver el resultado de la operacin aritmtica.
> 2+3 [1] 5 >

El [1] indica el orden de aparicin de los resultados. En este caso slo se ha solicitado un resultado. Si la salida hubiera sido ms compleja R reconocera cada uno de los elementos por un nmero correlativo entre corchetes que indica la posicin del resultado. El smbolo de sistema > indica que R est listo para recibir otra instruccin. Si se desea generar una serie aleatoria de nmeros que se distribuyan segn la ley normal, y despus representar su distribucin por medio de un

-9-

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ histograma el comando a emplear sera el siguiente (ms adelante se explicarn ste y otros comandos).
hist (rnorm(100), col=3, xlim=c(-3,3),main="Ejemplo histograma

N=100",xlab="", ylab="frecuencia")

Se ha ejecutado este comando en tres ocasiones diferentes variando el nmero de elementos generados. La sucesin de histogramas muestra la aproximacin a la distribucin normal de la muestra a medida que aumenta el nmero de elementos generados (N=100, N=1000; N=10000). La representacin grfica obtenida slo quiere ser un ejemplo de la facilidad y versatilidad de R, propiedades ambas que se irn descubriendo a lo largo del presente manual.

Ejemplo histograma N=100

Ejemplo histograma N=1000

Ejemplo histograma N=10000

20

200

1500

150

15

frecuencia 10

frecuencia

frecuencia 1000

100

500

50

-3
3 2 1 0 1 2 3

-2

-1

-2

1.5. Figura. Ejemplo de representaciones grficas

Adems del smbolo del sistema (>), la consola de R puede presentar un smbolo + (tambin en color rojo) para indicar que la instruccin dada a R es incompleta y que no puede ejecutarse sin antes finalizar correctamente la secuencia de comandos. Por ejemplo si se teclea 3+5+ (la instruccin no est completa y por tanto R lo advierte con la presencia del smbolo +. Si ante el smbolo + se teclea algo que pueda concluir la instruccin a ejecutar (por ejemplo 7*3) R devolver el resultado de la operacin, 29.

- 10 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Otro smbolo importante en el entorno de programacin R es el smbolo #, utilizado para aadir comentarios no ejecutables durante la construccin de un cdigo. Es posible escribir ms de una funcin en la misma lnea de comandos, para ello basta utilizar un carcter delimitador entre ellas;.
> 3+5+( + > 3+5+( + 7*3) [1] 29 > 2+3;4*7 [1] 5 [1] 28

Para abandonar R tras una sesin de trabajo son varias las opciones disponibles: 1.- Teclear directamente en la consola q (). 2.- Acceder a la opcin Salir a travs de la barra de mens Archivo>Salir. 3.- Pulsar directamente sobre el icono de salida .

Antes de abandonar la sesin de trabajo el sistema preguntar si se desea guardar una copia (la imagen) del rea de trabajo. Si la respuesta es afirmativa se salvarn todos los objetos creados en el rea de trabajo durante la ltima sesin; en caso contrario no se podrn recuperar los objetos creados en una sesin posterior. Tambin es posible salvar slo parte de los objetos; para ello el comando a utilizar sera save(nombre objeto, file=nombre archivo). Por defecto, la extensin utilizada para almacenar un rea de trabajo es .Rdata. Los comandos que se han ido generando se almacenan en

- 11 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ el fichero .Rhistory del cual son fcilmente recuperables desde cualquier editor de texto.

1.3

Opciones de trabajo con R

Bajo el entorno Windows (que es la plataforma que describiremos a lo largo de esta introduccin a R) existen varias opciones de trabajo, es decir, diferentes vas para la introduccin y ejecucin de instrucciones. Es posible utilizar slo una de ellas, o utilizar varias simultneamente. Las necesidades del usuario determinarn en cada caso la eleccin del modo de operar. Bsicamente se dispone de 4 modos diferentes para trabajar con R: 1. Trabajar directamente sobre la ventana de comandos (R console), tecleando los comandos en la lnea de smbolo del sistema >. Es un modo de trabajo interactivo que permite ejecutar acciones simples porque slo puede ejecutarse un comando cada vez. Las flechas de direccin facilitan el modo de operar con la consola. La flecha hacia arriba () permite acceder a comandos previos
y la flecha hacia abajo () da acceso a comandos posteriores al actual. Las flechas hacia la izquierda () y hacia la derecha () mueven el cursor en dichos sentidos dentro de una lnea. Los comandos pueden copiarse y pegarse, como en cualquier editor de textos, funciones Ctrl+C y Ctrl+V. con las

2.

Abrir y trabajar en una ventana de escritura (Script window) a la que se accede seleccionando la opcin Nuevo Script de la barra de mens, Archivo>Nuevo Script. Esta opcin permite crear cdigos ms complejos que pueden ejecutarse por bloques. Los cdigos se teclearn directamente en esta ventana o podrn ser copiados de un archivo ya existente en formato ASCII. Para ejecutar un subconjunto de comandos, se debe de marcar la seccin a ejecutar y pulsar CTRL+R o en su defecto el icono de ejecucin . Cuando

- 12 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ se utiliza la ventana de escritura, las salidas de R se muestran en la consola, por lo tanto es recomendable mantener simultneamente abiertas ambas ventanas: consola y ventana de comandos.

1.6. Figura. RConsola y ventana de escritur

3.

Utilizar programas especficos de edicin de cdigos. Entre los ms utilizados se pueden o citar Tinn-R, WinEdit Emacs (http://www.sciviews.org/Tinn-R/), (http://www.winedt.com/)

(http://www.gnu.org/software/emacs/ ), software creado inicialmente para el entorno Unix bajo la filosofa GNU. Son programas de edicin especializados que facilitan enormemente el trabajo con cdigos o programas (conjuntos de instrucciones, comandos necesarios para la ejecucin de determinados trabajos) ms o menos complejos. Es la opcin preferida de los usuarios avanzados de R. 4. Utilizar interfaces grficas. Existen varias GUI (Graphical user interfaz) que facilitan el trabajo con R a personas desconocedoras de este entorno de programacin y anlisis. Entre las GUI disponibles mencionaremos, (http//www.math.csi.cuny.edu/pmg), - 13 R.NET Rkward (http://www.u.arizona.edu/~ryckman/RNet.php), Poor Mans GUI

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ (http://es/wikipedia.org/wiki/RKWard) todava no disponible para Windows, Rcommander (Fox, 2005), o RExcel (http://www.statconn.com) que se distribuye bajo licencia privativa. De entre ellas la ms extendida es Rcommander; entre sus cualidades podran destacarse la adecuacin hacia los contenidos metodolgicos impartidos en las ciencias sociales y la simplicidad de uso. Rcommander es un paquete adicional de R (Rcmdr) creado por John Fox que aade una interfaz grfica con un sistema de ventanas y mens desplegables que convierten a R en un entorno amigable. Es el intermediario perfecto para acercar al usuario habitual de paquetes comerciales al entorno de programacin R, permitiendo una transicin sencilla hacia esta nueva filosofa de trabajo.

1.4

Obtencin de ayuda sobre R

El entorno R es extraordinariamente amplio e incorpora diversas fuentes de ayuda sobre procedimientos, comandos, paquetes o sobre la aplicacin de determinados modelos matemticos que resultan de gran utilidad ante cuestiones o dudas que surgen durante una sesin de trabajo. El modo bsico de obtencin de ayuda en R es a travs de la opcin Ayuda accesible desde la barra de mens, desde ella se pueden seleccionar varias alternativas 1.- La opcin Ayuda>Funciones R(texto) abre una ventana

interactiva en la que se teclear el tpico sobre el que se busca informacin.

- 14 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1.7. Figura. Men de ayuda

Este modo de obtener ?screeplot.

informacin sobre un tpico concreto, es

equivalente a teclear help(screeplot) sobre la consola R, o incluso

> help(screeplot) > ?screeplot

Ambos modos dan acceso a una pgina de informacin sobre el tpico indicado. 2.- La opcin Ayuda>Ayuda Html, acciona el explorador definido por defecto y muestra un pantalla a travs de la cual se accede a la informacin almacenada en la memoria.

1.8. Figura. Ayuda Html

- 15 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Podemos acceder a la misma pgina a travs del comando help.start() que se teclear directamente sobre la consola R. 3.- Es posible ampliar la base de la exploracin y optar por una bsqueda en la web de R. Para ello es suficiente con seleccionar la opcin de bsqueda Ayuda>search.r.project.org. 4.- Existen otras dos funciones de bsqueda help.search() y apropos(), que pueden ser tiles cuando se desea encontrar informacin sobre una funcin o modelo determinado que no se sabe exactamente donde localizar. Por ejemplo: supongamos que se quiere obtener informacin sobre el anlisis factorial factor analysis; A travs de la barra de mens se seleccionar la opcin Ayuda>Buscar Ayudapor medio de la cual se accede a una pgina en la que se teclear el texto que describe lo que se desea buscar. Se puede obtener la misma informacin tecleando directamente sobre la consola lo siguiente:
help.search(factor analysis)

Este comando ofrece como salida una lista de todas las funciones cuyas pginas de ayuda contienen la palabra situada entre comillas. En este caso factor analysis.

1.9. Figura. Help.search()

- 16 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La salida indica que existe una funcin llamada factanal en la librera stats, en la que tambin se encuentran las funciones loadings y

promax.Si se desea acceder al contenido de estas funciones, a su descripcin, bastara con teclear en la consola el nombre de la funcin, y la librera que la contiene:
help(factanal,package=stats)

Este comando abrira una pgina de ayuda sobre la funcin factanal en la que se incluye una descripcin de la misma, su uso, el modo de especificar sus argumentos y un conjunto de ejemplos.

1.10. Figura. Pgina de informacin sobre comando

Si tecleamos directamente sobre la consola


> apropos(vector)

Se accede a una lista de todas las funciones que incluyen el texto entrecomillado; en este caso vector.

- 17 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

1.11. Figura.apropos()

Todas estas funciones de ayuda ofrecern informacin sobre paquetes que tengamos instalados. Sin embargo, en muchas ocasiones el inters se centra en saber si R dispone de funciones para llevar a cabo determinado tipo de anlisis, y esta informacin va ms all de las libreras instaladas. La funcin RSiteSearch() escrita directamente sobre la consola R ejecutar una bsqueda en la Web de R. Existen adems de las descritas varias fuentes de informacin sobre R disponibles en la red; R dispone de una lista de distribucin (https://stat.ethz.ch/mailman/listinfo/r-help) y de un buscador especfico sobre funciones, comandos o cuestiones relacionadas con R http://www.rseek.org/.

1.12. Figura. Rseek

La pgina principal de CRAN almacena

una gran cantidad de

informacin sobre R, que incluye manuales de uso en varios idiomas, informacin sobre paquetes o listas sobre FAQ (Frequently Asked Questions) que pueden solucionar ms de una duda al usuario. Entre ellas resulta especialmente atractiva la wiki (http://wiki.r-project.org/rwiki/doku.php).

- 18 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 1.5 Paquetes

R es un sistema dinmico en el que las contribuciones de autores individuales se ponen a disposicin de los usuarios en forma de libreras o paquetes (packages). Cuando se instala R por primera vez se instala el paquete BASE, que puede ampliarse fcilmente por medio de paquetes adicionales que irn configurando R a la medida de las necesidades de cada usuario. Un paquete no es ms que un conjunto de funciones y datos que una vez instalados pueden activarse a travs del comando library(). La instalacin de una nueva librera es una tarea sencilla. Para ello es posible utilizar el men desplegable de la ventana de comandos de R y seleccionar la opcin instalar paquete(s)... Esta opcin abrir una ventana con un repertorio de espejos (mirrors) accesibles desde los cuales es posible transferir los paquetes deseados.

1.13. Figura.Espejos CRAN y paquetes

- 19 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Es posible acceder a este listado de centros imagen a travs del comando CRAN.packages() que se teclear directamente sobre la consola. Una vez seleccionado el sitio se visualizar/n y seleccionar/n la/s librera/s a instalar. La utilizacin de un paquete exige adems de instalarlo, cargarlo. La instalacin solo es necesaria llevarla a cabo una vez, pero deberemos de cargar el paquete en cada sesin de trabajo que lo necesitemos. Es una tarea muy sencilla; basta con seleccionar de la barra de mens de la consola la opcin Paquetes>Cargar Paquete o teclear directamente sobre la consola library(nombre del paquete). Es sencillo conocer las libreras instaladas en memoria; para obtener un listado basta con teclear el comando installed.packages(). ruta de las libreras que los contienen. R devolver informacin sobre los paquetes instalados, su versin y el nombre y

1.6

R a modo de calculadora

El modo de trabajar ms simple o primitivo con R sera utilizarlo a modo de calculadora. En este sentido R evala y devuelve los resultados de cualquier expresin introducida en la lnea de comandos. Dado que se trata de funciones bsicas que pueden diferir ligeramente de cmo son definidas en otros entornos la tabla siguiente ofrece una breve descripcin de las funciones algebraicas ms comunes
Funcin +, -, *, / abs asin acos atan exp, Round sin con tan log Operacin Suma, Resta, Multiplicacin, Divisin Valor absoluto Inversas de las funciones trigonomtricas Exponencial y logaritmo natural Redondeo Funciones trigonomtricas

- 20 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
sqrt () %/% %%
1.1. Tabla. Funciones algebraicas

Raz cuadrada, Potencia Divisin entera Resto de la divisin

Como ejemplo, que puede servir al lector de primer ejercicio con R se muestra la ejecucin de algunas de ellas.
> 2+3 [1] 5 > sqrt(20) [1] 4.472136 > 5%/%3 # genera la parte entera de la divisin 5/3 [1] 1 > 5%%3 [1] 2 > pi*5^2 # rea de un crculo de radio 5 [1] 78.53982 > 1000*(1+0.05)^3-100 [1] 1057.625 > sqrt(c(10,100,1000)) [1] 3.162278 10.000000 31.622777 # devuelve el resto de la divisin 5/3

1.7

Notas bsicas sobre R

R es un entorno de programacin orientado a objetos. Esto significa que dependiendo del tipo de objeto al que se aplique una funcin, es decir, dependiendo de las caractersticas de los objetos, de sus atributos, el mismo comando actuar de diferente manera. En este primer captulo, no vamos a describir los tipos de objetos, ni las caractersticas de cada uno; esto se har en la parte final de este manual introductorio. En este punto, baste mencionar que el concepto de fichero de datos con el que se trabaja bajo SPSS o BMDP (por citar dos programas comerciales) se flexibiliza bajo el entorno R, donde la unidad de anlisis u objeto ms comn es una data frame o marco de datos. Por el

- 21 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ momento, un marco de datos es una matriz de datos similar a los ficheros de datos que manipula SPSS o BMDP. Como todo paquete estadstico, R utiliza por defecto un directorio de trabajo donde guardar las sesiones de trabajo, las salidas o los objetos que se desee almacenar. Puede comprobarse cual es el directorio de trabajo activo con la funcin getwd(), y ste puede modificarse con la opcin setwd(). La fijacin del directorio de trabajo es una opcin recomendable. Es importante apuntar que en R los path utilizados para fijar directorios se definen a travs del smbolo / o \\en lugar del smbolo habitual bajo Windows \.
> setwd ("C:\\Documents and Settings\\Rmanual") ## CORRECTO > setwd ("C:/Documents and Settings/Rmanual") ## CORRECTO > setwd ("C\Documents and Settings\Rmanual") ## NO NO NO CORRECTO

En R los nombres de los objetos son combinaciones de letras, nmeros y el carcter .. No es posible definir el nombre de un objeto utilizando como primer carcter un nmero, sin embargo, s es posible utilizar el ..R adems es caso sensitivo; una letra mayscula es diferente de su homnima minscula
> 1.data #nombre incorrecto > .data #nombre correcto > Data #distinto de data

- 22 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2 Rcommander

2.1

Instalacin de Rcommander

Rcommander es un paquete adicional de R concebido como una interfaz grfica (Graphical User Interface GUI) que incorpora funciones para el anlisis estadstico y generacin de grficos. Consigue, a travs de un sistema de ventanas, convertir a R en un entorno amigable que facilita enormemente su utilizacin a aquellos usuarios no familiarizados con este entorno de programacin. Trabajar en R con la ayuda de Rcommander se convierte en una experiencia similar a analizar datos bajo cualquier paquete estadstico al uso (SPSS, SAS, S-plus). Los mens desplegables que ofrece Rcommander, permiten al usuario que apenas conoce el entorno R, realizar las tareas de importar/exportar ficheros, manipular variables (recodificar, computar), seleccionar casos, describir datos, generar grficos o ajustar modelos. Pero adems, al mismo tiempo, Rcommander abre la posibilidad de modificar los comandos bsicos o aadir nuevos comandos para realizar tareas que se ajusten a necesidades especficas. Las capacidades del Rcommander (como las del entorno R) han ido y van continuamente amplindose. La versin sobre la que trabajamos fue construida para dar cobertura a un curso bsico de anlisis de datos. Esto significa que slo una pequea fraccin del potencial estadstico y de gestin de datos disponibles bajo R (actualmente son ms de 2100 los paquetes disponibles) es accesible por medio de Rcommander. En definitiva, consideramos que Rcommander (Rcmdr) es el medio ideal para acercarse a R. Constituye un entorno de trabajo que muchos usuarios no necesitarn ampliar. Sin embargo, familiarizarse con Rcommander permite

- 23 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ ir profundizando en este entorno de programacin de modo que puede ampliarse y adaptarse a necesidades particulares (Fox, 2007). Antes de comenzar a trabajar con Rcommander (Rcmdr) es necesario instalar y cargar el paquete Rcmdr. Como se ha indicado, la instalacin y carga se llevan a cabo a travs de las opciones Paquetes>Instalar.

2.1. Figura. Ventana de descarga de Rcommander

Una vez instalado Rcmdr es necesario cargarlo. Para ello, cuando se ejecute R se seleccionar la opcin Paquetes > Cargar y de entre el listado de libreras disponibles de elegir Rcmdr.Tambin es posible teclear directamente en la consola library(Rcmdr). La primera vez que se solicite cargar el paquete Rcmdr, R avisar que para el correcto funcionamiento de Rcmdr es necesario instalar algunos paquetes adicionales. El procedimiento de instalacin busca las libreras necesarias para el correcto funcionamiento de las funciones disponibles en Rcommander, y solicita al usuario permiso para instalar aquellos paquetes que no encontrndose previamente instalados son necesarios. El usuario slo necesitar asentir a los requerimientos del proceso de instalacin.

2.2. Figura. Solicitud de permiso instalacin de paquetes

- 24 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ R abrir una nueva ventana en la que se seleccionar el sitio del que se desee instalar los paquetes faltantes. Es posible optar por la opcin por defecto CRAN.

2.3. Figura. Instalacin de paquetes adicionales

Una vez instalado y cargado Rcmdr en la consola R irn apareciendo los paquetes que ha sido necesario instalar, y la versin de Rcommander, 1.5-4., mostrando esta apariencia:

2.4. Figura. Consola R, Rcommander

- 25 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 2.2 Descripcin de Rcommander

La aspecto.

pantalla

inicial

de

Rcommander

Graphical

user

Interface a cuya descripcin se dedica este captulo, presenta el siguiente

2.5. Figura. Ventana Rcommander

La ventana bsica de Rcommander aparece dividida en cinco secciones: 1.- Barra de mens.

- 26 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Permite acceder por medio del ratn a las operaciones relacionadas con el manejo de ficheros, manipulacin/descripcin de datos o ajuste de modelos estadsticos, generacin de grficos o varias opciones de configuracin de Rcommander. Se presentarn de forma detallada cada una de las opciones disponibles.

2.6. Figura. Barra de mens de Rcommander

2.- Conjunto de datos. La segunda lnea de la pantalla principal de Rcommander informa sobre los conjuntos de datos que se encuentran disponibles en una sesin de trabajo. Aunque solamente es posible ejecutar comandos o funciones sobre un conjunto de datos activo, es posible disponer en la misma sesin de trabajo de varios conjuntos de datos que pueden ir intercambindose simplemente con seleccionarlos en la ventana en la que se indica cual es el conjunto de datos activo. Rcommander incorpora adems un editor de datos y la posibilidad de visualizarlos. El editor de datos de Rcommander podra utilizarse para introducir un pequeo conjunto de datos; sin embargo sus capacidades como editor son muy limitadas. Por ello recomendamos la utilizacin de editores ms potentes dado que los datos podrn ser importados con facilidad. Por ltimo se muestra el modelo activo, esto es, el modelo matemtico que se est aplicando sobre los datos.

2.7. Figura. Barra de datos de Rcommander

La opcin de visualizar datos est fijada por defecto para poder acceder a un fichero que contiene un nmero de variables igual o menor a 100. A partir de este umbral (que puede ser modificado) se utiliza el editor de datos.

- 27 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 3.- Ventana de instrucciones Todas las operaciones ejecutadas por medio de los mens de Rcommander generan de forma automtica comandos en R que se visualizan en la ventana de instrucciones (script window). Esta ventana cumple adems las funciones de una consola de edicin de cdigos en la que el usuario puede escribir directamente el comando u operacin que desee ejecutar. Una vez escrita una funcin basta seleccionarla con el ratn y pulsar la opcin o las

teclas Ctrl+r (run) para su ejecucin. Si el usuario desea escribir un comando que ocupa ms de una lnea deber comenzar la segunda lnea y siguientes con uno o ms espacios en blanco o tabuladores. La combinacin de teclas Ctrl+a seleccionar todas las lneas de la ventana de instrucciones, y Ctrl+s abrir una ventana para la grabacin del fichero de instrucciones. El hecho de que todas las acciones ejecutadas en Rcommander aparezcan en la ventana de instrucciones permite familiarizarse con el lenguaje de programacin R de modo que con un poco de dedicacin e inters se podrn reconocer y por tanto adaptar y manipular los comandos bsicos que aparecen en esta ventana.

2.8. Figura. Ventana de Instrucciones de Rcommander

4.- Ventana de salidas (output window) Es una ventana de edicin en la que irn apareciendo tanto los comandos a ejecutar (en color rojo) como los resultados generados por ellos (en color azul oscuro).

- 28 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.9. Figura. Ventana de Resultados de Rcommander

Es importante hacer notar que los grficos producidos por Rcommander generan por defecto otra ventana (dispositivo grfico) de salida. 5- Ventana de mensajes La ventana de mensajes ofrece al usuario informacin sobre los errores cometidos (mensajes en rojo), avisos (warnings) surgidos durante la ejecucin de los comandos (mensajes en verde) o informacin sobre el conjunto de datos que se est utilizando (mensajes en azul oscuro).

2.10. Figura. Ventana de mensajes de Rcommander

2.3

Opciones generales de la barra de mens

La barra de mens de Rcommander ofrece las siguientes opciones generales: Fichero. Permite gestionar la lectura y grabacin de ficheros de instrucciones o de ficheros de salidas generados por R.

- 29 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
2.11. Figura. Opciones de Fichero de Rcommander

Las opciones que encierra este men se refieren a la apertura y grabacin de las sesiones de trabajo bajo Rcommander. Los ficheros de instrucciones se graban por defecto con la extensin .R, mientras que las salidas generadas se almacenan en formato texto .txt. Las opciones relacionadas con el entorno de trabajo permiten guardar todos los objetos (vectores, matrices, marcos de datos...) generados durante una sesin de trabajo con el fin de poder acceder a ellos en sesiones posteriores. Estos objetos podrn ser cargados a travs de la opcin Cargar conjunto de datos desplegable dependiente de datos (Datos> que se encuentra en el men Cargar conjunto de

datos). Aunque es posible guardar la sesin de trabajo bajo cualquier extensin, la opcin de cargar los datos utiliza por defecto la extensin .Rda (Rdatos). Edicin. Las opciones que abre el men de edicin son las propias de cualquier editor al uso (cortar, copiar, pegar, buscar) que podrn ser utilizadas tanto en la ventana de instrucciones como en la ventana de salidas.

2.12. Figura. Opciones de edicin de Rcommander

Datos Esta opcin da paso a una serie de submens relacionados con la lectura e importacin de conjuntos de datos y la manipulacin de variables contenidas en ellos.

- 30 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.13. Figura. Opciones de Datos de Rcommander

Estadsticos. Accede a los submens asociados con la descripcin de datos, anlisis estadsticos bsicos, tests no paramtricos, estudio de la fiabilidad y dimensionalidad o ajuste de modelos lineales.

2.14. Figura. Opciones de Estadsticos de Rcommander

Grficos. Por medio de esta opcin se accede a un submen para la generacin de grficos bsicos. La gama que ofrece Rcommander es amplia, aunque al igual que todas las funciones que utiliza Rcommander es posible adaptarla a situaciones y necesidades especficas.

- 31 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.15. Figura. Opciones de Grficos de Rcommander

Modelos. Una vez ajustado un modelo Rcommander ofrece la posibilidad de profundizar en l por medio de informacin diagnstica sobre su ajuste que puede acompaarse adems con informacin grfica.

2.16. Figura. Opciones de Modelos de Rcommander

Distribuciones. Esta ventana ofrece

un acceso rpido y eficiente a las

distribuciones estadsticas ms comunes, tanto continuas como discretas que permite generar datos, dibujar grficos, estimar cuantiles o probabilidades. Es un buen apoyo a la docencia a la par que evita el uso de tablas estadsticas.

- 32 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.17. Figura. Opciones de Distribuciones de Rcommander

Herramientas. Permite cargar distintos paquetes de R (que tienen que estar ya instalados) as como fijar varios parmetros relacionados con la configuracin de Rcommander.

2.18. Figura. Opciones de Herramientas de Rcommander

Ayuda. Por medio de esta opcin se accede a un fichero que contiene informacin sobre el manejo de Rcommander.

2.19. Figura. Opciones de Ayuda de Rcommander

2.4

Lectura e importacin de datos

Los datos a analizar bajo R han de definirse como el conjunto de datos activo. En el entorno R no se utiliza el trmino fichero; en su lugar se habla de objetos (vectores, matrices, factores, listas, marcos de datos, funciones). Prcticamente todo es un objeto en el entorno R. Un fichero de datos habitual en - 33 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ cualquier software estadstico que incluye sujetos y variables (filas columnas, casos variables), bajo R se convierten en un objeto de tipo data frame (marco de datos). Es decir, un marco de datos es una matriz de datos cuyas columnas pueden contener variables de distinto tipo y en la que es posible aadir nombres a cada una de las columnas as como nombres a cada una de las filas. Los marcos de datos son el tipo de objeto ms comn en R. Cada una de las variables del marco de datos se especifica por medio del nombre general del marco seguido de un smbolo $ ms el nombre de la variable.
Por ejemplo: supongamos que tenemos un fichero de datos (data frame) con las horas trabajadas por un grupo de personas durante los primeros Esta los con tres data das das de de la la semana, 4 que se llama 3 y horas.trabajo. relacionadas coche (coche). lunes martes mircoles coche Juan Martn Ana Cada 7 7 0 una de 8 7 8 las 8 8 8 variables SI SI NO de este marco de datos se frame contiene semana variables, martes

(lunes,

mircoles), y una cuarta que nos dice si el empleado tiene o no

nombrar como: horas.trabajo$lunes, horas.trabajo$martes, horas.trabajo$miercoles, horas.trabajo$coche.

Bsicamente son tres las posibilidades que ofrece Rcommander para definir el conjunto de datos activo. Las tres son accesibles a travs del men desplegable en la opcin Datos> Nuevo Conjunto de datos, Datos>Cargar conjunto de datos, y Datos> Importar datos. 1.- Nuevo Conjunto de Datos.

- 34 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta opcin requiere introducir los datos directamente a travs del editor de Rcommander. La seleccin de esta opcin abre una ventana en la cual se dar un nombre al conjunto de datos que se vaya a crear.

2.20. Figura. Nuevo conjunto de datos

En este ejemplo se ha creado el objeto Europa. El editor de datos de Rcommander es bastante limitado, por lo que este modo de introducir datos es adecuado solamente cuando el nmero de datos no es cuantioso.

2.21. Figura. Editor de datos de Rcommander.

La ventana de edicin permite asignar un nombre a cada una de las variables que se vaya a generar, y definir si la variable es de tipo numrico o de tipo carcter. Para ello basta con hacer clic en cualquiera de las columnas (var1, var2...) de la primera fila del editor.

- 35 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.22. Figura. Definicin del tipo de variables.

2.23. Figura. Editor de datos.

Las teclas de Avance Pgina (AvPag) y Retroceso Pgina (RePag) permiten acceder a las pantallas posterior y anterior a la pantalla visible. La tecla Home sita el cursor en la primera celda de la matriz (Fila1 Columna1). La tecla End lleva al cursor a la ltima fila de la matriz. Puede redimensionarse el tamao de las columnas situndose en cualquiera de las celdas y pulsando la tecla derecha del ratn. Una vez finalizada la introduccin de datos la opcin Cerrar del men Archivo (Archivo>Cerrar) nos har abandonar la ventana de edicin. La ventana de instrucciones mostrar el siguiente comando, que indica la creacin de un marco de datos (un archivo de datos) de nombre

- 36 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Europa. En la ventana Conjunto de Datos aparecer ahora Europa. Disponemos de un conjunto de datos activo sobre el que se ejecutarn las funciones que indiquemos.
Europa <- edit(as.data.frame(NULL))

La opcin de visualizar datos mostrar la siguiente pantalla, en la que aparecen los nombres de las variables (Pas, Habitantes) y los datos correspondientes a los 25 pases de la Unin Europea que conforman este conjunto de datos.

2.24. Figura. Visualizador de datos.

Es importante recordar que la creacin del marco de datos no implica que los datos nombrados como Europa hayan sido grabados; si se desea trabajar con ellos en sesiones posteriores tiene que ejecutarse la opcin de guardar datos - 37 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ (Datos>Conjunto de datos activo>Guardar conjunto de datos activos) 2.- Cargar conjunto de datos Esta opcin brinda el acceso a los datos incluidos en los paquetes de R instalados en memoria, y a los objetos generados y almacenaos en sesiones anteriores de trabajo. Son dos las opciones de Rcommander para acceder a datos que se encuentran en paquetes: Datos>Cargar conjunto de datos, y Datos>Conjunto de datos en paquetes. Utilizando la primera se accede a los objetos con extensin .RDA que han sido guardados en sesiones de trabajo anteriores. Por ejemplo para recuperar los datos Europa.rda esta es la opcin a utilizar. La segunda opcin, Datos>Conjunto de datos en

paquetes, permite explorar los datos que habitualmente incorporan los paquetes de R. La opcin ofrece como salida un listado de los conjuntos de datos incluidos en los paquetes.

2.25. Figura. Listado de conjuntos de datos en el paquete car.

Para utilizar alguno de ellos se selecciona la opcin Conjunto de datos en paquetes>Leer conjunto de datos desde paquete - 38 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ adjunto, que da acceso a una ventana en la que adems de elegir el paquete y el conjunto de datos, ste ltimo puede ser renombrado.

2.26. Figura. Seleccin de un conjunto de datos car.

3.- Importar datos Esta opcin permite trabajar con datos almacenados en formato ASCII, con datos creados con software estadstico (STATA, Minitab, SPSS...) o con datos provenientes de programas como Excel o Acces. El men accesible por medio de esta opcin muestra los formatos importables desde Rcommander.

2.27. Figura. Formatos de ficheros importables desde R.

En el ejemplo mostrado a continuacin y que guiar a partir de ahora los anlisis realizados en esta introduccin a R, se importar un archivo de datos generado con SPSS, cuya extensin es .sav. Los comentarios al respecto son fcilmente generalizables para prcticamente todos los formatos de archivo especificados.

- 39 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Para importar un fichero de datos desde SPSS se procede a travs de la opcin, Datos>Importar Datos>desde datos SPSS, que abrir una ventana de dilogo en la que se especificarn las opciones de importacin.

2.28. Figura. Importar archivo desde SPSS.

En primer lugar, se ha de especificar un nombre para el conjunto de datos, que no tendr porque coincidir con el nombre del archivo de datos que se va a importar. La opcin de la ventana Convertir etiquetas de valores en niveles de factor es especialmente importante en el caso de variables categricas ordenadas; por ejemplo, respuestas a tems con formato Likert en las que las opciones de respuesta se corresponden con una escala graduada. R, diferencia entre variables numricas y factores; se trata de tipos de objetos diferentes y que por lo tanto reciben un tratamiento diferente. Dentro de un anlisis de fiabilidad por ejemplo, es necesario considerar estas variables, tems, como variables numricas por lo tanto no interesara convertirlas en factores. Si seleccionamos la opcin de conversin, convertiremos esas variables numricas en variables categricas o factores, limitando de este modo su tratamiento. Por ello, dependiendo del tipo de dato y del tipo de tratamiento que se les vaya a procurar ser el investigador el que determine la conveniencia o no de convertir en factor los valores de la variable a importar. Una vez pulsada la opcin Aceptar, Rcommander permite abrir el fichero de datos a importar. El comando que genera esta opcin, utiliza la

- 40 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ funcin read.spss para acceder al fichero de datos Insatisfaccin corporal.sav, que en este ejemplo se almacenar bajo el nombre de Edi.data.
Edi.data <read.spss("C:/Insatisfaccion corporal.sav",

se.value.labels=FALSE, max.value.labels=Inf, to.data.frame=TRUE)

Tras leer el archivo podr leerse en la ventana de mensajes: NOTA: El conjunto de datos Edi.data tiene 976 filas y 24 columnas. En el caso de que se fuera a importar un fichero en formato ASCII, formato bsico para el intercambio de ficheros entre programas, la seleccin de la opcin Datos>Importar Datos>Desde archivo de texto o portapapeles, abrir a una ventana en la que se definirn cuestiones generales de formato que determinarn la calidad de la importacin.

2.29. Figura. Importar archivo desde formato ASCII.

En este sentido son especialmente importantes el indicador de datos ausentes y el carcter decimal. En R los datos ausentes son indicados al sistema por los caracteres NA (Non Available; No disponible). Si no se especifica el

- 41 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ modo en que se han codificado los valores ausentes todos los valores diferentes a NA sern tratados como valores presentes, lo cual originar resultados cuanto menos extraos. Adems de los datos ausentes, es importante especificar el carcter decimal utilizado en el fichero ASCII. Si se ha utilizado la coma como carcter decimal y no se especifica de este modo, todas las variables con caracteres decimales sern tratadas como variables categricas. El comando utilizado por R para la lectura de ficheros ASCII aparecer en la ventana de instrucciones,
Edi.data <read.table("C:/Insatisfaccion corporal.txt",

header=TRUE, sep="", na.strings="99", dec=",", strip.white=TRUE)

2.4.1 Opciones de configuracin

En la opcin Herramientas de la barra de mens es posible modificar algunas configuraciones bsicas de Rcommander referidas tanto a su aspecto, como a especificaciones que puede ser interesante adaptar a nuestros hbitos de trabajo.

- 42 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2.30. Figura. Configuracin de Rcommander.

Entre ellas, tal vez la ms prctica,

sea la relacionada con la

visualizacin de las variables que forman el conjunto de datos a analizar. El investigador utiliza normalmente un orden preestablecido en la generacin de las variables, sin embargo, Rcommander por defecto ordena las variables alfabticamente. Aunque esta opcin no alterar en absoluto los resultados de ningn anlisis, es conveniente fijarla a los hbitos propios. La ventana de instrucciones o comandos de Rcommander no es una consola R aunque resulta til para la modificacin/generacin de pequeos cdigos de programacin. Para la generacin de cdigos ms o menos complicados siempre es recomendable utilizar el editor de comandos del propio R, o editores de programacin tales como el TinnR, R-Winedit, o Emacs.

- 43 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3 Manipulacion de datos variables

y transformacion de

Una vez fijado el conjunto de datos activo, los mens desplegables de Rcommander permiten manipularlo y transformar sus variables. El primer tipo de acciones que se encuentran encerradas en el men Datos >Conjunto de datos activo estn relacionadas con la definicin y gestin del conjunto de datos activo; por ejemplo, la seleccin o eliminacin de casos. El segundo tipo de funciones se relaciona con la manipulacin de variables (creacin de nuevas variables, recodificacin de valores o conversin). En este captulo se describen brevemente las opciones que presenta Rcommander para ejecutar estas funciones.

3.1

Manipulacin de datos

Este apartado se relaciona directamente con las operaciones aplicadas sobre el conjunto de datos activo referidas a aspectos como la eliminacin de valores faltantes, la seleccin de casos o la exportacin del conjunto de datos. Las opciones disponibles que se muestran en la siguiente figura sern descritas con brevedad:

3.1. Figura. Opciones de manipulacin de datos

- 44 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 3.1.1 Seleccionar conjunto de datos activo.

Los comandos que se ejecutan en R se aplican sobre un conjunto de datos activo (un objeto de R) lo cual no significa que no podamos disponer simultneamente de ms de un conjunto de datos. Por ejemplo, hasta ahora hemos generado un conjunto de datos Europa y hemos importado un fichero de datos de SPSS al que se ha denominado Edi.data, ambos aparecern en la ventana de Rcommander bajo el epgrafe Conjunto de Datos. Sin embargo, siempre es necesario seleccionar aqul sobre el que se va a trabajar. La opcin Datos> Conjunto de datos activo>Seleccionar conjunto de datos activo accede a una ventana de dilogo en la que se selecciona el objeto que se convertir en el conjunto activo.

3.2. Figura. Seleccionar conjunto de datos activo

3.1.2 Actualizar conjunto de datos activo

El trabajo con el conjunto de datos puede dirigirse desde Rcommander o desde la consola de R. Si se trabaja con esta ltima conviene actualizar el conjunto de datos despus de un proceso de manipulacin de variables en el que se han recodificado o modificado sus valores para que incorpore las transformaciones efectuadas. La opcin Datos> Conjunto de datos activo>Actualizar conjunto de datos activo tiene como finalidad ejecutar este reajuste.

- 45 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 3.1.3 Ayuda sobre el conjunto de datos activo

Los paquetes instalados en R adems de funciones y comandos incorporan bases de datos de libre acceso y disposicin. Es posible, adems, que algunos de los paquetes incorporen informacin sobre los datos que aportan; la opcin Datos>Conjunto de datos activo>Ayuda sobre el conjunto de datos activo accede a ella. Por ejemplo en uno de los paquetes que utiliza Rcommander (car) existe un conjunto de datos denominado Chile, si se ejecuta la opcin sobre informacin referida a este paquete se accede a una pgina como la que muestra la siguiente ilustracin.

3.3. Figura. Informacin sobre un conjunto de datos perteneciente a un paquete.

3.1.4 Variables del conjunto de datos activo

Ofrece un listado con los nombres de las variables incluidas en el conjunto de datos activo. Con esta opcin es posible comprobar las variables que forman Edi.data. El comando en R que permite obtener este listado es names, y su ejecucin genera en la ventana de salidas el siguiente listado. El

- 46 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ nmero [1] indica la posicin de Edad en el conjunto de datos. La variable Pesideal ocupa el lugar [4], la variable IC_7 ocupa el lugar [19].

> names(Edi.data) [1] "Edad" [7] "OD_2" [13] "IC_1" [19] "IC_7" "Sexo" "OD_3" "IC_2" "IC_8" "Peso" "OD_4" "IC_3" "IC_9" "Pesideal" "Altura" "OD_5" "IC_4" "IC_10" "OD_6" "IC_5" "BA" "OD_1" "OD_7" "IC_6" "B"

3.1.5 Establecer nombres de casos

Al igual que es posible asignar nombres de variables dentro de un objeto (fichero de datos) es posible asignar nombres a cada una de las filas. Para que la asignacin sea posible es necesario disponer de una variable que incluya estos nombres de fila (rowname). Si bien en el conjunto de datos actual pudiera carecer de sentido asignar nombres a las filas, esta opcin resulta interesante en la definicin de determinadas salidas de resultados pues permitir dar un formato especfico al marco de datos. Por ejemplo, si se lleva a cabo un anlisis de tems, se podra crear como salida un objeto (marco de datos) en el que las columnas estaran formadas por varios ndices estadsticos, y se podra definir para cada fila el nombre del tem al que sta asociado.

3.1.6 Filtrar el conjunto de datos activo

Esta opcin del men Datos tiene como finalidad seleccionar un subconjunto de casos. La opcin Datos>Conjunto de datos

activo>Filtrar el conjunto de datos activo da acceso a una ventana que permitir llevar a cabo la seleccin. La filtracin generar un nuevo - 47 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ conjunto de datos, solo.mujer en el que es posible incluir todas las variables originales o solamente un subconjunto de ellas.

3.4. Figura. Filtrar datos.

La ventana Expresin de seleccin es utilizada para definir la/s condicin/es que deben de cumplir los datos que se desea filtrar. En este ejemplo, se ha seleccionado una submuestra que cumple dos condiciones ser mujer y tener una altura mayor a 1,66 cm. La variable sexo es categrica y por tanto sus valores habrn de especificarse entre comillas. El nuevo conjunto de datos se llama Mujer.alta y se convierte de forma automtica en el conjunto de datos activo. En la ventana de mensajes es posible leer NOTA: El conjunto de datos mujer.alta tiene 139 filas y 24 columnas. La especificacin de las condiciones que han de cumplir las variables en una seleccin ha de regirse por los operadores lgicos que utiliza R. La siguiente tabla ofrece un resumen de la sintaxis de las expresiones lgicas disponibles en este entorno .
Operaciones de comparacin

- 48 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
< <= > >= = = != Menor Menor o igual Mayor Mayor o igual Igualdad lgica Distinto

Operadores lgicos & | ! xor Conjuncin (y) Disyuncin lgica (o) Negacin Disyuncin exclusiva
3.1 Tabla. Operadores lgicos

El comando R generador de esta seleccin se muestra en la ventana de instrucciones:


Mujer.alta <- subset(Edi.data, subset=Sexo=="mujer" & Altura>1.66)

3.1.7 Eliminar los casos con valores omitidos

Esta opcin (Datos>Conjunto de datos activo> Eliminar los casos con valores omitidos) permite crear un archivo en el que se omiten todos los casos que presenten valores faltantes. Conviene recordar que en el entorno R los valores ausentes son codificados como NA (Non available). Es posible eliminar del conjunto de datos activos aquellos casos que presenten valores ausentes en determinadas variables; al mismo tiempo Rcommander permite crear un nuevo objeto sin NAs o escribir sobre el objeto antiguo el nuevo objeto sin NAs.

- 49 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3.5. Figura. Eliminar valores ausentes.

El comando que permite gestionar los valores ausentes es na.omit.

sin.mis <- na.omit(mujer.alta)

3.1.8 Guardar el conjunto de datos activo

La opcin Datos>Conjunto

de

datos

activo>Guardar

conjunto de datos activos permite guardar el objeto de trabajo activo con extensin por defecto .Rda (datos R). Es importante recordar que independientemente de cmo se renombre el objeto de trabajo, esta opcin guarda el conjunto de datos activo que se muestra en la ventana plana Conjunto de Datos. Tambin es posible exportar los datos como archivo de texto (extensin .txt, o .dat). La opcin Datos>Conjunto de datos abre una

activo>Exportar el conjunto de datos activo seleccin de una u otra depender de los intereses del investigador.

ventana de dilogo en la que se fijan varias opciones de exportacin. La

- 50 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3.6. Figura. Exportar el conjunto de datos.

Rcommander utiliza la funcin save para exportar objetos. La exportacin de datos generar el siguiente comando en la ventana de instrucciones.
save("Europa", file="C:/Europa.txt")

3.2

Manipulacin de variables

Las opciones disponibles en Rcommander para la transformacin o creacin de variables sobre el conjunto de datos activo se encuentran en el men dependiente de Datos>Modificar variables del conjunto de datos activo. La figura siguiente muestra las posibilidades incorporadas por Rcommander.

- 51 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3.7. Figura. Opciones de manipulacin de variables.

3.2.1 Recodificar variables

Permite asignar nuevos valores a las variables existentes en el conjunto de datos activo, y crear nuevas variables partiendo de valores previos. Por ejemplo, en el conjunto de datos activo Edi.data la variable Edad posee un rango de valores entre 10-27; es posible recodificar estos los valores y crear una nueva variable en la que los sujetos reciban un valor en funcin de la franja de edad en la que se encuentren. Se tratara de crear una variable con 3 niveles (por ejemplo) de modo que los sujetos que tengan menos de 14 aos reciban el valor 1, las personas con edades entre los 14 y 16 aos tengan un valor de 2, y al resto se les asigna el valor 3. La opcin recodificar variable abre una ventana de dilogo en el que selecciona la variable a modificar, se nombra la variable que se desee crear y se introducen las directrices de recodificacin, las reglas para la nueva asignacin.

- 52 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3.8. Figura. Recodificar variables.

En este ejemplo se ha recodificado una sola variable, pero es posible recodificar simultneamente un conjunto de variables (pinsese en un subconjunto de tems de un cuestionario o escala). Es importante especificar si se desea convertir la nueva variable en un factor (til para los anlisis de varianza), o se desea mantener su carcter numrico. Una vez seleccionadas las variables a modificar se podr asignar un nuevo nombre a esta variable, o en su defecto mantener el nombre anterior. Es especialmente til la opcin de poder incluir un prefijo que se aade al nombre de variable viejo para poder diferenciar las nuevas variables recodificadas. En la especificacin de las reglas de asignacin es suficiente indicar valor antiguo= valor nuevo en las situaciones en las que se recodifique una sola variable. Para una secuencia de valores consecutivos, se podran indicar todos los valores separados por medio de comas, o utilizar dos puntos ( ) para indicar a R que recodifique todos los valores comprendidos entre ellos. Cuando se han de recodificar varios valores es posible especificar slo algunos de ellos y recodificar el resto utilizando else para indicar que se asigne un valor al resto de condiciones no especificadas.
18 = 1

- 53 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
18:23 = 1 18:23, 25, 27:30=1 ELSE = 2

El comando que genera esta opcin en la ventana de instrucciones es recode. En l se indica el nombre de la nueva variable (Edi.data$Edad_Re), la variable a recodificar (Edad perteneciente al marco de datos Edi.data) y los valores antiguos junto a sus nuevas asignaciones.
Edi.data$Edad_Re <- recode(Edi.data$Edad, '10:13=1; 14:16=2; 17:27=3;as.factor.result=TRUE) Edi.data$sexo_ber <recode(Edi.data$sexo, '"mujer"="1"; "varn"="2"; ', as.factor.result=TRUE)

En el caso de que las variables a recodificar fueran debern utilizar las comillas si se desea

categricas es

necesario indicar los valores antiguos entre comillas; para los valores nuevos se mantener la variable como alfanumrica; en caso de que quiera reconvertirse una variable carcter en una variable numrica basta con especificar los nuevos valores sin el uso de comillas.

3.2.2 Calcular una nueva variable

Esta opcin permite crear nuevas variables mediante transformaciones o combinaciones de variables ya existentes en el conjunto de datos activo o por medio de operaciones algebraicas. La nueva variable ser aadida como columna al conjunto de datos activo. En el ejemplo siguiente se ha creado una nueva variable a partir de la variable altura. La variable altura est expresada en metros y por medio de esta opcin se crear una variable cuya mtrica sean centmetros. Se trata de una simple transformacin algebraica consistente en multiplicar la variable antigua - 54 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ por 100. El comando que aparecer en la ventana de escritura indica el nombre de la nueva variable altura_cm que pertenece (smbolo $) al marco de datos Edi.data.

3.9. Figura. Calcular una nueva variable.

Edi.data$Alturacm <- with(Edi.data, Altura*100)

Las funciones aritmticas ms comunes utilizadas por Rcommander se resuman en la siguiente tabla.
Funcin Operacin Suma, Resta, Multiplicacin, Divisin Valor absoluto Inversas de las funciones trigonomtricas Exponencial y logaritmo natural Redondea Funciones trigonomtricas Raz cuadrada, Potencia Divisin entera Resto de la divisin
3.2 Tabla. Funciones algebraicas

3.2.3 Aadir nmero de observaciones al conjunto de datos

- 55 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta opcin, Datos>Modificar variables del conjunto de datos activo>Aadir nmeros de observaciones al conjunto de datos genera una variable que se aade al conjunto de datos activo y que asigna un valor secuencial a cada uno de los casos (filas) en el conjunto de datos activo. El nombre que por defecto recibe esta nueva variable es ObsNumber (nmero de observacin).

3.10. Figura. ObsNumber.

Edi.data$ObsNumber <- 1:976

3.2.4 Tipificar variables

Esta opcin genera una variable tipificada que se aade como nueva variable en el conjunto de datos activo. El nombre por defecto de esta nueva variable est formado por el nombre de la variable antigua sin tipificar antepuesta por ser Z.Altura. En la ventana de instrucciones se puede comprobar el comando utilizado por Rcommander para realizar la tipificacin; el comando scale genera una variable tipificada que es posteriormente aadida al marco de datos Edi.data. El proceso consiste en generar una variables de nombre .Z, aadirla al . Si la variable a tipificar es Altura, la variable tipificada

- 56 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ conjunto de datos con el nombre Z.Altura, y una vez incorporada al conjunto de datos activo finalmente eliminarla remove(.Z).

.Z <- scale(Edi.data[,c("Altura")]) Edi.data$Z.Altura <- .Z[,1] remove(.Z)

3.2.5 Convertir variable numrica en factor

Un factor es una variable categrica utilizada normalmente con el fin de clasificar y reorganizar datos. Es una variable discreta con un nmero de niveles finito. Los factores en R son un modo (el ms eficiente) de almacenar variables categricas. Por defecto los niveles del factor se almacenan siguiendo el orden alfanumrico, por lo tanto en el caso de la variable sexo cuyos niveles pueden ser Varn y Mujer, mujer preceder a varn. El orden de los niveles del factor es importante porque determinar el orden en que aparecern en las tablas o grficos en los que vayan a utilizarse. Rcommander permite transformar cualquier variable en factor; es importante sin embargo tener en cuenta que las variables que vayan a convertirse en factores no han de presentar demasiadas categoras. Por ejemplo, no tendra sentido convertir en factor la variable altura. Sin embargo, s podramos convertir en factor una recodificacin de esta variable en varios niveles. La conversin de una variable en factor comienza con el siguiente cuadro de dilogo:

- 57 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

3.11. Figura. Conversin en factores.

En este cuadro de dilogo se selecciona la variable que se desea convertir en factor, se le asigna un nuevo nombre (o se mantiene el antiguo), y se definen los nombres de cada uno de sus niveles o se numeran stos. La pantalla que permite asignar nombres a cada uno de los niveles del factor es la siguiente:

3.12. Figura. Niveles de los factores.

El comando que permite tratar una variable como factor aparece en la ventana de instrucciones:
Edi.data$IC_1 <- as.factor(Edi.data$IC_1)

3.2.6 Segmentar una variable numrica

La opcin de segmentacin permite generar categoras a partir de los valores de una variable existente. Segmentar una variable numrica abre una ventana de dilogo en la que se seleccionar la variable que queremos

- 58 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ segmentar, se le asignar un nuevo nombre, y se definirn los criterios para ejecutar la categorizacin en un nmero de clases que definir el investigador. La variable resultante es un factor. En el ejemplo se categoriza la variable altura en 4 clases equidistantes que sern nombradas utilizando nmeros.

3.13. Figura. Segmentacin de una variable.

El resultado es una variable con 4 valores equidistantes que muestra la siguiente tabla de frecuencias.
1 2 3 4 31

47 433 352

Si se hubiera definido un mtodo de segmentacin que mantenga segmentos con un nmero de casos similar, se hubiera obtenido una distribucin de frecuencias que se aproxima a la distribucin uniforme.
1 2 3 4

218 235 211 199

La opcin Rangos disponible en esta ventana generara una tabla de frecuencias para rangos de valores,

- 59 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

(1.32,1.49] (1.49,1.66] (1.66,1.83] 47 433 352

(1.83,2] 31

Edi.data$altura_seg

<-

bin.var(Edi.data$Altura,

bins=4,

method='intervals', labels=c('1','2','3','4'))

3.2.7 Reordenar niveles de factor

Por defecto los niveles de un factor se almacenan siguiendo un orden alfanumrico, por lo tanto Mujer precedera a Varn o 1 precedera a 2. El orden de los niveles del factor es importante porque determinar el orden en que aparecern en las tablas o grficos en los que vayan a utilizarse. Para imponer un orden predeterminado se utilizar la opcin Reordenar niveles de factor. A partir de ella se accede a una ventana en la cual se podr renombrar o mantener el nombre de la variable original. Es importante la opcin Factor de tipo ordenado porque permite considerar los factores como variables categricas ordenadas, o simplemente categricas.

3.14. Figura. Reordenar niveles de factor.

3.2.8 Renombrar variables

- 60 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta opcin permite asignar un nuevo nombre de variable a otra ya existente.

3.15. Figura. Renombrar variables.

3.2.9 Eliminar variables del conjunto de datos

Esta opcin es til para eliminar variables del conjunto de datos activo. Basta para ello seleccionar del siguiente cuadro de dilogo la/s variable/s a eliminar:

3.16. Figura. Eliminar variables.

- 61 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4 Anlisis de escalas

El estudio de una escala de actitudes, un inventario de personalidad o una prueba de aptitud numrica comprende un conjunto de anlisis cuya finalidad es garantizar la fiabilidad de los datos y la validez de las inferencias que se derivan de ellos. La fiabilidad es un concepto relacionado con la precisin o consistencia interna de las medidas, y la validez se centra en el estudio de evidencias que avalen el uso de las puntuaciones obtenidas (Martnez Arias, 1995; Elosua, 2005). La fiabilidad y la validez son conceptos clave que han de ser estudiados, analizados y verificados en aras a un correcto uso de los tests. Entre los acercamiento posibles al estudio de la fiabilidad de las medidas cabe diferenciar entre aquellos cuyo objetivo es analizar su estabilidad temporal y aquellos que focalizan su inters en la consistencia interna. Los primeros estiman la correlacin entre las medidas obtenidas por el mismo test en dos momentos temporales. Los segundos ofrecen un indicador del grado de covariacin entre los elementos del test. De entre los mtodos desarrollados para la evaluacin de la consistencia, el ms utilizado en la investigacin aplicada es el coeficiente alfa de Cronbach (Elosua y Zumbo, 2008). El estudio de la validez se torna un asunto ms complejo en tanto en cuanto es imposible reducir la validez de una inferencia a un indicador numrico. En la bsqueda de evidencias que avalen las inferencias construidas a partir de un test es posible diferenciar entre evidencias de tipo interno y evidencias externas (Elosua, 2003). Las primeras, incluiran un estudio de la estructura interna o dimensionalidad del test. Bsicamente, son abordadas desde el modelo del factor comn (son posibles acercamientos no lineales al tema, McDonald (1999)) a travs de anlisis factoriales que pueden ser exploratorios o confirmatorios, y a travs del anlisis de componentes principales. Su objetivo es reducir la informacin contenida en un conjunto (n) de variables observadas (tems, escalas parciales, escalas) a un nmero de factores o dimensiones (m < n)

- 62 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ de modo que sea posible explicar la variabilidad observada en los datos a travs de ellas. Las segundas se basan en la recopilacin de evidencias que analizan la relacin entre las puntuaciones obtenidas por el test y criterios externos. Entre las evidencias utilizadas para garantizar la validez se encuentran la evidencia convergente/discriminante basada en el anlisis de la matriz multirasgo/multimtodo (Campbell y Fiske, 1959) y las relaciones test/criterio que pueden establecerse por medio del coeficiente de validez, o correlacin entre las puntuaciones obtenidas en el test y el criterio que se quiere predecir. Rcommander permite estudiar la fiabilidad y estudiar fuentes de evidencia de validez interna y externa a travs de funciones especficas diseadas para el estudio de escalas o por medio de la aplicacin de modelos estadsticos de regresin.

4.1

Presentacin del ejemplo

La utilizacin de Rcommander en el estudio de las caractersticas de un inventario, tests o escala se presentar con el apoyo de los anlisis ejecutados sobre un conjunto de datos provenientes de una investigacin que tuvo como finalidad la adaptacin al espaol del Eating Disorder Inventory-3 (Garner, 2004; Elosua, Lpez-Juregui y Snchez, 2010); los datos pertenecen a dos de las escalas parciales de este inventario; las dos estn relacionadas con escalas para el estudio de trastornos de la conducta alimentaria: Insatisfaccin corporal (IC) y Obsesin por la delgadez (OD). La escala Insatisfaccin corporal est compuesta por 10 tems, y la escala Obsesin por la delgadez por 7. Se analizar con mayor detalle la escala Insatisfaccin Corporal. Todos los tems tienen 6 categoras de respuesta (Siempre, Casi siempre, A menudo, A veces, Pocas veces, Nunca) que se responden en la direccin sintomtica en una escala graduada con mnimo 0 y mximo 5 (0-1-2-3-4-5). Es decir a una mayor

- 63 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ puntuacin se le asocia un nivel mayor de insatisfaccin corporal. El contenido de los 10 tems de la escala Insatisfaccin Corporal es el siguiente:
1.- Creo que mi estmago es demasiado grande. 2.- Pienso que mis muslos son demasiado gruesos. 3.- Creo que mi estmago tiene el tamao adecuado. 4.- Me siento satisfecho con mi figura. 5.- Me gusta la forma de mi trasero. 6.-Creo que mis caderas son demasiado anchas. 7.- Me siento hinchado despus de una comida normal. 8.- Creo que el tamao de mis muslos es adecuado. 9.- Creo que mi trasero es demasiado grande. 10.- Creo que mis caderas tienen el tamao adecuado.

Los tems de la escala Obsesin por la Delgadez son:


1.- Como dulces y carbohidratos sin preocuparme. 2.- Pienso en ponerme a dieta. 3.- Me siento muy culpable cuando como en exceso. 4.- Me aterroriza ganar peso. 5.- Exagero o doy demasiada importancia al peso. 6.-Estoy preocupada porque querra ser una persona ms delgada. 7.- Creo que puedo conseguir mis objetivos.

El conjunto de datos variables:

a analizar est compuesto por las siguientes

1.- Edad: variable numrica 2.- Sexo: Factor con dos niveles Varn/Mujer 3.- Peso: Peso en kilogramos de cada participante 4.- Peso ideal. Peso considerado ideal por cada participante 5.- Altura. Altura en metros de cada participante 6:12.- OD_1 : OD_7.- tems perteneciente a la escala Obsesin por la delgadez 13:22.IC_1 : IC_10:tems pertenecientes a la escala Insatisfaccin Corporal

- 64 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
23.- BA. Valores de cada uno de los participantes en una escala de Baja Autoestima 24.- B. Valores de cada uno de los participantes en una escala de comportamiento bulmicos; Bulimia

El anlisis psicomtrico de los datos seguir un orden secuencial similar a cualquier estudio de este tipo. Bsicamente se ajustar a las siguientes pautas.
1.- Lectura de datos 2.- Correccin de la prueba. 3.- Anlisis descriptivo de los tems 4.- Fiabilidad. ndice de discriminacin y coeficiente alfa. 5.- Validez. Estructura interna. Anlisis factorial exploratorio 6.- Validez. Comparacin de grupos 7.- Validez. Funcionamiento diferencial del tem 7.- Construccin de baremos

4.2

Lectura de datos

Los datos se encuentran en el fichero con formato ASCII Edi0.dat en el que los diferentes campos (variables) han sido delimitados por tabuladores. Tenemos que importar los datos, y para ello utilizamos la opcin Datos > Importar Datos > Desde archivo de texto o portapapeles. La ventana abierta permitir asignar un nombre al conjunto de datos en R que no tiene por qu coincidir con el nombre de fichero que est siendo importado. Es necesario especificar la informacin necesaria para la correcta lectura de los datos. En nuestro caso, tal y como puede verse en la imagen siguiente, hemos llamado al conjunto de datos Edi.data, indicamos a R que los nombres de las variables estn incluidas en el fichero, que utilizamos como separador entre variables el tabulador, y que las variables numricas utilizan la coma como signo decimal.

- 65 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.1. Figura. Importacin de datos

Cuando pulsemos Aceptar aparecer el comando de lectura tanto en la ventana de instrucciones como en la ventana de salida, y al mismo tiempo en la ventana de mensajes podemos comprobar el siguiente mensaje:
Edi.data <-read.table("C:/Edi0.dat", header=TRUE, sep="\t",

na.strings="NA", dec=",", strip.white=TRUE) NOTA: El conjunto de datos Edi.data tiene 976 filas y 24

columnas.

El primer comando de R asigna el fichero Edi0l.dat a un objeto R, un marco de datos (ver captulo siguiente), que se convertir a partir de ahora en el conjunto de datos activo. R ha ledo un fichero de datos compuesto por 976 filas (casos) y 24 columnas (variables). La apariencia del fichero podremos comprobarla por medio de las opciones de Editar conjunto de datos o Visualizar conjunto de datos.

- 66 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.2. Figura. Visualizar datos.

El contenido y caractersticas de las variables que componen el marco de datos (data frame) se obtiene fcilmente a travs de la opcin Estadsticos>Resmenes>Conjunto de datos activo.

Edad Min. :10.00 1st Qu.:13.00 Median :14.00 Mean Max. NA's Min. :14.80 :27.00 : 8.00 Altura : 3rd Qu.:16.00

Sexo mujer:517 varn:459

Peso Min. : 26.00 1st Qu.: 50.00 Median : 56.00 Mean Max. NA's OD_1 Min. :0.000 : 56.93 : 98.00 :204.00 3rd Qu.: 64.00

Pesideal Min. : 6.00 1st Qu.: 50.00 Median : 55.00 Mean Max. NA's : 56.79 : 85.00 :540.00 OD_3 Min. :0.000 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.363 :5.000 :9.000 3rd Qu.:2.000 3rd Qu.: 62.00

OD_2 Min. :0.000 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.490 :5.000 :8.000 3rd Qu.:3.000

1.320 1.590 1.650 1.651 1.720 2.000

1st Qu.: Median : Mean Max. NA's : : 3rd Qu.:

1st Qu.:2.000 Median :3.000 Mean Max. NA's :2.756 :5.000 :3.000 3rd Qu.:4.000

:113.000

- 67 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
OD_4 Min. :0.000 Min. 1st Qu.:1.000 Median :2.000 Mean Max. NA's Min. :2.263 :5.000 :9.000 IC_1 :0.000 Min. 1st Qu.:0.000 Median :1.000 Mean Max. NA's Min. :1.596 :5.000 :1.000 IC_5 : 0.000 Min. 1st Qu.: 1.000 Median : 2.000 Mean Max. NA's Min. : 2.552 : 5.000 :28.000 IC_9 : 0.000 Min. 1st Qu.: 0.000 Median : 1.000 Mean Max. NA's : 1.368 : 5.000 :12.000 3rd Qu.: 2.000 3rd Qu.: 4.000 3rd Qu.:2.500 3rd Qu.:4.000 OD_5 :0.000 Min. 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.643 :5.000 :3.000 IC_2 :0.000 Min. 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.708 :5.000 :2.000 IC_6 : 0.000 Min. 1st Qu.: 0.000 Median : 1.000 Mean Max. NA's : 1.379 : 5.000 :10.000 IC_10 : 0.000 Min. 1st Qu.: 1.000 Median : 3.000 Mean Max. NA's : 2.754 : 5.000 :12.000 3rd Qu.: 4.000 3rd Qu.: 2.000 3rd Qu.:3.000 3rd Qu.:3.000 OD_6 :0.000 Min. 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.746 :5.000 :7.000 IC_3 : 0.000 Min. 1st Qu.: 1.000 Median : 3.000 Mean Max. NA's : 2.731 : 5.000 :10.000 IC_7 :0.000 Min. 1st Qu.:1.000 Median :2.000 Mean Max. NA's :1.757 :5.000 :5.000 BA : 0.000 Min. 1st Qu.: 1.000 Median : 4.000 Mean Max. NA's : 4.303 :22.000 :88.000 3rd Qu.: 6.000 3rd Qu.:2.000 3rd Qu.: 4.000 3rd Qu.:3.000 OD_7 :0.000 1st Qu.:0.000 Median :1.000 Mean Max. NA's :1.846 :5.000 :7.000 IC_4 : 0.000 1st Qu.: 2.000 Median : 3.000 Mean Max. NA's : 2.939 : 5.000 :11.000 IC_8 : 0.000 1st Qu.: 1.000 Median : 2.000 Mean Max. NA's : 2.546 : 5.000 :10.000 B : 0.000 1st Qu.: 1.000 Median : 2.000 Mean Max. NA's : 3.598 :31.000 :74.000 3rd Qu.: 5.000 3rd Qu.: 4.000 3rd Qu.: 4.000 3rd Qu.:3.000

De este modo se logra una breve descripcin numrica de las variables que conforman el conjunto de datos en: valor mnimo (Min), valor mximo (Max), mediana (Median) y media aritmtica (Mean). Tambin nos ofrece los valores del primer y tercer cuartil; valores que dejan bajo ellos el 25% y el 75%

- 68 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ de la distribucin. Desde el punto de vista del anlisis de tems con este comando comprobamos que para los tems analizados el valor mnimo es 0 y el valor mximo 5. No existen valores aberrantes en nuestro conjunto de datos. El comando que bajo R ofrece esta salida es:
summary(Edi.data)

4.3

Correccin de la prueba. Recodificacin de los tems

La puntuacin obtenida en un test o escala es una variable compuesta formada por combinacin lineal de variables simples o de variables compuestas. Pinsese en una escala parcial compuesta por varios tems, y en la puntuacin total obtenida por medio de las puntuaciones parciales. La variable compuesta (X) es un indicador emprico del constructo que se pretende medir. La combinacin lineal que define una variable compuesta se representa por medio de la siguiente ecuacin en la que n representa el nmero de elementos a combinar.

Xj

w1 X1 j w2 X2 j w3 X3 j ... wn Xn j

Dnde Xj es la puntuacin obtenida por el sujeto j , wi, i es el coeficiente de ponderacin del tem i, Xij, es la puntuacin obtenida por el sujeto j en el tem i.

Dado que el peso de cada uno de los elementos sobre la puntuacin total puede diferir, la ponderacin (w) es necesaria para reflejar el peso asignado a cada uno de los elementos. Por ejemplo, supongamos que la nota final en una asignatura est compuesta por los resultados obtenidos en dos exmenes diferentes, y que el peso del primer examen en la nota final es el doble que el que tendr el segundo. En este caso la variable compuesta formada por dos variables simples podra representarse del siguiente modo:

X total

2 X1 X 2

- 69 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En las situaciones de test, sin embargo, la frmula habitual asigna el mismo peso a cada uno de los tems que componen la prueba. En estas circunstancias el coeficiente de ponderacin es 1 (wi=1) y la expresin anterior se simplifica y adquiere la siguiente forma:
n i 1

X
Donde

Xi

n ese l nmero de elementos o tems Xi, la puntuacin obtenida ene l tem i.

La puntuacin obtenida, X; es la representacin emprica del constructo que se desea medir. La exigencia demandada a la puntuacin total respecto a su representatividad del constructo que quiere medir se hace extensible a cada uno de sus componentes. La puntuacin final no ser representativa ni significativa del constructo medido si sus componentes no alcanzan esas caractersticas (relevancia y representatividad). Por ello, el anlisis de una escala exige el anlisis de sus componentes individuales a fin de explorar y comprobar su representatividad y consistencia. De hecho, si las variables simples no cumplen estos requisitos no podr logarse una variable compuesta que sea un indicador emprico relevante. Existen ms factores adems de la ponderacin, relacionados con la codificacin de los tems que afectan a la puntuacin emprica; entre ellos, la presencia de tems inversos y el azar. En general, y utilizando como criterio la existencia de criterios objetivos para la correccin de las respuestas dadas a un tem y, aunque existen ms formatos que los expuestos, los tems pueden clasificarse en dos grupos; aquellos que puede puntuarse en funcin de criterios objetivos (correcto, incorrecto, parcialmente correcto), y aquellos que carecen de criterios objetivos para su correccin (actitudes, intereses, personalidad). Los tems pertenecientes al primer grupo se conocen como tems de ejecucin mxima, y

- 70 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ los del segundo grupo son los tems de ejecucin tpica. El azar puede afectar a los tems de ejecucin mxima, pues es posible responder correctamente an sin conocer cul es la respuesta correcta. En los tems de ejecucin tpica el azar no es habitualmente un factor a considerar. En este tipo de tems y con el fin de controlar los efectos de los estilos de respuesta es habitual utilizar tems inversos.

4.3.1 tems inversos

Antes de la obtencin de la puntuacin total en una escala, es importante determinar cul es el sentido de la medida o la valencia del tem, es decir, cual es la direccin en que los tems reflejan el constructo a medir.

1.- Creo que mi estmago es demasiado grande 1.- Siempre 2.- Casi siempre 3.- Muchas veces 4.- Algunas veces 5.- Casi nunca 6.- Nunca 2.- Creo que mi estmago tiene el tamao adecuado 1.- Siempre 2.- Casi siempre 3.- Muchas veces 4.- Algunas veces 5.- Casi nunca 6.- Nunca

Ambos tems se relacionan con el mismo constructo, insatisfaccin corporal, pero en sentido contrario. La inferencia en cuanto a la insatisfaccin corporal de una persona que selecciona la opcin Siempre en el primer tem es

- 71 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ opuesta a las conclusiones sobre una persona que elige la opcin Siempre en el segundo tem. En el primer caso la puntuacin asignada sera 5 y reflejara un nivel de insatisfaccin corporal mayor que el de aquella persona que hubiera obtenido un 1. Sin embargo aqul que responde Siempre al segundo tem poseer un nivel de insatisfaccin corporal menor que la persona que responde al mismo tem con la opcin Casi nunca. Dado que la direccin de la escala es sintomtica, a mayor puntuacin mayor insatisfaccin corporal, los tems que representan el constructo en la direccin asintomtica son tems inversos.

+ -

Constructo

- Constructo + + Item -

- Item +
4.3. Figura. tems inversos

Antes de proceder al anlisis sobre conjuntos de datos que contienen tems inversos, es necesario redireccionarlos situando todos los tems de la escala en el mismo sentido. Los manuales de los tests incorporan la informacin necesaria para acometer esta tarea. En general, se aplicar la siguiente regla de reconversin:

X'= (XMa + Xmi ) - X


dnde X es la puntuacin recodificada, XMa y Xmi, los valores mximo y mnimo de la variable a recodificar X, la opcin seleccionada.

De este modo los valores 0, 1, 2, 3, 4 y 5 se reconvierten en 5, 4, 3, 2, 1 y 0.

- 72 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

X'0 = 5 + 0 - 0=5
' X1 = 5 + 0 - 1=4

X'2 = 5 + 0 - 2=3
' X3 = 5 + 0 - 3=2

X'4 = 5 + 0 - 4=1
' X5 = 5 + 0 - 5=0

La utilizacin de tems inversos ofrece al investigador la posibilidad de controlar dos factores relacionados con el estilo de respuesta que pueden contaminar la puntuacin total. Por un lado la deseabilidad social o tendencia a responder en funcin de lo socialmente aceptado, y la aquiescencia o tendencia a manifestar un acuerdo sistemtico con el enunciado del tem independientemente de su contenido. Adems del control de la aquiescencia o deseabilidad social pueden existir razones de tipo terico que justifiquen la utilizacin de alguna regla de codificacin en la correccin de los tems. Un ejemplo de esta situacin es la correccin del Eating Disorder Inventory-3 (EDI-3). En el manual de este cuestionario su autor recomienda utilizar una regla de correccin segn la cual las dos categoras menos sintomticas se funden en una sola. En el caso de los tems de insatisfaccin corporal las reglas de asignacin a aplicar quedan recogidas en la siguiente tabla:
tem 1-2-6-7-9 3-4-5-8-10 Valores iniciales 5-4-3-2-1-0 5-4-3-2-1-0 Valores recodificados 4-3-2-1-0-0 0-0-1-2-3-4

4.1 Tabla. Recodificacin tems Insatisfaccin Corporal

Para ejecutar esta reasignacin de valores en Rcommander la opcin a seleccionar variables es Recodificar conjunto Variables de datos (Datos>Modificar del activo>Recodificar

variables).

- 73 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.4. Figura. Recodificacin de variables.

La ventana de Rcommander permite seleccionar simultneamente todas aquellas variables cuya recodificacin se ajusta al mismo patrn (mantener pulsada la tecla Ctrl). En el proceso de recodificacin podemos utilizar las mismas variables del conjunto de datos activo y reasignarles los nuevos valores, o podemos crear nuevas variables que contengan los valores recodificados. Esta es la opcin por la que hemos optado y que recomendamos al lector. Tngase en cuenta que si se utilizan las mismas variables sera imposible invertir el proceso. Como resultado de la recodificacin obtenemos nuevas variables cuyo nombre es igual al de las variables ya existentes antecedidas por el prefijo Rec.

- 74 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.5. Figura. Asignacin de nuevos valores.

Una vez recodificadas las variables, podemos comprobar que R las ha aadido al conjunto de datos activo.

4.6. Figura. Visualizacin del conjunto de datos activo.

- 75 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Los comandos utilizados por R para la recodificacin aparecen en la ventana de instrucciones, en donde podemos comprobar que la funcin utilizada es recode. El comando crea una nueva variable ($) en el conjunto de datos activo (Edi.data) denominada RecIC_1, a partir de la recodificacin de los valores de la variable IC_1 perteneciente ($) al conjunto de datos activo (Edi.data).

Edi.data$RecIC_1 <- recode(Edi.data$IC_1, '5=4; 4=3; 3=2; 2=1; 1=0; 0=0; ', 0=0; ', 0=0; ', 0=0; ', 0=0; ', 5=4; ', 5=4; ', 5=4; ', 5=4; ', as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) as.factor.result=FALSE) '0=0; 1=0; 2=1; 3=2; Edi.data$RecIC_2 <- recode(Edi.data$IC_2, '5=4; 4=3; 3=2; 2=1; 1=0; Edi.data$RecIC_6 <- recode(Edi.data$IC_6, '5=4; 4=3; 3=2; 2=1; 1=0; Edi.data$RecIC_7 <- recode(Edi.data$IC_7, '5=4; 4=3; 3=2; 2=1; 1=0; Edi.data$RecIC_9 <- recode(Edi.data$IC_9, '5=4; 4=3; 3=2; 2=1; 1=0; Edi.data$RecIC_3 <- recode(Edi.data$IC_3, '0=0; 1=0; 2=1; 3=2; 4=3; Edi.data$RecIC_4 <- recode(Edi.data$IC_4, '0=0; 1=0; 2=1; 3=2; 4=3; Edi.data$RecIC_5 <- recode(Edi.data$IC_5, '0=0; 1=0; 2=1; 3=2; 4=3; Edi.data$RecIC_8 <- recode(Edi.data$IC_8, '0=0; 1=0; 2=1; 3=2; 4=3; Edi.data$RecIC_10 <- recode(Edi.data$IC_10, 4=3; 5=4; ', as.factor.result=FALSE)

4.4

Correccin de la prueba. Obtencin de la puntuacin

Una vez recodificados los tems de la escala Insatisfaccin Corporal es posible obtener la puntuacin para esta escala. Para ello es suficiente sumar los valores en cada uno de los tems. Esta operacin generar una nueva variable (IC) que se aadir al conjunto de datos activo.

- 76 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Para construir una nueva variable la opcin de la barra de mens de Rcommander sera, Datos>Modificar variables del conjunto de datos activo>Calcular una nueva variable. Esta opcin abre la siguiente ventana en la que se definirn el nombre de la variable a crear y la operacin algebraica necesaria para ello.

4.7. Figura. Clculo de la puntuacin total.

En el cmputo de la puntuacin total es importante recordar que en el caso de que se hubiera recodificado tems son stos los que hay que incluir y no los originales.
> Edi.data$IC <- with(Edi.data, RecIC_1+ RecIC_2+ RecIC_3+ RecIC_4+ RecIC_5+ + RecIC_6+ RecIC_7+ RecIC_8+ RecIC_9+ RecIC_10)

Una vez creada la nueva variable, para obtener informacin descriptiva sobre ella basta con seleccionar de la barra de mens la opcin Estadsticos>Resmenes>Resmenes variable IC del conjunto de variables. numricos y elegir la

- 77 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.8. Figura. Resumen numrico.

La salida de resultados muestra que la media aritmtica de la variable IC es 12,20 (mean), su desviacin estndar (sd) es 10,22 y que el valor de la mediana es 11 (50%).
mean sd 0% 25% 50% 75% 100% 0 3 11 18 40 n NA 908 68

12.20705 10.22606

Para obtener una representacin grfica de la distribucin de estas variables Rcommander ofrece varias posibilidades accesibles en la opcin Graficas de la barra de mens. En este caso optamos por el histograma porque estamos interesados en una sola variable, la naturaleza de la variable es continua, y queremos informacin sobre la distribucin de esta variable en el total del grupo de participantes. La opcin Graficas>Histograma abre la siguiente ventana en la que se definir la variable de inters y se fijarn varios parmetros de representacin.

- 78 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

4.9. Figura. Ventana Histograma

Este comando y el resto de comandos relacionados con la ejecucin de grficos abren una nueva ventana en R (dispositivo grfico); los grficos no aparecen en la ventana de salidas de Rcommander. Una vez generado el grfico es sencillo copiarlo o guardarlo bajo diferentes formatos grficos; para ello es suficiente utilizar el botn derecho del ratn (Ctrl+C, Ctrl+V).

frequency

0
0

50

100

150

200

250

300

10

20

30 Edi.data$IC

40

50

60

4.10. Figura. Insatisfaccin corporal. Histograma

En el eje X del histograma se rotula el nombre de la variable (Edi.data$IC), y en el eje Y sus frecuencias absolutas (frequency). La apariencia de este grfico es muy bsica y algo tosca, pero es sencillo modificarlo y adaptarlo a los gustos y necesidades del investigador. - 79 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El histograma refleja una distribucin sesgada de la variable insatisfaccin corporal, en el que existe una acumulacin de sujetos en el lado izquierdo de la distribucin, donde los valores son ms bajos. Hay muy pocos sujetos en la cola derecha de la distribucin. Qu significa esto? Para una correcta interpretacin de cualquier distribucin es importante conocer la variable representada. En nuestro caso la variable de estudio es la insatisfaccin corporal, y est siendo analizada en una muestra no-clnica. Por lo tanto, el perfil que muestra el histograma es el perfil que esperbamos. La mayor parte de la poblacin tiene niveles bajos de insatisfaccin corporal, y existe un mnimo de la muestra con niveles de insatisfaccin corporal elevados. Cul hubiera sido el perfil del histograma en una muestra clnica afectada por problemas de conducta alimentaria?

4.5

Anlisis de tems

El anlisis de tems trata de estudiar las caractersticas sustantivas y formales de un conjunto de tems pertenecientes a una escala determinada. El anlisis ha de ser cualitativo y cuantitativo y siempre ha de estar conectado con los objetivos del test. El anlisis cualitativo de tems estudiar aspectos lingsticos y de contenido con el fin de analizar la adecuacin lingstica, cultural y sustantiva en relacin al objeto medido y a la poblacin diana, que garantice tanto su relevancia como su Hambleton y Zenisky, 2006). Slo tras una primera fase, ineludible, en la que un grupo de expertos evala cada uno de los tems comenzara el anlisis cuantitativo. Con el fin de que la puntuacin obtenida en el test sea significativa y representativa del dominio sobre el cual se basa la inferencia, el anlisis de tems estudiar el modo en el que stos alcanzan los objetivos marcados. pertinencia (Elosua, 2003; Elosua,

- 80 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Los ndices numricos ms habituales incluidos en el anlisis de tems pueden clasificarse en dos grandes bloques; aquellos relacionados con el modelo formal sobre el cual se ha construido el test, y aquellos ndices relacionados con la validez del test. Dentro de la teora clsica de test pertenecen al primer grupo el ndice de dificultad, el ndice de discriminacin y el ndice de fiabilidad (algo menos utilizado que los anteriores). El ndice de dificultad se halla estrechamente ligado a la distribucin de las respuestas, y el resto de ndices se construye sobre el estudio de las relaciones entre variables. Entre los ndices relacionados con la validez el ndice de validez y el funcionamiento diferencial del tem son los ms destacados. El primero analiza la relacin del tem con un criterio externo y el segundo estructura interna del test. Excepto el funcionamiento diferencial del tem, el resto son ndices clsicos de la literatura psicomtrica que son tratados prcticamente en todos los manuales de psicometra, y son acometidos por todo aquel interesado en la construccin o adaptacin de test. El estudio del funcionamiento diferencial del tem es algo ms reciente respecto a los dems ndices; sin embargo, ha de reconocerse que tiene ya una amplia trayectoria dentro de la psicometra y que existen ya procedimientos de estimacin sencilla accesibles a todo investigador novel.
ndice de dificultad Modelo formal ndice de atraccin ndice de discriminacin ndice de fiabilidad Validez
4.2 Tabla. Anlisis de tems. ndices

es una herramienta til en el estudio de la

ndice de validez Funcionamiento diferencial del tem

- 81 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 4.6 Anlisis de tems. ndices de forma 4.6.1 Media aritmtica

Cuando la naturaleza de la variable a analizar es dicotmica o el tem es de ejecucin mxima, la media aritmtica del tem informa sobre el nivel de dificultad del elemento; de hecho, en que la condiciones de dicotoma (correcto/incorrecto) la media aritmtica del tem se conoce como ndice de dificultad del tem (pi) interpretacin y no es ms proporcin de sujetos que desviacin responden correctamente al tem. Para formatos de respuesta no dicotmicos la de la media aritmtica requiere asociarla con la estndar del tem.

pi

1 N

N j 1

Xij

Donde pi es el ndice de dificultad del tem i , Xij, es la respuesta dada al tem i por el sujeto j N, es el nmero de sujetos.

A la pregunta comn acerca del valor ptimo del ndice de dificultad de un tem o del valor recomendable para la media aritmtica de un tem es menester responder que el anlisis de tems ha de enmarcarse siempre en el contexto de los objetivos perseguidos. Slo ellos podrn definir el nivel de discriminacin necesario y slo ellos permitirn delimitar si la informacin sobre los sujetos ha de ser ms precisa en algn punto o intervalo del continuo de medida. En funcin de los objetivos del test las medias aritmticas de las respuestas a los tems podrn ser diferentes (altas, medias o bajas). Por ejemplo, en los contextos en que la distribucin buscada sea asimtrica y se precise una discriminacin fina en los valores altos de la escala las medias aritmticas de los tems que permitan tal objetivo tendran que ser evidentemente bajas (tems difciles). Supongamos que se desee seleccionar un grupo de alumnos para la concesin de becas de alto nivel. Ese objetivo exige discriminar entre un grupo

- 82 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ de alumnos aquellos que podrn acceder a la beca; es decir, la seleccin de candidatos se llevara a cabo en un rea de la distribucin limitada por los valores ms altos de la escala. Para ello la distribucin debera ser sesgada hacia el lado derecho y ello implicara utilizar ndices de dificultad bajos (tems difciles). En esta situacin, que en el contexto de la teora clsica de test est siempre supeditada a las caractersticas del grupo normativo, seran pocos los que respondieran a los tems correctamente, y la mayora de los miembros del grupo obtendra puntuaciones bajas. Es decir, la mayora de las personas del grupo obtendra puntuaciones por debajo del punto de corte, Xc y sobre este punto habra un grupo de candidatos menor.

Xc
4.11. Figura. Distribucin sesgada

4.6.2 ndice de atraccin

En el caso de escalas graduadas, escalas Likert, o tems de ejecucin ptima, el concepto de ndice de dificultad carece de sentido, y habra de hablarse de la media aritmtica del tem. Sin embargo, resulta ms informativo que la media aritmtica el estudio de la distribucin de frecuencias asociada a las respuestas. De este modo obtendramos informacin sobre la atraccin que ejerce cada una de las opciones de respuesta en la muestra de inters. El nmero (o en su caso proporcin o porcentaje) de sujetos que elige cada una de las categoras del tem se conoce como ndice de atraccin del tem. En este ejemplo obtendremos la distribucin de frecuencias referida a cada uno de los tems de la escala que estamos analizando. La opcin para la - 83 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ obtencin de la tabla de frecuencias es: Estadsticos>Resmenes>Distribucin de frecuencias. Ahora bien, si nos fijamos en la ventana a la que accedemos, comprobaremos que slo aparecen en ella variables categricas, es decir, factores. Dado que el tratamiento que estn recibiendo los tems es de tipo numrico no aparecen en la ventana de seleccin de variables.

4.12. Figura. Seleccin de variables.

Para salvar esta restriccin podemos hacer uso de dos opciones. Convertir las variables a analizar en factores a travs de la opcin Datos>Modificar variables del conjunto de datos activo> Convertir variable numrica en factor y optar posteriormente al anlisis de distribucin de frecuencias. Teclear directamente en la ventana de instrucciones el siguiente comando.
tabla.freq <-as.data.frame( apply(Edi.data[,25:34],2,table)) tabla.freq

Aconsejamos la segunda opcin. En ella se especifica el conjunto de datos activo (Edi.data), y las columnas que ocupan las variables que queremos analizar; los tems recodificados ocupan las posiciones 25-34 (la funcin apply ser introducida ms adelante). - 84 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Rcommander ofrece la siguiente salida: nombre de cada uno de los tems analizados (RecIC_1.RecIC_10) y la distribucin de respuestas correspondiente.
RecIC_1 RecIC_2 RecIC_6 RecIC_7 RecIC_9 RecIC_3 RecIC_4 RecIC_5 RecIC_8 RecIC_10 0 1 2 3 4 556 175 82 76 86 535 145 102 67 125 612 135 75 65 79 476 270 104 72 49 617 136 73 54 84 382 128 172 171 113 433 129 200 115 88 308 137 222 152 129 338 124 177 190 137 374 126 190 169 105

La interpretacin de la tabla es sencilla; Respecto al primer tem de la escala Insatisfaccin corporal se concluye que a 556 personas les ha sido asignada la puntuacin 0, mientras que 175 han logrado una puntuacin de 1; el valor 2 ha sido obtenido por 82 personas, el 3 por 76 participantes, y finalmente son 86 personas las que recibieron una puntuacin de 4 en este tem. Si en lugar de frecuencias absolutas el inters se centrara en la obtencin de proporciones, ser suficiente escribir en la ventana de comandos la siguiente funcin:
prop.table (tabla.freq,2)

RecIC_1 RecIC_2 RecIC_6 RecIC_7 RecIC_9 RecIC_3 RecIC_4 RecIC_5 RecIC_8 0 1 2 3 4 0.57 0.18 0.08 0.08 0.09 0.55 0.15 0.10 0.07 0.13 0.63 0.14 0.08 0.07 0.08 0.49 0.28 0.11 0.07 0.05 0.64 0.14 0.08 0.06 0.09 0.40 0.13 0.18 0.18 0.12 0.45 0.13 0.21 0.12 0.09 0.32 0.14 0.23 0.16 0.14

RecIC_10 0.39 0.13 0.20 0.18 0.11

0.35 0.13 0.18 0.20 0.14

Los estadsticos descriptivos de estas distribuciones, la media aritmtica y la varianza, se obtienen a travs de la opcin Estadsticos > Resmenes > Resmenes numricos. En ella se seleccionarn las variables de inters dentro del conjunto de datos activo. En nuestro caso, las variables son los 10 tems recodificados. El comando que generar tal informacin es el siguiente.

- 85 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
numSummary(Edi.data[,c("RecIC_1", "RecIC_2", "RecIC_3", "RecIC_4", "RecIC_5", RecIC_10")], "RecIC_6", "RecIC_7", "RecIC_8", "sd", "RecIC_9", "quantiles"), statistics=c("mean",

quantiles=c(0,.25,.5,.75,1))

La funcin a aplicar es numSummary sobre las variables del conjunto de datos activo (ntese que en esta ocasin en lugar de utilizar el smbolo $ de pertenencia, se ha optado por crear un vector (c) para acceder a las variables pertenecientes al conjunto de datos activo). La ventana de salida de Rcommander ofrece una tabla con el siguiente aspecto:

mean RecIC_1 RecIC_2 RecIC_3 RecIC_4 RecIC_5 RecIC_6 RecIC_7 RecIC_8 RecIC_9

sd

0% 25% 50% 75% 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 2 0 1 2 0 1 1.5 2.0 3.0 2.0 3.0 1.0 1.0 3.0 1.0 3.0

100% 5 5 4 4 4 5 5 4 5 4

n 975 974 966 965 948 966 971 966 964 964

NA 1 2 10 11 28 10 5 10 12 12

1.0225641 1.542520 1.2063655 1.715512 1.4875776 1.448727 1.2704663 1.371921 1.6381857 1.421251 0.9057971 1.510731 0.9670443 1.304609 1.6521739 1.474175 0.8962656 1.525017

RecIC_10 1.4865145 1.425486

En ella aparecen la media aritmtica de cada tem (mean), la desviacin estndar (sd), el primer cuartil (25%), el segundo cuartil o mediana de la distribucin (50%), tercer cuartil (75%), nmero de sujetos (n) y el nmero de valores faltantes en cada uno de los tems (NA).

4.6.3 Grfico de la distribucin de respuestas

Otro modo de conseguir informacin representativa y clara sobre la distribucin de frecuencias nos lo ofrece el grfico de barras. Su obtencin es sencilla en Rcommander; basta seleccionar en la barra de mens la opcin

- 86 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Graficas>Grfica de barras, donde podemos seleccionar la/s variable/s cuya distribucin queremos conocer. La grfica generada tiene un aspecto bsico y sencillo que puede ser fcilmente modificado y mejorado por medio de la especificacin de algunos parmetros.
barplot ( table(Edi.data[,25]), xlab="Item1") barplot (table(Edi.data$RecIC_1),xlab= "Item1")

4.13. Figura. Diagrama de barras

Es posible modificar el aspecto del diagrama fijando los lmites del eje de ordenadas (ylim=range(0,100), aadiendo un ttulo al mismo ylab=Frecuencias, especificando el color de las barras

(col=heat.colors(5)), o incorporando un ttulo, que en este caso identificamos con el contenido del tem (main= "Creo que mi estmago es demasiado grande"), y un indicativo del lugar que ocupa en la escala (sub=Item1).

barplot(table(Edi.data$Rec_item1),ylim=range(0,100), ylab="Frecuencias", border="blue", col=heat.colors(5),main= "Creo que mi estmago es demasiado grande", sub="Item1")

- 87 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Automatizando este procedimiento de generacin de grficos se crearon las siguientes grficas de barras para el conjunto de tems que forman la escala insatisfaccin corporal.

Creo que mi estmago es demasiado grande

Pienso que mis muslos son demasiado gruesos

600

Frecuencias

Frecuencias
0 1 2 Item1 3 4

400

200

200

400

600

2 Item2

Creo que mi estmago tiene el tamao adecuado

Me siento satisfecho con mi figura

600

Frecuencias

Frecuencias
0 1 2 Item3 3 4

400

200

200

400

600

2 Item4

Me gusta la forma de mi trasero

Creo que mis caderas son demasiado anchas

600

Frecuencias

Frecuencias
0 1 2 Item5 3 4

400

200

200

400

600

2 Item6

4.14. Figura. Diagrama de barras de los tems.

- 88 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5 Fiabilidad.

ndice

de

discriminacin

coeficiente alfa

5.1

ndices de relacin. Matriz de correlaciones

El estudio de las relaciones entre tems ocupa un lugar destacado en el anlisis de tems; su estudio es abordado por los ndices de relacin, que bsicamente analizan las correlaciones entre los tems o entre conjuntos de tems. Una correlacin es un ndice del grado de relacin entre dos variables, si alguna de las variables es un tem la informacin obtenida se refiere a ste ltimo. El procedimiento de estimacin de la correlacin depende de la - 89 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ naturaleza (discreta/continua) de las variables. Es posible estimar una correlacin biserial, biserial-puntual, tetracrica, policrica o producto-momento de Pearson. Correlacin biserial puntual Cuando una de las variables es dicotmica (p.e. tem) y la otra variable es continua (p.e. la puntuacin total) la correlacin puede estimarse aplicando la siguiente frmula:
p bp X X

p q

p X

pq

Donde p media aritmtica en el test de los sujetos que han respondido al tem correctamente, X, media aritmtica del test, q, media aritmtica en el test de los sujetos que han respondido al tem incorrectamente, X, desviacin estndar del test, p, proporcin de sujetos que han respondido correctamente q, proporcin de sujetos que han respondido incorrectamente.

Correlacin biserial (poliserial) Cuando se asume que a la variable dicotmica (o categorizada) subyace una variable latente que se distribuye segn la ley normal, la correlacin a estimar sera la correlacin biserial. En este contexto, una de las variables es continua y la otra es una variable supuestamente dicotomizada o politomizada:

p b X

p y

Donde p media aritmtica en el test de los sujetos que han respondido al tem correctamente, X, media aritmtica del test, X, desviacin estndar del test, p, proporcin de sujetos que han respondido correctamente y, la ordenada en el punto z que se corresponde al rea bajo la curva normal asociada a p.

- 90 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Lord y Novick (1968) formulan de este modo la relacin entre la correlacin biserial y la correlacin biserial puntual.

bp

pq y

Para los mismos datos, la estimacin ofrecida por la correlacin biserial es mayor que la obtenida por la correlacin biserial puntual. La diferencia entre ambos ndices es mnima cuando el ndice de dificultad del tem es medio, y su diferencia crece en la medida en que el ndice de dificultad aumenta o disminuye, hasta el punto de que la correlacin biserial puede incluso ser cuatro veces mayor que la correlacin biserial-puntual (Magnuson, 1967). Correlacin Phi Se utiliza cuando ambas variables son dicotmicas.

pij
ij

pi p j

pi qi p j q j

Donde ,

pij proporcin de sujetos que responden correctamente a los tems i y j

pi proporcin de sujetos que responden correctamente al tem i pj, proporcin de sujetos que responden correctamente al tem j qi proporcin de sujetos que responden incorrectamente al tem i qj proporcin de sujetos que responden incorrectamente al tem j.

Correlacin tetracrica (policrica) Cuando se trabaja con variables dicotomizadas (o categorizadas) se

pueden estimar correlaciones tetracricas (policricas). En su aplicacin se asume que bajo las variables dicotomizadas (categorizadas) subyacen dos variables que se distribuyen segn la ley normal. No existe una frmula simple para la obtencin de la correlacin tetracrica; R posee entre otros, el paquete polycor a travs del cual se pueden estimar correlaciones policricas y poliseriales. - 91 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Correlacin de Pearson Cuando las dos variables son continuas y se asume una relacin lineal entre ellas la correlacin a utilizar es la correlacin de Pearson. La correlacin es una covarianza normalizada, de modo que el intervalo de valores posibles es 1,1.

Cov X , Y
XY X Y

Donde

es la correlacin entre X e Y, y Y, son las desviaciones estndar de las variables X e Y Cov (X,Y), es la covarianza entre las variables X e Y.
XY X

La expresin anterior es una formulacin general de la correlacin lineal entre dos variables observadas de las que la correlacin biserial-puntual y phi no son ms que casos especiales. Si las correlaciones se estiman entre todos los tems que componen una escala se obtiene la matriz de correlaciones. Esta matriz aporta informacin relevante sobre la estructura interna del test. La matriz de correlaciones es una matriz simtrica (
12 = 21.)

con unos en la diagonal.

Los valores esperables en la matriz de correlaciones entre tems son por lo general, positivos. La aparicin de valores negativos se debe habitualmente a la presencia de tems inversos no recodificados. En el caso de que se analicen tems pertenecientes a distintas escalas parciales, las correlaciones entre tems pertenecientes a la misma escala parcial sern mayores que las estimadas entre tems pertenecientes a distintas escalas. La inspeccin de la matriz de correlaciones ofrece informacin relevante sobre la estructura interna del test. Sin embargo, a medida que aumenta al nmero de tems es difcil extraer informacin significativa y clara; habra que aplicar sobre ella procedimientos y modelos ms adecuados entre los que destaca el modelo de anlisis factorial.

- 92 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5.2

ndices de relacin. ndice de discriminacin

La relacin entre cada uno de los tems que componen una escala y la escala misma se analiza habitualmente por medio del ndice de discriminacin (riX); la informacin aportada por este ndice est ligada a la consistencia interna del test. El ndice se obtiene por medio del coeficiente de correlacin entre el tem objeto de estudio y la puntuacin total. Aunque tericamente y al tratarse de una correlacin los valores del ndice de discriminacin varan en un rango de 1,1, en el contexto del anlisis de tems no tendran sentido los ndices de discriminacin negativos. A pesar de que la fijacin de puntos de corte referidos a la calidad de un ndice es siempre interpretable en funcin del contexto, entre la comunidad psicomtrica se acepta la siguiente clasificacin referida al ndice de discriminacin (Ebel, 1965; Elosua, 2005).

riX 0,40<ai 0,30<ai<0,39 0,20<ai<0,29 ai<0,19

Nivel discriminacin Muy bueno Bueno Deficiente Insuficiente

de

4.3 Tabla. ndice de discriminacin.

La relacin tem-test estimada por medio de la correlacin tempuntuacin total, presenta una caracterstica que es preceptivo corregir cuando el nmero de tems que componen la escala es reducido. La correlacin tem-test obtenida de este modo est inflada espuriamente por la inclusin del tem cuyo ndice de discriminacin se desea estimar en la puntuacin total de la escala. Este aumento espurio puede ajustarse fcilmente eliminando de la puntuacin total la influencia del tem y estimando el ndice de discriminacin corregido, entre el tem y un compuesto formado por el resto de tems de la escala. Este

- 93 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ ndice habitualmente recibe el nombre de ndice de discriminacin corregido. Ambos ndices, el ndice de discriminacin y el ndice de discriminacin corregido, son ofrecidos por Rcommander. Se pueden utilizar dos acercamientos para la obtencin del ndice de discriminacin corregido; estimar la correlacin entre el tem y la escala de la que previamente se ha eliminado el mismo, o aplicar directamente la siguiente frmula:

i( X i)

2 i

iX X 2 X

iX

Donde

iX,

es la correlacin corregida entre el tem y la escala, es la correlacin sin corregir entre el tem y la escala, X, es la desviacin estndar de la escala i, es la desviacin estndar del tem.
i(X-i)

5.3

Fiabilidad

En todo proceso de medida por el cual se asignan valores numricos a ciertas propiedades de los objetos interfieren los errores de medida. Los errores de medida afectan a todas las medidas, sean fsicas, mdicas, qumicas o las medidas utilizadas en el marco de las ciencias sociales. Su influencia sobre el resultado final es diferente en funcin del grado de desarrollo mtrico de la ciencia en cuestin. No seran comparables los errores de medida que afectan a la medicin de una magnitud fsica con los errores de medida que acompaa toda medicin psicolgica. Una prueba del grado de fiabilidad de la primera respecto a la segunda podra obtenerse analizando sucesivas mediciones de la misma distancia y evaluando las discrepancias entre ellas. A menor discrepancia mayor fiabilidad. En el caso de la medicina por ejemplo, pinsese en las continuas mediciones de tensin arterial; en este caso -y en ausencia de variables

- 94 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ externas que la modifiquen, las discrepancias entre mediciones realizadas son habituales; y la discrepancia aumenta si los sanitarios que efectan la medicin son diferentes y utilizan distintos tensimetros. En el contexto psicolgico podra hipotetizarse las repetidas administraciones de un test y registrar sus distintos valores para el mismo sujeto. Asumir la existencia de errores de medida es fundamental, y estimar su efecto sobre las puntuaciones es uno de los objetivos que persiguen los modelos psicomtricos. Dentro de la teora clsica de tests el concepto que aborda la estimacin del efecto de los errores de medida es la fiabilidad. La fiabilidad se refiere a la precisin de las puntuaciones, y su objetivo es estimar hasta qu punto los errores interfieren en el proceso de medida. Estos, son por definicin aleatorios, no controlados y de su estimacin se deriva el grado de fiabilidad de las puntuaciones del test.

5.3.1 Modelo lineal clsico

La teora clsica de tests se construye en torno al concepto de fiabilidad. Los orgenes del modelo se sitan en los trabajos de Spearman (1904, 1907, 1913), que Gulliksen sistematiza (1950) y se reformulan en la obra de Lord y Novick (1968). El objetivo del modelo es estimar la influencia de los errores de medida con el fin de obtener informacin sobre el grado de certidumbre (fiabilidad) de los datos obtenidos por el test.

MODELO

X V E
1. V 2. 3.
V ,E
e j ,ek

SUPUESTOS

E X

0
0

TEST PARALELOS:

- 95 Dos tests, j y k, son paralelos, si sus varianzas de error [

ej

ek]

y las puntuaciones

verdaderas de un sujeto en ambas formas son equivalentes [Vj=Vk ].

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Sin embargo con la definicin del modelo es imposible estimar el efecto del error de medida sobre las puntuaciones observadas. Por ello a la formulacin bsica del modelo es necesario aadir ciertos supuestos que permitan llevar a cabo la estimacin deseada. La puntuacin obtenida en un test (X) es una variable compuesta por dos componentes, la puntuacin verdadera (V) y la puntuacin de error (E). El error aleatorio puede incrementar o reducir la puntuacin verdadera, y para estimarla es necesario considerar los siguientes supuestos: Supuesto 1 La puntuacin verdadera de un sujeto es la esperanza matemtica de su puntuacin emprica. Es decir, si se obtuvieran repetidas veces las puntuaciones de un sujeto en un mismo test, la puntuacin verdadera se obtendra como la media aritmtica de todas las puntuaciones obtenidas en las distintas aplicaciones del test. Supuesto 2 No existe correlacin entre la puntuacin verdadera y la puntuacin de error. Los errores por definicin son errores aleatorios y por tanto no determinan la puntuacin verdadera. Supuesto 3 La correlacin entre los errores es 0. Definicin de formas paralelas Dos test son paralelos si las puntuaciones verdaderas son equivalentes y si ambas formas tiene varianzas de error equivalentes. De esos supuestos se derivan los siguientes teoremas:

- 96 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 1.- El error de medida es la diferencia entre la puntuacin emprica y la puntuacin verdadera.

e X V
2.- La esperanza matemtica del error de medida es 0. Es decir los errores no son sesgados.

E e

3.- La media aritmtica de la puntuacin emprica es igual a la media aritmtica de la puntuacin verdadera.
X V

4.- La covarianza entre la puntuacin verdadera y el error de medida es 0.

Cov V , e

5.- La covarianza entre la puntuacin emprica y la puntuacin verdadera es la varianza de la puntuacin verdadera.

Cov X ,V

2 V

6.- La covarianza entre las puntuaciones empricas de dos formas paralelas es igual a la covarianza entre las puntuaciones verdaderas de dos formas paralelas.
2 V

Cov X j , X k

Cov Vj ,Vk

7.- La varianza de la puntuacin emprica es igual a la suma de la varianza de la puntuacin verdadera y de la varianza de error.
2 X 2 V 2 E

8.- La correlacin entre la puntuacin emprica y el error de medida es igual a la razn entre el error estndar de medida y la desviacin estndar de la puntuacin emprica.
Xe e X

9.- En K formas paralelas las medias aritmticas, las varianzas y las correlaciones entre ellas son equivalentes.

- 97 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 5.3.2 Coeficiente de fiabilidad

Segn el modelo clsico de tests el coeficiente de fiabilidad (

xx')

se

define como la correlacin producto momento de Pearson entre las puntuaciones empricas (X y X') obtenidas en dos formas paralelas. Si la influencia de los errores de medida en las formas paralelas fuese inexistente, las puntuaciones empricas obtenidas seran equivalentes y por tanto la correlacin entre ellas sera 1. A medida que el coeficiente de correlacin se aleja de 1 se incrementa el efecto del error de medida y por tanto se pierde estabilidad en la misma. El desarrollo de esa definicin (Elosua, 2005) deriva en el significado formal del coeficiente de fiabilidad:

XX '

2 V 2 X

El coeficiente de fiabilidad es la razn entre dos varianzas, la varianza de la puntuacin verdadera y la varianza de la puntuacin emprica. Tratndose de varianzas el valor del coeficiente de fiabilidad siempre ser positivo.

XX '

Del mismo modo puede expresarse el coeficiente de fiabilidad como,


2 V 2 X 2 X 2 X 2 e 2 e 2 X

XX '

En el caso hipottico de ausencia de error de medida las varianzas emprica y verdadera coincidiran alcanzando el coeficiente de fiabilidad su mximo valor (
XX=1).

- 98 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5.3.2.a ndice de fiabilidad

La correlacin entre la puntuacin verdadera y la puntuacin emprica en dos formas paralelas da lugar al ndice de fiabilidad del test ( que la raz cuadrada del coeficiente de fiabilidad.
XV),

que no es ms

XV

XX '

V X

5.3.2.b Error tpico de medida

La desviacin tpica de los errores de medida se conoce como error tpico de medida.

XX '

El error tpico de medida podra interpretarse como la desviacin estndar de las puntuaciones empricas obtenidas por un sujeto en aplicaciones reiteradas de un test, es decir, su variacin. A medida que aumenta la distribucin de las puntuaciones empricas disminuir el coeficiente de fiabilidad del test. El error tpico de medida es conocido como fiabilidad absoluta y el coeficiente de fiabilidad como coeficiente de fiabilidad relativo.

5.3.3 Procedimientos empricos para la estimacin del coeficiente de fiabilidad

La estimacin del coeficiente de fiabilidad tal y como ha sido formulado, razn entre varianzas, no es posible dado que la nica informacin de que se dispone tras la aplicacin de un test es la puntuacin emprica. Por ello es necesaria la aplicacin de diseos que permitan su estimacin. Entre los - 99 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ utilizados en el contexto de la teora clsica de test destacan tres; formas paralelas, test-retest y mtodo de las mitades. Cada uno de ellos tiene ventajas e inconvenientes que es preciso conocer para una correcta interpretacin del coeficiente de fiabilidad. Formas paralelas. Es el diseo directamente derivado del modelo. La estimacin del coeficiente de fiabilidad descansa en la construccin de dos formas paralelas de un mismo test. Una vez aplicadas a la misma muestra se estimar la correlacin entre las puntuaciones obtenidas. El coeficiente de fiabilidad as estimado indica el grado de equivalencia entre las formas paralelas. Test-retest. Este diseo no exige la construccin de formas paralelas. Asumiendo que un test es paralelo a s mismo, la obtencin del coeficiente de fiabilidad exige la administracin en dos ocasiones diferentes del mismo test a la misma muestra. Una vez obtenidos los datos, la fiabilidad del test se obtendra por medio de una correlacin entre puntuaciones empricas. Este coeficiente de fiabilidad sera interpretado en el sentido de estabilidad temporal de las puntuaciones. La validez de este diseo est amenazada por los efectos del factor tiempo; es decir por el tiempo entre las dos administraciones del test. Si es demasiado reducido, el recuerdo podra producir un incremento de las puntuaciones, y si el tiempo es demasiado prolongado las puntuaciones podran verse afectadas por el cambio en el constructo a medir. Mtodo de las mitades. Es el diseo ms simple. No son necesarias formas paralelas ni aplicaciones dobles del mismo test. El coeficiente de fiabilidad se estima a partir de los datos obtenidos en una nica administracin del test. Para ello se asume que el test est compuesto por dos tests (medio test) que generan dos grupos de puntuaciones. El coeficiente de fiabilidad se estima por medio de un ajuste aplicado a la correlacin entre ambas mitades (Spearman-Brown). El coeficiente de

- 100 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ fiabilidad as obtenido sera un indicador de la consistencia interna del test. La amenaza a la validez de este diseo est relacionada con la definicin de dos mitades paralelas. El procedimiento habitual para ello consiste en dividir el test en tems pares e tems impares con el fin de garantizar que la dificultad de las dos mitades sea equivalente.

5.3.4 Estimacin de la puntuacin verdadera

La puntuacin verdadera de un sujeto puede estimarse

a partir del

coeficiente de fiabilidad del test. Bsicamente existen dos procedimientos para su estimacin; el primero se apoya en el concepto de error tpico de medida y el segundo aplica el modelo de regresin lineal simple definiendo la variable dependiente como la puntuacin verdadera y la variable predictora como la puntuacin observada.

5.3.4.a Distribucin de los errores

Suponiendo que la administracin repetitiva de un cuestionario a un sujeto genera una distribucin de valores empricos Xi en torno a un nico valor verdadero (Vi), es posible considerar cada una de las puntuaciones empricas como una variable aleatoria extrada de esa distribucin que se supone normal. En estas condiciones cada Xi es un estimador insesgado de la media aritmtica de la distribucin (Vi). Por lo tanto, una vez prefijado un nivel de confianza es posible estimar un intervalo de probabilidad para Vi a partir de la desviacin de las puntuaciones empricas, es decir, a partir del error tpico de medida.
2 e

f e V ~ N 0,

- 101 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5.1 Figura. Distribucin de los errores de medida

f X V ~ N V,

2 e

5.2 Figura. Distribucin de la puntuacin emprica

1.- Determinar el nivel de confianza (1- ). Es habitual fijarlo en 95% o 99% ( =0,05 y =0,01). Dada la simetra de la distribucin normal los valores Zk absolutos correspondientes a /2 y (1- /2) son los mismos. Las reas estn limitadas por los valores crticos zc= 1,96 y zc= 2,58.

5.3 Figura. Distribucin normal. Valores crticos

- 102 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 2.- Estimacin del error mximo. Para ello es suficiente multiplicar el valor crtico (Z /2) por el error tpico de medida.

EMax

ZK

3.- Lmites del intervalo para V. Los lmites del intervalo se obtendrn aadiendo y sustrayendo el error mximo a la puntuacin emprica correspondiente.

LSup
Linf

Xi EMax
X i EMax

Donde Lsup y Linf son los lmites superior e inferior del intervalo para la puntuacin verdadera.

En la estimacin de la puntuacin verdadera se ha utilizado el error tpico de medida; es un concepto aplicable al grupo y que asume igualdad de varianzas para todas las puntuaciones empricas; es decir, homocedasticidad. La igualdad de la distribucin de los errores de medida en todo el continuo de puntuaciones empricas es tal vez una de las mayores debilidades de la teora clsica de test; en las situaciones prcticas es difcil asumir ese supuesto. Ante esta violacin del supuesto de homocedasticidad es posible buscar alternativas en modelos derivados de la teora de respuesta al tem, o en su defecto sera posible establecer intervalos de puntuaciones empricas y estimar para cada una de ellas sus correspondientes errores tpicos de medida.

5.3.4.b Modelo de regresin simple

Las variables incluidas en un modelo de regresin simple X (predictor) e Y (criterio) seran asimilables a la puntuacin emprica (X) y a la puntuacin - 103 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ verdadera (V); la primera sera la variable predictora y la segunda sera la variable criterio. En este contexto, el problema se reduce a la estimacin por medio de la recta de regresin del valor de V correspondiente a una puntuacin emprica. La estimacin en tanto en cuanto modelo de regresin asume la igualdad de las distribuciones condicionadas de V sobre X (homocedasticidad). La recta de regresin es aquella que une las medias aritmticas de estas distribuciones condicionadas. El modelo de regresin lineal utiliza la siguiente formulacin para la estimacin puntual de la variable criterio.

Y'

XY

Xi

Donde Xi puntuacin observada, XY, correlacin entre las variables X e Y, X, Desviacin estndar de la variable X, Y, desviacin estndar de la variable Y,

X , media aritmtica de la variable X, Y , media aritmtica de la variable Y.


En el contexto de la teora clsica de test la formulacin anterior adquiere esta forma:

V'=
Donde

XX'

Xi

XX' es el coeficiente de fiabilidad, Xi, es la puntuacin observada,

X , es la media aritmtica de las puntuaciones empricas.


La frmula anterior es la ecuacin de Kelley (Kelley, 1947). Se trata de una regresin a la media que est condicionada por la fiabilidad del test. Si el coeficiente de fiabilidad es 0 la puntuacin verdadera estimable a un sujeto se equipara a la media aritmtica de la distribucin de puntuaciones empricas. Existe una versin multivariable de la formula de Kelley conocida como estimacin Bayes emprica que mejora la estimacin de la fiabilidad de una escala parcial a partir de la informacin aportada por la relacin entre la escala de inters y otras parciales incluidas en el test (Elosua, 2008).

- 104 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En todo proceso de estimacin existe una diferencia entre el valor pronosticado (Vi) y el valor verdadero (Vi). Esta diferencia es conocida como error de estimacin. Su distribucin, el error estndar de estimacin ( pronosticado.
V.X)

se

utiliza en la estimacin de intervalos de confianza en torno a un valor

V .X

XX '

XX '

XX '

El error estndar de estimacin se ajusta a una distribucin normal, que es adems homocedstica, es decir equivalente para todo el continuo de valores de la variable predictora (V). Seguiramos el procedimiento habitual de estimacin: 1.- Determinar el nivel de confianza (1- ). Es habitual fijarlo en 95% o 99% ( =0,05 y =0,01). Dada la simetra de la distribucin normal los valores Zk absolutos correspondientes a /2 y (1- /2) son los mismos. Las reas estn limitadas por los valores crticos zc= 1,96 y zc= 2,58. 2.- Estimacin del error mximo. Para ello es suficiente multiplicar el valor crtico (Z /2) por el error tpico de medida.

EMax

ZK

3.- Lmites del intervalo para V. Los lmites del intervalo se obtendrn aadiendo y sustrayendo el error mximo a la puntuacin estimada correspondiente.

LSup Vi ' EMax

Linf Vi ' EMax


Donde Lsup y Linf son los lmites superior e inferior del intervalo para la puntuacin verdadera.

- 105 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5.3.5 Coeficiente alfa

Entre todos los procedimientos disponibles para la estimacin del coeficiente de fiabilidad basados en una nica aplicacin del test se ha impuesto el coeficiente alfa de Cronbach (1951). Es un indicador del grado de covariacin de los tems de una escala, y se interpreta como coeficiente de consistencia interna.
n n n

n n 1

2 i 2 X

Cov i, j
2 X

i 1

n n 1

j 1 i 1 i j

Donde n es el nmero de tems del test, 2 i, la varianza del tem i, 2 X, la varianza del test Cov (i,j), la covarianza entre i y j .

Un modo de conceptualizar el significado del coeficiente alfa podra ser la consideracin de que los n tems de los que consta un test son paralelos y cada uno de ellos presenta un coeficiente de fiabilidad
ii'.

En esas

circunstancias y considerando que el test ha incrementado K veces su longitud, se podra obtener el coeficiente de fiabilidad del nuevo test aplicando la formula proftica de Spearman-Brown (n=K) que relaciona la longitud de un test y su fiabilidad.

XX '

n ii ' 1 (n 1)

ii '

Donde n es el nmero de tems del test ii', es el coeficiente de fiabilidad de cada tem.

- 106 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 5.3.5.a Casos particulares del coeficiente alfa

Alfa y los procedimientos de dos mitades La literatura psicomtrica tradicional muestra multitud de modos de estimar el coeficiente de fiabilidad de un test basndose en una sola aplicacin. Todos estos mtodos asimilables a la categora genrica de mtodos de las mitades pueden considerarse casos particulares del coeficiente alfa. Alfa analiza la consistencia de un test compuesto por n tems. Si el test estuviera compuesto por dos elementos, la frmula de alfa sera equivalente a las formulas de Guttman (1945), Flanagan (1937) o Rulon (1939). las siguientes frmulas para la estimacin de la fiabilidad. Rulon
XX '

Estos

procedimientos, claramente en desuso, dividen el test en dos mitades y aplican

2 d 2 X

2 Donde es la diferencia entre las puntuaciones empricas d obtenidas en las dos mitades 2 X, es la varianza del test completo.

La hiptesis bsica de este procedimiento es la equiparacin entre las diferencias entre las dos mitades equivalentes extradas de un mismo test y el error de medida. En estas condiciones se asume la equivalencia entre la varianza de las diferencias y la varianza de error. Guttman-Flanagan
XX '

21

2 pa 2 X

2 im

Donde

es la varianza de las puntuaciones pares, im, es la varianza de las puntuaciones impares 2 X, es la varianza del test completo
2 pa

- 107 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta formulacin es algebraicamente equivalente a la formulacin de Rulon. Coeficiente alfa y Kuder-Richardson Si los tems son dicotmicos es posible aplicar la formula de KuderRichardson conocida como KR20 para la estimacin del coeficiente de fiabilidad.
n

KR20

n n 1

pi qi
2 X

i 1

tem i al tem i

Donde n es el nmero de tems del test, pi, la proporcin de sujetos que responden correctamente al qi, es la proporcin de sujetos que responden incorrectamente
X 2

, es la varianza del test.

Esta frmula es un caso especial de alfa, dado que la varianza de un tem dicotmico puede expresarse como el producto de pi y qi. Kuder-Richardson propusieron otro ndice de consistencia interna aplicable cuando las medias aritmticas de los tems fueren equivalentes, KR21,

KR21

n n 1

X2 n
2 X

Donde n es el nmero de tems del test,

X , es la media aritmtica del test


X 2

, es la varianza del test.

5.3.6 ndices derivados del modelo factorial

Considerando slo la matriz de correlaciones de Pearson y el modelo del anlisis factorial, McDonald (1985, pg. 217) describi como computar un

- 108 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ coeficiente de consistencia interna desde el modelo del factor comn. Para una escala compuesta por n tems el coeficiente alfa podra estimarse como:

n
2

n 1 n
Donde n es el nmero de tems

u2

es la media aritmtica de los pesos factoriales


2

es la media aritmtica de los cuadrados de los n pesos factoriales es la media aritmtica de las unicidades de las n variables

Armor (1974) basndose en el modelo de Componentes Principales, introdujo una estimacin de la fiabilidad, el coeficiente theta, que fue desarrollado para escalas multidimensionales. El coeficiente theta para una solucin factorial simple se estimara de acuerdo con la siguiente expresin:

n n 1

1 Eigen1

Donde, n es el nmero de tems de la escala Eigen1 es el valor propio mayor correspondiente a la matriz de correlaciones

5.3.6.a El modelo clsico de tests y el modelo del factor comn

Dentro del modelo clsico de test la puntuacin observada de un sujeto en un tem (Xi) se descompone en puntuacin verdadera (Vi) y componente aleatorio o error (Ei):

X i Vi Ei

- 109 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta descomposicin de la puntuacin observada en puntuacin verdadera y error podra generalizarse al modelo unidimensional del factor comn:

Xi
Donde

fi ui

es al peso factorial fi es el factor comn, que podra asociarse con la puntuacin verdadera ui es la unicidad de la variable que podra asociarse al componente de error.

Dentro del modelo factorial la fiabilidad de la puntuacin observada podra estimarse por medio de la razn entre la suma de los elementos de la matriz de varianzas/covarianzas entre puntuaciones verdaderas y la matriz de varianzas/covarianzas entre puntuaciones observadas. Novick y Lewis (1967) demostraron que el coeficiente alfa ofrece una estimacin insesgada de la fiabilidad cuando los pesos del factor comn sobre las variables son iguales, es decir, cuando las medidas son tau-equivalentes. La formula de la fiabilidad para una puntuacin compuesta, conocida como coeficiente omega (McDonald, 1999) se formalizara como:
2 i n i i 1 i 1 i 1 2 n

var(e)ii

Donde var(e)ii denota la varianza de error en el modelo factorial

Si en la estimacin de los valores propios, en lugar de la matrices de correlaciones producto momento de Pearson, se utilizara una matriz de correlaciones policricas (o tetracricas) sera posible obtener coeficientes de fiabilidad para escalas de respuesta ordinales que ofreceran estimaciones nosesgadas del valor del coeficiente de fiabilidad (Elosua y Zumbo, 2008).

- 110 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 5.3.6.b Interpretacin de alfa

Alfa es un indicador de consistencia interna que ha sido sobre-utilizado en la literatura psicomtrica aplicada. El debate sobre su uso est abierto en la investigacin psicomtrica actual (Elosua y Zumbo, 2008). Una correcta interpretacin del significado de alfa habra de tener en cuenta los siguientes puntos: La estimacin de alfa no aporta informacin alguna sobre la estabilidad de las medidas obtenidas por un test. Alfa es un indicador de consistencia interna, no de estabilidad temporal. A partir de un test compuesto por n tems es posible definir test-mitades utilizando multitud de criterios diferentes y a cada uno de ellos se le asociara un coeficiente de fiabilidad. Alfa podra interpretarse como la esperanza de los coeficientes estimables (Cronbach, 1951). Alfa no es un indicador de unidimensionalidad. Aunque el valor de alfa viene determinado por el grado de covariacin entre tems su interpretacin no es equiparable al concepto de unidimensionalidad. La presencia de varios factores correlacionados puede ser causa de covariacin (Hattie, 1984).

5.4

Rcommander y la estimacin de la fiabilidad

5.4.1 Matriz de correlacin

La obtencin de la matriz de correlaciones entre tems por medio de Rcommander se efecta con la opcin: Estadsticos > Resmenes > Matriz de correlaciones de la barra de mens. La ventana de dilogo que se abre permite seleccionar aquellas variables, tems, cuyas correlaciones definirn la matriz de correlacin. En este caso se seleccionan los tems recodificados de la escala insatisfaccin corporal.

- 111 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

5.4 Figura. Matriz de correlaciones

La funcin que utiliza Rcommander para obtener la matriz de correlaciones es cor:

cor(Edi.data[,c("RecIC_1","RecIC_2","RecIC_3","RecIC_4","RecIC_5","R ecIC_6","RecIC_7","RecIC_8","RecIC_9", use="complete.obs") "RecIC_10")],

La ventana de salidas ofrecer el siguiente resultado:


RecIC_1 RecIC_10 RecIC_1 0.50 RecIC_2 0.56 RecIC_3 0.57 RecIC_4 0.67 RecIC_5 0.62 RecIC_6 0.66 RecIC_7 0.12 RecIC_8 0.73 RecIC_9 0.57 0.59 0.70 0.48 0.61 0.53 0.67 0.19 0.58 1.00 0.49 0.70 0.56 0.65 0.60 0.55 0.11 1.00 0.58 0.18 0.19 0.13 0.16 0.08 0.18 1.00 0.11 0.19 0.50 0.62 0.47 0.58 0.48 1.00 0.18 0.55 0.67 0.40 0.47 0.48 0.60 1.00 0.48 0.08 0.60 0.53 0.63 0.61 0.69 1.00 0.60 0.58 0.16 0.65 0.61 0.73 0.52 1.00 0.69 0.48 0.47 0.13 0.56 0.48 0.61 1.00 0.52 0.61 0.47 0.62 0.19 0.70 0.70 1.00 0.61 0.73 0.63 0.40 0.50 0.18 0.49 0.59 RecIC_2 RecIC_3 RecIC_4 RecIC_5 RecIC_6 RecIC_7 RecIC_8 RecIC_9

- 112 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
RecIC_10 0.50 1.00 0.56 0.57 0.67 0.62 0.66 0.12 0.73 0.57

Puede apreciarse en la tabla que los elementos de la diagonal principal de la matriz, son 1 y que la matriz es simtrica. Todos los valores estimados son positivos. La correlacin ms alta corresponde al par formado por el tem 3 y el tem 1 (r13=0,73), y el coeficiente de correlacin ms bajo se ha obtenido en el par compuesto por los tems 7 y 8 (r78=0,11). Una correcta interpretacin de esos valores va siempre ms all de la simple interpretacin cuantitativa y ha de considerar siempre el contenido de los tems.

1.- Creo que mi estmago es demasiado grande 3.- Creo que mi estmago tiene el tamao adecuado 7.- Me siento hinchado despus de una comida normal 8.- Creo que el tamao de mis muslos es adecuado

5.4.2 ndice de discriminacin y coeficiente alfa

Para obtener los indicadores de consistencia interna, ndice de discriminacin y alfa, la opcin viene dada por .

5.5 Figura. Fiabilidad de la escala.

- 113 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esa opcin abre un cuadro de dialogo en el que se seleccionarn los tems a analizar.

5.6 Figura. Fiabilidad de la escala. Variables

Rcommander incorpora una funcin especfica para la estimacin de la fiabilidad segn la formulacin de Cronbach, reliability.

reliability(cov(Edi.data[,c("RecIC_1","RecIC_2","RecIC_3","RecIC_4", "RecIC_5","RecIC_6","RecIC_7","RecIC_8", use="complete.obs")) "RecIC_9","RecIC_10")],

La salida generada por

Rcommander se divide en dos partes. En la

primera puede leerse el valor del coeficiente alfa de Cronbach (Alfa reliability); en nuestro caso su valor es 0,9109. Tras este valor, aparece la estimacin del coeficiente estandarizado que se obtendra utilizando las variables estandarizadas (Standardized alfa). Entre estos dos coeficientes es habitual utilizar el primero. La tabla de valores que genera Rcommander incluye informacin relevante para el anlisis de tems porque permite analizar el peso que tiene cada uno de los tems sobre el coeficiente de consistencia interna e incluye los ndices de discriminacin de cada uno de los mismos. En la primera columna de la tabla aparecen los nombres de los tems analizados. La segunda columna titulada Alfa, ofrece los valores de los coeficientes alfa estimados para la escala de la que se ha eliminado el tem de la fila. Por ejemplo, el primer valor - 114 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 0,9007 es el coeficiente alfa de la escala compuesta por 9 tems, los tems 2,3,4,5,6,7,8,9,y 10. La tercera columna bajo el ttulo Std. Alfa estima los valores estandarizados de alfa para las escalas mutiladas, es decir, las escalas a las que se ha eliminado el tem de la fila. La ltima columna ofrece el valor de la correlacin entre el tem de la fila y la escala mutilada, es decir, ofrece informacin sobre el ndice de discriminacin corregido (r(tem,total)). Todos los valores de la columna excepto uno, superan el valor establecido como punto de corte 0,30. El valor del ndice de discriminacin para el tem 7 es 0,1881. Este tem estaba implicado en la correlacin ms baja estimada entre todos los pares de tems. Puede apreciarse la relacin inversa que existe entre la columna que ofrece informacin sobre el valor alfa de la escala mutilada y el ndice de discriminacin. Cuando el descenso en el valor de alfa tras la eliminacin de un tem es brusco, el ndice de discriminacin de ese tem es elevado.
Alfa reliability = Standardized alfa = 0.9109 0.9077

Reliability deleting each item in turn: Alfa Std.Alfa r(item, total) RecIC_1 RecIC_2 RecIC_3 RecIC_4 RecIC_5 RecIC_6 RecIC_7 RecIC_8 RecIC_9 0.9007 0.8970 0.9006 0.8948 0.9043 0.9001 0.9258 0.8968 0.8982 0.8967 0.8931 0.8967 0.8908 0.9005 0.8959 0.9261 0.8932 0.8938 0.8929 0.6969 0.7528 0.6975 0.7930 0.6386 0.7079 0.1881 0.7566 0.7413 0.7600

RecIC_10 0.8966

- 115 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 5.4.3 Coeficiente Theta

Para estimar el coeficiente theta es necesario teclear en la ventana de edicin de Rcommander la siguiente funcin. Una vez escrita la funcin es suficiente indicar el nmero de tems de la escala (n) y la matriz de correlaciones de los tems (kor), para que R nos devuelva el valor del coeficiente theta.

theta <- function (n,kor) { lambda <- eigen(kor, only.values=TRUE)$values[1] theta.indice <- (n/(n-1))*(1-(1/lambda)) print(theta.indice)}

La funcin exige que la matriz de correlaciones entre tems haya sido asignada a un objeto de R. Dicha matriz se obtiene con la funcin cor. Por ejemplo:
kor <- cor(Edi.data[,c("RecIC_1","RecIC_2","RecIC_3","RecIC_4", "RecIC_5","RecIC_6","RecIC_7","RecIC_8","RecIC_9", "RecIC_10")], use="complete.obs")

Tras la regla de asignacin es suficiente ejecutar la funcin definida por nosotros como theta. Para ello basta teclear theta (10, kor). En nuestro caso el valor estimado para el coeficiente theta es 0,9165.

5.4.4 Error estndar de medida y estimacin de la puntuacin verdadera

Rcommander a travs de la funcin reliability ofrece una estimacin del coeficiente alfa; para obtener una estimacin del error estndar de medida es necesario escribir en la ventana de instrucciones su
e X

frmula

XX '

- 116 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
des <- sd(Edi.data$IC, na.rm=TRUE)

alfa <- 0.9109 Se <- des * (sqrt(1-alfa)) print (Se)

La funcin sd estima la desviacin tpica de la variable insatisfaccin corporal que se ha obtenido previamente por medio de la adicin de los tems que la definen. Una vez escritas esas simples instrucciones en la ventana de comandos de Rcommander es suficiente marcar esas tres lneas con el ratn y presionar la opcin ejecutar para que en la ventana de resultados aparezca el valor del error estndar de medida para la escala insatisfaccin corporal, 3,05244. Conocido el valor del error estndar de medida es posible estimar con un grado de confiabilidad determinado los intervalos de confianza para la puntuacin verdadera a partir de cualquier puntuacin observada. Suponiendo que el nivel de confianza es del 95% (z = 1,96), podemos estimar los limites inferior y superior de los intervalos generando nuevas variables a travs de la opcin Datos de la barra de mens de Rcommander. Datos > Modificar variables del conjunto de datos activo > Calcular nueva variable es la opcin requerida:

5.7 Figura. Estimacin de las puntuaciones verdaderas

Si se hubiera utilizado directamente la sintaxis,

- 117 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Edi.data$Superior <- with (Edi.data, IC+1.96*Se) Edi.data$Inferior <- with (Edi.data, IC-1.96*Se)

Este procedimiento generar dos nuevas columnas en el conjunto de datos activo, y sus valores representan los lmites superior e inferior del intervalo de probabilidad en que con una confianza del 95% se situar la puntuacin verdadera de cada uno de los sujetos participantes en la investigacin. Por ejemplo sera posible afirmar con una confianza del 95% que la puntuacin verdadera de aquellas personas que obtienen una puntuacin de 35 en la escala insatisfaccin corporal estara situada en el intervalo 29 - 41 (40.978).

5.8 Figura. Intervalos de puntuacin verdadera.

- 118 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

6 Validez

La construccin y utilizacin de tests y cuestionarios se asientan sobre una base que siendo tan primaria como fundamental, a veces en la prctica diaria se obvia; la validez. El uso de un test, independientemente de su mbito de aplicacin u objetivo concreto, ha de estar respaldado por un cmulo de experiencias que avalen la certeza de que las puntuaciones con l obtenidas permiten la interpretacin inicialmente propuesta y por ende, no representan cualquier otro atributo o artefacto originado por el propio instrumento o proceso de medida. La validez es el primer requisito que ha de cumplir todo instrumento de medida. Su fiabilidad, an siendo esencial, nunca supondr una garanta de uso suficiente. El concepto psicomtrico de validez es el ms importante y fundamental (Angoff, 1988). Sin embargo, es un concepto huidizo y complejo, que no se apoya como la fiabilidad en un modelo matemtico que la delimite, por lo que resulta complicado de aprehender y tratar. La dificultad de representacin que entraa es pareja al problema de la validacin de las teoras cientficas con la que podra equipararse (Cronbach y Meehl, 1955). Bajo su carcter evolutivo que a lo largo del desarrollo de la psicometra la ha envuelto de mil formas, acepciones o enfoques (convergente, discriminante, factorial, sustantiva, estructural, externa, de poblacin, ecolgica, temporal, de tarea; Messick, 1980), la validez se mantiene preeminente respecto a los dems conceptos psicomtricos. Su evolucin permite diferenciar tres etapas:

- 119 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Una primera etapa operacional dominada por una visin pragmtica en la construccin y uso de instrumentos de medida, en la que prima sobre las dems la validez relacionada con el criterio ("Un test es vlido para aquello con lo que correlaciona" Guilford, 1946; pg. 429). Un segundo estadio terico, en el que se reconoce la importancia de la teora psicolgica sobre el constructo medido, y se adopta una visin integradora en la que se impone el anlisis de la validez de constructo, como concepto unificador que abarca aspectos de contenido y de relaciones con otras variables. ("Toda validacin es una" Cronbach, 1980; pg. 99; "toda validacin es validacin de constructo" Cronbach, 1984; pg. 126)). La fase actual, a la que podramos denominar, de adecuacin contextual, en la que se ampla la acepcin anterior y se delimita con el concepto de uso propuesto. Su objetivo primordial sera el de dotar a los instrumentos de medicin de avales cientficos y ticos. ("Una visin integradora de la validez...debe distinguir dos facetas interconectadas del concepto unitario de validez. Una faceta es la fuente de justificacin..... La otra faceta es la funcin o resultado del test..."Messick, 1989; pg. 20).

Los primeros trabajos sobre la validez, basados en una perspectiva pragmtica, casi aterica, la definen como una simple correlacin con alguna otra medida de la que el test es instrumento de medicin, o aseveran que un test es vlido para aquello con lo que correlaciona (Guilford, 1946). Esta visin, plasmada en las recomendaciones de 1954 (APA; AERA; MCME, 1954), diferencia entre 4 tipos de validez: las consabidas, validez de contenido, validez predictiva, validez concurrente, y finalmente validez de constructo. Si bien es cierto que en la edicin de los estndares de 1966 y 1974 (APA; AERA;MCME, 1966, 1974), se combinan la validez predictiva y

- 120 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ concurrente, en la validez referida al criterio, se mantiene la visin tripartita, trinitaria de la validez, que no se romper oficialmente hasta la publicacin de los estndares de 1985, gracias sobre todo a la contribucin de autores como Angoff (1988), Cronbach (1971), Cronbach y Meehl (1955) o Messick (1980, 1981, 1988,1989). Segn los estndares de 1985, "La validez se refiere a la adecuacin, significado y utilidad de las inferencias especficas hechas con las puntuaciones de los tests. La validacin de un test es el proceso de acumular evidencia para apoyar tales inferencias....la validez es un proceso unitario" (APA; AERA; NCME; 1985, pg.9). En esta revisin, se reconoce el concepto integrador y nico de la validez, ("...toda validacin es validacin de constructo." Cronbach, 1984, pg. 126). A partir de ah, se recomienda tomar los tipos de validez reconocidos anteriormente como meras etiquetas, o formas de expresar la validez de constructo. Supone en definitiva, el reconocimiento de la validez como proceso nico de recogida de evidencias a travs de estrategias de investigacin diferentes, relacionadas con el constructo, con el contenido o con el criterio. La evolucin del concepto avanza un paso ms en la revisin de 1999, donde no se encuentra ya referencia ni explcita ni implcita a estas formas o facetas. Manteniendo la visin integradora, se ampla incorporando a su definicin un aspecto hasta entonces olvidado, el uso. Ya no es suficiente la justificacin terica del significado de las puntuaciones obtenidas, es necesario delimitar los fundamentos tericos en un contexto externo, con relacin al propsito o interpretacin propuesta.

"La validez se refiere al grado en que la evidencia y la teora soportan las interpretaciones de las puntuaciones del test implicadas por los usos propuestos del test..... El proceso de validacin implica acumular evidencia para proveer de una base cientfica las interpretaciones propuestas de las puntuaciones. Lo que se evala, son las interpretaciones de las puntuaciones del test requeridas para los usos propuestos, no el test en s mismo." (APA; AERA; NCME; 1999, pg.9).

- 121 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La interpretacin propuesta aporta un punto de vista nuevo a la teora de la validez que diferencia entre garanta cientfica y garanta tica. Bajo ella, descansa la aseveracin de que interpretar un test es usarlo, y todos los usos incluyen una interpretacin del test.

6.1

Sesgo

La importancia concedida a las implicaciones derivadas de una contextualizacin prctica o uso de un determinado instrumento de medida, ha permitido la irrupcin y afianzamiento de un concepto tan complejo como el de la validez: el sesgo. Es un trmino con connotaciones polticas, sociales, estadsticas y psicomtricas, que comienza a cobrar relevancia en la dcada de los 20 debido a la controversia surgida en Estados Unidos acerca de la parcialidad de los tests respecto a determinados grupos (Cole y Moss, 1989; Cronbach, 1975; Jensen, 1980). Desde un punto de vista estrictamente psicomtrico el sesgo queda definido como error sistemtico (Camilli y Shepard, 1994; Osterlind, 1983) originado por deficiencias en el test o en el modo en que este es usado, que produce una distorsin en el significado de las puntuaciones y contamina su interpretacin. Es necesario minimizar las causas que puedan estar en el origen del sesgo, garantizando las propiedades tcnicas del test, y explicitando las condiciones que maximicen su validez. Validez y sesgo se convierten en las dos caras de una misma moneda. El sesgo siempre supondr falta de validez, y la falta de validez puede ser el origen del sesgo. Para maximizar una y consecuentemente minimizar otra, el test habr de incorporar una descripcin detallada de cada uno de los mbitos de uso que ofrecer el marco conceptual bsico para la recopilacin de evidencias e - 122 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ interpretacin de puntuaciones. El objetivo sera el anlisis de una posible infrarrepresentacin del constructo o de la existencia de varianza irrelevante para el mismo. La infrarrepresentacin del constructo se refiere al grado en que el test no incluye aspectos relevantes del mismo. Esta carencia, puede corromper el significado de las puntuaciones porque los tems no son una muestra representativa, no abordan algn proceso psicolgico importante, o elicitan un tipo de conducta o componente que no est entre los propsitos del test. La varianza irrelevante del constructo hace referencia al grado en que las puntuaciones del test se ven afectadas por procesos que son extraos a su propsito. Las puntuaciones pueden estar sistemticamente influenciadas por componentes que no forman parte del constructo. Con la inclusin de estos aspectos dentro del proceso de validacin, se adopta implcitamente un punto de vista multidimensional sobre el origen del sesgo. Se acepta el hecho de que un instrumento de medida, o mejor su uso concreto puede ser origen de sesgo, si mide ms de una dimensin en dos grupos y adems las distribuciones multidimensionales de estos grupos difieren (Ackerman, 1992; Mellenbergh, 1989; Camilli y Shepard, 1994). Las implicaciones ms directas de estos principios suponen que el proceso de validacin ha de incluir una atencin cuidadosa a posibles distorsiones en el significado de las puntuaciones causadas por la influencia de variables ajenas a los objetivos propuestos. Si su origen puede situarse en una inadecuada representacin del constructo o aspectos tales como el formato de la prueba, condiciones de administracin, o nivel del lenguaje utilizado, el proceso continuo de recogida de evidencias para garantizar la validez debera de considerarlas objeto de anlisis.

- 123 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 6.2 Fuentes de evidencia

La recopilacin de evidencias para prestar una base cientfica a la interpretacin de las puntuaciones en un uso concreto puede provenir de diversas fuentes. La importancia otorgada a cada una de ellas depender siempre de los objetivos del test, que determinarn en cada caso el tipo de evidencia ms significativa. Los ltimos estndares (AERA, APA y NCME, 1999) diferencian entre fuentes relacionadas con el contenido, el proceso de respuesta, la estructura interna, las relaciones con otras variables y las consecuencias del test, que en ningn modo suponen distintos tipos de validez sino aspectos complementarios.

6.2.1

Contenido

El anlisis del contenido de la prueba aglutina dos tipos de estudios suplementarios. Unos encaminados a evaluar las relaciones entre el constructo y el contenido del test, y otros dirigidos a valorar los factores contextuales internos y externos que puedan aadir varianza no deseada. El objetivo de los primeros es garantizar que la muestra de tems que componen la prueba es adems de relevante, representativa del constructo (Messick, 1981). Su dependencia respecto del uso concreto obliga a evaluar las distintas acepciones o significados que un mismo trmino puede poseer para diferentes grupos. Este punto es especialmente importante en la adaptacin de tests (Elosua, Hambleton y Zenisky, 2006; Elosua y Lpez, 1999, 2007). Una cuidadosa revisin desde el momento mismo de la construccin del instrumento por parte de expertos podr evitar potenciales fuentes de dificultad irrelevante, o de un uso sesgado del lenguaje, que pueda mostrar un punto de vista estereotipado o incluso irrespetuoso sobre un determinado grupo cultural o tnico (Title, 1982). Se recomienda tambin, sobre todo en los tests de rendimiento, asegurar o garantizar que la experiencia curricular de los sujetos sea la misma (Elosua, Lpez y Egaa, 2000; Linn y Harnisch, 1981).

- 124 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El estudio de los factores contextuales cubre un abanico amplio de condiciones, que incluyen un anlisis del formato de los tems (Scheuneman, 1984, 1987) o el tipo de tareas exigidas, y la evaluacin de la propia situacin de test. Dentro de esta ltima se incluira un estudio de las instrucciones para la administracin y correccin de la prueba, de la interaccin entre examinadorexaminado, de la familiaridad con la situacin, de las diferencias de motivacin o ansiedad o del tipo de material utilizado (Hambleton, 1993; van de Vijver y Poortinga, 1991). La evidencia basada en el contenido, aunque en su mayora es cualitativa y viene sustentada por anlisis lgicos, puede incluir, sobre todo en tests de rendimiento y referidos al criterio, estudios empricos sobre la adecuacin con que el contenido del test representa el dominio de contenido y sobre la relevancia del dominio de contenido respecto a las interpretaciones de las puntuaciones. El anlisis de contenido cubre bsicamente tres aspectos: la definicin del dominio, su representacin y la relevancia del mismo. La primera est relacionada con las especificaciones del test y las dos restantes analizan el test mismo. La definicin del dominio equivale a la definicin operacional del dominio terico, es decir con su explicitacin. Tras el anlisis terico del dominio el objeto de medida quedara definido por medio de aspectos, dimensiones o factores. Adems del anlisis de contenido, en pruebas de rendimiento sobre todo, es interesante valorar aspectos cognitivos relacionados con ellos. Con este fin han sido propuestas varias clasificaciones siendo la ms utilizada la taxonoma de Bloom que diferencia seis aspectos cognitivos (Bloom, 1956; Bloom, Hastings y Madaus, 1971): Conocimiento: Recuerdo de la informacin aprendida durante la fase de instruccin. Comprensin. extrapolacin. . Modificacin de un concepto, interpretacin y

- 125 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ - Aplicacin. Resolucin de problemas a partir de principios generales. Anlisis. Descomposicin de un problema en partes. Para ello se exige el anlisis de varios elementos, de sus relaciones y de principios organizativos Sntesis. Combinacin de elementos, utilizando principios generales o su adecuacin a nuevos contextos. Evaluacin. Ofrecer valoraciones internos. Una vez finalizado el anlisis se obtendra tablas similares a la que se muestra a continuacin; en ellas se conectan las reas de contenido y las reas cognitivas que se quieren evaluar. La clasificacin mostrada o cualquier otra derivada de los objetivos del tests permiten racionalizar el proceso de construccin y evaluacin de tems.
Conocimiento Operaciones Lgica Geometra Resolucin de problemas 6.1 Tabla. Definicin del dominio Comprensin Aplicacin Anlisis Sntesis Evaluacin

utilizando criterios externos o

Representacin del dominio: Consiste en analizar el contenido de los tems en funcin de las especificaciones del test. Para ello se clasifica cada uno de los tems en las dimensiones o factores definidos tras el estudio del constructo; adems del contenido, es posible analizar las demandas cognitivas o de otro tipo relacionadas con cada uno de los tems. Es posible construir ndices numricos para cada uno de los tems basndose por ejemplo en el grado de acuerdo entre jueces en la asignacin de los tems a las distintas reas de dominio. Por ejemplo el ndice de congruencia para un tem evaluado por 10 jueces expertos entre los cuales el nivel de acuerdo es de 7 sera 0,7 (7/10). Esta sencilla proporcin ofrece informacin vlida que - 126 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ permite ir construyendo un test con las garantas mnimas de validez imprescindibles. Relevancia del dominio. Una correcta asignacin de tems a un rea de dominio es importante, pero es imprescindible, adems, analizar la relevancia de ese tem respecto al dominio. Un procedimiento que permite obtener informacin al respecto exigira la colaboracin de un grupo de expertos en el dominio de contenido que valoren la relevancia de cada uno de los tems. Para la recogida de informacin pueden crearse escalas como la que siguen, que permitiran estimar para cada tem un ndice de relevancia.
Valora la relevancia del tem en la evaluacin de cada uno de las reas de dominio definidas 1 2 3 4 5 6 7 8 9 10

Nada relevante

Muy relevante

Es posible definir distintos ndices de relevancia, sin embargo, todos tienen en comn la participacin de grupos de expertos; elemento indispensable y muchas veces obviado en la fase de construccin de un test en cualquier rea de contenido. Es importante en la evaluacin de la validez de contenido, que las reas de dominio definidas representen correctamente el constructo a medir evitando infrarrepresentaciones o varianzas relevantes. En general pueden recomendarse estas etapas en la evaluacin del contenido de test: 1.- Seleccin del grupo de expertos. Los expertos adems de conocer en profundidad el dominio de contenido deben conocer las caractersticas de la poblacin destino con el fin de que la adecuacin entre el contenido y el grupo sea mxima. Para ello es recomendable que en el grupo de expertos participen personas con caractersticas geogrficas, demogrficas y tnicas representativas

- 127 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ de la poblacin destino. No es suficiente una buena representacin del dominio, sta tiene que venir acompaada con un conjunto de especificaciones contextuales que adapten la representacin a las circunstancias de administracin del test y las caractersticas del grupo destino. Adems del anlisis del contenido es necesario cuidar especialmente la calidad lingstica del test; No deben de descuidarse aspectos sintcticos, semnticos o incluso Egaa, 2000). 2.- Formacin de los expertos. Es necesario formar al grupo de expertos en dos puntos que garanticen la correccin del proceso de estudio del contenido. Por un lado hay que instruirlos en los objetivos del test, y por otro hay que familiarizarlos con las tareas que se les van a solicitar. 3.- Recogida de datos. El diseo para la recogida de datos en la fase de anlisis de contenido ha de ser sencillo y simple, de modo que no confunda a los expertos ni se confunda con ningn otro tipo de fuente de error. 4.- Anlisis de datos. Una vez recogidos los datos se estimarn para cada tem sus ndices de congruencia y relevancia. Estos ndices permitirn una evaluacin dirigida a mejorar la representacin del dominio, modificando o eliminado algunos de los tems construidos. En definitiva el estudio de la validez de contenido est estrechamente relacionado con la fase de construccin de los test, que aglutina tanto el estudio terico del constructo del que partir su definicin operacional, como el contexto de aplicacin y la poblacin destino. fonolgicos que puedan generar sesgo en grupos especficos de respondientes (Elosua y Lpez, 1999, 2007; Elosua, Lpez y

6.2.2

Proceso de respuesta.

- 128 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La influencia que est ejerciendo la psicologa cognitiva sobre la psicometra tradicional, est obligando a reanalizar la medicin por medio de test para que fije su atencin ms que en la utilidad del constructo, en su representacin (Prieto y Delgado, 1999; 2000; Snow y Lohman, 1993). En este contexto, el estudio de los procesos cognitivos implicados en la resolucin de los tems es un elemento de anlisis en la bsqueda de instrumentos de medida que se ajusten a un marco que no sea estrictamente estadstico. Se convierten de este modo en un instrumento til para la constatacin de modelos cognitivos concretos (Embretson, 1985) que permiten adems indagar posibles discrepancias cognitivas entre grupos. La metodologa descansa sobre el anlisis de protocolos de respuesta, interrogatorios, y en general procedimientos que permitan indagar y descomponer la respuesta a un tem en diferentes procesos. Este tipo de estudio no recae nicamente sobre los sujetos. Es aconsejable analizar a los expertos encargados de evaluar o recoger los datos para garantizar una interpretacin consistente entre todos ellos. De este modo, la validacin puede recoger estudios empricos de como los jueces recogen y evalan datos, junto con anlisis sobre la adecuacin de esos procesos con la definicin del constructo.

6.2.3 Estructura interna

El estudio de la evidencia centrada en el anlisis de la estructura interna evala el grado en que las relaciones entre los tems y los componentes del test conforman el constructo que se quiere medir y sobre el que se basarn las interpretaciones. Segn los ltimos estndares, se centra en el estudio de la dimensionalidad de la prueba, y del funcionamiento diferencial de los tems.

- 129 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 6.2.3.a Dimensionalidad

El estudio de la dimensionalidad cubre habitualmente dos aspectos: 1) la verificacin o refutacin de la hiptesis de unidimensionalidad, y 2) la descripcin, si procede, de la estructura multidimensional de un conjunto de datos. Estos dos objetivos implican la utilizacin de una metodologa encaminada a determinar qu y cuntos factores o en su caso rasgos explican la matriz de correlaciones, o determinan la respuesta de un sujeto. Generalmente, su objetivo es especificar y demostrar la existencia de una "estructura simple" (Thurstone, 1947), aquella, que resulta de la agrupacin de tems en ncleos dimensionalmente homogneos entre ellos, y dimensionalmente distintos entre s. De entre todos los procedimientos utilizables para ello, tal vez sea el modelo de anlisis factorial el que ha gozado de mayor popularidad, convirtindose en el ms utilizado. El anlisis factorial engloba un conjunto de tcnicas de anlisis multivariadas (McDonald, 1985) cuyo objetivo es resumir la informacin contenida en un conjunto de variables observadas por medio de un nmero reducido de variables hipotticas, conocidas normalmente como factores. Basado en el modelo lineal de Spearman, pretende reproducir las matrices de covarianzas o correlaciones entre variables, a travs de la siguiente ecuacin Z = Af +e
Dnde el vector de variables observadas Z se explica a travs de un vector de factores f, ponderado por una matriz de pesos factoriales (A) que representa las correlaciones entre las variables observadas y latentes, ms un trmino de error (e), que habitualmente en psicologa se descompone, en varianza nica y aleatoria.

Es un procedimiento que puede utilizarse como tcnica de anlisis exploratoria (Anlisis Factorial Exploratorio), o confirmatoria, para contrastar la - 130 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ hipottica estructura subyacente a un conjunto de datos (Anlisis Factorial Confirmatorio). En este ltimo caso el modelo de anlisis factorial se integra en el conjunto de modelos de estructuras de covarianza, que han de especificar tanto el modelo de medida, o relacin entre las variables observadas e hipotetizadas, como el modelo de ecuaciones estructurales, que define las relaciones entre factores . El anlisis factorial se ha convertido en el procedimiento de anlisis de la estructura interna por excelencia en psicologa, debido entre otros factores a su implementacin en paquetes estadsticos tan conocidos como el SPSS, SAS o SYSTAT. Al respecto, seala Ferrando (1993) " se utiliza excesivamente y por lo general se utiliza mal, sin una adecuada comprensin del mtodo, con finalidades que no le corresponden y con datos para los que no resulta apropiado" (pg. 24). La inadecuada aplicacin de este mtodo se deriva de la violacin de los presupuestos del modelo lineal en que se apoya. Entre ellos, a) la mtrica de las variables tanto observadas como latentes corresponde a la escala estandarizada, b) los factores comunes y los nicos son estadsticamente independientes, c) los factores nicos son estadsticamente independientes, d) las correlaciones entre las variables observadas y los factores son las saturaciones factoriales de la variable en el factor (Martnez Arias, 1995).

6.2.3.b Funcionamiento diferencial del tem

La definicin ms general de funcionamiento diferencial del tem podra ser la aportada por Mellenbergh (1989), segn la cual dada una variable Z, y con respecto a otra variable G, el tem i presenta funcionamiento diferencial (FDI), si y slo si, se satisface la siguiente desigualdad para todos los valores g y z de las variables G y Z. - 131 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ f(X g,z)
Donde X es el tem estudiado; Z

f(X z)

la variable medida, y G una variable

aparentemente irrelevante al objeto de medida, habitualmente de naturaleza nominal (sexo, idioma, raza, edad...) y cuyos valores determinan la diferenciacin entre los grupos de referencia y focal.

Esta formulacin se traduce en que la probabilidad de respuesta correcta a un tem no depende nicamente del nivel del sujeto en la variable medida, sino que est condicionada por la pertenencia a un determinado grupo social, cultural, lingstico, instruccional... Esta dependencia del tem conduce a una falta de equivalencia mtrica que cuestiona su validez. La importancia de garantizar la equidad en el proceso de medicin, implcita en el concepto de validez, es el origen de la multitud de trabajos destinados tanto a la elaboracin y estudio de tcnicas diseadas para la deteccin del FDI (Berk,1982; Camilli y Shepard, 1994; Clauser y Mazor, 1998; Elosua, 1996; Fidalgo, 1996; Holland y Wainer, 1993; Martinez Arias, 1995; Millsap y Everson, 1993; Osterlind, 1983: Potenza y Dorans, 1995), como a la bsqueda de teoras explicativas que analizan sus causas (Elosua, Hambleton y Zenisky, 2006; Elosua y Lpez, 2007; Mellenbergh, 1989). Son muchos los mtodos diseados para detectarlo y muchos los estudios que comparan su efectividad bajo distintos supuestos. Bsicamente, los procedimientos de deteccin del FDI pueden clasificarse en funcin del carcter de la variable condicionante. Segn sea sta observada o latente, nos encontramos con tcnicas conocidas como invarianza condicional observada o invarianza condicional latente (Millsap y Everson, 1993). Todas ellas comparan la ejecucin en un tem por sujetos que perteneciendo a distintos grupos, presentan el mismo nivel de habilidad, de ah su calificacin de tcnicas condicionales.

- 132 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Estas tcnicas definen Z como la puntuacin total observada. En ellas se encuadran los procedimientos chi-cuadrado (Scheuneman, 1984), el estadstico Mantel-Haenszel (Holland y Thayer, 1988), la estandarizacin (Dorans y Kulick, 1986), modelos log-lineales y los derivados de la regresin logstica (Swaminathan y Rogers, 1990). En el segundo grupo de tcnicas pueden incluirse los procedimientos derivados de los modelos de respuesta al tem (MRI), que para muchos autores ofrecen el marco terico ms apropiado para la deteccin del FDI. En este contexto un tem muestra funcionamiento diferencial cuando su funcin de respuesta depende de la pertenencia al grupo. Las tcnicas de deteccin de FDI derivadas de los MRI incluyen tres tipos de procedimientos. Aquellos que comparan en los grupos de estudio los parmetros de las curvas caractersticas del tem (a, b, c) (Lord, 1980), los basados en el clculo de la superficie que limitan las curvas caractersticas producidas por un tem en dos poblaciones distintas (Linn y Harnisch, 1981), y por ltimo los basados en la comparacin de modelos. El desarrollo de todos los procedimientos anteriores, parte de la consideracin de la unidimensionalidad de la variable condicionante, sea esta observada o latente. Sin embargo, desde una perspectiva multidimensional (Ackerman, 1992; Shealy y Stout, 1993) surgen procedimientos como el SIBTEST (Shealy y Stout, 1993) o los modelos de estructuras de medias y covarianzas (MACS; Elosua, 2005) derivados del modelo del factor comn. A pesar de la estrecha relacin entre los conceptos de sesgo y FDI, es importante resear el hecho de que no existe correspondencia biunvoca entre ambos. Aunque consideremos los ndices de FDI arrojados por los distintos procedimientos definiciones operacionales del sesgo, no hay que olvidar que son procedimientos estadsticos que pueden producir falsas detecciones. Es siempre necesario complementar todo estudio emprico de deteccin de FDI (Elosua,

- 133 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Lpez y Torres, 2000) con procedimientos de juicio que evalen y contextualicen en cada caso el contenido de cada uno de los tems (Elosua, Hambleton y Zenisky, 2006; Scheuneman, 1987), para as poder concluir la presencia o no de sesgo, y poder evaluar los resultados en un marco sustantivo de estudio de la validez. En definitiva, es necesario buscar el origen del FDI dentro de teoras explicativas generales, que permitan su control desde el estadio inicial de construccin de tests.

6.2.4 Relaciones con otras variables

El estudio de las relaciones entre la medida obtenida por el test y otras variables externas, conocida como el aspecto externo de la validez por Loevinger (1957) y Messick (1989), o como amplitud nomolgica por Embretson (1983, 1985), tal vez sea la fuente de informacin ms utilizada en el proceso de validacin. Su defensa como fuente de validez por al enfoque funcionalista (Prieto y Delgado, 1999) en la construccin de tests ha avalado su uso desde los primeros estndares de la APA. Se centra en la bsqueda de evidencias que relacionen la puntuacin con algn criterio que se espera prediga el test, o con otros tests que hipotticamente midan el mismo constructo, constructos relacionados o constructos diferentes (AERA, APA y NMCE, 1999). Los resultados de estos anlisis podran evaluar el grado en que las relaciones hipotetizadas son consistentes con la interpretacin propuesta. Es un apartado general en el que se incluyen la evidencia convergente/discriminante, las relaciones test/criterio y los estudios de generalizacin de la validez. 6.2.4.a Evidencia convergente y discriminante.

- 134 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Las relaciones entre mtodos de medida diferentes aplicados a distintas variables se han estudiado tradicionalmente por la matriz multirasgo/multimtodo (Campbell y Fiske, 1959). Evala las correlaciones entre distintas variables medidas por distintos mtodos, analizando as la influencia del instrumento de medicin sobre la medida. La validez convergente (valores monorasgo-heteromtodo) se refiere al grado de relacin entre distintos procedimientos que miden el mismo constructo, mientras que la validez discriminante (valores heterorasgo-monomtodo) hace referencia a la evaluacin de distintas variables medidas con el mismo mtodo. Aunque en primera instancia se trate de un procedimiento heurstico sin validez estadstica (Martnez Arias, 1995), se han propuesto distintos modelos para su estudio basados en el anlisis factorial confirmatorio (Bagozzi, 1993, Browne, 1984; Byrne, 1989; Marsh y Bailey, 1991; Schmitt y Stults, 1986) La matriz multirasgo-multimtodo puede complementarse con estudios experimentales, que incluyan diseos pre-post-tratamiento o comparacin de grupos que supuestamente presentan valores diferentes en la variable medida, distinta instruccin, o incluso entrenamiento (Cronbach, 1975).

6.2.4.b Relaciones test-criterio

El estudio de las relaciones test-criterio adquiere una gran relevancia en contextos de utilidad donde es fundamental la precisin con que se efecta una prediccin. Su estudio incluye adems del grado de precisin, un anlisis de los factores que inciden directamente sobre ella, como las caractersticas propias del instrumento evaluado, la relevancia, fiabilidad y validez del criterio, y en general todos aquellos que afecten a la fiabilidad de las variables como el tamao muestral o la restriccin del rango. Los diseos utilizados para la obtencin de ndices de este tipo dependen del tiempo transcurrido entre la recogida de datos en el test y en el criterio,

- 135 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ siendo habitualmente conocidos como el predictivo, concurrente o retrospectivo. En funcin tanto del nmero de variables empleadas como de su carcter sera posible la utilizacin de diversas tcnicas de anlisis multivariado. Entre ellas, regresin y correlacin simple (un test / un criterio), regresin mltiple, regresin logstica, anlisis discriminante (varios predictores / un slo criterio) o la correlacin cannica y el anlisis de regresin multivariante para el caso de varias variables predictoras y varios criterios.

6.2.5 Generalizacin de la validez

La posibilidad de que los procesos de validacin locales puedan extenderse a nuevas situaciones est constituida por los estudios de metaanlisis, que en este mbito cumplen dos objetivos complementarios. Por un lado, unificar los resultados de aplicaciones particulares de un mismo test, y por otro, estimar la variabilidad de los resultados locales obtenidos debidos a artefactos estadsticos. En los estudios de validacin Hunter y Schmidt (1991) diferencian entre 11 posibles artefactos que sera necesario neutralizar:
Error de medida de en la en la la variable variable variable Error de medida en la variable dependiente Dicotomizacin de la variable dependiente Variacin del rango en la variable dependiente Validez de constructo imperfecta en la variable dependiente Varianza debida a factores extraos

independiente Dicotomizacin independiente Variacin del rango independiente Validez de constructo imperfecta en la variable independiente Errores de informe y transcripcin Error muestral

- 136 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En definitiva se trata de calcular un promedio de validez, corrigiendo los efectos de cada uno de los factores mencionados.

6.2.6 Consecuencias

El estudio de las consecuencias de la utilizacin de los tests es una fuente de evidencia compleja que puede traspasar los lmites de la validez como concepto enmarcado en el proceso de construccin de teoras cientficas, para llegar a tocar aspectos relacionados con la poltica social. Esta distincin e interconexin vuelve a enfatizar la importancia de la adecuacin contextual en el proceso de validacin de un instrumento de medida, que cobrar una relevancia especial en las situaciones en las que puedan existir consecuencias diferenciales para grupos socioculturales diferentes (seleccin y promocin, educacin especial...) La integracin del test con sus consecuencias, ha sido ilustrada por Messick (1989), que propone un marco de estudio de la validez en el que incluye un componente pragmtico con el que intenta enfatizar: a.- la importancia de la relacin entre la connotacin terica y las connotaciones prcticas atribuidas a las puntuaciones b.- la necesidad de valorar la relevancia y la utilidad de las puntuaciones en cada uno de los usos propuestos c.- la necesidad de conocer y en su caso controlar las consecuencias sociales del uso propuesto. Con ello se busca un equilibrio entre el valor instrumental del test o su finalidad y los efectos derivados de su uso, que slo se consigue haciendo al usuario cmplice y responsable del valor terminal del test.

- 137 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En definitiva, el proceso de validacin de un instrumento aglutina un conjunto de estudios encaminados a proveer a las puntuaciones del test de una interpretacin terica coherente en un contexto de uso bien delimitado. Es un anlisis que ha de comenzar en el momento previo a la construccin del instrumento, y que ha de guiar y acompaar su desarrollo, asegurando un test tcnicamente fiable, y sostenido por el suficiente cmulo de evidencias que garanticen equidad tanto en la administracin como en la puntuacin e interpretacin. La inferencia psicolgica derivada de las puntuaciones de los test, exige la conjuncin entre los modelos formales utilizados en la estimacin de los errores aleatorios que interfieren todo proceso de medida y el modelo sustantivo base, utilizado en la construccin del test. Slo una correcta conexin entre modelo formal y modelo sustantivo garantizar la validez de las inferencias derivadas de las puntuaciones. Todo test se construye sobre dos bases, una formal y una sustantiva. Los modelos psicomtricos (la teora clsica de tests, por ejemplo) se encargarn del anlisis formal de las puntuaciones; los estudios de validez por su parte, tienen como objetivo el anlisis sustantivo de las puntuaciones obtenidas. Todo ello, siempre orientado o dirigido por los objetivos y finalidades del test, lo cual viene delimitado por el contexto de aplicacin y las caractersticas de la poblacin destino.

- 138 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Constructo

Modelo fromal

Estima cin V

Validez

Modelo sustnativo

Test

6.1 igura. Componentes formal y sustantivo de un test

- 139 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

7 Estructura interna. Dimensionalidad

Los constructos tericos que son objeto de investigacin por las ciencias sociales no son directamente medibles y es necesaria la utilizacin de indicadores manifiestos para su medicin. La relacin entre el constructo terico y sus indicadores manifiestos definir la validez de la medida obtenida. Es fundamental la correcta definicin de los indicadores manifiesto para que representen el constructo sin varianza irrelevante y sin infrarepresentacin. Existen modelos formales cuyo cometido se centra en el anlisis emprico de las relaciones entre variables observadas y variables latentes; entre ellos, el anlisis factorial es el modelo ms utilizado en la investigacin psicomtrica. El anlisis factorial engloba un conjunto de modelos matemticoestadsticos que analizan las relaciones de dependencia entre variables. Su objetivo es explicar la variabilidad contenida en n variables observadas por medio de m variables latentes, es decir, analizar la estructura interna o dimensionalidad de los datos. El anlisis factorial se haya estrechamente unido al estudio de la validez interna de un test o cuestionario y en el mbito psicomtrico es la tcnica ms utilizada, aunque en muchas ocasiones su utilizacin no sea correcta. Los datos a analizar estn contenidos en la matriz de covarianzas (correlaciones) entre variables; y el objetivo es explicar la variabilidad contenida en ellas asumiendo la existencia de factores o variables latentes comunes a todas ellas. Los objetivos del anlisis factorial son la parsimonia y la simplicidad de la solucin que garantizan la significatividad e interpretabilidad formal y sustantiva de los factores extrados.

- 140 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Es una tcnica surgida de los trabajos pioneros de autores de la talla de Lawley (1940), Spearmam (1904) o Thurstone (1947), que se ha desarrollado de la mano de Gorsuch (1974, 1983) o McDonald (1981, 1985), y que hoy se extiende prcticamente a todos los campos de investigacin social. La bibliografa sobre el tema es abundante y puede consultarse entre otros, Gorsuch (1974, 1983), McDonald (1985) o Mulaik (1972). En castellano es especialmente recomendable el libro de Ferrando (1993), adems de las obras de Comrey (1985) o Martnez Arias (1995).

7.1

Modelo de anlisis factorial

El modelo de anlisis factorial asume la presencia de factores latentes que dan cuenta de la variacin observada en la matriz de correlaciones y establece relaciones lineales entre los factores y las variables manifiestas. Utilizando los esquemas de Wright, un modelo bifactorial podra representarse grficamente del siguiente modo:

D
1

u
1

Z
1

a a1 a a 3
4 2 1 2 1 1

D
2

u
2

Z Z
2 2

D
3

u
3

F
1

Z
3

D
7.1 Figura.
4

u
4

a
4 2

F
2

Z
4

Modelo bifactorial

Esta representacin grfica se formaliza utilizando el siguiente conjunto de ecuaciones:

Z1 = a11F1 + a12F2 + u1D1 Z2 = a 21F1 + a 22F2 + u 2D2 Z3 = a 31F1 + a 32F2 + u3D4 Z4 = a 41F1 + a 42F2 + u 4D4

- 141 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Donde Zi son las variables observadas, Fj, son los factores comunes, Di, son los factores especficos aij, j son los pesos o saturaciones factoriales.

Los elementos que integran el modelo son: Variables observadas. Son variables estandarizadas; en el ejemplo son 4 (n=4). Variables latentes, tambin conocidas como factores o dimensiones. Son de dos tipos: o Factores comunes. Son estructuras que se relacionan con ms de una variable observada; factores (m=2). o Factores especficos. Son estructuras latentes asociadas a cada una de las variables observadas. Su nmero es n. Pesos o saturaciones. Son las saturaciones de las variables sobre los factores, en funcin de los factores se distingue entre: o aij son los pesos asociados a los factores comunes. o ui son los pesos asociados a los factores especficos. Siguiendo las especificaciones grficas sera posible representar el modelo del siguiente modo: En este ejemplo existen dos

Z1 = a11F1 + u1D1 Z2 = a 21F1 + u 2D2 Z3 = a32F2 + u3D4 Z4 = a 41F1 + a 42F2 + u 4D4

La ecuacin general del modelo factorial podra expresarse como:

Zi = ai1 F 1 + a i2 F 2 + a i3F 3 +...+a imF m +u i Di

- 142 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Zi
7.1.1 Supuestos y consecuencias

m j 1

aij Fj ui Di

Supuesto 1. Tanto los factores como las variables observadas estn estandarizados.

Zi ~ N 0,1 Fi ~ N 0,1 Di ~ N 0,1


Supuesto 2. La correlacin entre los factores comunes y los especficos es nula.

FD i j

=0

j i

Supuesto 3. Los factores especficos son estadsticamente independientes.

Di Dj

=0

Supuesto 4. Los factores comunes son estadsticamente independientes.

FjFk

=0

A partir de estos supuestos se derivan las siguientes consecuencias: Consecuencia 1. Varianza de las variables observadas. La varianza de las variables observadas se descompone en comunalidad y unicidad.
2 i

1 hi2 ui2

- 143 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Donde hi2 es la comunalidad de la variable i ui2, es la unicidad de la variable i.

La comunalidad de una variable es el sumatorio del cuadrado de las saturaciones de los factores comunes en esa variable e indica la parte de varianza explicada por los factores comunes.
m j 1

h
Por lo tanto,

2 i

2 i1

2 i2

2 im

2 aij

2 i

hi2 ui2

m j 1

2 aij ui2

Existe una clara relacin entre el concepto de fiabilidad y el modelo factorial. En el contexto de la teora clsica de tests la unicidad de una variable puede descomponerse en dos: parte sistemtica o especfica y parte de error. La comunalidad y la parte sistemtica de la unicidad contribuiran a la puntuacin verdadera siendo equiparable la parte de error de la varianza al error de medida.

ui2 bi2 ei2


2 Zi

= ai2 ui2

ai2 bi2 ei2 1

Consecuencia 2. Correlacin entre variables observadas. La correlacin entre dos variables observadas se reproduce por medio del sumatorio de los productos de las saturaciones de los factores comunes sobre ellas. El teorema bsico del anlisis factorial establece:
m j 1

ik =

a ij a kj

Donde

ik es la correlacin entre las variables observadas i y k aij akj, son las saturaciones del factor j en las variables i y k .

- 144 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Consecuencia 3.- Correlacin entre los factores comunes y las variables manifiestas. La correlacin entre un factor comn y una variable manifiesta es igual al peso del factor en la variable.

Zi Fj

= a ij

Donde

ZiFj es la correlacin entre el factor comn j y la variable observada i aij, , es el peso del factor j sobre la variable i

7.1.2 Reproduccin de la matriz de correlacin

A partir de los supuestos del modelo, es posible reproducir la matriz de correlaciones entre variables observadas. La matriz reproducida es una fuente de informacin bsica en el estudio del ajuste del modelo a los datos; en la media en que las diferencias entre los valores reproducidos y observados sean equivalentes la solucin factorial podr considerarse ptima.

a1 a2 a1 a2 an
Donde

a12 a1a2 2 a2a1 a2 an an a1 an a2

a1an a2an

h12
* 21

* 12 2 2

* 1n * 2n

2 an

* n1

* n2

2 hn

ai es el peso del factor comn en la variable i , hi2, es la comunalidad de la variable i * ij, es la correlacin reproducida entre las variables i y j

A A' R*
La diagonal principal de la matriz de correlaciones reproducida est ocupada por las comunalidades. El objetivo principal del anlisis factorial es maximizar la comunalidad de las variables, es decir la parte de la varianza comn debida a los factores comunes. A medida que aumenta la comunalidad de las variables los valores de la diagonal principal de la matriz de correlaciones tendern a 1. - 145 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La diferencia entre la matriz de correlaciones observadas y la matriz de correlaciones reproducida o matriz reducida es la matriz de residuales.

resij

ij

ai a j
iF jF

resij

ij

u12 res12 2 res21 u2 resij resn1 resn 2

res1n res2n

1
21

12

1n 2n

h12
* 21

* 12 2 2

* 1n * 2n

2 un

n1

n2

* n1

* n2

2 hn

7.1.3 Representacin matricial

La ecuacin bsica del modelo factorial expresada en lenguaje matricial adquiere la siguiente forma:

Z AF UD
Donde Z es la matriz de correlaciones entre variables observadas, F, es la matriz de factores comunes, A, es la matriz de pesos, U, es la matriz de pesos de los factores especficos D, es la matriz de factores especficos.

En la mayora de las ocasiones sin embargo, la expresin se presenta como:

- 146 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Z AF E
D o n d e E e s

F
1

F
2

Z
1

a
1 1

a
1 2

Comunalides

2 2 2 l a matriz de residuales. 1 2

Valores propios a a
3 2

Z
3

Z
4

Z1 1 Z2
a
4

a
4

a11 a12 a21 a22

a1m a2m

F1 F2

u11 0 0 u22

0 0

D1 D2

Z 1n n 1

2 n1

a an 2

anm

Fm m 1

0 0 n n

unn

Dn n 1

n m

7.2 Figura. Matriz factorial.

La matriz A recibe el nombre de matriz factorial, y recoge las saturaciones de los factores comunes en las variables observadas (aij). Cada uno de los elementos de la matriz (aij) expresa la correlacin entre la variable observada y el factor comn. El sumatorio del cuadrado de cada uno de los elementos de cada una de las columnas es el valor propio o eigenvalue del factor comn correspondiente. Los valores propios son caractersticos de los factores y se utilizan para interpretar la parte de la varianza de las variables explicada por el factor. La lectura de la matriz factorial por filas proporciona informacin sobre las comunalidades de las variables, es decir, la parte de varianza de cada variable explicada por los factores comunes.

- 147 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El producto de la matriz factorial por su transpuesta dar como resultado la matriz de correlaciones reproducida:

R* AA'
La matriz original se obtendr sumando a la matriz de correlaciones reproducida o matriz reducida (R*) la matriz de unicidades.

R = R* + U

7.1.4 Extraccin factorial

La extraccin factorial es el ncleo del anlisis factorial. Son muchos los procedimientos algebracos y estadsticos construidos con tal fin. Su exposicin sobrepasas los lmites de este manual y remitimos al lector a la bibliografa especializada sobre el tema, entre la cual destacaramos Comrey (1985), Gorsuch (1974), Harman (1980), Maxwell (1977), McDonald (1985) Mulaik (1972). Expondremos brevemente las bases del procedimiento de estimacin por mxima verosimilitud, por ser el que implementa factanal, la funcin que utiliza Rcommander para ejecutar el anlisis factorial. Mtodo de mxima verosimilitud Se trata de un procedimiento de estimacin estadstico que obtiene estimadores con propiedades estadsticas deseables. Es un mtodo simple aplicable a multitud de modelos diferentes. Una vez obtenido un estimador mximo-verosmil la teora general sobre estimacin por mxima verosimilitud proporciona errores estndar, test de significacin y dems resultados que son tiles en la inferencia estadstica.

- 148 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Ejemplo. Supongamos que se quiere estimar la probabilidad de obtener cara en un experimento de lanzamiento de monedas. .- Se lanza la moneda 10 veces (n=10) y se obtiene el siguiente resultado: CC+CCC++CC. .- La probabilidad de obtener esa secuencia es una funcin de un parmetro desconocido :
7

Pr(datos parmetro)=Pr(CC+CCC++CC )=

(1- )

(1- )(1- )

(1- )3.

Los datos de nuestro experimento son fijos; los conocemos. El parmetro tambin tiene un valor fijo, pero este valor es

desconocido, y podemos estimar cual sera su valor tratando la probabilidad de los datos observados como una funcin de verosimilitud: L(parmetro datos) = L( CC+CCC++CC) =
7

. Esta funcin es la funcin de

(1- )3

La funcin de probabilidad y la funcin de verosimilitud vienen dada por la misma ecuacin, pero la funcin de probabilidad es una funcin de los datos con el valor del parmetro fijo, mientras que la funcin de verosimilitud es una funcin del parmetro con los datos conocidos. En la tabla siguiente se muestran distintos valores de la funcin de verosimilitud para distintos valores de .

- 149 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
L(parmetro datos) = 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,0 0,0000000729 0,00000655 0,0000750 0,000354 0,000977 0,00179 0,00222 0,00168 0,000478 0,0
7

(1- )3

La funcin de verosimilitud completa ha sido reproducida en la siguiente ilustracin. Aunque cada valor de L( |datos) tiene una notacin probabilstica, la funcin no es una funcin de probabilidad y el rea encerrada no es 1.

0.0000

0.0005

0.0010

0.0015

0.0020

0.0

0.2

0.4

0.6

0.8

1.0

7.3 Figura. Funcin de Verosimilitud.

La probabilidad de obtener la muestra de datos es pequea en relacin al parmetro . La funcin de probabilidad contiene informacin muy importante . Por ejemplo, mencionaremos que no

respecto al parmetro desconocido

- 150 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ puede adoptar los valores 0 o 1 y es poco probable que su valor sea cercano a 0 o 1. Invirtiendo el razonamiento se podra afirmar que el valor de ms

probable vistos los datos es aqul que genera una verosimilitud mayor, est valor es el estimador mximo verosmil. El estimador mximo verosmil es el mximo de la funcin de verosimilitud, es decir, aqul cuyo valor maximiza la probabilidad de obtener los datos conocidos. En este ejemplo el estimador mximo verosmil del parmetro es 0,7, que coincide con la proporcin de

caras en el experimento de lanzamiento de monedas, 7/10. En trminos de clculo, es ms sencillo maximizar el logaritmo de la funcin de verosimilitud que la funcin de verosimilitud, porque la transformacin logartmica convierte los trminos del producto en trminos aditivos.

LogL( ) x log

(n x)log(1

Diferenciando la funcin respecto al parmetro e igualando a 0 se obtendra el estimador mximo verosmil.

d log L( ) 0 d
Los estimadores mximo verosmiles son consistentes, asintticamente insesgados, asintticamente eficientes y distribuidos segn la ley normal. Siendo L( ) el valor de la funcin de verosimilitud en el punto MLE, y

L( ) la funcin de verosimilitud en el parmetro verdadero, la razn de


verosimilitudes sigue asintticamente una distribucin Chi cuadrado con un grado de libertad bajo la hiptesis nula.

G2

2log

L( ) L( )

2 log L( ) log L( )

- 151 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 7.1.5 Modelo de componentes principales

Aunque, desde un punto de vista formal, el modelo de componentes principales no es un modelo de anlisis factorial, su uso como tal es comn en la investigacin aplicada. De hecho, programas con licencias privativas como el SPSS incluyen el modelo de componentes principales como un mtodo de extraccin factorial. El objetivo del modelo de componentes principales es reproducir la varianza total mientras que el anlisis factorial est interesado en la varianza comn. Esa diferencia bsica en los objetivos marca la diferencia entre los modelos. Es cierto, sin embargo, que cuando el modelo de componentes principales se utiliza como un mtodo de extraccin factorial los resultados pueden interpretarse de modo anlogo. De hecho, a medida que aumenta la varianza comn, aumenta la equivalencia entre ambos modelos. El modelo de componentes principales define a partir de de combinaciones lineales entre n variables observadas, Y componentes que explican el mximo de varianza observada. Una vez estimado un componente, su efecto es eliminado y se vuelve a estimar un segundo componente relacionado con la varianza residual.

Y1 a11 X1 a21 X 2 Y2 a12 X1 a22 X 2 Yn a1n X1 a1n X 2

an1 X n an 2 X n ann X n

Las diferencias entre el modelo factorial y el modelo de componentes principales podra sistematizarse del siguiente modo: a.- El anlisis de componentes principales define n componentes a partir de n variables observadas, y esos componentes se ordenan en funcin de la varianza explicada por cada uno de ellos; aunque cuando se utiliza en - 152 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ el marco del anlisis factorial no se retienen todos los componentes extrados. En el modelo factorial se estiman m factores comunes y n factores especficos a partir de un nmero de variables observadas igual a n. b.- La parte ms significativa de la solucin factorial est constituida por las comunalidades; en el modelo de componentes principales el concepto fundamental es la varianza. Las primeras son desconocidas las segundas, sin embargo, no.

7.1.6 Rotacin factorial

La solucin factorial generada tras someter a un conjunto de datos a un anlisis factorial cumple la ecuacin del modelo (AA'=R*), sin embargo, eso no significa que la solucin sea nica. Para cada anlisis es posible encontrar varias matrices que cumplan la condicin anterior. Entre todas las posibles soluciones habra que optar por aquella que mejor pueda interpretarse desde un punto de vista sustantivo; esta solucin habitualmente se aproxima a la estructura simple definida por Thurstone (1947). Una matriz factorial P tiene una estructura simple cuando: Cada fila en la matriz P tiene al menos un 0 (o valores prximos a 0). Es decir, cuando para cada variable existe al menos un factor que no contribuye a la varianza de la variable. Para cada factor en la matriz P existe un grupo de variables con peso nulo (o valores prximos a 0). Para cada par de columnas existirn variables con valores prximos a 0 en una y elevados en la otra. La estructura de una matriz factorial con estructura simple podra ser similar a:

- 153 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Factor 1 1 2 3 4 5 6 XX
8.1 Tabla. Estructura simple

Factor 2

Factor 3

XX XX XX XX XX XX

La rotacin factorial consiste en encontrar una nueva matriz factorial que se aproxime a la estructura simple,

P AT
Donde A es la matriz factorial T, es la matriz de transformacin.

Si partiramos de una solucin factorial como la expresada en la siguiente matriz factorial y la rotramos, podramos obtener una nueva solucin, la solucin rotada. Formalmente equivalente a la solucin original, pero ms fcil de interpretar; con pesos que se distribuyen en bloques claramente interpretables. La representacin grfica en coordenadas cartesianas, muestra la proximidad de las variables a los ejes que representan los factores en la solucin rotada, y la difcil interpretacin sustantiva de la solucin original.

1 0,5 0 -1 -0,5 -0,5 -1 0 0,5 1

1 0,5 0 -1 -0,5 -0,5 -1 0 0,5 1

7.4. Figura. Representacin Solucin Factorial.

- 154 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La rotacin factorial no afecta a la calidad formal de la solucin factorial; las comunalidades de las dos soluciones (no-rotada, rotada) son equivalentes; la rotacin produce una redistribucin de las cargas factoriales que afecta a la parte de varianza comn asociada a cada factor. Los procedimientos de rotacin factorial se agrupan en dos grandes bloques; los procedimientos ortogonales y los procedimientos oblicuos. Los primeros mantienen la independencia entre factores, y los segundos estiman factores correlacionados. Rotaciones ortogonales

Varimax: Formulada por Kaiser (1958), la rotacin varimax maximiza la varianza factorial. Para ello minimiza el nmero de variables con altas saturaciones. Es el procedimiento ms empleado. Qartimax: El objetivo de la rotacin quartimax es simplificar la explicacin de las variables, para ello minimiza el numero de factores comunes asociados a ellas. Es un procedimiento recomendado cuando el nmero de variables observadas es elevado. Equamax: Es un procedimiento que combina los dos anteriores.
Solucin no-rotada F1 Z1 Z2 Z3 Z4 0,780 0,799 0,767 0,789 F2 0,304 -0,328 0,462 -0,.417 Z1 Z2 Z3 Z4 Solucin rotada F1 0,348 0,802 0,229 0,857 F2 0,761 0,321 0,865 0,250

Rotaciones oblicuas Las rotaciones oblicuas son muy utilizadas en la investigacin aplicada porque habitualmente ofrecen soluciones ms interpretables, sin embargo la generalizacin de la solucin es menor que la atribuible a una rotacin

- 155 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ ortogonal. Una rotacin oblicua de una solucin factorial genera dos matrices diferentes, la matriz de estructura (S) y la matriz de configuracin o matriz factorial (P). Los elementos de la primera son correlaciones entre las variables y los factores extrados; los elementos de la matriz de configuracin muestran las saturaciones de los factores sobre las variables. La obtencin de la matriz de correlaciones reproducida tras una rotacin oblicua se ajustara a la siguiente expresin:

R* PP U2
Entre los procedimientos de rotacin oblicua, Oblimin (Jennrich y Sampson, 1966) es la ms utilizada en la

investigacin aplicada. Con el fin de controlar la correlacin entre factores, es necesario la especificacin del parmetro Delta. Un valor 0 expresara la mxima correlacin. Promax (Hendrickson y White, 1964), este procedimiento maximiza la razn entre los pesos mayores y menores.

7.2

Etapas en la ejecucin de un anlisis factorial

1.- Hiptesis. Todo anlisis factorial ha de ir guiado por un conocimiento de los datos a analizar que permita formular hiptesis sobre su estructura interna. Es cierto, sin embargo que en muchos contextos de investigacin no hay hiptesis relativas a la dimensionalidad, convirtindose el anlisis factorial herramienta meramente descriptiva. En general, el estudio de la dimensionalidad latente a un conjunto de datos puede adoptar dos perspectivas; exploratoria y confirmatoria. En la primera se obtendr una descripcin de la estructura interna de los datos, en la - 156 en una

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ segunda se contrastarn hiptesis referidas a la dimensionalidad. El contexto de investigacin delimitar el tipo de acercamiento a la estructura de los datos, siendo el confirmatorio preferido al exploratorio. 2.- Extraccin factorial. Viene determinada por la eleccin de un mtodo de extraccin que se fijar en funcin de las caractersticas de los datos. 3.- Adecuacin de la solucin. La adecuacin de la solucin factorial depender en parte del grado en que los datos a analizar cumplen los supuestos del modelo factorial. A medida que aumenta la distancia entre los supuestos del modelo y las caractersticas de los datos la solucin obtenida ser ms dbil. 4.- Rotacin factorial. En muchas ocasiones la primera solucin factorial es difcil de interpretar desde una perspectiva sustantiva, por ello se opta por buscar una solucin formalmente equivalente pero cuya interpretacin sea ms clara desde el punto de vista sustantivo. 5.- Interpretacin. La interpretacin de la solucin factorial ha de aunar el aspecto formal y el sustantivo del anlisis. Las decisiones que se tomen relativas al nmero de factores a retener, su interpretacin psicolgica o la adecuacin del modelo no puede guiarse nunca por criterios exclusivamente numricos; el anlisis est siempre supeditado a la teora. 6.- Estimacin de las puntuaciones factoriales. Tras estimar el modelo y valorar positivamente su grado de adecuacin es posible estimar para cada uno de los sujetos de la muestra las puntuaciones factoriales, o valores asignados en cada uno de los factores extrados.

7.2.1 Interpretacin de la solucin factorial 7.2.1.a Nmero de dimensiones

- 157 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Una vez ejecutado un anlisis factorial, es importante interpretar correctamente la solucin para que las conclusiones tengan un sustento formal y sustantivo. Es posible extraer tantos factores como variables observadas y es importante decidir sobre la solucin ms adecuada. Son varios los criterios formales disponibles que puedan ayudar en tal proceso (Elosua y Lpez, 2002). Entre ellos es posible distinguir entre indicadores basados en el porcentaje de varianza explicada, indicadores basados en el anlisis de residuales e ndices relativos. ndices relacionados con la varianza Son los ndices ms utilizados en la investigacin aplicada para la

determinacin del nmero de factores a retener e interpretar tras un anlisis factorial, entre otras razones porque son muy sencillos de generar y de interpretar. Su justificacin para el caso de un modelo unidimensional por ejemplo, es muy simple. A medida que aumenta la diferencia entre la varianza asociada al primer factor extrado, y la varianza que explica el segundo factor extrado, mayor ser la evidencia acerca de la unidimensionalidad de los datos. Son varios los ndices construidos sobre esa base: Criterio de Carmines y Zeller (1979) Un conjunto de datos es unidimensional si el primer factor extrado explica el 40% de variabilidad observada. Criterio de Reckase (1979). Esta autor propone un punto de corte del 20% en la determinacin de la varianza que tiene que explicar un factor para poder considerar la existencia de una dimensin dominante. ndice de Lord (Lord, 1980). Para establecer el grado de relevancia del primer factor sobre el resto de factores extrados, este autor estima la razn entre la diferencia entre los dos primeros factores y la diferencia entre el segundo factor y el tercer factor.

- 158 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En las situaciones de multidimensionalidad, los siguientes criterios pueden ser tiles en la fijacin del nmero de factores a retener: Criterio de Kaiser-Guttman. (Guttman, 1954; Kaiser, 1960). Estos autores equiparan el nmero de dimensiones con el nmero de factores que poseen valores propios mayores a la unidad. A pesar de ser un criterio muy utilizado en muchas ocasiones sobreestima el nmero de dimensiones. Scree-Plot de Cattell: (Cattell, 1966, 1978) Este autor propone un procedimiento grfico en el que se representan los valores propios de cada factor extrado. Dibujando una lnea recta en el punto de inflexin de la curva as construida es posible extraer conclusiones sobre el nmero de factores necesarios para explicar los datos observados. La simplicidad y efectividad del procedimiento hace de l el mtodo de decisin ms utilizado en la investigacin aplicada. En la siguiente figura se muestran dos screenplots o grficos de sedimentacin que reflejan dos estructuras dimensionales diferentes; una de ellas es unidimensional y la otra representa una solucin en tres factores.

8 6 4 2 0 1 3 5 7 9 11 13 15 17 19 21 23

10 8 6 4 2 0 1 3 5 7 9 11 13 15 17 19 21

7.5 Figura. Grficos de sedimentacin

ndices relacionados con los residuos

- 159 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La adecuacin del modelo a los datos queda reflejada en la similitud/diferencia entre la matriz de correlaciones reproducida y la matriz de correlaciones observadas. La diferencia entre ambas se aproximar a 0 a medida que lo haga la adecuacin del modelo. El estudio de los residuales o diferencias entre ambas matrices, es un modo de aproximacin al problema de la adecuacin que est siendo objeto de estudio como fuente de informacin sobre el origen de la falta de ajuste y sobe la magnitud de esta. Uno de los procedimientos bsicos en el estudio del ajuste es el estudio de la distribucin de los errores. El modelo asume que los errores siguen una distribucin normal con media 0. Error cuadrtico residual medio (Root mean square error). Es uno de los ndices ms utilizados; cuando la adecuacin del modelo es buena su valor se aproxima a 0

rij rij*

ECMR

i 1 j 1

n(n 1)

Donde

rij es la correlacin entre las variables i y j, rij *, es la correlacin reproducida entre i y j n, nmero de variables analizadas.

ndices relativos Cuando la rotacin factorial se ha efectuado por medio del procedimiento de estimacin por mxima verosimilitud se puede utilizar la razn de verosimilitud como criterio para la comparacin de dos soluciones factoriales diferentes. En la comparacin de soluciones con un nmero de factores diferente, este contraste ofrece un estadstico que asintticamente se distribuye como una Chi cuadrado con grados de libertad igual a la diferencia entre los grados de libertad de los modelos evaluados (Lawley, 1940). - 160 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2n log

P datos modelo reducido P datos modelo extendido

Dados los problemas relacionados con el estadstico Chi cuadrado referidos a su sensibilidad con respecto al tamao de la muestra, es habitual valorar el grado de ajuste atendiendo a estadsticos bondad de ajuste. Los estadsticos de bondad de ajuste ofrecen valores que dentro de un contexto de interpretacin debern ser valorados por el investigador; es decir, no son pruebas estadsticas que rechacen o acepten una hiptesis nula. Entre ellos podramos citar el propuesto por McDonald (1999), cuyo valor es menor a 0,05 cuando el ajuste es adecuado:

RMSEA

d / gl

G g.l. N

Donde

G es la razn de verosimilitud, gl son los grados de libertad N, es el tamao de la muestra.

7.2.1.b Criterios generales para la interpretacin

- Qu se ha de interpretar en una solucin factorial? En la interpretacin de los factores es importante tener en cuenta las saturaciones. Tras una rotacin oblicua es necesario especificar la matriz que est siendo interpretada (correlaciones o saturaciones). - Qu saturaciones han de interpretarse? Aquellas que son significativas; en ausencia de los errores de estimacin, Stevens (1992) propuso como punto de

- 161 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ corte 0,40 . Sin embargo la contextualizacin correcta del trabajo determinar el punto de corte en cada caso. - Cul es el tamao mnimo de muestra necesario? Son varias las respuestas que se han dado a esta cuestin; entre ellas algunos autores afirman que como mnimo son necesarios 5 sujetos por variable (Gorsuch, 1983; Stevens, 1992). Sin embargo, a pesar de la recomendacin es fundamental analizar la solucin factorial. a.- Comunalidades: Cuando las comunalidades son altas, (>0,60) y los factores aparecen claramente definidos es suficiente un tamao de muestra de 100. Cuando las comunalidades giran en torno a 0,5 y los factores estn claramente definidos el tamao de muestra suficiente es 100-200. Cuando las comunalidades son menores a 0,5 y los factores estn bien definidos el tamao de muestra anterior seguira siendo aceptable. Cuando las comunalidades son bajas, el nmero de factores es reducido y cada factor tiene 4 o 5 indicadores manifiestos es necesaria una muestra mnima de 300. Cuando las comunalidades son bajas, el nmero de factores elevado y su definicin pobre, son necesarios tamaos de muestra superiores a 500 para obtener una estructura factorial adecuada. b.- Sobre la definicin de los factores (Guadagnoli y Velicer, 1988): Cuando un factor tiene cuatro o ms variables y las saturaciones son superiores a 0,60, ese factor es fiable. Siendo las saturaciones bajas, un factor ser fiable cuando adems de estar definido por 10 indicadores o ms, y el tamao de la muestra es superior a 150.

- 162 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ - Cuando el tamao de la muestra es menor a 300 no se tendrn en cuenta factores con bajas saturaciones. En general es recomendable reducir el nmero de variables y factores e un anlisis factorial, para asegurar comunalidades significativas. Sin embargo todas las consideraciones anteriores han de estar guiadas por un buen conocimiento terico de las variables estudiadas; nunca se ha de anteponer la solucin estadstica a la solucin terica.

7.3

Anlisis factorial y Rcommander

Dentro de los posibles modos de evaluar la dimensionalidad de un conjunto de variables, Rcommander incorpora el anlisis factorial exploratorio, el anlisis de componentes principales y el anlisis de conglomerados. Se trata de funciones bsicas en el estudio de la dimensionalidad que pueden extenderse con la utilizacin de paquetes adicionales (por ejemplo, sem). 7.3.1 Modelo unidimensional

La secuencia de seleccin para la ejecucin de un anlisis factorial es: Estadsticos>Anlisis Dimensional>Anlisis factorial.

7.6 Figura. Anlisis Factorial con Rcommander.

- 163 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esa seleccin abre una ventana donde se especificarn las variables a analizar, el mtodo de rotacin a aplicar y el procedimiento de estimacin de las puntuaciones factoriales. Rcommander ejecutar el anlisis factorial sobre el conjunto de datos activo, o en funcin de los intereses del investigador, sobre un subconjunto de datos que cumplan una determinada condicin.

7.7 Figura. Men para el anlisis factorial.

Dado que estamos analizando la escala Insatisfaccin Corporal, se seleccionarn los 10 tems que la componen; los 10 tems recodificados. En esta ocasin dejaremos la opcin Expresin de seleccin en blanco porque nos interesa evaluar el modelo en el conjunto de la muestra. Como el objetivo es evaluar la unidimensionalidad de los datos la opcin de rotacin de los factores carece de sentido y por ello se marcar el cuadro Ninguno. Una vez especificados los argumentos, Rcommander nos pide el nmero de factores a extraer; fijaremos el valor 1. El procedimiento de estimacin incorporado en Rcommander es mxima verosimilitud.

- 164 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

7.8 Figura. Factores a extraer.

La funcin utilizada por Rcommander para ejecutar el anlisis factorial es factanal:

factanal(x = ~RecIC_1 + RecIC_2 + RecIC_3 + RecIC_4 + RecIC_5 + RecIC_6 + RecIC_7 + RecIC_8 + RecIC_9 + RecIC_10, factors = 1, data = Edi.data, scores = "none", rotation = "none")

Las salidas generadas por Rcommander aparecen agrupadas en tres bloques: Unicidad (Uniquenesses), pesos factoriales (Loadings) e informacin sobre la adecuacin de los datos al modelo. Unicidad La unicidad es la parte de varianza especfica de cada variable. Como puede comprobarse, a medida que aumente la unicidad de una variable disminuye su comunalidad o varianza comn. De hecho, la varianza de una variable se descompone en unicidad y varianza comn, que en el caso de variables estandarizadas sumarn 1. Por ejemplo, para el primer tem de la escala, 1 = 0,479 + 0,7222. Los elementos son la varianza total (1), la unicidad (0,479) y la varianza comn (h2=0,7222). En los modelos unifactoriales la varianza comn (h2) es el cuadrado de la saturacin factorial (h2=a2). En el modelo de un factor, las saturaciones de las variables en los factores son correlaciones entre el factor y la variable. Desde el punto de vista de la regresin lineal se tratara de coeficientes de regresin. En nuestro ejemplo el tem con una saturacin ms baja es el tem 7, que por tanto mostrar una

- 165 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ unicidad mayor que el resto de variables. En el anlisis de la fiabilidad de la escala, observamos ya un comportamiento algo anmalo de este tem que obtuvo el ndice de discriminacin ms bajo (0,1881). Unicidades:
Uniquenesess: RecIC_1 RecIC_8 0.479 0.407 RecIC_2 0.380 0.356 RecIC_3 0.464 RecIC_4 RecIC_5 0.448 RecIC_6 0.962 RecIC_7 0.355

RecIC_9 RecIC_10 0.316 0.534

Saturaciones:
Loadings: Factor1 RecIC_1 RecIC_2 RecIC_3 RecIC_4 RecIC_5 RecIC_6 RecIC_7 RecIC_8 RecIC_9 0.722 0.787 0.732 0.827 0.683 0.743 0.196 0.803 0.770

RecIC_10 0.803

Informacin sobre la adecuacin del modelo:


Factor1 SS loadings Proportion Var 5.30 0.53

Test of the hypothesis that 1 factor is sufficient. The chi square statistic is 822.41 on 35 degrees of freedom. The p-value is 4.29e-150

- 166 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El valor propio (SS loadings) del factor extrado y la parte de varianza comn asociada (Proportion Var) son ofrecidas por factanal en el ltimo bloque informativo. El valor propio es la suma al cuadrado de las saturaciones (5,30 = 0,7222 + 0,7872 + 0,7322 + 0,8272 + 0,6832 + 0,7432 + 0,1962 + 0,8032 + 0 ,7702 + 0,8032). Dividiendo ese valor entre el nmero de elementos (n=10) se obtiene la proporcin de varianza explicada por el factor (5,30/10 = 0,53). En nuestro caso, el factor extrado es capaz de dar cuenta del 53% de la variabilidad observada en los datos. Ese valor es utilizado en la literatura psicomtrica para evaluar el grado de unidimensionalidad de la escala. El 53% es superior al punto de corte establecido por Reckase (20%), y es superior incluso al 40% a partir del cual todos los procedimientos de evaluacin de la dimensionalidad consideran un conjunto de datos como unidimensional (Elosua y Lpez, 2002). Por consiguiente podemos concluir que a los 10 tems que conforman la escala analizada subyace un factor principal relacionado con la Insatisfaccin Corporal. Por ltimo, y dado que se ha utilizado el procedimiento de estimacin por mxima verosimilitud, Rcommander ofrece el estadstico Chi-cuadrado bajo la hiptesis nula de que el modelo se ajusta a los datos. El valor 822,41 que se distribuye con 35 grados de libertad ofrece evidencia en contra de la hiptesis nula. Sin embargo, en el contexto del modelo del factor comn, la informacin ofrecida por este estadstico no es concluyente y ha de ser completada con indicadores e ndices desarrollados para tal fin que se obtendra en un anlisis factorial confirmatorio. Anlisis de contenido El anlisis formal de un conjunto de datos, en este caso el anlisis factorial, ha de complementarse en toda situacin con un anlisis sustantivo basado en el contenido de las variables analizadas. En el ejemplo que estamos abordando, el anlisis del contenido de los tems, apoyara las conclusiones numricas en el sentido de covariacin entre los tems; el contenido de todos los - 167 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ tems a excepcin del tem sptimo son apreciaciones subjetivas sobre el conjunto del cuerpo o partes de l. El contenido del sptimo tem, que presenta una saturacin algo menor que el resto y tiene un ndice de discriminacin menor, se escapa de este patrn de contenido general haciendo referencia a una situacin concreta.
1.- Creo que mi estmago es demasiado grande. 2.- Pienso que mis muslos son demasiado gruesos. 3.- Creo que mi estmago tiene el tamao adecuado. 4.- Me siento satisfecho con mi figura. 5.- Me gusta la forma de mi trasero. 6.- Creo que mis caderas son demasiado anchas. 7.- Me siento hinchado despus de una comida normal. 8.- Creo que el tamao de mis muslos es adecuado. 9.- Creo que mi trasero es demasiado grande. 10.- Creo que mis caderas tienen el tamao adecuado.

7.3.2 Modelo bidimensional

Para

mostrar

la

aplicacin

interpretacin

de

un

modelo

multidimensional analizaremos dos escalas provenientes del

Eating Disorder

Inventory-3; insatisfaccin corporal y obsesin por la delgadez. En aras a obtener una solucin ms clara se analizarn conjuntamente cuatro tems provenientes de cada una de ellas. En la opcin de Rcommander Estadsticos>Anlisis

dimensional>Anlisis factorial podrn seleccionarse las variables a analizar, se definir el tipo de rotacin factorial y finalmente se definir el nmero de factores a extraer.

- 168 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

7.9 Figura. Anlisis factorial bidimensional.

Dado que la configuracin a evaluar tiene dos factores, expondremos la solucin factorial no-rotada y una solucin factorial rotada con el fin de comprobar el efecto de la rotacin sobre la matriz factorial. Para ello en la opcin Rotacin de los factores se marcar en funcin de cada caso, la ventana requerida (Ninguno, Varimax o Promax). Rcommander ofrece dos procedimientos de rotacin factorial, varimax y promax. La rotacin Varimax (Kaiser, 1958) es una rotacin ortogonal, y Promax (Hendrickson y White, 1964) es una rotacin oblicua. La primera mantiene la independencia entre factores fijando su correlacin a 0; la segunda ofrece una solucin en la que los factores estn relacionados. La eleccin entre un tipo de rotacin y otra est siempre en manos del investigador. La solucin ortogonal ofrece una generalizacin mayor que la solucin oblicua. La interpretacin de la solucin ortogonal es ms sencilla que la interpretacin de la solucin oblicua. En el primer caso las saturaciones mostradas en la matriz factorial representan las correlaciones entre las variables y los factores extrados. La solucin oblicua genera dos matrices diferentes, la matriz de configuracin que muestra las saturaciones de las variables en los factores extrados. (es la salida por defecto de la funcin factanal) y la matriz de y los factores estructura que recoge las correlaciones entre las variables

- 169 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Analizando las dos soluciones, no-rotada y rotada, se puede comprobar que las unicidades o varianzas especficas no cambian. Los valores son iguales para los 8 tems analizados (0,340, 0,559, 0,376, 0,474, 0,555, 0,363, 0,353 y 0,386). La diferencia fundamental entre ambas soluciones se centra en la matriz factorial. La rotacin reorganiza las saturaciones; los pesos de las variables en los factores se redistribuyen. En caso preliminar, el primer factor presenta saturaciones altas en todas las variables (0,790, 0,638, 0,735, 0,656, 0,659, 0,727 0,781 y 0,751) y los pesos asociados al segundo factor no son altos y en algunos casos son negativos (0,191, 0,183, 0,289, 0,309, -0,103, -0,330, -0,194 y -0,223). La variabilidad comn explicada por ambos factores es 57,4%.

Uniquenesses: RecIC_2 0.340 RecOD_3 0.555 Loadings: Factor1 Factor2 RecIC_2 RecIC_3 RecIC_9 RecIC_10 RecOD_3 RecOD_4 RecOD_5 RecOD_7 0.790 0.638 0.735 0.656 0.659 0.727 0.781 0.751 0.191 0.183 0.289 0.309 -0.103 -0.330 -0.194 -0.223 Factor1 Factor2 SS loadings Proportion Var Cumulative Var 4.138 0.517 0.517 0.456 0.057 0.574 RecIC_3 0.559 RecOD_4 0.363 RecIC_9 RecIC_10 0.376 RecOD_5 0.353 0.474 RecOD_7 0.386

Uniquenesses: RecIC_2 0.340 RecOD_3 0.555 Loadings: Factor1 Factor2 RecIC_2 RecIC_3 RecIC_9 RecOD_3 RecOD_4 RecOD_5 RecOD_7 0.687 0.576 0.719 0.385 0.270 0.404 0.363 0.434 0.330 0.327 0.255 0.545 0.751 0.695 0.694 Factor1 Factor2 SS loadings Proportion Var Cumulative Var Rotacin Varimax 2.298 0.287 0.287 2.296 0.287 0.574 RecIC_3 0.559 RecOD_4 0.363 RecIC_9 RecIC_10 0.376 RecOD_5 0.353 0.474 RecOD_7 0.386

RecIC_10 0.679

Solucin no rotada

- 170 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La matriz factorial obtenida tras la rotacin es diferente. Las variables aparecen distribuidas en dos bloques claramente diferenciados que se asocian con dos factores bien definidos. Las primeras cuatro variables presentan altas correlaciones con el primer factor, y las ltimas cuatro variables presenten niveles de correlacin elevados con el segundo factor. Las primeras variables provienen de la escala Insatisfaccin corporal (IC) y las cuatro ltimas variables pertenecen a la escala Obsesin por la delgadez (OD). La varianza asociada al primer factor es 28,7 y el segundo factor explica el mismo porcentaje de variabilidad. Entre los dos factores dan cuenta del 57,4% de la varianza observada. Este valor es equivalente para las dos soluciones: no-rotada y rotada.
IC-1. Creo que mi estmago es demasiado grande. IC-8. Creo que el tamao de mis muslos es adecuado. IC-9. Creo que mi trasero es demasiado grande. IC-10. Creo que el tamao de mis caderas es adecuado. OD-4. Me aterroriza la idea de engordar. OD-5. Exagero o doy demasiada importancia al peso OD-6. Estoy preocupado, porque querra ser una persona ms delgada OD-7. SI engordo un Kg. me preocupa que pueda seguir ganando peso

7.3.3 Representacin grfica de la solucin factorial

Sera posible obtener una representacin grfica de la distribucin de los tems en el espacio bidimensional generado por ambos factores por medio de la funcin plot; que aplicada a nuestro ejemplo modo:
plot(.FA$loadings,xlim=range(-1,+1),ylim=range(-1,+1), type="n") abline(h=0,v=0); text(.FA$loadings,substring(rownames(.FA$loadings),5,6),cex=0.9)

escribiramos del siguiente

- 171 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La funcin plot ordena a R que represente grficamente los valores de la matriz factorial (.FA$loadings) generada por el anlisis factorial. Los parmetros xlim e ylim indican el rango de valores para el eje X y para el eje Y, que representan en este caso a los dos factores. abline es utilizado para aadir las lneas que cortan el grfico en el punto 0, y finalmente con text estamos indicando que queremos visualizar el nmero del tem que representan cada punto. En la solucin grfica se aprecia claramente la existencia de dos grupos de puntos relacionados con el factor 1 y con el factor 2, cuyos contenidos psicolgicos vendran definidos por las escalas Insatisfaccin Corporal, y Obsesin por la delgadez.

1.0

2 41

0.5

5 6 7 8

Factor2

-1.0

-0.5

0.0

-1.0

-0.5

0.0 Factor1

0.5

1.0

7.10 Figura. Solucin factorial grfica

7.3.4 Estimacin de las puntuaciones factoriales

En muchos contextos de investigacin el anlisis factorial exploratorio concluir con la evaluacin del ajuste formal del modelo despus de un proceso que incluye la secuencia de estimacin de los parmetros del modelo y rotacin de los factores extrados. Sin embargo, son numerosas las situaciones en las que

- 172 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ el investigador est interesado en la estimacin de las puntuaciones obtenidas por los sujetos en los factores extrados. La estimacin de las puntuaciones factoriales no es sencilla. En la exposicin del modelo del factor comn, las variables observadas eran explicadas por medio de factores, pero en el caso que nos ocupa tendramos que invertir la relacin. Por ello sera incorrecto hablar de la estimacin de las puntuaciones factoriales, en tanto en cuanto, ests no son parmetros sino que son variables aleatorias, y el problema por tanto debera de centrarse en su prediccin. Rcommander incorpora a travs de la funcin factanal la

posibilidad de pronosticar las puntuaciones factoriales utilizando el mtodo de Bartlett y el mtodo de la regresin. El primero sugiri el uso de mnimos cuadrados ponderados para regresar las observaciones sobre los pesos ya ajustados tratando las unicidades como trminos aleatorios y las puntuaciones factoriales como parmetros. En el mtodo de la regresin, los factores son tratados como variables aleatorias.

7.3.5 Anlisis de componentes principales

El objetivo del anlisis de componentes principales es describir la variacin encontrada en un conjunto de datos correlacionados en trminos de un nuevo conjunto de variables no correlacionadas cada una de las cuales es una combinacin lineal de las primeras. Las nuevas variables son derivadas en un orden decreciente de importancia en el sentido de varianza explicada. Estas nuevas variables se conocen como Componentes Principales.

- 173 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

7.11 Figura. Anlisis de Componentes Principales con Rcommander.

En un anlisis de componentes principales interesa que los primeros componentes den cuenta de un porcentaje de varianza elevado. Con ello se conseguira reducir la estructura de los datos a un pequeo nmero de dimensiones. La funcin que incorpora Rcommander (PC) para llevar a cabo un anlisis de componentes principales es accesible por medio de las opciones Estadsticos > Anlisis Dimensional > Anlisis de componentes principales. La ventana a la que da acceso esta opcin permite analizar la matriz de correlaciones, representar la grfica de sedimentacin y aadir los valores de los sujetos en los componentes extrados como variable/s en el conjunto de datos activo. El screeplot (grfico de sedimentacin) de Cattell es uno de los procedimientos grficos ms utilizados como apoyo en la determinacin del nmero de factores a retener en un anlisis de dimensionalidad. El screeplot generado por Rcommander presenta un aspecto que es fcilmente modificable variando los parmetros grficos que utiliza la funcin screeplot.

- 174 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
.PC

Variances 0
Comp.1

Comp.3

Comp.5

Comp.7

Comp.9

7.12 Figura. Screeplot bruto y screeplots modificados

Para generar un screeplot, independientemente del anlisis de componentes principales que utiliza Rcomnander se podra transcribir cualquiera de las siguientes dos funciones en la ventana de instrucciones. La primera funcin (barplot) genera el grfico que muestra los valores propios de la matriz de correlaciones entre los tems. Al grfico generado se le ha aadido una lnea que marca el punto de corte establecido por Kaiser-Guttman en la consideracin de los factores a retener; aquellos con valores propios superiores a la unidad.
barplot(eigen(cor(Edi.data[,16:25]))$values,col=3,ylim=c(0,10),y lab="valores propios",xlab="Componentes", main="ScreePlot") abline(1,0)

Si en lugar de barras se quisieran representar los valores propios de los factores extrados por medio de puntos (como lo hace el SPSS) el comando a utilizar sera el siguiente,
a <- eigen(cor(Edi.data[,16:25]))$values plot (a, col=6, pch=9, ylim=c(0,6),ylab="valores propios",xlab="Componentes", main="ScreePlot") lines (a, lwd=2, col=6) abline(1,0)

- 175 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

8 Funcionamiento diferencial del tem

El sesgo es una de las mayores amenazas contra la validez de los tests porque su presencia puede alterar el significado de las puntuaciones de un modo sistemtico y puede interferir en las inferencias derivadas de ellas. Su estudio es importante y para ello la psicometra ha diseado mtodos empricos basados en el concepto de funcionamiento diferencial del tem. Sesgo y funcionamiento diferencial del tem no son conceptos sinnimos ni conceptos equivalentes; si bien es cierto que en los primeros estadios de los estudios sobre FDI era habitual referirse a ellos como estudios de sesgo. El funcionamiento diferencial es un caracterstica formal de cuyo resultado se podra inferir (o no) la presencia de sesgo. Un estudio de funcionamiento diferencial que se limite a su deteccin en un conjunto de tems no es vlido en s mismo. El funcionamiento diferencial es

- 176 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ una herramienta de trabajo que permitir, en funcin de los resultados obtenidos, adoptar decisiones que afecten, bien a la prueba que se est construyendo o adaptando (Elosua, 2006; Elosua, Lpez y Torres, 1999; Elosua, Lpez y Egaa, 2000), bien a su utilizacin en poblaciones determinadas (Lpez y Elosua, 2002).

8.1

Conceptos bsicos

Un tem presenta funcionamiento diferencial cuando la probabilidad de respuesta correcta (o la probabilidad de respuesta sobre una categora) no depende nicamente del nivel de la persona en el rasgo intencionadamente medido por el test. Es decir, el nivel en la variable medida no explica la probabilidad de respuesta. Existen factores que ejercen su influencia sobre la probabilidad de respuesta que interactan entre ciertas caractersticas del tem y un grupo demogrfico determinado originando una alteracin entre la relacin original establecida entre el tem y la variable medida. El funcionamiento diferencial del tem no es una propiedad del tem, tampoco lo es de una poblacin concreta de examinados; la utilizacin de ese tem en ese grupo de poblacin es el origen de una interaccin que causa la presencia de funcionamiento diferencial del tem. Los tems no son sesgados en modo absoluto! El sesgo est relacionado con el uso. Mellenbergh (1989) sintetiza perfectamente la idea en una definicin formal segn la cual, dada una variable Z (constructo o variable medida), y con respecto a otra variable G (grupo), el tem i presenta funcionamiento diferencial si y slo si,

f X g, z

f X z

- 177 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ para todos los valores g y z de las variables G y Z. Donde, f(X|g,z), representa la distribucin de las respuestas al tem dada g, y, f(X|z), representa la distribucin de respuestas dada z. Las respuestas dadas al tem habran de depender nicamente de los valores z que puede adoptar la variable medida (Z), y no de una combinacin de valores z y g de las variables que representan el objeto medido (Z) y la pertenencia a determinado grupo (G). En todo estudio de FDI se trabaja simultneamente con tres variables; tem, variable medida y grupo. tem es la variable observada objeto de estudio; su naturaleza puede ser dicotmica o politmica. Grupo es una variable de naturaleza nominal que puede definirse en funcin de distintos criterios (edad, sexo, idioma, cultura, raza, experiencia curricular). Habitualmente los grupos se identifican como grupo de referencia y grupo focal (Holland y Thayer, 1988). El grupo de referencia, tambin denominado grupo mayoritario o principal es tomado como grupo estndar sobre el que se realizan las comparaciones. El grupo focal o grupo minoritario es el grupo de inters. Normalmente es el que hipotticamente est en desventaja. Variable medida Se refiere al objeto de medida (puntuaciones observadas o variables latentes) que se supone es de naturaleza continua. El estudio del FDI exige comparar las respuestas dadas a un tem por sujetos que proviene de distintos grupos pero que presentan el mismo nivel en la variable medida. El funcionamiento diferencial del tem supone la existencia de diferencias entre grupos en el modo de operar sobre el tem; en funcin de estas diferencias se habla de FDI uniforme, FDI no uniforme y FDI mixto.

- 178 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ FDI uniforme: Un tem presenta FD uniforme, cuando el sentido del mismo se mantiene constante a lo largo de todo el continuo de habilidad. Es decir, las diferencias de funcionamiento detectadas entre los dos grupos de sujetos son constantes. Haciendo uso de la terminologa aportada por la TRI, diramos que las curvas caractersticas que definen el tem en las dos poblaciones, son paralelas. FDI no uniforme: Las diferencias percibidas entre las respuestas del grupo focal y del grupo referencia no se mantienen constantes a lo largo del continuo de respuesta. Las curvas caractersticas del tem se cruzan en algn punto del continuo. FDI mixto: En esta situacin las curvas caractersticas de los tems se cruzan y adems las dificultades de los tems son diferentes a lo largo del continuo de habilidad. En este tipo de FDI el cruce entre curvas se da en alguno de los extremos del continuo de habilidad. Las figuras siguientes representan grficamente las curvas caractersticas de los tems estimadas en situaciones de ausencia de funcionamiento diferencial, funcionamiento diferencial uniforme, funcionamiento diferencial no-uniforme y funcionamiento diferencial mixto.

8.1 Figura. Patrones de funcionamiento diferencial

- 179 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La psicometra ha desarrollado varios procedimientos y mtodos para la deteccin del funcionamiento diferencial del tem; tras ms de dos dcadas de trabajo sobre este tema se dispone de mtodos altamente eficaces, que pueden clasificarse en tres grandes bloques: Modelos formales latentes. Agrupamos en esta categora los

procedimientos de deteccin construidos sobre modelos formales que relacionan funcionalmente variables latentes y las respuestas al tem. Los ms importantes son los derivados del modelo del factor comn y de los modelos de respuesta al tem (TRI). Los primeros por medio del estudio de estructuras de medias y covarianzas (MACS) comparan modelos de medida anidados que van restringiendo (o liberando) parmetros en los grupos de inters (Elosua y Muiz, 2010; Elosua, 2005). Los segundos han diseado varios procedimientos que bsicamente comparan curvas caractersticas del tem, parmetros de los tems o modelos anidados derivados de la aplicacin de algn modelo de respuesta al tem (Elosua y Wells, 2008). La caracterstica principal de estos procedimientos es las fuertes restricciones sobre las que se asientan. Modelos formales manifiestos. La deteccin del FDI se basa en la aplicacin de modelos formales menos restrictivos que los anteriores, y por lo tanto su aplicabilidad es mayor. Entre los ms utilizados cabe destacar los conocidos como Mantel-Haenszel (y sus extensiones polinomiales y politmicas) y la regresin logstica. El primero est basado en el anlisis de tablas de contingencia multidimensionales, y el segundo en una comparacin de modelos anidados de regresin logstica. Procedimientos numricos. Los procedimientos incluidos en este apartado no proponen modelos de medida ni latentes ni manifiestos; sin embargo, son muy tiles. Incluiramos aqu los procedimientos grficos de anlisis de medias ponderadas, y los ndices numricos como la estandarizacin que a

- 180 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ veces son utilizados como medidas del tamao del efecto de otros procedimientos. Dados los objetivos de este volumen describiremos someramente la

regresin logstica y los procedimientos numricos. Ambos son sencillos de implementar por parte de lectores no expertos, eficaces y fcilmente interpretables.

8.2

Estandarizacin

La estandarizacin, es una tcnica situada dentro de los lmites generales de la TRI pues puede considerarse una versin no paramtrica de la misma y que se asienta a medio camino entre ella y los procedimientos basados en el anlisis de tablas de contingencia. Bsicamente, compara las medias en un tem obtenidas por sujetos provenientes de dos grupos que han sido emparejados en funcin de los valores alcanzados en la variable medida. Para ello se segmenta la puntuacin total en K niveles de puntuacin y se estiman las medias aritmticas en cada uno de los niveles y en cada uno de los grupos. Con ello conseguimos comparar las curvas caractersticas empricas del tem o regresiones tem-test no paramtricas estimadas en dos poblaciones distintas. Para cada uno de los niveles de habilidad la diferencia entre las medias aritmticas del tem reflejara las diferencias medias entre el grupo de referencia y el focal:

DifiK
Donde

XiFK XiRK
condicionadas al nivel de aptitud k en los

XiFK

XiRK , son las medias

grupos focal y de referencia

- 181 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ A partir de este concepto bsico y simple (diferencia en un nivel de habilidad entre las medias aritmticas de un tem obtenido en dos grupos) es necesario definir un ndice que tenga en cuenta las diferencias a lo largo del continuo de habilidad, y que adems pondere stas por algn criterio que corrija el efecto que grandes diferencias estimadas en grupos muy reducidos de sujetos tengan en el ndice final. En la prctica, uno de los factores de ponderacin (w) ms utilizado es la proporcin de sujetos pertenecientes al grupo focal situados en el nivel K. Entre los ndices numricos ms conocidos destaca el siguiente (STDDIF):

STDDIFi =

k k=1

wk [ X iFK - X iRK ] =

k k=1

K k [ X iFK - X iRK ] k k=1 K k

dnde Wk=[Kk/Kk] es el factor de ponderacin .

Los valores de este ndice se sitan en el intervalo (-1, 1). Mientras un valor positivo indica que el tem favorece el grupo focal, un valor negativo indica cierta ventaja del grupo de referencia. Estudios recientes aconsejan vigilar un tem cuando el valor del ndice supera el 5% del rango de las puntuaciones del tem.

8.3

Regresin logstica

Este mtodo modela la probabilidad de respuesta a un tem en funcin de la puntuacin emprica obtenida en el test, de la pertenencia a un grupo y de la interaccin entre ambos factores. Evala la presencia de FDI a travs del estudio de la mejora en el ajuste que produce la incorporacin sucesiva de los parmetros mencionados al modelo de regresin logstica (Puntuacin Total, Puntuacin total+ Grupo, Puntuacin total+Grupo+Puntuacin total Grupo). Para evaluar el FDI se comparan las razones de verosimilitud de los modelos anidados (total, total+grupo, total+grupo+interaccin). habilidad (Total; Modelo 1). La existencia de El modelo base se construye nicamente respecto al parmetro de la variable que indica el nivel de FDI uniforme se concluira cuando la diferencia entre el modelo base y el modelo que incluye el parmetro

- 182 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ de pertenencia al grupo (Total+Grupo; Modelo 2) es significativa. El FDI no uniforme compara este segundo modelo con el modelo que incluye el trmino de interaccin (Total+Grupo+Interaccin; Modelo 3). Este mtodo adems de un test de significacin incluye una medida del efecto del FDI basada en la diferencias en las R2 entre dos modelos (Gierl y McEwen, 1995). Esta medida, R2, representa la proporcin de variacin de las respuestas al tem explicada por el modelo de regresin. Un tem presenta FDI moderado cuando el estadstico Chi-cuadrado es significativo y cuando el incremento en R2 se sita entre los valores 0,035 y 0,070. Un tem presenta un FDI severo cuando adems de la significacin del Chi-cuadrado, la diferencia entre dos R2 es superior o igual a 0,070. Para las situaciones de respuestas politmicas, el modelo se extiende dando lugar a tres variaciones bsicas que dependen de la definicin de los logit: el modelo acumulativo, el modelo continuo y el modelo de categoras adyacentes siendo de todos ellos el ms utilizado, el modelo acumulativo. En este modelo se compara la probabilidad de que la respuesta al tem (Y) sea menor o igual que la opcin de respuesta j, con la probabilidad de que la respuesta (Y) sea mayor a la opcin de respuesta j. Podramos representar el modelo de regresin logstica del siguiente modo:

P(u = 1)=

ez [1+ e z ]

donde, z= +
1X

2g

+ 3(Xg)

La probabilidad de respuesta depende de tres fuentes de variacin: grupo de pertenencia, nivel de aptitud, e interaccin entre ambos. Siendo g la variable indicadora del grupo de pertenencia, puede adoptar dos valores; 1 si el sujeto pertenece al grupo 1 (referencia), y 0 si pertenece al grupo 2 (focal). X representa

- 183 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ el nivel en la variable medida y se equipara con la puntuacin obtenida por los sujetos en la prueba. Por ltimo, el trmino, Xg se refiere a la interaccin entre las dos variables independientes. Un tem presenta FDI uniforme si, por el contrario presenta FDI no uniforme si se cumple valor de 2. En este modelo, la hiptesis nula para la deteccin del FDI queda definida como: H0: =0 =0
3 3

=0 y

0, y

0, sea cual fuere el

Para su comprobacin, se compara el ajuste de modelos especificados con distintos parmetros. El procedimiento ms sencillo y rpido es evaluar el modelo base, aquel que incorpora nicamente el nivel de habilidad, con el modelo de interaccin. En caso de que se optara por el modelo extendido, es posible estudiar el origen del funcionamiento diferencial estimando el modelo para el FDI uniforme. La significacin estadstica del parmetro incorporado, se evala a travs de la razn de verosimilitud, que analiza el incremento en el ajuste producido por la incorporacin de un nuevo parmetro. Este estadstico sigue una distribucin Chi cuadrado con grados de libertad igual a la diferencia entre los grados de libertad entre los modelos (3-1=2).

8.3.1 Consideraciones sobre el funcionamiento diferencial del tem

Los estudios de funcionamiento diferencial del tem agrupan estudios sobre la deteccin del FDI, causas del FDI y consecuencias de la presencia del FDI. La literatura especializada ha dedicado mucho tiempo y esfuerzo en al diseo de procedimientos de deteccin (Fidalgo, 1996; Holland y Wainer, 1993) fruto de los cuales disponemos de todo un arsenal de mtodos que detectan con un alto grado de eficacia la presencia de FDI. Aunque todava van surgiendo

- 184 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ nuevos procedimientos de deteccin que intentan pulir los anteriores es un rea de estudio que en la psicometra puede considerarse prcticamente cerrada. Sin embargo los estudios de FDI no terminan con la deteccin; de poco sirve concluir que una escala presenta FDI sin no se da un paso ms en el anlisis de sus consecuencias o en el estudio de la significacin formal y aplicada de sus consecuencias. Causas. Los estudios de FDI aportan informacin sobre factores que influyen en las repuestas a los tems que pueden incrementar el corpus sustantivo referido a la variable de inters, y mejorar de ese modo el proceso de construccin de tests. Por ejemplo, se ha demostrado que los tems pueden presentar funcionamiento diferencial relacionado con el momento de idioma de administracin de la prueba, experiencia curricular del alumno, 2008; Lpez y Elosua, 2002). Deteccin. Contaminacin del criterio. Los procedimientos de deteccin del FDI corren el riesgo de utilizar como criterio de emparejamiento una variable contaminada, pues en su definicin se incluyen tems con funcionamiento diferencial. Para superar este problema de circularidad relacionado con la deteccin de FDI utilizando una variable contaminada por tems con FDI, cada procedimiento ha diseado pautas de purificacin del criterio (Holland y Thayer, 1988). El objetivo del mismo, es liberar al criterio de los tems con FD, como paso previo a la deteccin del sesgo. El proceso, resumido en tres fases seguira el siguiente esquema: 1. 2. 3. Deteccin Redefinicin de la variable de emparejamiento excluyendo los tems con FDI detectados en la fase 1. Reestimacin del FDI

aplicacin o causas relacionadas con la adaptacin lingstica (Elosua y Lpez,

- 185 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Consecuencias: Cales son las consecuencias de la presencia de FDI en un test? Si alguno de los grupos de inters est afectado negativamente por la presencia de tems que actan en su contra, existen procedimientos que permitan equiparar las puntuaciones. En la prctica diaria el evaluador ha de analizar detenidamente cuales son las consecuencias prcticas del FDI, y en caso de que existiera un error sistemtico ha de tomar medidas para neutralizarlo. Cmo? Dependiendo del modelo formal que utilice podra optar por la estimacin de puntuaciones factoriales que tengan en cuenta la existencia de modelos diferentes para cada grupo, o podra utilizar tcnicas de equiparacin de puntuaciones basadas en el concepto de Curva Caracterstica del Test (Elosua y Lpez-Juregui, 2008).

8.4

Funcionamiento diferencial del tem y Rcommander

8.4.1 Regresin logstica

Son varios los paquetes y funciones que incorporan la regresin logstica binaria, ordinal y politmica en R. Entre ellas, utilizaremos la funcin lrm que viene incorporada en el paquete Design. El primer paso por tanto, ser cargar (o instalar en su defecto) el paquete.
library(Design,T)

Una vez instalado, son dos los modelos de regresin que habremos de aplicar a los tems objeto de estudio. El modelo base definido como aqul que explica las respuestas al tem en funcin de la puntuacin total, y el modelo de interaccin que adems de la puntuacin total incorpora como parmetro la interaccin entre el grupo (sexo) y la puntuacin total (IC:SEXO). Estas dos sencillas instrucciones harn que el modelo de regresin logstica para datos ordinales se ejecute sobre los datos.
fit0<-lrm (RecIC_1~IC, data=Edi.data)$stats

- 186 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
fit2<-lrm (RecIC_1~IC+SEXO+IC:SEXO, data=Edi.data)$stats

Los resultados de la aplicacin de ambos modelos ($stats) han sido asignados a dos objetos fit0 u fit1. En ellos se almacena informacin sobre el ajuste del modelo de regresin; entre los estadsticos que se incluyen nos interesan especialmente el valor de la razn de verosimilitud, guardada en la tercera posicin ([3]) y el valor del R2 que ocupa la dcima posicin en la lista de resultados. Dado que el modelo de regresin logstica se basa en la comparacin de modelos anidados solo quedar estimar la diferencia entre esos estadsticos para obtener informacin sobre el posible funcionamiento diferencial del tem. Para ello se han creado dos nuevas variables (LR.DIF y R2.DIF) que recogen la diferencia entre los valores estimados en el modelo base y en el modelo de interaccin.
LR.DIF <- fit2[3]- fit0[3] R2.DIF <- fit2[10]-fit0[10]

El valor estimado de LR.DIF es 15,48555 y el de R2.DIF 0.008411846. El valor LR.DIF sigue una distribucin Chi cuadrado con dos grados de libertad (diferencia entre los grados de libertad del modelo de interaccin y los grados de libertad del modelo base).
2)=0,00045)

La probabilidad asociada a este valor (

(15,48;

es muy baja lo cual nos lleva a rechazar la hiptesis nula de que el

incremento en el nmero de parmetros del modelo (Grupo, Grupo: Puntuacin) no mejora el ajuste del modelo base, y deberamos de aceptar el modelo de la interaccin. Sin embargo, no es una buena prctica llegar a conclusiones basadas en criterios de decisin estadstica construidos sobre el valor Chi cuadrado. Es necesario incorporar informacin sobre el tamao del efecto, que en el contexto de la Regresin Logstica es aportada por la diferencia en los coeficientes de determinacin. En este caso concreto el incremento en este ndice provocado por la incorporacin de parmetro en el modelo fue, 0,008. - 187 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Este tamao del efecto no supera el punto de corte establecido en la literatura psicomtrica para la categorizacin del funcionamiento diferencial de un tem como severo, que suele fijarse en el punto de 0,07. La tabla siguiente muestra el anlisis efectuado sobre el total de los tems de la escala Insatisfaccin Corporal. Aunque la significatividad de algunas de las diferencias entre razones de verosimilitud pudiera inducir a concluir la presencia de funcionamiento diferencial del tem, los valores estimados para la diferencia entre los coeficientes de determinacin no apoyan esa conclusin.

Regresin logstica Creo que mi estmago es demasiado grande Creo que mis muslos son demasiado gruesos Creo que mi estmago tiene el tamao adecuado Estoy satisfecho con mi cuerpo Me gusta mi trasero Creo que mis caderas son demasiado anchas Me siento hinchada despus de una comida normal Creo que el tamao de mis muslos es adecuado Creo que mi trasero es demasiado grande Creo que mis caderas tienen el tamao adecuado 15,49 27,26 39,25 6,16 4,51 2,55 1,19 20,51 1,26 4,95 <.001 <.001 <.001 <.001 0,10 0,28 0,55 <.001 0,53 0,08 0,008 0,012 0,019 0,002 0,002 0,001 0,001 0,008 0,001 0,002 -0,10 0,26 0,05 0,02 0,12 0,09 -0,09 0,25 0,00 0,05

8.1. Tabla. Resultados del funcionamiento diferencial del tem

8.4.2 Diferencias entre medias ponderadas

Uno de los acercamientos ms interesantes y prometedores en el anlisis y estudio del funcionamiento diferencial (al igual que en multitud de anlisis) descansa sobre la descripcin grfica de los datos. Un grfico que plasme las diferencias condicionadas al nivel de habilidad de las medias de respuesta en funcin de los grupos ofrece informacin fcil de entender, fcil de comunicar y fcil de interpretar. Este tipo de representacin ofrece informacin sobre la magnitud y sentido de las diferencias existentes entre dos grupos a lo largo de

- 188 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ todo el continuo de habilidad de la variable medida. En el contexto de los modelos de respuesta al tem esa informacin es aportada por las curvas caractersticas del tem, que podran reemplazarse por curvas empricas como las mostradas en la siguiente figura para cada uno de los tems de la escala de Insatisfaccin Corporal. Su obtencin es sencilla con R (o Rcommander); basta segmentar en varios niveles la puntuacin total y para cada uno de ellos estimar la mediar aritmtica de cada uno de los tems para cada uno de los grupos (la informacin aportada en el ltimo captulo ser suficiente para poder ejecutar estas acciones). El anlisis grfico de las curvas corrobora la informacin ofrecida por el modelo de regresin logstica ordinal. Las curvas de medias condicionadas prcticamente se superponen en el grupo de varones y en el grupo de mujeres analizados. Las mayores divergencias se producen en el segundo tem de la escala (Creo que mis muslos son demasiado gruesos). La diferencia entre varones y mujeres es constante a lo largo del continuo de habilidad. Es un tem a cuyo contenido habra que prestar atencin; el cuestionario que estamos analizando fue construido para ser usado en poblaciones clnicas de mujeres con trastornos de la conducta alimentaria. La muestra de estudio actual proviene de un grupo no-clnico formado por mujeres y varones. Dadas las diferencias existentes entre la percepcin corporal e insatisfaccin corporal entre mujeres y hombres este tipo de resultado hace reflexionar sobre el contenido de los tems en la evaluacin de la insatisfaccin corporal. La tercera curva tambin refleja divergencias, sin embargo las divergencias entre curvas que aparecen en los grficos se sitan en los valores extremos del continuo; para la correcta interpretacin de estas diferencias es menester considerar que en los niveles de puntuacin extremos existen muy pocos sujetos y que por tanto es necesaria la cautela en las conclusiones que derivaremos de ellas.

- 189 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La representacin grfica de las medias condicionadas puede complementarse con un ndice numrico que adems del tamao de las diferencias tenga en cuenta la necesidad de ponderacin de las mismas en funcin del nmero de sujetos situado en cada nivel de habilidad. No es lo mismo una diferencia obtenida en un nivel que agrupa a muchos individuos que una diferencia extrema en cuyo cmputo intervienen muy pocos sujetos. Este planteamiento es el origen de la frmula de la estandarizacin cuya obtencin en Rcommander sera tan sencilla como la elaboracin de los grficos de medias ponderadas. En nuestro caso y utilizando como elemento ponderador el nmero de varones en cada uno de los niveles de la puntuacin total en Insatisfaccin Corporal se obtuvieron los ndices que se leen en la tabla de resultados mostrada. Los resultados numricos respaldan en todo momento los resultados grficos y existe acuerdo entre los dos procedimientos numricos empleados.

- 190 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Creo que mi estmago es demasiado grande
4 4

Creo que mis muslos son demasiado gruesos

Media tem

Media tem

Mujer Varn

Mujer Varn 1 2 3 4 5 6 7 8

Nivel de Puntuacin

Nivel de Puntuacin

Creo que mi estmago tiene el tamao adecuado


4 4

Estoy satisfecho/a con mi cuerpo

Media tem

Media tem

Mujer Varn

Mujer Varn 1 2 3 4 5 6 7 8

Nivel de Puntuacin

Nivel de Puntuacin

Me gusta mi trasero
4 4

Creo que mis caderas son demasiado anchas

Media tem

Media tem

Mujer Varn

Mujer Varn 1 2 3 4 5 6 7 8

Nivel de Puntuacin

Nivel de Puntuacin

8.2 Figura. Curvas empricas de funcionamiento diferencial

- 191 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9 Comparacin entre grupos. (Alicia Lpez-Juregui)


El estudio de las relaciones entre las puntuaciones y variables externas al test es una fuente de evidencia importante en el estudio de la validez. EL concepto de variables externas incluye medidas de algun criterio que se espera prediga el test, relaciones con otros tests que miden el mismo conetructo, constructos relacionados o constructos diferentes. Tambien es posible analizar las relaciones entre las puntuaciones y variables categricas como la pertenecneica un grupo que aportara informacin relevente cuando el marco terico sobre el constructo medido hipotetiza o sugiere la presencia/ausencia de diferencias en funcin de varialbes definitorias de grupo (edad, sexo, experiencia curricular).Este tip de estudios aportan evidencia sobre el grado en que las relaciones observadas son consistentes con el constructo objeto de medida. Por ejemplo, y ajustndonos a los datos derivados del Eating Disorder Inventory-3, habra que analizar su capacidad discriminativa en relacin a la evaluacin de trastornos alimentarios; en est sentido se hipoteizara que aquellas personas con un diagstico relacioando con un tratorno de la conducta alimentara obtendra puntuaciones significativametne superiores a aquellas personas perteneicentes a un grupo noc-clnio. Este tipo de estudio podra acometerse utilzando modelos de anlisis discriminaten o regresin logstica, sin embargo, en este manual nos centraremos en instrumentos ms sencillos para la comparacin de grupos. El objetivo es responder a cuestiones como, es mayor la propocione de varones en riesgo de desarrollar un trastorno de la conducta alimentaria que la proporcin de mujeres?. Puede afirmarse que existe algn tipo de relacin en tra la baja autoestima y los trastornos de la conducta alimentaria? En el estudio de estas cuestiones de investigacin el investigador no est nicamente interesado en describir sus datos (muestra) el objetivo es la generalizacin de resultados (inferencia) ms alla de la muestra de estudio. El investigador busca extender las conclusiones derivadas de su estudio a la poblacin de la que la muestra no es ms que una representacin. El salto de la muestra a la poblacin se apoya

- 192 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ en la estadstica inferencial que ha desarrollado multitud de tcnicas con ese fin. La utilizacin de una u otra depender de la cuestin de investigacin y de la naturaleza de los datos a analizar. La seleccin de la prueba ms adecuada a cada caso es una decisin del investigador que Rcommander ejecutar.

9.1

Comparacin de dos grupos. Pruebas de comparacin de medias

Las pruebas de este epgrafe son aplicables a variables mtricas y obviamente estn destinadas a valorar cuestiones que involucran a las medias. Nos podemos plantear dos tipos de cuestiones distintas; Se puede mantener, una vez observados los datos, que la media de la poblacin en la escala de insatisfaccin corporal tiene un valor determinado digamosX? Existen diferencias entre dos grupos (por ejemplo chicos y chicas) en insatisfaccin corporal? Por ejemplo, supongamos que hemos aplicado Eating Disorder Inventory3 a un grupo de bailarinas de ballet y que se conoce la media en la escala de bulimia en la poblacin general. Una hiptesis a demostrar podra ser que este colectivo presenta una media en la escala de bulimia ms alta que el resto de la poblacin. Alguien podra pensar que es suficiente con calcular la media de nuestros datos y compararla con el valor de (media poblacional). Ahora bien, la conclusin obtenida con esta comparacin slo sera aplicable a esa muestra de sujetos pero el investigador lgicamente pretende la generalizacin. La prueba estadstica pertinente es la aplicacin de la prueba de comparacin de una media observada (el valor de la media de la muestra) a una media terica (el valor conocido de la media en la poblacin general). El segundo tipo de cuestin tiene que ver con la comparacin de medias observadas en dos grupos o muestras distintas. Siguiendo con la aplicacin del Eating Disorder Inventory-3 podramos preguntarnos por la diferencia en la escala de satisfaccin corporal entre chicos y chicas. Podramos sostener la hiptesis de que estas ltimas estn ms insatisfechas con su cuerpo que - 193 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ aquellos. A la vista de las medias observadas en los dos grupos observados, Podramos generalizar los resultados a la poblacin y dar por demostrada la hiptesis? La prueba adecuada sera la de comparacin de dos medias.

9.1.1 Prueba para una media

Continuando con el ejemplo de las bailarinas de ballet, supongamos que nuestro conjunto de datos procede de ese colectivo (976 chicas) a las que se ha administrado Eating Disorder Inventory, y que la media en la escala de bulimia en la poblacin general () es 3,30. Nos podramos preguntar si el colectivo de bailarinas de ballete punta ms alto en la escala de bulimia que el conjunto de la poblacin: La hiptesis nula sera: H0: =3,30 y la hiptesis alterna, H1: >3,30 La media en la escala de bulimia de las bailarinas ( x ) es 3,72; Este valor es ms alto que el poblacional. La diferencia entre el grupo de bailarinas (3,72) y la poblacin (3,30) es 0,42. Ahora bien, podemos considerar estadsticamente significativa esta diferencia? Para saberlo necesitamos aplicar la prueba de t de una muestra. La expresin que permite obtener el estadstico t de significacin es:

t
Donde,

x s/ N

media muestral

media poblacional s desviacin tpica muestral N tamao muestral

- 194 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Este estadstico se distribuye segn la distribucin t de Student con N-1 grados de libertad. La magnitud de este estadstico tiene que ver con la diferencia entre la media observada o emprica ( x ) y el valor poblacional (). Cunto mayor sea esta diferencia mayor ser el valor de t. El denominador de la expresin es lo que se denomina error estndar de la media muestral (Standard Error, SE), y conceptualmente podemos concebirlo como una medida del ruido o variacin aleatoria muestral. A mayor error estndar mayor variacin aleatoria entre las diferentes medias muestrales posibles. Si esta variacin o ruido es grande, necesitaremos ms seal (valor del numerador) para que sta sea destacable. A partir del valor de t se obtendr el grado de significacin que no es sino una probabilidad aparejada a t. El grado de significacin (p) evala la probabilidad de obtener un valor muestral como el observado, si se hubiera extrado efectivamente de una poblacin con un valor 3,30, es decir evala en cierto modo el grado de compatibilidad de nuestros datos con la hiptesis de partida (Pardo y San Martn, 1998). El valor p es una probabilidad y por lo tanto su valor estar entre 0 y 1. Si el grado de significacin es pequeo, (en nuestro ejemplo es 0,003) es pequea la probabilidad de haber obtenido un valor de 3,72 de una poblacin con una media de 3,30. Por tanto optamos por rechazar este ltimo valor como hiptesis plausible a la luz de nuestra evidencia y concluimos que, en efecto, el grupo de bailarinas es significativamente superior en la escala de bulimia a la poblacin general. Ahora procedamos a contestar a la cuestin con la ayuda de RCommander. La opcin del men que nos interesa es Estadsticos>Medias> test t para una muestra.

- 195 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
7.2

9.1 Figura. Prueba de comparacin de una media observada a una terica. Rcommander

En la ventana emergente que se abre con esta opcin del men seleccionaremos la variable de inters (B es el nombre adjudicado a la variable Bulimia). Deberemos escribir el valor hipottico (3,30) y seleccionaremos el tipo elegido de hiptesis alterna. Tambien podemos especificar el nivel de confianza elegido (1-). En Rcommander el valor por defecto es 0,95. El nivel de confianza servir para el clculo del correspondiente intervalo de confianza para la media. El valor de t obtenido con Rcommander 2,0319 y el nmero de grados de libertad (degrees of freedom, df) son 901 (n-1= 902-1 = 901; N es el nmero de casos vlidos en la variable bulimia), y el grado de significacin (p-value) es 0,04245. Por ltimo aparece la conclusin de la prueba de decisin estadstica: true mean is not equal to 3.30; Esto es, se rechaza la hiptesis nula y en consecuencia se acepta la hiptesis alterna.
7.3 7.4

- 196 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
9.2 Figura. Seleccin de variable y opciones para la prueba de comparacin de una media observada a una terica.

> t.test(Edi.data$B, alternative='two.sided', mu=3.30, conf.level=.95) One Sample t-test data: Edi.data$B

t = 2.0319, df = 901, p-value = 0.04245 alternative hypothesis: true mean is not equal to 3.3 95 percent confidence interval: 3.310151 3.884971 sample estimates: mean of x 3.597561

En la salida de Rcommander

aparece tambin el intervalo de

confianza. El lmite inferior es aqu 3,310151 y el lmite superior 3,884971. Qu quiere decir esto? A la luz de los datos, la media de la poblacin de la que proceden los mismos () estar comprendida, con un nivel de confianza del 95%, entre estos dos valores. Nuestra hiptesis para era 3,30, y este valor queda fuera de stos lmites por lo que no es un valor asumible para la media poblacional. 9.1.2 Comparacin de dos medias

Veamos ahora cmo contestar a la pregunta de si hay relacin entre el sexo y la insatisfaccin corporal, ms especficamente, si esta ltima es mayor en las mujeres que en los varones. Las medias en la escala de insatisfaccin corporal de chicos y chicas (Estadsticos >Resmenes >Tablas de estadsticas) son xe = 15,71 y xg .= 8,09. La diferencia es por tanto 7,62.

- 197 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Ahora bien, la cuestin que nos interesa no es la diferencia entre los hombres y las mujeres en nuestra muestra concreta; queremos saber si existen diferencias entre las poblaciones de mujeres y hombres y por ello necesitaremos aplicar una prueba de significacin estadstica. El test clsico para la comparacin entre dos medias es la prueba t de Student. Esta prueba, una de las ms clsicas en Estadstica, no funciona del todo bien cuando se comparan grupos con varianzas diferentes (sobre todo si los tamaos de los grupos son muy distintos, como de hecho ocurre en el ejemplo). Para estos casos se ha propuesto una modificacin de la misma; la prueba de Welch. (Pardo y San Martn, 1998) En el caso de dos muestras, con varianzas poblacionales distintas, el estadstico t se calcula mediante:

x1 x2 s*2 N1 s*2 N2

Donde,

x1
x2

la media de la primera muestra media de la segunda muestra y

*2

2 N1 1 s12 N2 1 s2 N1 N2 2

S12 varianza de la primera muestra S22 varianza de la segunda muestra N1 nmero de sujetos de la primera muestra N2 nmero de sujetos de la segunda muestra

En el numerador tenemos de nuevo una diferencia, en este caso entre dos muestras observadas o muestrales, y el denominador es una estimacin del error de muestreo de la diferencia muestral. Los grados de libertad (gl) del estadstico estarn comprendidos entre N1-1 y N2-1 y su valor viene dado por la frmula de Welch (Welch, 1938): - 198 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

gl

s12 N1 s12 N1 1 N1 1
2

2 s2 N2

1 N2

2 s2 1 N2

Donde, S12 varianza de la primera muestra S22 varianza de la segunda muestra N1 nmero de sujetos de la primera muestra y N2 nmero de sujetos de la segunda muestra.

A partir del valor de t se obtendr el grado de significacin, es decir la probabilidad asociada con el valor t. El grado de significacin (p) evala la probabilidad de la diferencia observada en los datos en el caso de que la hiptesis nula fuese cierta, es decir, si efectivamente las dos poblaciones de hombres y mujeres tuvieran medias idnticas en la escala de insatisfaccin corporal (
1 2 ).

Con la ayuda de Rcommander obtendremos los anlisis:

9.3 Figura. Prueba de comparacin de dos muestras independientes

En la ventana emergente seleccionaremos la variable que define los grupos (sexo) y la variable cuyas medias queremos comparar (insatisfaccin corporal; IC). Elegiremos tambien el tipo de hiptesis alternativa y el nivel de confianza, as como la suposicin acerca de la igualdad de varianzas en los grupos. En este ejemplo seleccionamos Diferencia>0 y dejamos las ltimas dos opciones por defecto de Rcommander; esto es, nivel de confianza 0,95 y grupos con varianzas distintas.

- 199 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.4 Figura. Seleccin de variables y opciones para la prueba de comparacin de dos muestras independientes

> t.test(IC~SEXO, alternative='greater', conf.level=.95, var.equal=FALSE, + data=Edi.data) Welch Two Sample t-test data: IC by SEXO t = 12.2259, df = 905.177, p-value < 2.2e-16 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: 6.59255 Inf sample estimates: mean in group chica mean in group chico 15.714286 8.095694

En la salida de Rcommander se recogen el valor del estadstico t (12,2259), los grados de libertad (905,177) y el grado de significacin (pvalue =2,2e-161).

Notacin esponencial: 2.2e-16 =2.2 * 10-16= 0.00000000000000022

- 200 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Aparecen tambin la hiptesis alterna elegida (true difference in means is not equal to 0) y el intervalo de confianza. El valor del lmite inferior es 6,59255 y el lmite superior infinito. Esto quiere decir que la diferencia de medias poblacionales en la variable insatisfaccin corporal ser mayor que 6,59255 con una probabilidad del 95%. La diferencia entre las medias ha resultado significativa. Hemos encontrado evidencia emprica que apoya la hiptesis del investigador; las mujeres muestran ms insatisfaccin con su cuerpo que los varones. Varianzas iguales en los dos grupos Si las varianzas son iguales en los dos grupos, podremos utilizar la versin clsica de la prueba t de Student. (Pardo y San Martn, 1998)

x1 x2 s*2 N1 s*2 N2

Donde,

x1
x2

es la media de la primera muestra la media de la segunda muestra y

s*2

2 N1 1 s12 N2 1 s2 N1 N2 2

S12 es la varianza de la primera muestra y S22 la varianza de la segunda muestra N1 nmero de sujetos de la primera muestra y N2 nmero de sujetos de la segunda muestra.

Los grados de libertad de este estadstico son procedimiento de obtencin del anlisis en explicado anteriormente. Rcommander

N1 N2 2 . El
es idntico al

9.1.2.a Dos medias. Datos relacionados

- 201 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En algunos casos las medias proceden de dos conjuntos de datos referidos a sujetos emparejados; los sujetos han sido medidos en ocasiones distintas (test/postest), o los sujetos han sido emparejados por alguna variable de inters introducida por el investigador a fin de mejorar su diseo. Estos casos tienen en comn desde el punto de vista estadstico que los conjuntos de datos a comparar estn correlacionados (un sujeto se parece a s mismo). En estos casos la estrategia a utilizar es diferente, y la prueba estadstica es muy similar a la prueba para una media. En concreto se calcularn las diferencias entre los pares, y la media correspondiente a esas diferencias xd , que se contrastar con la hiptesis nula
d

El estadstico t es anlogo al utilizado para el contraste de una media;

xd d sd / N

Donde

xd
d

es la media de las diferencias entre los dos grupos,

la media de diferencias en la poblacin y

sd el error estndar de las diferencias entre los grupos, y N, el nmero de diferencias

Los grados de libertad del estadstico son N-1. Por ejemplo supongamos que deseamos indagar en la conformidad de la poblacin con su peso, concretamente si el que se declara como peso ideal es inferior al peso real. Los sujetos de nuestra base de datos han contestado a las dos cuestiones por lo que podemos utilizar la prueba descrita. Escogemos la opcin adecuada en Rcommander, Estadsticos> Medias>Test t para datos relacionados, y en la ventana emergente debemos seleccionar las variables a comparar (PESO y PESIDEAL), el tipo de hiptesis alternativa y el nivel de confianza

- 202 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.5 Figura. Seleccin de variables y opciones para la prueba de comparacin de datos relacionados.

Paired t-test data: Edi.data$PESIDEAL and Edi.data$PESO

t = -8.8598, df = 404, p-value < 2.2e-16 alternative hypothesis: true difference in means is less than 0 95 percent confidence interval: -Inf -2.138298 sample estimates: mean of the differences -2.627160

La media observada de las diferencias entre las variables (mean of the differences) es -2,6271, y el valor t correspondiente a esta magnitud es -8,85; Cmo el nmero de diferencias es 405, los grados de libertad son 404 (df; 405-1=404) y el grado de significacin es extraordinariamente pequeo (p- value=2,2e-16). Por lo tanto, tenemos evidencia emprica para apoyar la hiptesis de que el peso ideal est por debajo del peso real. El intervalo de confianza del 95% indica que en la poblacin el peso ideal estar 2,62 kg por debajo del real.

- 203 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 9.1.3 Pruebas para las varianzas 9.1.3.a Comparacin de dos varianzas

La prueba ms comn de comparacin de varianzas en dos grupos es la prueba F, aunque existen otras con el mismo propsito (por ejemplo la prueba de Lvene). Este test, el test F, se aplica en la mayora de los casos como paso preliminar a la prueba t de Student de comparacin de medias, con el objeto de verificar si las varianzas son iguales. El estadstico F se obtiene mediante la razn entre las varianzas observadas en las muestras.

s12 2 s2

Donde S12 es la varianza de la primera muestra, y S22 la varianza de la segunda muestra.

La probabilidad asociada a F (grado de significacin) se puede obtener de inmediato mediante la distribucin Fde probabilidad; los grados de libertad son N1-1 y N2-1. Para comprobar si la variable Bulimia tiene la misma variabilidad en las poblaciones de mujeres y varones utilizaremos la opcin Estadsticos >Varianzas>Test F para dos varianzas. En la ventana emergente se elige la variable que define los grupos a comparar (SEXO) y la variable mtrica cuyas varianzas medidas en ambos grupos se van a comparar (B Bulimia). Se marca la clase de hiptesis (por defecto bilateral) y el nivel de confianza (dejamos el valor 0,95).

- 204 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.6Figura. Seleccin de variables y opciones para la prueba de comparacin de comparacin de varianzas

> var.test(B ~ SEXO, alternative='two.sided', conf.level=.95, data=Edi.data) F test to compare two variances data: B by SEXO

F = 0.8926, num df = 480, denom df = 420, p-value = 0.2284 alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.7411259 1.0738893 sample estimates: ratio of variances 0.8926434

Rcommander ofrece el valor de F (0,8926), los grados de libertad (480 y 420), el grado de significacin (0,2284), el tipo de hiptesis alterna y el intervalo de confianza para la razn de varianzas
2 1 2 2

. Por ltimo se muestra

2 2 s2 la razn de varianzas observada en los datos ( s1 ); en nuestro caso 0,8926.

En consecuencia no tenemos evidencia de que las varianzas sean diferentes en los dos grupos.

- 205 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.1.3.b Comparacin de k varianzas

La prueba adecuada para comparar las varianzas de ms de dos grupos es la prueba de Bartlett. Para ejecutarla en RCommander, la opcin a elegir es Estadsticos>Varianzas> Test de Bartlett, y la salida (al igual que en casos anteriores) incluye el estadstico, los grados de libertad y el grado de significacin.

9.2

Pruebas para las proporciones

El recuento de frecuencias o las proporciones son estadsticos adecuados para las variables categricas (por ejemplo, sexo, trabajo, estado civil) y de las variables numricas categorizadas. Por ejemplo, a partir de las puntuaciones en la escala de insatisfaccin corporal (IC) se han obtenido dos grupos de sujetos, los que tienen baja insatisfaccin corporal y los que tienen alta insatisfaccin corporal; esta categorizacin puede utilizarse como criterio clnico. Para trabajar con las variables categricas se utilizan las tablas de contingencia. En las filas figura la insatisfaccin corporal, y en las columnas la edad. Tenemos dos categoras de la primera (SI/NO) y tres categoras para la edad (menores de 14 aos, entre 14 y 16 aos y mayores de 16 aos). Para obtener dos grupos de la variable Insatisfaccin Corporal se ha utilizado 18 como punto de corte. Este valor separa los dos grupos, 0 y 1. Cada combinacin de valores para estas dos variables es una celda. Por ejemplo, la celda que correponde a los sujetos menores de 14 aos con insatisfaccin corporal contiene el nmero 67. Esta tabla es 2 x 3; est compuesta por 2 filas y 3 columnas. Edad Insatisfaccin corporal - 206 >14 aos 14-16 aos 16 aos< Total

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ NO 236 269 146 651 SI Total 67 303 115 384 67 213 249 900

9.1 Tabla. Tabla de doble entrada

Supongamos que estemos interesados en los sujetos menores de 14 aos que estn insatisfechos con su cuerpo. Su proporcin es simplemente 67 dividido por el total de casos (900) o sea 0,074. Es decir 7,4% de estudiantes son menores de 14 aos y estn insatisfechos con su cuerpo. Para cada celda se obtiene una proporcin, dividiendo la frecuencia por el tamao total de la muestra. Todas estas proporciones configuran la distribucin conjunta de las dos variables categricas. Distribuciones marginales La distribucin de una sola variable en una tabla de doble entrada, es la distribucin marginal. Hay dos distribuciones marginales, una por cada variable categrica. Segn nuestros datos hay 651 sujetos insatisfechos con su cuerpo y 249 insatisfechos. corporal es, NO Proporcin 0,723 SI 0,277 La distribucin marginal de la variable insatisfaccin

9.2 Tabla. Distribucin marginal de insatisfaccin corporal

La segunda distribucin marginal para este ejemplo es la correspondiente a la variable edad, >14 aos Proporcin 0,336 14-16 aos 0,426 16 aos < 0,238

9.3 Tabla. Distribucin marginal de edad

- 207 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Cada distribucin marginal en una tabla de contingencia es una distribucin de una variable categrica simple. Tablas de doble entrada. Relaciones La tabla de doble entrada contiene mayor cantidad de informacin que las dos distribuciones marginales por separado. Una tabla permite examinar las relaciones mediante el clculo de ciertos porcentajes a partir de las frecuencias dadas. En el ejemplo, el porcentaje de menores de 14 aos que estn insatisfechos con su cuerpo es 67/303=0,221=22,1%; el porcentaje de sujetos entre 14 y 18 aos insatisfechos con su cuerpo es 15/384=0,299=29,9%, y 68/221=0,308=30,8%, el porcentaje de sujetos mayores de 18 aos insatisfechos con su cuerpo. Distribuciones condicionales Si nos centramos en el grupo de menores de 14 aos y examinamos la distribucin de la otra variable categorica, insatisfaccin corporal, nicamente en ese grupo, decimos que esa distribucin est condicionada al valor de la variable edad. La distribucin condicional ofrece las proporciones o porcentajes para todos los posibles valores de la variable insatisfaccin corporal (NO/SI).

NO Proporcin 77,8%

SI 22,1%

9.4 Tabla. Distribucin condicional. Nios e insatisfaccin corporal

Realizando clculos similares para los otros dos grupos de edad, NO SI

- 208 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Proporcin 70,05% 29,95%
9.5 Tabla. Distribucin condicional. Adolescentes e insatisfaccin corporal

NO Proporcin 68,5%

SI 31,45%

9.6 Tabla. Distribucin condicional. Jvenes e insatisfaccin corporal

Si comparamos las distribuciones condicionales podemos entrever la naturaleza de la asociacin entre la edad y la insatisfaccin corporal. En este conjunto de datos en el grupo de mayores de 16 aos tienen ligeramente ms probabilidad de estar insatisfechos con sus cuerpos que los que estn entre 14 y 16 aos y mucha ms probabilidad que los nios. Estos ltimos, los nios, muestran el porcentaje ms bajo de insatisfaccin corporal. Los datos apuntan a que la insatisfaccin corporal se incrementa con la edad. RCommander permite obtener las distribuciones conjuntas, marginales y condicionales; Para ello se elegir la opcin Estadsticos>Tablas de contingencia>Tabla de doble entrada. En la ventana emergente elegiremos las variables fila y columna; insatisfaccin corporal y edad (IC_RE y EDAD_RE). Adems se pueden especificar los porcentajes a calcular (por filas, por columnas, totales, sin porcentajes), los tests de hiptesis a realizar (Chicuadrado, test exacto de Fisher), los componentes del estadstico Chi-cuadrado y las frecuencias esperadas. El anlisis puede realizarse sobre todos los casos o bien sobre un subconjunto de ellos utilizando la expresin de seleccin adecuada.

- 209 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.7Figura. Tabla de doble entrada Rcommander

> colPercents(.Table) # Column Percentages EDAD_RE IC_RE 0 1 <14 14-16 77.9 22.1 70.1 29.9 >16 68.5 31.5

Total 100.0 100.0 100.0 Count 303.0 384.0 213.0

La opcin Porcentajes totales permite obtener la distribucin conjunta. En la columna y fila rotuladas Total aparecen las distribuciones marginales de la insatisfaccin corporal y de la edad respectivamente.

> totPercents(.Table) # Percentage of Total <14 14-16 0 1 26.2 7.4 12.8 >16 Total 72.3 27.7 7.4 29.9 16.2

- 210 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Total 33.7 42.7 23.7 100.0

9.2.1 Tablas de doble entrada. Inferencia

La adopcin de conclusiones estadsticas derivadas del etsudio de proporciones hace necesario el uso de pruebas de significacin. La hiptesis nula (Ho) de inters en una tabla de doble entrada es que no existe asociacin entre la variable fila y la variable columna. En el ejemplo anterior consistira en afirmar que las variables insatisfaccin corporal y edad no estn relacionadas. La hiptesis alterna H1 consistira en la afirmacin de que s existe una asociacin entre las dos variables. La hiptesis alternativa no especifica una direccin concreta para la asociacin, no la podemos describir como una hiptesis unilateral o bilateral, ya que incluye todas las clases posibles de asociacin. En nuestro ejempo, la hiptesis Ho de que no existe asociacin es equivalente a la afirmacin de la que las distribuciones de insatisfaccin corporal en los tres grupos de edad son iguales. Frecuencias esperadas Para contrastar la hiptesis nula se comparan las frecuencias observadas con las frecuencias esperadas bajo el supuesto de que la hiptesis nula es verdadera. Cmo se obtienen las frecuencias esperadas? Si observamos los porcentajes en el margen derecho de la tabla veremos que 27,7% (todos los grupos de edad juntos) estn insatisfechos con su cuerpo. Si la hiptesis nula de no diferencias por gnero fuese cierta, esperaramos que este porcentaje global se aplicara a todos los grupos de edad por igual. Esto es, esperaramos un 27,7% de insatisfechos en el grupo de menores de 14 aos. En la tabla veamos que el nmero de sujetos en este grupo es 303. La frecuencia esperada es por tanto

- 211 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 27,7 % de 303, es decir 83,9. El resto de frecuencias esperadas se calcularan de modo similar. Para calcular la frecuencia esperada multiplicamos la proporcin de insatisfechos con su cuerpo (249/900) por el nmero de sujetos menores de 14 aos (303). En la tabla vemos que 249 y 303 son los totales por fila y columna de la celda de inters. 900 es el nmero total de observaciones de la tabla. Por lo tanto la frecuencia esperada de una celda es el producto de los totales de fila y columna divididos por el total de la tabla:

Frecuencias esperadas

total de la fila x total de la columna N

Test de Chi cuadrado Para verificar la hiptesis nula, esto es, que no existe asociacin entre las variables fila y columna, se utiliza un estadstico que compara el conjunto completo de frecuencias observadas con el conjunto de frecuencias esperadas. Consiste en hallar las diferencias entre la frecuencia osbservada y su correspondiente valor esperado y elevar esta diferencia al cuadrado. Una diferencia grande es menos significativa si procede de una celda donde se espere una frecuencia con valor muy alto, por ello se dividide cada diferencia al cuadrado por la frecuencia esperada. Finalmente se agregan los valores correspondientes a todas las celdas.
2

frecuencia observada x frecuencia esperada frecuencia esperada

> .Test$expected # Expected Counts EDAD_RE IC_RE <14 14-16 >16 0 219.17 277.76 154.07

- 212 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
1 83.83 106.24 58.93

Cuanta ms diferencia haya entre las frecuencias observadas y las esperadas mayor ser el valor del estadstico Chi cuadrado. Valores altos de Chi cuadrado proporcionan evidencia contra la hiptesis nula. El nmero de filas y de columnas determinan los grados de libertad de este estadstico ((l-1)(z-1)). Las distribuciones chi cuadrado son una familia descrita por un parmetro; los grados de libertad (gl; df; degree of freedom). Se escribir
2 gl

para indicar un miembro particular de esta familia. En la figura


2 gl

siguiente se muestran las curvas de densidad de cuatro distribuciones

. Las

distribuciones Chi cuadrado toman nicamente valores positivos y son sesgadas a la derecha:

9.8 Figura. Distribuciones Chi cuadrado con diferentes grados de libertad (1,3,10 y 20)

- 213 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

El test de chi cuadrado siempre utiliza la cola superior de la distribucin


2

, puesto que cualquier desviacin de la hiptesis nula hace que el estadstico

tenga un valor ms alto. La aproximacin de la distribucin del estadstico X 2 a la distribucin


2

es ms adecuada a medida que el nmero de frecuencias es

mayor. Adems es ms preciso para tablas mayores que 2x2. Para que la aproximacin sea adecuada se requiere, en las tablas de 2x2 que las frecuencias esperadas de todas las celdas sean al menos 5. En Para el caso de tablas mayores se requerir que la media de frecuencias esperadas sea al menos 5. El valor p para el test chi cuadrado es P
2 ( f 1)( c 1)

X 2 . RCommander proporciona el

valor de X 2 y el valor de p marcando la opcin Test de independencia Chi-cuadrado en la ventana de opciones. En nuestro ejemplo el valor del estadstico chi-cuadrado es 7,1976, el nmero de grados de libertad de la distribucin es (3-1)(2-1) = 2 , y el valor de p es 0,02736.
> .Test Pearson's Chi-squared test data: .Table

X-squared = 7.1976, df = 2, p-value = 0.02736

El test chi cuadrado confirma que los datos contienen evidencia contra la hiptesis nula. Los sujetos de los tres niveles de edad son distintos en insatisfaccin corporal, pero no dice cmo o en qu grado difieren. Hay que completar el test estadstico con una descripcin que explique la clase de relacin presente en los datos. Si se obtienen los componentes del estadstico Chi cuadrado, podemos comprobar aquellas celdas que contribuyen en mayor medida a la discrepancia

- 214 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ entre lo observado y lo esperado. La tabla de componentes obtenida mediante RCommander se muestra a continuacin:

> round(.Test$residuals^2, 2) # Chi-square Components EDAD_RE IC_RE <14 14-16 >16 0 1.29 1 3.38 0.28 0.42 0.72 1.11

Para calcular el valor correspondiente a la segunda fila y primera columna:


2 2

frecuencia observada x frecuencia esperada frecuencia esperada

67 83,3 83,3

9.3

Comparacin entre ms de dos grupos (ANOVA)

Cuando se precisa la comparacin entre ms de dos grupos se podra tomar todas las posibles parejas y aplicar a cada una de ellas el test t. Sin embargo este procedimiento conducira a un incremento grave del error Tipo I. El anlisis de varianza (ANOVA o AVAR) permitir probar la significatividad de las diferencias entre varias medias sin que se incremente el error de tipo I. El mtodo ANOVA bsicamente consiste en dividir varianza de la variable dependiente en dos o ms componentes, cada uno de los cuales puede ser atribuido a una fuente identificable.

9.3.1 ANOVA de un factor

Supongamos que nos interesa averiguar si los tres diferentes grupos de edad (menores de 14 aos, 14-16 aos y mayores de 16 aos) son iguales en insatisfaccin corporal, o si por el contrario las medias son diferentes. A la - 215 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ variable independiente (edad) en el ANOVA se denomina factor (no confundirlo con el factor del anlisis factorial!) que en este ejemplo tiene tres categoras o niveles. El factor puede tratarse de una variable propiamente categrica, o puede haber sido categorizada; como en nuestro caso. La variable dependiente, insatisfaccin corporal, (IC) es continua. An cuando la hiptesis nula sea cierta y todas las medias poblacionales sea cual sea la edad fuesen iguales, esperaramos una pequea fluctuacin de las medias muestrales de insatisfaccin corporal. Cunto se espera que varen estas medias? Pues bien, a partir de la variacin de los datos, podemos tener una idea de la variacin entre las medias. Si las medias poblacionales fuesen en realidad diferentes, esperaramos que esta variacin fuese an mayor. Por ello necesitamos un test de hiptesis con el que se pueda verificar si la variacin entre las medias es mayor que la que esperada en el caso de meras fluctuaciones aleatorias. Se precisa un nuevo modelo de distribucin muestral, denominada distribucin F. Para aclarar como funciona este test examinemos la siguiente figura que contiene dos conjuntos de diagramas de cajas. Se trata de decidir si las medias muestrales son suficientemente dispares como para rechazar la hiptesis nula. En el segundo grfico es difcil admitir que las diferencias entre las muestras se deban nicamente a la variabilidad muestral. En cambio en (a) es ms fcil deducir que estas observaciones podran haberse dado a partir de grupos con las mismas medias. Los dos conjuntos (a) y (b) tienen la misma diferencia entre los centros de los grupos. Sin embargo lo que los diferencia es la variacin dentro de cada grupo. En el segundo es tan pequea que las diferencias entre los grupos se evidencian. Pues bien, esta es la idea central del test F. Cuando las diferencias entre las medias son grandes comparadas con la variacin dentro de los grupos, rechazaremos la hiptesis nula y concluiremos que las medias no son iguales. Sin embargo, en el grfico (a) las diferencias entre las medias hacen pensar que bien podran haberse obtenido por azar a partir de grupos con medias iguales, por ello no hay evidencia suficiente como para rechazar Ho.

- 216 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

a)

b)
9.9Figura. Diferentes variabilidades intragrupo. Diagramas de cajas

Ahora bien, se necesitar una prueba estadstica que permita hacer esta comparacin de modo ms preciso. Los tests vistos hasta aqu se basan en el ratio entre diferencias de alguna clase con alguna medida de la variabilidad muestral; del mismo modo en el ANOVA las diferencias entre las medias figurarn en el numerador, y el trmino de comparacin (en el denominador) se basar en la desviacin estndar subyacente, esto es, en la variabilidad dentro de los grupos.

9.4

Variacin entre grupos y variacin intra grupos

Si la hiptesis nula fuese cierta, y todos los grupos procedieran de una sola poblacin, con una sola media (), cada media del grupo sera un estimador de esa media y tendramos estimaciones diferentes e independientes de esa media (en nuestro ejemplo tendramos tres estimaciones). Trataremos esas medias estimadas como observaciones, y calcularemos su varianza muestral ( sx 2 ). Esta varianza es la medida que utilizaremos para evaluar la medida en que las medias de los diferentes grupos estn alejadas entre s. Es obvio que cuanto ms prximos estn los valores de las medias, menor ser la varianza y a la inversa, a medida que estn ms alejados la varianza ser mayor.

- 217 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Para los datos de nuestro ejemplo, podemos obtener las medias en la variable insatisfaccin corporal para los tres grupos de edad, con la opcin Estadsticos>Resmenes>Resmenes numricos escogiendo en la ventana emergente la opcin Resumir por grupos (para mayor claridad, en este ejemplo hemos trabajado con un subconjunto del objeto Edi.data):
mean <14 >16 n 10.82 13.67 NA 184 14 184 16 184 8

14-16 12.89

La varianza entre estas medias es 2,17.


Medias <- c(10.82, 12.89, 13.67) Var(Medias) [1] 2.17

Cmo podemos tener idea de si se trata de un valor alto o bajo? Para saberlo necesitamos un modelo, y el modelo se basa en la hiptesis nula de que las medias son iguales. Esto es, que la media de insatisfaccin corporal siempre es la misma independientemente del grupo de edad: Ho:
1= 2= 3

H1: no todas las medias son iguales


2 sx

La varianza de una media muestral ( estimar ( ns x ).


2
2

) es

/ n . Por lo tanto para

bastar con multiplicar n por la varianza observada entre las muestras

En nuestro caso una estimacin de Tenemos as una estimacin de


2

sera 400,016 (184 x 2,17).

a partir de la variacin entre grupos. Esta

- 218 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ cantidad es la media cuadrtica del factor o media cuadrtica entre (o inter) grupos (MCG). Al igual que en el resto de contrastes se necesita un trmino de comparacin, basado en la variabilidad subyacente a las medidas. Necesitamos una estimacin independiente de
2

, que no dependa de si la hiptesis nula es

cierta o falsa. Esta estimacin se obtiene a partir de una combinacin de las varianzas obtenidas dentro de cada grupo. Esta cantidad se denomina media cuadrtica del error o media cuadrtica intra (o dentro) de los grupos (MCE). Las desviaciones estndar pueden obtenerse desde la misma ventana que hemos utilizado para obtenener el listado de las medias, Estadsticos> Resmenes>Resmenes numricos seleccionando la opcin

Desviacin tpica. Rcommander nos proporciona las desviaciones estndar en la variable insatisfaccin corporal. Elevando al cuadrado estos valores obtenemos las varianzas; 111,87; 111,99 y 93,412
sd <14 >16 10.57 9.66 14-16 10.58 n NA 184 14 184 16 184 8

Para obtener la varianza conjunta aplicamos,


2 n1 1 s12 n2 1 s2 ... nI 1 sk2 n1 1 n2 1 ... nk 1

*2

Con nuestros datos,

s*2

184 1 10,5772 184 1 10,5832 184 1 9,6652 105,762 184 1 184 1 184 1

- 219 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Esta cantidad es la media cuadrtica del error o media cuadrtica intragrupos (MCE).

9.4.1.a

Estadstico F

Contamos con dos estimaciones diferentes de la varianza


2

; La primera

se basa en las diferencias entre las medias de los grupos. Si las medias son iguales (Ho cierta), esta varianza estimar . Si Ho no es cierta, dar

sistemticamente un valor mayor. La otra estimacin se basa nicamente en la variacin dentro de los grupos en torno a sus propias medias, es independiente de la hiptesis nula. Por lo tanto si Ho es cierta, estos dos valores, MCE y MCG estimarn
2

y su ratio ser cercano a 1. Pero cuando Ho es falsa, la razn entre

los dos estimadores tender a ser mayor que 1. La estimacin MCG ser sistemticamente mayor, (reflejando la diferencia en las medias), mientras que MCE no se ver afectada; el ratio tender a ser mayor que 1. El ratio MCG/MCE es el estadstico F, y cuando Ho es cierta sigue una distribucin F que depende de dos nmeros; los grados de libertad del numerador y los grados de libertad del denominador. En el caso de ANOVA de un factor con K grupos, los grados de libertad para el numerador son K-1 y para el denominador N-K. El test F es de una cola puesto que cualquier diferencia en las medias incrementa el estadtico F. Diferencias grandes en los grupos se traducen en un estadstico mayor. El test ser significativo si el ratio F es suficientemente grande y su probabilidad asociada (p) suficientemente pequea. En nuestro ejemplo este ratio es,

MCG MCE

400,016 3,782 105,762

- 220 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La distribucin de este estadstico es F( K 1)( N K ) F(3 1),(552 3) F2,549 . El valor p del test F es la probabilidad de que una variable aleatoria con distribucin F(2,549)) sea mayor o igual que el valor calculado. La opcin

Distribuciones>Distribuciones continuas>Distribucin F de Rcommander proporciona ese valor:

9.10 Figura. Distribucin de F en RCommander

pf(c(3.782), df1=2, df2=149, lower.tail=FALSE) [1] 0.0233

9.4.1.b Modelo

El modelo de ANOVA de un factor intenta describir la puntuacin de un sujeto en la variable dependiente a partir de tres componentes: La media general de todas las poblaciones, que representa el efecto de los factores mantenidos constantes ( ), el efecto especfico atribuble a la variable independiente ( y el efecto de posibles variaciones aleatorias o residuales no contempladas (
k

ik

).Si tenemos K grupos y xik representa a la observacin i del grupo k el modelo establece:

- 221 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ = xik k
ik
k ik

DATOS Donde

AJUSTE

+ RESIDUAL

es la desviacin de la media de la poblacin origen de la


k k

muestra k respecto de la media general (

); esto es lo que se aleja

el promedio de ese grupo respecto de la media general. El error o residual representa


ik

la desviacin de una observacin a la media de su grupo,


k

xik

; es decir, la fluctuacin aleatoria que no se pretende ser explicada

en el modelo. En el modelo de ANOVA se asume que estas fluctuaciones o errores cumplen ciertas condiciones; los errores son normales, con media 0 e igual varianza para todos los grupos. Ser precisa la comprobacin del cumplimiento de estas condiciones para asegurar la adecuacin del anlisis.

9.4.1.c Descomposicin de las sumas de cuadrados

La desviacin total de una puntuacin xik a la media general x se puede descomponer en dos partes; la desviacin de la puntuacin a la media de su grupo xk y la desviacin de la media del grupo xk a la media general x .

xik x
Esta idea queda

xik xk

xk x
Si en lugar de

reflejada en el grfico siguiente.

referirnos a una nica puntuacin lo hacemos al conjunto de las N puntuaciones,

nk

xik x

nk

xik xk

nk

xk x

i 1 k 1

i 1 k 1

i 1 k 1

- 222 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

9.11Figura. Descomposicin de las sumas de cuadrados (ANOVA de un factor )

Los trminos de esta ecuacin son sumas de cuadrados (SC); suma de cuadrados total (SCT), suma de cuadrados intergrupo (SCG) y suma de cuadrados del error (SCE).

9.4.1.d Estimacin de parmetros

Las medias poblacionales se estiman mediante las correspondientes medias muestrales.


k

se estima mediante la media del grupo k

xk

1 Nk

Ni i 1

xik

Los errores se estimarn mediante los residuales eik en torno a las medias muestrales.

xik xk o variacin

9.4.1.e Tabla de ANOVA

Para llevar a cabo el anlisis de varianza toda la informacin se organiza en una tabla que de modo estndar contiene las columnas fuentes de variacin, sumas de cuadrados, grados de libertad, medias cuadrticas, valor F y grado de - 223 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ significacin. La filas son las tres fuentes de variacin en el ANOVA de un factor; modelo o variacin entregrupos, error o variacin intragrupos y total. Los datos de nuestro ejemplo se muestran en la siguiente tabla;

Fuentes variacin Modelo Error Total

de

Sumas

de

Grados de libertad 2 549 551

Medias cuadrticas 399,929 105,766 F 3,781 p ,023

cuadrados 799,859 58065,554 58865,413

9.7 Tabla. Tabla para el ANOVA de un factor

La fuente de variacin Modelo ofrece informacin relacionada con la variabilidad entre las medias de los grupos y Error da informacin relacionada con la variabilidad dentro de los grupos. TOTAL = MODELO+ ERROR Cada suma de cuadrados es una suma de desviaciones al cuadrado. Se utilizan habitualmente SCE, SCG, SCT, para designar las sumas de cuadrados (sums of squares) del error, de los grupos y total respectivamente. Cada suma de cuadrados mide una diferente fuente de variacin. SCT mide la desviacin entre cada observacin y la media global, xik

x . SCG recoge la x y por

desviacin de las medias del los grupos en torno a la media global xk media de su grupo, xik

ltimo la variacin del error SCE mide la desviacin de cada observacin a la

xk .

A cada suma de cuadrados se le asocia una cantidad denominada grados de libertad, (degrees of freedom, df). Dado que SCT mide la variacin de N observaciones en torno a la media general, los grados de libertad son N-1.

- 224 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Como SCG mide la variacin de K medias muestrales en torno a la media global, los grados de libertad correspondientes son K-1. Por ltimo SCE es la suma de cuadrados de las desviaciones xik

xk . Son N observaciones que se comparan

con K medias muestrales y sus grados de libertad son N-K. Para cada fuente de variacin se estima la media cuadrtica; este valor es la suma de cuadrados dividida por los grados de libertad.

9.4.2 ANOVA de un factor mediante Rcommander

En Rcommander el ANOVA de un factor se obtiene a travs de la opcin Estadsticos>Medias>Anova de un factor. Se seleccionan la variable que define los grupos o variable independiente (EDAD_RE) y la variable explicada o dependiente; esto es, la variable cuyas medias en los diferentes grupos vamos a comparar (en nuestro ejemplo IC). en este ejemplo trabajamos con un subconjunto;

9.12Figura. Factores en el ANOVA de un factor. Rcommander

La salida obtenida es la siguiente,


> AnovaModel.1 <- aov(IC ~ EDAD_RE, data=Edi.data) > summary(AnovaModel.1) Df Sum Sq Mean Sq F value EDAD_RE 2 800 400 3.7813 Pr(>F) 0.02339 *

- 225 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Residuals --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 76 observations deleted due to missingness > numSummary(Edi.data$IC , groups=Edi.data$EDAD_RE, statistics=c("mean", + <14 14-16 >16 "sd")) mean 10.82 12.89 13.67 sd 10.57 10.58 9.66 n NA 184 14 184 16 184 8 549 58066 106

La primera lnea de la tabla que proporciona Rcommander es la correspondiente al modelo, que en este caso incluye la variable independiente (EDAD_RE); La segunda fila es la correspondiente al residual. Se omite la fila correspondiente a la fuente de variacin total. Si la hiptesis nula es cierta, entonces no habr diferencias entre las medias de los grupos y la razn MCG/MCE se aproximar a 1. En nuestro ejemplo, MCG (Mean Sq) es 400 y MCE (Mean Sq) es 106; por tanto el valor del estadstico F es (400/106) 3,7813 y su grado de significacin 0,02339. Este resultado proporciona evidencia para rechazar la hiptesis nula; los grupos de edad en la poblacin no son iguales en insatisfaccin corporal. En definitiva, los datos apuntan a que existe una relacin entre las dos variables. Rcommander proporciona informacin adicional; la media de cada grupo (10,82; 10,58 y 9,66), la desviacin estndar (10,57; 10,58 y 9,66) y el nmero de sujetos por grupo (184). Comparaciones mltiples entre medias

- 226 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El test F del ANOVA proporciona una respuesta global a la pregunta Son las diferencias entre las medias de los grupos significativas?; Un valor p pequeo nicamente indica que las medias no son iguales pero no dice especficamente cules son las medias que difieren. Aunque una inspeccin de los grficos de las medias o de sus valores da alguna pista de donde se producen estas diferencias, es deseable complementarla con otros tests estadsticos suplementarios al ANOVA. Las comparaciones mltiples son las que se llevan a cabo tras un ANOVA y en las que se comparan sistemticamente todos los pares de medias para encontrar los grupos que han producido esta significacin. Las pruebas diseadas para llevarlas a cabo mantienen el riesgo alfa en cierto nivel para el conjunto de comparaciones que se efecten. Rcommander proporciona el intervalo de confianza conjunto para todos los pares de diferencias basado en la prueba HSD (Honestly Significantly Differences; Diferencia Honestamente Significativa) de Tukey. En la figura siguiente se muestra la salida. Junto a las diferencias observadas entre los grupos (columna Estimate), aparecen los lmites inferior y superior de los intervalos de probabilidad para las diferencias con un 95% de confianza. El nico intervalo que no contiene el valor cero (diferencia significativa) es el correspondiente a la diferencia entre los grupos de mayores de 16 y nios (0,33 - 5,37).
Simultaneous Confidence Intervals Multiple Comparisons of Means: Tukey Contrasts Fit: aov(formula = IC ~ EDAD_RE, data = Edi.data) Estimated Quantile = 2.3503 95% family-wise confidence level Linear Hypotheses: Estimate lwr 14-16 - <14 == 0 >16 - <14 == 0 >16 - 14-16 == 0 2.07 2.85 0.7826 -0.44 0.33 -1.73 upr 4.59 5.37 3.30

- 227 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Rcommander proporciona el grfico para los intervalos de confianza, que facilita la inspeccin de datos cuando el nmero de comparaciones es muy alto.

95% family-wise confidence level

14-16 - <14

>16 - <14

>16 - 14-16

( -1 0 1 2

) 3 4 5 6

Linear Function

9.13 Figura. Comparaciones mltiples. Intervalos de confianza.

9.4.3 Anlisis de varianza de dos factores

El anlisis de varianza de dos factores compara las medias de poblaciones clasificadas con arreglo a dos criterios de clasificacin diferentes, o las medias de respuesta en experimentos de dos factores. Al igual que en el modelo de un factor se asume que los datos son aproximadamente normales y que los grupos pueden tener diferentes medias pero tienen la misma desviacin estndar. Se utiliza de nuevo un estimador de la varianza comn y estadsticos F para los tests de significacin. La principal diferencia radicar en el trmino AJUSTE. El diseo de dos factores ofrece ventajas respecto al anterior, - 228 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ resultando ms eficiente estudiar dos factores simultneamente que por separado. Adems, reduce la variacin residual en el modelo incluyendo un segundo factor que presumiblemente tendr influencia en la respuesta y, por ltimo, permite investigar las interacciones entre los factores.

9.4.3.a Modelo

Designaremos con K al nmero de grupos o niveles del primer factor (Factor A) y con L al nmero de grupos o niveles del segundo factor (Factor B). En un diseo de dos factores cada nivel del primer factor (Factor A) se combina con cada nivel o grupo del segundo factor (Factor B) de modo que se compararn KxL grupos. El tamao muestral para el nivel k de A y el nivel l de B es Nkl. El nmero total de observaciones es N

Nkl .

Se asumen muestras independientes aleatorias simples de tamao nkl procedentes de KxL poblaciones normales. Aunque las medias poblacionales
kl

pueden ser diferentes, todas las poblaciones tienen la misma desviacin estndar. Tanto las medias poblacionales (
kl

) como la varianza comn

( ) son

parmetros desconocidos. Si representamos por xikl la i-sima observacin de una poblacin que tiene el nivel k del factor A y el nivel l del factor B el modelo estadstico es:

xikl

=
kl

)kl

ikl

ikl

DATOS

AJUSTE

+ RESIDUAL

En el ANOVA de un factor el efecto atribuble a la variable independiente quedaba recogido en el trmino


k

. Ahora, con dos factores se

incluye en el modelo un nuevo trmino que recoge el efecto del segundo factor (
l ).La

interaccin o efecto de la combinacin de los diferentes niveles de - 229 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ ambos factores se representa con el trmino ( )kl . Estimaremos la media de una poblacin por la media muestral de las observaciones en ese grupo

xkl

1 Nkl

nikl k 1

xikl . La parte RESIDUAL del modelo contiene la desviacin tpica


. El estimador de
2

desconocida muestrales;

*2 , s , se calcula a partir de las varianzas

s*2

2 Nkl 1 skl Nkl 1

Donde Nkl nmero de sujetos en el grupo kl, y Skl2 varianza del grupo kl

9.5

Efectos principales e interaccin

Si se tienen muestras independientes de KxL grupos, podemos concebir el problema inicialmente como un ANOVA de un factor con KL grupos. Cada media poblacional
kl

ser estimada por su correspondiente media muestral xkl .

Las sumas de cuadrados y los grados de libertad pueden calcularse como en ANOVA unifactorial. La suma de cuadrados del modelo se calcula a partir de las desviaciones xkl

x , donde xkl es la media del grupo kl y x es la media de

todas las observaciones. Los grados de libertad del modelo (gl) son KL-1. En el ANOVA de dos factores los trminos SCM y glm se descomponen en: un efecto principal de A (SCA; glA), un efecto principal de B (SCB; glB), y una interaccin entre ambos (SCAB; glAB). SCM = SCA + SCB + SCAB glm= glA+ glB+ glAB

- 230 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ El trmino SCA representa la variacin entre las medias para los diferentes niveles del factor A. Dado que hay K niveles, los grados de libertad (glA) son K-1. SCB representa la variacin entre las medias para los diferentes niveles del factor B, con L-1 grados de libertad (glB). SCAB es la suma de cuadrados de la interaccin y representa la variacin del modelo que no es producida por los efectos principales. Sus grados de libertad (glAB) son: (KL-1)(K-1)-(L-1) = (K-1) (L-1). El concepto de interaccin se comprender mejor con un ejemplo. Se pretende examinar las relaciones entre la edad, la insatisfaccin corporal y el sexo. La tabla siguiente muestra las medias en insatisfaccin corporal para cada grupo de edad y sexo. Para obtenerla, elegimos en Rcommander la opcin Estadsticos > Resmenes > Tablas estadsticas:

EDAD_RE >14 14-16 <16 Media

chicas 12,8 17,5 16,2 15,7

chicos 7,5 8,2 9,0 8,0

Media 10,0 13,0 13,8 12,2

9.8Tabla. Insatisfaccin corporal. Medias por grupos de edad y sexo

La tabla incluye medias globales en fila y columna. Por ejemplo, la media de insatisfaccin corporal para todos los estudiantes entre 14 y 18 aos es 13,0. Para calcularlo,

(17,5)(198) (8,2)(185) 13,0 383


La media global del grupo de chicas es 15,7.

(12,8)(142) (17,5)(198) (16,2)(141) 15,7 481


- 231 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Estas medias se denominan medias marginales. EDAD_RE >14 14-16 <16 Total chicas 142 198 141 481 chicos 161 185 72 418 Total 303 383 213 899

9.9Tabla. Nmero de sujetos por grupos de edad y sexo

Para obtener el grfico para representar las medias de los grupos debemos escoger la opcin Grficas> Grficas de las medias. A partir de este grfico se ve claramente que las chicas estn por encima en insatisfaccin corporal que los chicos, esto es, se aprecia un efecto principal para el sexo. Tambien se aprecia que los estudiantes entre 14 y 16 aos tienen mayor puntuacin en insatisfaccin corporal que los nios. En cuanto a los mayores de 16 aos, continan la tendencia ascendente en el caso de los chicos, mientras que las chicas estn por debajo del grupo de edad anterior. Los efectos principales pueden describirse por las diferencias entre las medias marginales. Por ejemplo la media para chicas es 15,7 mientras que para los chicos es 8,0. Este es el efecto principal de la variable sexo. El cuerpo de la tabla muestra que las diferencias en insatisfaccion corporal entre chicas y chicos para los tres grupos de edad son 5,3 9,3 y 7,2. Aunque la diferencia es ms acusada en el grupo de ms edad, la mayor parte de la informacin relativa a las diferencias por sexo se resumen por el efecto principal, la diferencia marginal de 7,7. De modo anlogo, el efecto principal de la edad queda resumido en las puntuaciones 10, 13 y 13,8. Ahora bien, el grfico pone de manifiesto que el efecto de la edad no es igual para chicos que para chicas. En el grupo de 14 a 16 aos la insatisfaccin es mayor que en el grupo de menores de 14, tanto para los chicos como para las chicas, si bien en el grupo de chicas el incremento es mucho ms acusado. Por otro lado, en el grupo de mayores de 16 aos, la - 232 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ tendencia se invierte para los dos grupos: en el de las chicas desciende la insatisfaccin, mientras que en el de chicos se incrementa. Es decir que la diferencia en insatisfaccin corporal entre chicos y chicas depende del grupo de edad que se considere. Esto es lo que se denomina el efecto de interaccin entre los factores. Cuando existe interaccin, las medias marginales no proporcionan un resumen adecuado de la informacin, aunque esto no quiere decir necesariamente que los efectos principales no sean informativos. En este grfico y en la tabla es evidente que las chicas tienen mayor insatisfaccin corporal que los chicos y tambien se aprecia la tendencia a que la insatisfaccin corporal se incremente con la edad (salvo para el grupo de chicas mayores de 16). Cuando existe interaccin, es preciso analizar cuidadosamente las medias para interpretar adecuadamente los datos. Para que no exista interaccin, la diferencia en las medias entre niveles de un factor debera ser constante en todos los niveles del otro factor, lo que se traducira grficamente en lneas aproximadamente paralelas. .

9.14 Figura. Grfico de medias. Insatisfaccin corporal por edad y sexo.

- 233 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 9.5.1.a ANOVA de dos factores. Inferencia

La inferencia para el ANOVA de dos factores implica el clculo de los estadsticos F para cada uno de los efectos principales y para la interaccin. Los clculos se organizan en una tabla basada en la descomposicin de la variacin total. SCT = SCA + SCB + SCAB+SCE glt= glA+ glB+ glAB+ glE A partir de cada suma de cuadrados y sus grados de libertad se calcula la correspondiente media cuadrtica (MC=SC/gl.). La significacin de cada uno de los efectos principales y la interaccin se evala mediante un estadstico F que compara la variacin debida al efecto de inters con la variacin intra-grupo. El diseo general de la tabla es el siguiente: Fuente A B AB Error Total Grados de libertad I-1 J-1 (I-1)(J-1) N-IJ N-1 Sumas de cuadrados SCA SCB SCAB SCE SST Media cuadrtica SCA/ glA SCB/ glB SCAB/ glAB SCE/ gle SCT/ glT MCA/MCE MCB/MCE MCAB/MCE F

9.10. Tabla general ANOVA 2 factores

En el ANOVA de dos factores se plantean tres hiptesis nulas, referidas al efecto principal A, al efecto principal B y a la interaccin AB y cada una se contrasta con un estadstico F. Primero se examina el efecto de la interaccin, puesto que si existe sta puede condicionar la interpretacin del resultado de los efectos principales.

- 234 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Valores altos de F conducen al rechazo de la hiptesis nula. El valor p (grado de significacin) es la probabilidad de que una variable aleatoria que siga la distribucin F correspondiente sea mayor o igual que el valor calculado.

9.5.2 Anlisis de varianza con Rcommander

Para llevar a cabo ANOVA de dos factores eligiremos la opcin de Rcommander Estadsticos > Medias > ANOVA de mltiples factores.

9.15 Figura. ANOVA de dos factores. Rcommander.

En primer lugar introducimos el nombre que queramos dar al modelo (en nuestro caso AnovaEdadSexo), (IC).
> AnovaEdadSexo <- (lm(IC ~ EDAD_RE*SEXO, data=Edi.data))

seleccionamos los factores (EDAD_RE y

SEXO) y por ltimo la variable que se desea explicar; insatisfaccin corporal

> Anova(AnovaEdadSexo) Anova Table (Type II tests) Response: IC Sum Sq EDAD_RE SEXO EDAD_RE:SEXO Residuals 1318 12148 652 2 79267 894 Df 2 F value Pr(>F) 7.4349 0.0006275 *** 3.6779 0.0256584 *

1 137.0088 < 2.2e-16 ***

- 235 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

La tabla ANOVA anterior muestra en la primera columna los nombres de los dos factores principales (EDAD_RE y SEXO), la interaccin entre ambos (EDAD_RE:SEXO) y los errores o residuales (Residuals). En la segunda columna figuran las sumas de cuadrados (Sum Sq); En la tercera podemos leer los grados de libertad (Df); luego aparece el valor F (F value), y por ltimo el valor de probabilidad que se le asocia o grado de significacin. El valor de p para los factores principales es muy bajo; A la derecha de estos valores se imprimen tres asteriscos, que sealan valores de significacin inferiores a 0,001. La interaccin tiene un grado de significacin (p) 0,025. Una vez generado el modelo, R lo incorpora como un objeto nuevo, con el nombre AnovaEdadSexo. Podemos elegir la opcin de la barra de men Modelos y la opcin Grficas> Grficas de los efectos para obtener el grfico siguiente:
EDAD_RE*SEXO effect plot
1 2 3

SEXO : Mujer
18

SEXO : Varn

16

14

IC
12 10 8 6 1 2 3

EDAD_RE

9.16 Figura. Grfico de los efectos

- 236 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En el grfico se representan las medias por sexo y grupo de edad as como los intervalos de confianza. Se puede apreciar que los chicos siguen una tendencia ascendente y uniforme.

- 237 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

10 Test-criterio. Regresin lineal

El fin ltimo de numerosos test o cuestionarios es la prediccin de un criterio. Cuando se quiere pronosticar el rendimiento acadmico, el xito laboral u otro tipo de conducta se utilizan medidas simples o combinadas que permitan una prediccin precisa. Aunque los contextos de prediccin son muchos y variados, en la sustitucin de un criterio por una variable (compuesto) predictor se persiguen simplicidad, sencillez y ahorro. Si para pronosticar una conducta futura o una conducta presente utilizamos tests o cuestionarios es necesario garantizar la relacin estrecha entre las inferencias derivadas de estos y el criterio a predecir para que la sustitucin quede justificada. El modelo de regresin lineal ofrece un marco terico que posibilita el estudio entre las relaciones test/criterio; su aplicabilidad depender en cada caso del cumplimiento de los supuestos del modelo por los datos. En el caso ms simple el modelo de regresin lineal explicara las relaciones entre una variable predictora y un criterio. En el contexto de la teora de tests, la variable predictora es la puntuacin obtenida en el test y la variable criterio es aquella variable que se desea predecir. La relacin entre ambas variables se conoce como coeficiente de validez del test.

Cov X , Y
XY X Y

Donde

El coeficiente de validez del test X, y X Y, desviaciones tpicas del test y del criterio Cov (X,Y), covarianza entre el test y el criterio.
XY

- 238 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 10.1 Regresin simple

El modelo de regresin simple utiliza una sola variable predictora para el pronstico del criterio. En psicologa y educacin las predicciones se basan habitualmente en modelos ms complejos que utilizan como predictores un conjunto de puntuaciones obtenidas tras la administracin de varios tests o de la utilizacin de mtodos basados en la observacin, entrevistasSin embargo la comprensin de modelos ms complejos es ms sencilla una vez familiarizados con el modelo simple.

10.1.1 Ecuacin de la recta

La utilizacin y aplicacin de un modelo matemtico implica la asuncin de varios presupuestos que en el caso del modelo de regresin simple se resumen en la relacin lineal entre la variable predictora y el criterio. Formalmente, es posible utilizar la ecuacin de una recta para explicar los efectos que producen sobre la variable dependiente (Y) los cambios en la variable predictora (X). Por ejemplo, en la siguiente ecuacin,

a bX

Los parmetros a y b permiten estimar los valores de Y asociados a los valores de X:

Y
De este modo,
X Y 0 2 1 5 2 8

2 3X

3 11

4 14

5 17

6 20

- 239 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Como se aprecia en la tabla el incremento en 1 unidad de X produce un incremento de 3 unidades en Y.

10.1 Figura. Ecuacin de la recta

La interpretacin de los parmetros de la recta es clara a travs de la figura anterior: a. El parmetro a viene definido por el valor en la ordenada cuando la variable predictora es 0. En nuestro caso, a=2. Es el punto de corte de la recta en la ordenada. b. El parmetro b indica la pendiente de la recta y representa el incremento en la variable dependiente asociado al cambio de una unidad en la variable independiente (b=3).

10.1.2 Relaciones entre variables en las ciencias sociales

Cuando el objetivo del investigador es profundizar en las relaciones observadas entre dos variables el primer paso es seleccionar el modelo adecuado para ello. El objetivo es resumir la informacin en un modelo matemtico. Para ello es habitual seguir una pauta que comienza con la recogida de datos (X e Y), y representar por medio de un diagrama de dispersin la distribucin de ambas. La informacin recogida grficamente es fundamental como fuente de informacin que gua la eleccin del modelo adecuado. En un diagrama de

- 240 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ dispersin puede apreciarse la relacin entre variables, y el sentido e intensidad de la misma.

10.2 Figura. Diagramas de dispersin para dos variables

En la figura anterior se muestran cuatro modelos diferentes de relacin entre variables. En la primera la relacin es lineal y positiva, a medida que se incrementan los valores de X se incrementan los valores de Y. La segunda representacin muestra una relacin lineal, intensa y negativa. A incrementos de X decrementos de Y. El tercer diagrama muestra la ausencia de relacin entre X e Y; los valores no parecen ajustarse a un patrn definido que pueda explicar su relacin. El cuarto diagrama muestra una relacin intensa y clara entre X e Y; sin embargo esta relacin no es lineal.

10.1.3 Estimacin de la recta de regresin

La estimacin de la recta de regresin tiene como objetivo ajustar una recta a la nube de puntos derivada de la representacin grfica de dos variables de modo que explique el mximo de la variabilidad observada en la variable criterio. Entre todas las posibles rectas que pueden ajustarse a la nube de puntos - 241 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ buscamos aquella que genere el mnimo de errores de pronstico al predecir los valores de Y a partir de los valores de X.

Criterio (Y)

Y=a+bX

Y Y
i i

e
i

Y=a+b X

Test (X)

X
i

10.3 Figura Regresin simple

Supongamos que un sujeto obtiene una puntuacin Xi en un test, y una puntuacin Yi, en el criterio. En el plano de la figura anterior puede apreciarse el punto (Xi, Yi). Si la relacin entre X e Y es lineal es posible ajustar una recta que explique esa relacin. Sin embargo, el ajuste de la recta nunca ser perfecto y siempre habr desviaciones entre los valores pronosticados (Yi) y los obtenidos (Yi). Esas desviaciones son errores de estimacin que el modelo elegido intentar minimizar. El procedimiento de estimacin utilizado es la estimacin mnimo cuadrtica que minimiza el cuadrado del errores,
N i 1

sumatorio de las desviaciones o

SCE

Yi Yi '

Resolviendo esa funcin, los parmetros de la recta de regresin quedaran definidos como:

- 242 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

a Y bX

Cov X , Y
2 X XY

Y X

Donde

X es la media aritmtica de la variable predictora, Y , es la media aritmtica de la variable criterio,


es la correlacin entre X e Y, y X Y, son las desviaciones estndar del predictor y del criterio Cov (X,Y), es la covarianza entre el predictor y el criterio.
XY,

Conocidos los parmetros de la recta de regresin, puede efectuarse la estimacin puntual de Yi; La recta de regresin puede formularse tambin del siguiente modo:

Yi ' Y

XY

Y X

XY

Y X

Xi

XY

Y X

Xi X

Donde

X es la media aritmtica de la variable predictora, Y , es la media aritmtica de la variable criterio,


es la correlacin entre X e Y, y Y, son las desviaciones estndar del predictor y del criterio Cov (X,Y), es la covarianza entre el predictor y el criterio
X XY,

La ecuacin de regresin puede obtenerse a partir de puntuaciones diferenciales o tpicas:

yi' bxi

y xy x

xi

Donde xi es la puntuacin diferencial en la variable predictora, XY, es la correlacin entre X e Y, X y Y, son las desviaciones estndar del predictor y del criterio

- 243 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

z 'y

XY X

Donde xi es la puntuacin tpica en la variable predictora, XY, es la correlacin entre X e Y,

10.1.4 Error tpico de estimacin

El error de estimacin es la diferencia entre el valor pronosticado (Y) y el valor obtenido (Y) y su desviacin se conoce como error estndar de estimacin (
Y X).

YX

2 XY

Donde

es el error estndar de estimacin, , es la correlacin entre X e Y XY , es la desviacin estndar de la variable criterio. Y


YX

Si en lugar de puntuaciones directas se utilizaran puntuaciones tpicas el error estndar de estimacin se expresara del siguiente modo:

ZY ' Z X

2 XY

Donde

error de estimacin en puntuaciones tpicas correlacin entre X e Y. XY


ZY ZX

10.1.5 Estimacin del criterio

El error estndar de estimacin permite estimar un intervalo de probabilidad en torno al valor pronosticado con un nivel de confianza predeterminado. Para ello se asume que el error estndar de estimacin se ajusta a una distribucin normal, que adems es homocedstica, es decir, equivalente para todo el continuo de valores de la variable predictora (X). El proceso seguira el procedimiento habitual de estimacin:

- 244 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 1.- Determinar el nivel de confianza (1- ). Es habitual fijarlo en 95% o 99% ( =0,05 y =0,01). Dada la simetra de la distribucin normal los valores Zk absolutos correspondientes a /2 y (1- /2) son los mismos. Las reas estn limitadas por los valores crticos zc= 1,96 y zc= 2,58. 2.- Estimacin del error mximo. Para ello es suficiente multiplicar el valor crtico (Z /2) por el error tpico de medida.

EMax

ZK

3.- Lmites del intervalo para Y. Los lmites del intervalo se obtendrn aadiendo y sustrayendo el error mximo a la puntuacin emprica correspondiente.

LSup Yi ' EMax

Linf Yi ' EMax


Donde Lsup y Linf son los lmites superior e inferior del intervalo para la puntuacin verdadera.

10.1.6 Descomposicin de la varianza y coeficiente de determinacin

La estimacin mnimo cuadrtica ajusta una recta a la nube de puntos, la recta que genera la mnima desviacin de los errores cuadrticos. Sin embargo, el ajuste de la recta no garantiza que el modelo sea correcto para la interpretacin de los datos; es necesario analizar el ajuste entre el modelo y los datos por medio de ndices construidos con ese fin. Segn el modelo de regresin simple la puntuacin criterio (Y) se descompone en dos componentes; la puntuacin pronosticada (Y) y el error o desviacin (e).

- 245 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

e Y' Y o Y Y' e
Dado que la correlacin entre ambos elementos es nula (
2 y )

ye

=0), la

varianza de la variable compuesta Y es igual a la suma de las varianzas de sus componentes. Es decir, la varianza de la variable criterio ( la varianza derivada del modelo de regresin ( desviaciones o errores de estimacin (
2 y.x ). 2 y )

se descompone en

y la varianza debida a las

2 Y

2 Y'

2 YX

Utilizando el esquema ofrecido por el anlisis de varianza podramos resumir la informacin acerca de las fuentes de variacin en los datos por medio del modelo general segn el cual DATOS = AJUSTE + RESIDUAL. La variacin total en la respuesta Y se expresara por las desviaciones,

(Yi Y )

Yi ' Y

Yi Yi '

Las puntuaciones individuales varan en torno a su media a causa de la variacin dentro de la subpoblacin de respuestas para un valor determinado de Xi. Esta variacin est representada por los residuales Yi-Yi (diferencias entre el valor real y el pronosticado) que registran la dispersin de las observaciones en torno a la recta ajustada y por las diferencias asociadas a que las puntuaciones Yi corresponden a diferentes valores de la variable predictora X. El valor ajustado Yi estima la media de respuesta para un valor determinado Xi especfico. Las diferencias de estos valores respecto a la media reflejan la variacin en la media de respuesta debida a las diferencias en Xi. La desviacin global de cualquier Yi respecto a la media es la suma de esos dos componentes de desviacin.

- 246 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Si se elevan al cuadrado cada una de las tres desviaciones y se suman para las N observaciones, se obtiene:
2 2

(Yi Y )2 (1)

Yi ' Y (2)

Yi Yi ' (3)

Los trminos (1), (2) y (3) son las sumas de cuadrados total, del modelo y del error respectivamente; SCT=SCM+SCE. El trmino error indica las desviaciones a la recta y se traduce como residuales o fuente de variacin no explicada. Esta particin de la variacin de los datos en dos fuentes es el ncleo del anlisis de varianza. Los grados de libertad asociados con cada suma de cuadrados son N-1 para la suma de cuadrados total y 1 y N-2 para la suma de cuadrados del modelo y del error respectivamente. Se relacionan aditivamente:

glt

glm gle .
Para cada fuente, la razn entre la suma de cuadrados y los grados de

libertad es la media cuadrtica (MC). La media cuadrtica total MCT, se correspondera con la varianza muestral. La media cuadrtica del error MCE sera el estimador de
2

, la varianza en torno a la recta de regresin.

La hiptesis nula Ho :

0 puede ponerse a prueba mediante la

comparacin de MCM con MCE, con el estadstico F.

MCM MCE

Cuando Ho es verdadera, este estadstico sigue una distribucin F con 1 grado de libertad en el numerador y N-2 grados de libertad en el denominador, que son los grados de libertad correspondientes a MCM y MCE.
1

Cuando

0 , MCM tiende a ser alto en relacin con MCE. Por tanto valores altos de

F proporcionan evidencia contra Ho y en favor de la hiptesis alterna. Este test

- 247 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ es equivalente al test t para el parmetro 0 aunque es preferible el primero porque permite plantear hiptesis alternas bilaterales. La tabla ANOVA para la regresin simple sigue el siguiente formato estndar: Fuente Modelo Error Total Grados de libertad 1 N-2 N-1 Sumas cuadrados de
2

Media cuadrtica SCM/glm SCE/gle SCT/glt

F MCM/MCE

Yi ' Y Yi Yi '
(Yi Y )2

Coeficiente de determinacin La descomposicin de la varianza es el origen de un ndice adimensional, el coeficiente de determinacin, que expresa el porcentaje de variabilidad de la variable criterio que es explicada por la variable predictora.
2 Y 2 Y 2 Y' 2 Y 2 YX 2 Y

El primer componente de la descomposicin anterior es el coeficiente de determinacin, R2. Cuando la relacin entre X e Y es perfecta, es decir, en ausencia de errores, el coeficiente de determinacin alcanzar el valor 1. Este coeficiente es el ndice ms utilizado en la determinacin del grado de aplicabilidad del modelo.
2 y' 2 y

R2

SCE SCT

- 248 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

R2 1

2 YX 2 y

Los lmites del coeficiente de determinacin son 0 y 1. Cuando la relacin entre dos variables es lineal, el coeficiente es equivalente al cuadrado de la correlacin de Pearson entre las variables ( coeficiente de determinacin.
2 XY ).

A medida que aumenta la

dispersin de los valores en torno a la recta de regresin disminuir el valor del

R2

2 XY

Adems del coeficiente de determinacin en el marco de la teora clsica de tests se han desarrollado varios ndices de adecuacin que son menos utilizados; entre ellos. Coeficiente de alienacin

2 XY

YX Y

Coeficiente del valor predictivo

E 1

2 xy

10.1.7 Modelo lineal

El modelo de regresin simple se construye sobre el modelo lineal que asume adems del carcter lineal de la relacin entre dos variables los siguientes supuestos: a.-La esperanza matemtica de los errores es 0

- 249 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

E(eij ) 0
b.- Homocedasticidad. La variabilidad observada en torno a la recta de regresin es constante para todos los valores de la variable predictora; es decir,
2 Y Xi o 2 e

son constantes.

c.- Independencia entre los errores y los valores observados.

E(eij , eih ) 0, j h
El conjunto formado por esas tres asunciones son conocidas como las condiciones de Gauss-Markov. d.- Normalidad de la distribucin. Aunque este supuesto no afecta a la estimacin mnimo cuadrtica es importante evaluarlo cuando el objetivo es la inferencia.

Yij ~

Y Xj

2 Y Xj

eij ~ N 0,

2 e

10.2 Regresin simple con Rcommander

Como ejemplo de regresin simple se intentar predecir la Insatisfaccin corporal a partir de la variable predictora Baja Autoestima. Para ello trabajaremos nicamente con una submuestra formada por mujeres y aplicaremos el modelo de regresin lineal segn la siguiente secuencia: Estadsticos > Ajuste de modelos > Regresin Lineal. En la ventana de dilogo que nos abre esta opcin se seleccionaran la variable predictora o explicativa (Baja autoestima BA-) y la variable explicada o variable criterio (Insatisfaccin corporal IC-). La ventana Expresin de seleccin se cumplimentar con la condicin deseada; Expresin de - 250 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ seleccin: Junto a estas especificaciones Rcommander solicita que se asigne un nombre al modelo Introducir un nombre para el modelo. Nosotros lo denominamos BA.IC.

10.4 Figura. Regresin simple

Esos argumentos generan la siguiente funcin en la ventana de comandos, lm (linear model). El smbolo ~ puede interpretarse como IC explicada por medio de BA.
lm(formula = IC ~ BA, data = Edi.data, subset = SEXO == "chica")

En su forma ms simple la funcin lm ofrece la siguiente salida.

Residuals: Min -18.9052 1Q -6.8379 Median -0.3772 3Q 6.1621 Max 25.7014

Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) BA --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 8.3772 1.4607 0.6516 0.1036 12.86 14.10 <2e-16 *** <2e-16 ***

Residual standard error: 8.548 on 446 degrees of freedom

- 251 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
(69 observations deleted due to missingness) Multiple R-squared: 0.3084, Adjusted R-squared: 0.3068 F-statistic: 198.9 on 1 and 446 DF, p-value: < 2.2e-16

En primer lugar se ofrece informacin sobre la distribucin de los residuales (Residuals). Por definicin la media aritmtica de los errores es 0 y segn la salida de resultados la mediana de la distribucin no se aleja de ese valor (-0,37). Adems se ofrece informacin sobre el primer y el tercer cuartil de la distribucin que en valores absolutos y dada la simetra de la distribucin han de ser equivalentes. Los cuartiles estimados son -6,8 y 6,16. A continuacin se ofrecen las estimaciones de los parmetros de la recta de regresin (Coefficients). El valor interceptal o parmetro a es (Intercept) 8,37 y la pendiente de la recta es 1,4607. Segn esos parmetros la recta de regresin vendra dada por, IC = 8,37 + 1,46 BA Junto a los parmetros estimados se ofrecen los errores de estimacin para cada parmetro (Std. Error), los valores t asociados (t value) y sus correspondientes probabilidades (Pr(>|t|)). Los asteriscos junto a los valores ayudan a la interpretacin de los niveles de significacin, que vienen explicados al final de la tabla de coeficientes; por ejemplo un asterisco significa que el nivel de significacin se sita entre los valores 0,01 y 0,05. Rcommander ofrece tambin el error estndar de estimacin (Residual Standard Error), que se utiliza para la determinacin de intervalos de probabilidad en torno a la puntuacin pronosticada. Para ello es suficiente aplicar la siguiente frmula, Y Z SYX

- 252 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Por ejemplo, una chica con un nivel de autoestima de 12 puntos se le estimara una puntuacin en la variable Insatisfaccin corporal igual a, Y=8,37+1,46 12=25,89 Es una estimacin puntual. Con un nivel de confianza del 95% se podra afirmar que la puntuacin en Insatisfaccin Corporal de esa persona se encuentra en el intervalo 25,891,96 8,548. Si se quisieran generar intervalos de probabilidad para cada uno de los sujetos bastara con crear dos nuevas variables que marcaran los lmites superior e inferior del intervalo tal y como se ha mostrado en la estimacin de la puntuacin verdadera. La salida informa que ha habido 69 casos excluidos de los anlisis por presentar valores faltantes en alguna de las variables implicadas en el modelo. El coeficiente de determinacin del modelo, Multiple R squared es 0,3084, lo cual significa que la baja autoestima pronosticara un 30,84% de la insatisfaccin corporal. Por ltimo Rcommander ofrece el estadstico F que evala la hiptesis nula de que el coeficiente de regresin sea 0. En el caso de la regresin simple este test no aporta informacin alguna al test de Student ejecutado para el parmetro de regresin. De hecho, F es el cuadrado de t 198,9 =14,102. Esta igualdad se cumple en todos los modelos con 1 grado de libertad. Para obtener una representacin grfica del modelo (dispersin y recta de ajuste) la opcin sera Grficas > Diagrama de Dispersin

- 253 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
40 IC 0
0

10

20

30

10 BA

15

20

10.5 Figura. Baja autoestima e Insatisfaccin Corporal

Rcommander ofrece adems intervalos de probabilidad para los parmetros de cualquier modelo; para ello basta seleccionar de la barra de mens la opcin Modelos>Intervalos de confianza, y especificar en la ventana de dialogo que se abrir, el nivel de confianza deseado.
2.5 % BA 97.5 %

(Intercept) 6.971232 9.571538 1.278205 1.690892

10.3 Regresin mltiple 10.3.1 Modelo

La prediccin de variables en el campo de las ciencias sociales es un proceso complejo en el que intervienen un conjunto de variables predictoras cuyo peso en el pronstico es necesario evaluar. Ese es el objetivo del modelo de regresin mltiple, pronosticar los valores en una variable (la variable dependiente o variable criterio) a partir de un conjunto de variables predictoras por medio de un modelo entre cuyos parmetros se establece una relacin lineal. En un modelo de regresin mltiple intervienen los siguientes elementos: - 254 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Variable criterio o variable a predecir (Y). Es la variable dependiente. Variables predictoras (X1, X2, X3,, Xk). Pesos o ponderaciones (B1, B2, B3,Bk): Cuantifican el peso de las variables predictoras sobre la variable criterio. Esos elementos definen la ecuacin de prediccin de la regresin mltiple que podra expresarse del siguiente modo:

B0 B1 X1 B2 X 2 B3 X3 ... Bk X k

Donde Y es el criterio, , error de prediccin, B, los parmetros del modelo (pesos) Xi, variables predictoras.

En funcin del modelo el valor de un sujeto en la variable criterio dependera de K variables predictoras, K+1 pesos de regresin (B), y un error aleatorio ( ). Utilizando el algebra matricial el modelo podra expresarse del siguiente modo:

Y XB
Donde Y es el vector de puntuaciones de dimensiones (N 1), X, es la matriz de puntuaciones de las variables predictoras, de dimensiones N (K+1), en la que la primera columna est formada por 1. B, es el vector de parmetros del modelo de dimensiones ((K+1) 1) y , es el vector de errores aleatorios (N 1).

Es decir,

- 255 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

Y1 Y2 . . . YN 1 X11 1 X 21 X

1 2

. . .
N

B0 B1 . . . Bk

X12 X 22

X1k X 2k

1 X N1 X N 2

X Nk

En el caso de N sujetos y 2 variables predictoras necesitaramos N ecuaciones,

Y1 Y2 . . . YN

1 X11 X12 1 X 21 X 22 . . . . . . . . . 1 X N1 X N 2

B0 B1 B2

. . .
N

Una para cada sujeto,

Y1 B0 B1 X11 B2 X12 Y2 B0 B1 X 21 B2 X 22

1 2

YN

B0 B1 X N1 B2 X N 2

Cuando el modelo general es estimado en una muestra, la ecuacin de regresin se representa del siguiente modo,

- 256 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

y=Xb+e
Donde y es el vector criterio, e, es el vector residual, b, es la matriz de pesos estimados X, es la matriz de variables predictoras.

10.3.2 Supuestos

Los supuestos del modelo de regresin mltiple hacen referencia a los residuales, y dada la relacin entre estos y la variable criterio pueden ser expresados en funcin de sta ltima: a.- La linealidad es el supuesto principal del modelo. Las medias aritmticas de Y son una funcin lineal de los parmetros del modelo. En la representacin siguiente la figura de la izquierda cumple el supuesto de linealidad y la figura de la derecha no.

Y X1 , X 2 ,... X k

X1

X 2 ...

Xk

10.6 Figura. Regresin mltiple. Linealidad

Y Y

Y Y

XX XX X X X X 3 3 2 2 1 1 b.- Homocedasticidad: Para todo X las varianzas de Y son iguales, 1 2 3 1 2 3

2 Y X1 , X 2 ,..., X k

- 257 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ c.- Independencia: Cualquier yi de Y es independiente de cualquier otro yj. d.- Normalidad: Para cada X la distribucin de valores de Y es normal.

Y~N

Y X1 , X 2 ,..., X k

Todos estos supuestos pueden resumirse en la siguiente especificacin expresada en trminos del error:
2

~ Nk 0,

Ik

Es decir, los errores siguen una distribucin normal de orden k, donde la media es un vector nulo (E( )=0) y la matriz de varianzas-covarianzas es (
2

IN), siendo IN una matriz identidad de orden N. En esa matriz los elementos fuera de la diagonal son 0 (las covarianzas entre errores son 0), ya que los errores son independientes, y los elementos de la diagonal principal (varianzas de error) son iguales (homocedasticidad). Si en lugar de por medio de los errores exponemos los supuestos del modelo de regresin mltiple en funcin de la variable criterio, obtendramos

Y NN X, 2IN

10.3.3 Estimacin de los parmetros

El mtodo de estimacin de parmetros por mnimos cuadrados minimiza el cuadrado de los errores de estimacin. Segn este procedimiento de estimacin la ecuacin matricial de obtencin del vector de parmetros sera:

- 258 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

b
Donde columna

X'X

X'y

b es el vector de pesos estimados, X, es la matriz sujetos variables predictoras con unos en la primera X, es la matriz transpuesta de X (XX)-1, es la matriz inversa de (XX) y, es el vector de puntuaciones en la variable criterio.

La ecuacin de prediccin viene dada por,

y' Xb
Y el vector de residuales,

e y Xb
Si se utilizan puntuaciones diferenciales en lugar de puntuaciones brutas, el parmetro B0 es 0 y la ecuacin de prediccin se expresara como:

b = C-1 xxCxy
Donde b, es el vector de pesos, Cxx-1, es la inversa de la matriz de varianzas-covarianzas de las variables predictoras Cxy, es el vector de covarianzas entre las variables predictoras y el criterio.

La utilizacin de puntuaciones estandarizadas por su parte, situara a todas las variables en la misma escala facilitando as la interpretacin de los pesos, a los que se suele referir como pesos estandarizados :

1 R xx R xy

Donde

es el vector de pesos estandarizados Rxx 1, es la inversa de la matriz de correlaciones entre variables predictoras, Rxy, es el vector de correlaciones entre las variables predictoras y el criterio.

10.3.4 Descomposicin de la varianza

- 259 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En el modelo de regresin lineal simple el test F de la tabla ANOVA es equivalente al test bilateral t de hiptesis respecto de
1.

En el caso de la

regresin mltiple tambin hay un test F de ANOVA pero pone a prueba la hiptesis de que todos los coeficientes de regresin (a excepcin del intercepto) son 0. La forma general de la tabla ANOVA para la regresin mltiple es la siguiente: Fuente Modelo Error Total Grados de libertad K N-K-1 N-1 Sumas cuadrados de
2

Media cuadrtica SCM/glm SCE/gle SCT/glt

F MCM/MCE

Yi ' Y Yi Yi '
(Yi Y )2

Los grados de libertad del modelo se incrementan de 1 a K reflejando el hecho de que se cuenta con K variables explicativas. En consecuencia los grados de libertad del error disminuyen en la misma cantidad. Las sumas de cuadrados representan fuentes de variacin. De nuevo se cumple que tanto las sumas de cuadrados como los grados de libertad son aditivos (SCT=SCM+SCE y glt=glm+gle).. El estimador de la varianza 2para nuestro modelo de nuevo viene dado por MCE de la tabla ANOVA; s2=MCE. La razn MCM/MCE es un estadstico F que sirve para verificar la hiptesis nula

Ho :
Contra la hiptesis alterna

...

H1 : al menos un

es distinto de cero

- 260 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La hiptesis nula mantiene que ninguna de las variables explicativas son predictoras de la variable respuesta. La alternativa establece que al menos una de ellas est linealmente relacionada con la repuesta. Como en la regresin simple, valores altos de F proporcionan evidencia contra Ho . Cuando Ho es cierta, F sigue una distribucin F(K,N-K-1). Sus grados de libertad son los asociados con el modelo y el error de la tabla ANOVA.

10.3.5 Coeficiente de determinacin mltiple

El coeficiente de determinacin es el indicador ms utilizado para la evaluacin del ajuste del modelo y por tanto para la evaluacin de su aplicabilidad. Se obtiene a partir de la descomposicin de la varianza en sumas de cuadrados, siendo el coeficiente de determinacin igual al primer sumando de la descomposicin:

SCT SCT

SCM SCT

SCE 1 SCT

Se interpreta como la proporcin de varianza estimada en el criterio por todas las variables implicadas en la prediccin; Sus valores estn limitados por el mximo terico de 1 y el mnimo terico de 0.
2

SCM SCT

Yi ' Y

(Yi Y )2

Tambin se puede expresar el coeficiente de determinacin en funcin de la varianza de error,

R2 1

SCE SCT

- 261 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ En el modelo de regresin mltiple el valor del coeficiente de determinacin es igual al cuadrado del coeficiente de correlacin mltiple entre las variables predictoras y el criterio. La representacin matricial del coeficiente de determinacin vendra dada por:

R2

2 y' y

b ' Cxy 2 Sy

' R XY

Donde b es la matriz transpuesta de los pesos de las variables predictoras, Cxy, es el vector de covarianzas entre las variables predictora y el criterio, S2y, es la varianza de la variable criterio , es el vector transpuesto de pesos beta Rxy, es el vector de correlaciones entre las variables predictoras y el criterio.

La correlacin mltiple o raz cuadrada del coeficiente de determinacin, siempre tendr valores positivos (0 R2yy 1), y puede interpretarse como el coeficiente de validez de un conjunto de variables tests- predictoras. Su valor nunca ser menor que el coeficiente de correlacin de cualquiera de las variables predictoras con el criterio.

R y'y

max rYj

El coeficiente de determinacin ajustado El coeficiente de determinacin es muy sensible al nmero de variables predictoras; a medida que aumentan stas lo hace su valor. Para compensar esa caracterstica se utiliza el coeficiente de determinacin corregido o ajustado. El coeficiente de determinacin ajustado tiene en cuenta el tamao de la muestra y el nmero de variables independientes. El coeficiente de determinacin ajustado es especialmente til para comparar modelos con diferente nmero de observaciones o variables independientes y su aplicacin es especialmente aconsejada en los estudios que incluyen tamaos muestrales reducidos. Su frmula en funcin de R 2 es:

- 262 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

2 aj

N 1 1 R2 N K 1

Donde R2 es el coeficiente de determinacin N es el nmero de observaciones K el nmero de variables independientes.

Cuando el nmero de observaciones es pequeo o bien el nmero de variables grande, el valor del ajuste Ra 2 incrementndose para n grande o p pequeo. Los coeficientes de determinacin sin corregir y el ajustado tienen el mismo valor cuando el modelo de regresin utilizado es el modelo simple. A medida que aumenta el nmero de variables predictoras el coeficiente ajustado va disminuyendo su valor con relacin al coeficiente no corregido. El coeficiente de determinacin ajustado aumenta a medida que disminuye la varianza residual, lo cual lo convierte en un ndice ms adecuado que el coeficiente de determinacin no corregido.
2 e 2 1 Raj 2 Y

reduce el valor de

R 2,

10.3.6 Inferencias sobre el modelo

Una vez estimados los parmetros de regresin es importante evaluar su significacin estadstica. El estudio de la significacin se lleva a cabo en dos niveles diferentes; el primero evala la significacin de todo el modelo, y el segundo se centra en la significacin de cada uno de los parmetros de regresin estimados. La evaluacin total del modelo descansa en la evaluacin del coeficiente de correlacin mltiple. La hiptesis nula a contrastar iguala a 0 el valor del

- 263 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ coeficiente de correlacin al cuadrado, y se evala por medio de un estadstico que sigue una distribucin F con k y N-1 grados de libertad.
2

Ry ' y N k 1 2 k 1 Ry 'y

Obtener intervalos de confianza para R2 no es sencillo mediante procedimientos analticos; Recientemente se han propuesto procedimientos de remuestreo (Simon, 1969) para obtenerlos (Lpez-Juregui y Elosua, 2004). Significacin de los predictores Se pueden obtener intervalos de probabilidad y tests de significacin para cada uno de los coeficientes de regresin ( i) del modelo estimado. Para cada uno de ellos la hiptesis nula a contrastar sera: H0: i=0 H1:
i

que se verifica por medio del estadstico t que sigue una distribucin de Student con N-K-1 grados de libertad.

bi ESbi

Donde bi es el parmetro de la regresin ESbi es el error estndar del estimador que puede estimarse por medio de,
y bi i 2 1 Ryy ' 1 R N k 1 2 i. y

A partir del valor del parmetro y de su error estndar de estimacin es posible establecer intervalos de probabilidad para los coeficientes de regresin estimados.

- 264 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ 1.- Determinar el valor crtico tc en la distribucin t de Student en funcin del nmero de grados de libertad (N-K-1) y el nivel de confianza prefijado. 2.- Estimar el error mximo. Para ello es suficiente multiplicar el valor crtico (tc) por el error de estimacin.

EMax

tc ESbi

3.- Lmites del intervalo para b. Los lmites del intervalo se obtendrn aadiendo y sustrayendo el error mximo al valor correspondiente.

LSup

bi' EMax

Linf

bi' EMax

Donde Lsup y Linf son los lmites superior e inferior del intervalo para el coeficiente regresor bi.

10.4 Correlacin mltiple con Rcommander

La utilizacin de Rcommander en la estimacin de un modelo de regresin mltiple se ilustrar evaluando un modelo que predice la Insatisfaccin Corporal a partir de las variables Baja Autoestima y Edad. Las opciones a seleccionar de la barra de mens son: Estadsticos>Ajuste de modelos>Regresin Lineal. En este ejemplo la variable pronosticada (criterio) es la insatisfaccin corporal (IC) y las variables predictoras son la edad y la baja autoestima (EDAD, BA). Utilizaremos para el anlisis una submuestra del conjunto de datos formada ntegramente por mujeres.

- 265 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

10.7 Figura. Regresin mltiple con Rcommander

Esas especificaciones llaman a la funcin genrica lm

IC.BAEDAD <- lm(IC~BA+EDAD, data=Edi.data, subset=SEXO=="chica")

En ella se especifica que se desede explicarse la variabilidad en Insatisfaccin Corporal (IC) por medio de 2 variables, la baja autoestima (BA) y la edad (EDAD). El modelo de regresin generar un objeto que ha sido asignado a IC.BAEDAD.

Call: lm(formula = IC ~ BA + EDAD, data = Edi.data, subset = SEXO == "chica") Residuals: Min -19.8991 1Q -6.9437 Median -0.4725 3Q 5.7241 Max 25.0760

Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) BA EDAD --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 3.0660 1.4626 0.3490 2.4562 0.1040 0.1563 1.248 14.066 2.233 0.2126 <2e-16 *** 0.0261 *

- 266 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Residual standard error: 8.522 on 438 degrees of freedom (76 observations deleted due to missingness) Multiple R-squared: 0.3177, F-statistic: Adjusted R-squared: 0.3146 p-value: < 2.2e-16 102 on 2 and 438 DF,

En primer lugar, la salida muestra informacin sobre la distribucin de los residuales para este modelo. Los valores mostrados permiten obtener una primera impresin sobre la simetra de los errores en torno a su valor medio terico. La mediana de la distribucin es -0,4725, y el primer y tercer cuartil de la distribucin tienen como valores -6,9437 y 5,7241. A continuacin se muestran los valores estimados de los coeficientes de regresin (Estimate), su error estndar (Std. Error) y las pruebas de presenten coeficientes significativos al 5%. Los niveles de significacin asociadas (t value; pr(>|t|). Las dos variables incluidas en el modelo significacin para las variables baja autoestima (p<0,001) y Edad (p=0,0278) muestran que su inclusin en el modelo aporta informacin relevante sobre la variable a pronosticar. Es importante interpretar correctamente el significado de las pruebas para cada coeficiente. El valor t ofrece informacin sobre el cambio sufrido por el modelo si se elimina el efecto de la variable que se est evaluando y se deja el resto de variables tal y como estn definidas en el modelo. La prueba t no permite evaluar la significacin de las variables en un supuesto modelo reducido. El contraste de la hiptesis nula se efecta utilizando el estadstico t.

bi ESbi

1,46 14,6 0,10

Para estimar un intervalo de probabilidad para los parmetros estimados se utiliza (bj tcESbj). Donde ESb j es el error de estimacin del parmetro y tc es el valor crtico de la distribucin de Student con (N-K-1) grados de libertad - 267 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ (Nmero de sujetos- variables predictoras-1). El intervalo de probabilidad para el estimador de la Baja Autoestima sera: 1,462+1,64 0,1040=1,460,17 Para obtener el valor crtico de la distribucin de Student (1,64) en Rcommander la opcin es Distribuciones>Distribuciones continuas>Distribucin t>Cuantiles t, en ella se seleccionar al nivel de confianza (0,95) y se especificaran los grados de libertad (517chicas-76 valores faltantes-2 variables predictoras - 1=497). Es posible obtener los intervalos de probabilidad directamente en Rcommander fijando el nivel de confianza deseado en la ventana que se abrir utilizando las opciones Modelos>Intervalos de confianza.

> Confint(IC.BAEDAD, level=.95) 2.5 % BA EDAD 97.5 % (Intercept) -1.76143597 7.8935052 1.25823896 1.6669811 0.04179919 0.6561753

Por otro lado la evaluacin conjunta del modelo es significativa (F(2,4355) = 103,1; p<0,001)) es decir la informacin aportada por las variables incluidas permite predecir la variabilidad mostrada en la Insatisfaccin corporal. Es importante combinar la informacin ofrecida por las pruebas de significacin t para cada coeficiente con la tabla ANOVA para la regresin. De hecho, es fundamental estudiar la tabla ANOVA del modelo de regresin mltiple. Para ello las opciones de Rcommander seran Modelos > Test de hiptesis > Tabla ANOVA.

Anova Table (Type II tests)

- 268 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
Response: IC Sum Sq BA EDAD Residuals --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 14369 362 Df 1 F value Pr(>F) 1 197.8417 < 2e-16 *** 4.9855 0.02606 *

31811 438

La informacin aportada reitera en este caso el resultado anterior. La incorporacin de las dos variables predictoras es relevante en el pronstico de la variable dependiente Insatisfaccin Corporal. Con las estimaciones efectuadas se puede reflejar la ecuacin de prediccin del siguiente modo: IC=3,06+1,46 BA+0,34 EDAD De acuerdo al modelo, el valor pronosticado en Insatisfaccin Corporal a una chica de 13 aos que tiene un nivel de autoestima igual a 13, sera IC=3,06+1,46 5+0,34 13=14,78

El valor del coeficiente de determinacin (Multiple R squared) del modelo estimado es 0,3177 y el coeficiente de determinacin ajustado (Adjusted R-squared) tiene un valor de 0,3146.

10.4.1 Diagnsticos del modelo de regresin

Rcommander incorpora varias funciones grficas de gran utilidad en el estudio del cumplimiento de los supuestos en que se basa la regresin mltiple.

- 269 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Para acceder a ellos es suficiente seleccionar la opcin Modelos > Grficas>Grficas bsicas de diagnstico.

lm(IC ~ BA + EDAD)
Residuals vs Fitted
Standardized residuals
378 171 113

30

Normal Q-Q
3
171 378 113

20

Residuals

10

-20 -10

-2

457

-1

299
-3 -2 -1 0 1 2 3

10

15

20

25

30

35

Fitted values

Theoretical Quantiles

Scale-Location
Standardized residuals 1.5 Standardized residuals 2 3
378 171 113

Residuals vs305 Leverage

299

1.0

0.5

-3 -2 -1

305

0.0

Cook's315 distance 0.00 0.01 0.02 Leverage 0.03

10

15

20

25

30

35

Fitted values

10.8 Figura. Diagnstico grfico del modelo de regresin

Residuos y valores ajustados (Residuals vs Fitted) Muestra el diagrama de dispersin referido a los modelo y a los valores valores pronosticados por el residuales. La existencia de patrones no-

aleatorios podra indicar correlaciones significativas entre el modelo y los residuales lo cual incumplira una de los supuestos del modelo de regresin. Normalidad de los residuos (Normal QQ) La distribucin normal de los errores puede evaluarse por medio del plot de cuantiles de los

- 270 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ residuales. Los puntos en la grfica deberan de caer sobre la lnea QQ si los residuales se ajustaran a una distribucin normal. En este caso parece apropiada la asuncin de normalidad. Los puntos que se desvan de la hiptesis son representados con etiquetas que los identifican. Escala-posicin (Scale-Location). Representa los valores

ajustados frente a la raz del valor absoluto de los residuos. A diferencia de la primera grfica en esta se analizan los valores absolutos de los residuos para analizar su magnitud independientemente de su sentido, y se estudian sus races con el objetivo de disminuir la asimetra. Facilita el estudio de la homocedasticidad. Distancias de Cook (Residuals vs Leverage). til para

analizar la influencia de los datos en la estimacin de los parmetros del modelo. La distancia de Cook refleja la influencia de cada uno de los valores de la muestra y ofrece la distancia por la que el vector de parmetros estimados se movera si ese valor se quitara de los datos.

10.4.2 Representacin grfica de distribuciones multivariadas

El estudio de la distribucin conjunta de variables es una herramienta de anlisis exploratorio muy til que ofrece un apoyo ineludible en la determinacin de cualquier modelo matemtico. Para ello Rcommander ofrece la opcin Matriz de diagramas de dispersin dentro del men Grficas. La ventana a la que se accede por medio de esa seleccin permite seleccionar las variables de inters,

- 271 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

10.9 Figura. Matriz de distribuciones

Esas especificaciones producen que Rcommander llame a la funcin grfica scatterplot.matrix:

scatterplot.matrix(~BA+EDAD+IC, span=0.5, diagonal = subset=SEXO=="chica")

reg.line=FALSE, 'density',

smooth=FALSE, data=Edi.data,

- 272 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________
10 15 20 25
20

| | | | | | | | |
25

| | | | | |

| |

EDAD
20

10

15

| | | | | | | | | | | | | |

|
40

||||||||| |||||||||| ||||||||| ||||||||| |||| 0 5 10 15 20 0 10 20 30 40

10.10

Figura. Matriz de diagramas de dispersin

La diagonal principal de la matriz de grficas de dispersin est ocupada por los grficos de densidad de cada una de las variables de inters (Baja Autoestima, Edad e Insatisfaccin Corporal). Se aprecia el carcter sesgado de las distribuciones de las variables baja autoestima e Insatisfaccin Corporal. El resto de grficos muestran las distribuciones bivariadas entre todos los pares posibles definidos con las 3 variables.

- 273 -

10

20

30

IC

10

15

BA

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

11 Interpretacin normativa de puntuaciones. Baremos

La puntuacin emprica obtenida en un test no puede ser interpretada en trminos absolutos en tanto en cuanto las escalas a partir de las cuales se obtienen las puntuaciones no tienen un 0 absoluto; Que se puede inferir de la informacin contenida en el siguiente enunciado? Javier obtuvo 16 puntos en una prueba de razonamiento lgico. Nada; no podemos inferir nada sin tener ms informacin sobre la escala utilizada. La puntuacin 16 slo tiene sentido, referida al test a partir del cual se obtuvo, y con referencia a la muestra (grupo normativo) en la que se estandariz el test. Slo con ambas referencias (test y grupo) podremos concluir si la puntuacin 16 se sita por encima o por debajo de la media aritmtica del grupo, o podremos conocer a cuantas desviaciones estndar por encima o por debajo de la media se sita el valor 16; de hecho, la media aritmtica y la desviacin estndar se consideran el punto 0 y la unidad de medida de la escala. La transformacin de puntuaciones engloba el conjunto de

procedimientos o medidas encaminadas a situar la puntuacin individual con referencia al grupo, y as definir un contexto para la interpretacin de las puntuaciones. Para ello se transforman las escalas primarias o escalas brutas (Petersen, Kolen y Hoover, 1989) para que los valores obtenidos puedan ser interpretados sin hacer referencia a parmetros de escala. Bsicamente, los tipos de transformacin son dos; transformaciones lineales y transformaciones nolineales.

11.1 Transformaciones lineales

- 274 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La transformacin lineal aplicable a cualquier valor o escala est sujeta a la siguiente ecuacin. En ella se definen los parmetros de transformacin, a y b, que se corresponderan correlativamente con la media aritmtica y la desviacin estndar de las nuevas escalas o escalas transformadas.

Yi

a bX i

donde a y b son los parmetros de la transformacin lineal

a Y X

SY SX

Como consecuencia de una transformacin lineal la forma de la distribucin original no sufre ningn tipo de alteracin; si fuera normal en origen seguira siendo normal tras la transformacin, y si estuviera sesgada la distribucin transformada tambin lo estara. Escalas tpicas Las transformaciones lineales tpicas, convierten las puntuaciones brutas en puntuaciones estndar o puntuaciones z o puntuaciones tpicas (la literatura las reconoce de cualquiera de las tres formas). Las escalas estndar, tienen una media aritmtica de 0 y una desviacin estndar de 1 y poseen una relevancia especial en las ciencias sociales. A partir de los parmetros de transformacin (0,1) es fcil obtener el valor z correspondiente a una puntuacin bruta.

zi

Xi X SX

Donde zi es la puntuacin estndar derivada de la puntuacin emprica i, Xi, puntuacin emprica,

X , media aritmtica de la escala primaria Sx, desviacin estndar de la escala primaria

- 275 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Escala tpica derivada Los valores negativos de las escalas tpicas (dado que el punto medio de la escala es 0, la mitad de los valores son negativos) son a veces difciles de interpretar por personas no especializadas ni habituadas a trabajar con este tipo de escala. Con el fin de solventar este inconveniente es habitual utilizar escalas derivadas con medias aritmticas y desviaciones estndar prefijadas. Partiendo de las puntuaciones estndar, el proceso de transformacin consistira en aplicar la siguiente ecuacin:

Yi
Donde

zi S

Yi es el valor de escala transformado,

Y , la media aritmtica de la escala destino S, la desviacin estndar de la escala destino.


Aunque los parmetros de escala pueden ser definidos por el investigador, existen varias MMPI o Delta:
Escala T WAIS Standford-Binet MMPI Delta Media aritmtica 50 100 100 50 4
10.1 Tabla. Escalas tpicas derivadas

escalas que gozan de tradicin en la medicin

psicolgica y educativa; entre ellas, las escalas T, WAISS, Standford-Binet,

Desviacin estndar 10 15 16 10 13

11.2 Transformaciones no lineales

- 276 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Adems de las transformaciones lineales, existen otras que siendo montonas crecientes s alteran la distribucin original de las puntuaciones; entre ellas, las ms utilizadas son las puntuaciones centiles y las puntuaciones estndar normalizadas. Centiles o percentiles Es la transformacin ms comn. El valor de una puntuacin centil expresa el porcentaje de la muestra que obtuvo una puntuacin igual o menor a ella. Por ejemplo si a una puntuacin bruta (p.ej. 13) le corresponde el centil 60, podremos inferir que un 60% de la muestra obtuvo una puntuacin menor o igual a 13.

P
Donde

fai

0,5 fi 100 N

fai, La frecuencia acumulada correspondiente a la puntuacin a transformar, fi, la frecuencia correspondiente a la puntuacin a transformar N, nmero de sujetos en la muestra.

Para una correcta interpretacin de los valores percentiles es necesario considerar que sus valores no definen escalas de intervalo, sino de orden, y las diferencias observadas entre las puntuaciones originales no son mantenidas por las escalas percentiles. Puntuaciones tpicas normalizadas A partir de los valores centiles es posible obtener puntuaciones tpicas normalizadas. Basta con relacionar las puntuaciones centiles con los valores z correspondiente al rea de la curva normal que limitan aquellas. Esta transformacin normaliza la distribucin original de las puntuaciones, por ello antes de llevarla a cabo es conveniente analizar la condicin de normalidad de los datos. Si existen diferencias significativas entre ambas (original-normal) esta transformacin no sera aconsejable (Angoff, 1984). - 277 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Puntuaciones normalizadas derivadas Una vez normalizadas las puntuaciones pueden aplicrseles

transformaciones lineales que las conviertan en cualquier otra escala. En la tradicin psicomtrica la escala de estaninos o eneatipos (Flanagan, 1951) es una de las ms utilizadas. Esta escala segmenta el rango de puntuaciones en 9 intervalos de igual amplitud (no frecuencia). Los lmites de los intervalos se fijan de acuerdo a los valores de la distribucin normal
Eneatipos Lmites Percentiles 1 4 2 3 4 -0,75 23-39 5 -0,25 40-59 6 0,25 60-76 7 0,75 77-88 8 1,25 89-95 9 1,75 >95

-1,75 -1,25 5-11 12-22

10.2 Tabla. Eneatipos

La transformacin lineal que generara una escala eneatipo es aquella en que los parmetros de transformacin, es decir, media aritmtica y desviacin estndar, son respectivamente, 5 y 2. Adems de los eneatipos, la escala de decatipos es tambin utilizada como referencia para la interpretacin de puntuaciones en muchos manuales de tests. Tcnicamente es una escala normalizada derivada que divide el intervalo de puntuaciones en 10 categoras, y cuya media aritmtica es 5,5, y su desviacin estndar es 2.

11.3 Baremos con Rcommander

Percentiles La obtencin de valores percentiles con Rcommander es sencilla. La opcin Resmenes Numricos dentro del men desplegable asociado a

- 278 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Estadsticos > Resmenes, permite seleccionar los cuantiles asociados a las distribuciones de las variables continuas activas en el conjunto de datos. Por defecto, Rcommander proporciona los cuantiles de la variable continua, es decir, aquellos valores que dividen a la muestra en cuatro intervalos 0-25-50-75100.

11.1 Figura. Cuantiles de la distribucin

Esas opciones generarn la siguiente lnea en la ventana de comandos:


numSummary(Edi.data[,"IC"], quantiles=c(0,.25,.5, .75,1)) statistics=c("quantiles"),

En la ventana de resultados se recogern los cuantiles de la distribucin de la variable Insatisfaccin Corporal. De acuerdo a los valores mostrados se comprueba que la puntuacin en la variable Insatisfaccin Corporal que deja debajo de ella al 50% de la muestra es 18, y la puntuacin que deja sobre ella al 25% de la muestra es 11; la puntuacin centil correspondiente a la puntuacin bruta 40 es 75.
> numSummary(Edi.data[,"IC"], 0% 0 3 25% 11 50% 18 75% 100% 40 908 n 68 NA statistics=c("quantiles"),

quantiles=c(0,.25,.5,.75,1))

- 279 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ La construccin de baremos sin embargo, exige un nmero de puntuaciones centiles mayores a la opcin por defecto de Rcommander. Aunque no existen reglas a seguir en lo que respecta al nmero de puntuaciones centiles que han de obtenerse, siempre hay que utilizar la norma de que las puntuaciones centiles han de describir a la muestra de la que se extraigan. Es comn utilizar incrementos de 5 o incrementos de 10 en funcin del rango de la puntuacin de la variable de la que se van a obtener las puntuaciones centiles. Para obtener estos valores ser necesario modificar manualmente el comando anterior en la ventana de comandos especificando los cuantiles que se deseen extraer.
numSummary(Edi.data[,"IC"], statistics=c("quantiles"), quantiles=c(0,0.10,0.20,0.25,0.30,0.40,0.50,0.60,0.70,0.75,0.80, 0.85,0.90,0.95,0.99))

La salida adoptar el siguiente aspecto: La puntuacin correspondiente al centil 80 es 21, la asociada al centil 10 es 1, etc.
> numSummary(Datos[,"INSA_COR"], statistics=c("quantiles"), quantiles=c(0,0.10,0.20,0.25,0.30,0.40,0.50,0.60,0.70,0.75,0.80, 0.85,0.90,0.95,0.99))
0% 10% 20% 25% 30% 40% 50% 60% 70% 75% 80% 85% 90% 95% 99% 0 1 2 3 4 7 11 14 17 18 21 24 28 33 37 n 908 NA 68

Las puntuaciones centiles obtenidas de este modo, son utilizadas para describir al total de la muestra. Ahora bien, si existen factores a los que la variable de inters es sensible, es decir, si la variable que queremos describir es significativamente diferente en funcin del sexo, la edad, el estatus socioeconmicoun baremo debera de recoge tal diferenciacin. La correcta interpretacin normativa de una puntuacin emprica debera de ser lo ms prxima al grupo normativo del que proviene la persona que se va a evaluar. En

- 280 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ el caso que nos ocupa, por ejemplo, siendo los valores obtenidos en la variable Insatisfaccin Corporal significativamente diferentes en funcin del sexo bastara con seleccionar la opcin que permite obtener salidas diferentes por grupo en la ventana de especificacin de los descriptivos a obtener:

11.2 Figura. Centiles por grupo

Esas especificaciones generarn puntuaciones percentiles diferenciadas por sexo,


0% 25% 50% 75% chica chico 0 0 7 2 15 23.00 5 12.75 100% 40 37 n NA 481 27 418 41

La orden que produce esa salida es:


numSummary(Edi.data[,"IC"], groups=Edi.data$SEXO,

statistics=c("quantiles"), quantiles=c(0,.25,.5,.75,1))

Para la obtencin de un nmero de valores percentiles mayor sera suficiente aadir en el parntesis de especificacin de cuantiles (quantiles = c (0,.25,.5,.75,1)) los valores deseados separados por comas. Puntuaciones tpicas

- 281 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Las puntuaciones tpicas correspondientes a las puntuaciones empricas se obtienen seleccionando la opcin Tipificar variables perteneciente a las opciones del men Datos>Modificar variables del

conjunto de datos activo.

11.3 Figura. Tipificar variables

Esta opcin permitir seleccionar la variable del conjunto de datos activo que se desee tipificar. La variable creada de este modo es aadida al conjunto de datos activo con un nombre igual a la variable original precedido por la letra Z. Las opciones para la visualizacin o edicin del conjunto de datos permiten comprobar sus valores. Una vez creada la variable, que evidentemente tendr una media aritmtica de 0 y una desviacin estndar de 1, podr modificarse a cualquier escala con media aritmtica y varianza preespecificada con slo escribir en la ventana de comandos la siguiente instruccin. En este caso, la escala de conversin es una escala T (media 50 y desviacin estndar 10).
Edi.data$T.escala <- 50 + (Edi.data$Z.IC*10)

Este comando crea una variable de nombre T.escala que pertenecer al conjunto de datos actual (Edi.data$), a partir de la variable Z.IC que est incluida en el conjunto de datos activo (Edi.data$). Tambin hubiera sido posible crear la variable T.escala a partir de los mens desplegables asociados a Datos>Modificar Variable del Conjunto de

Datos>Calcular una nueva variable, que ha sido explicada en una

- 282 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ seccin anterior. Esta opcin abre una ventana en la que es posible definir el nombre de la variable que se desea crear y la expresin algebraica que la compondr.

11.4 Figura. Escala valores T.

11.5 Figura. Valores tpicos y valores T

Si se quisieran estimar los valores tpicos o transformados de modo diferencial segn el sexo habra que filtrar el conjunto de datos activo (Datos>Conjunto de datos activo > Filtrar el conjunto de datos) para poder ejecutar la orden de tipificacin slo sobre uno de los grupos.

- 283 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________

12 Referencias Bibliogrficas
Ackerman, T. A. (1992). Didactic Explanation of Item Bias, Item Impact and Item Validity from a Multidimensional Perspective. Journal of Educational Measurement, 29(1), 67-91. American Educational Research Association, American Psychological Association, and National Council on Measurement in Education. (1954). Standards for Educational and Psychological Tests and Manuals. Washington, DC: American Psychological Association. American Educational Research Association, American Psychological Association, and National Council on Measurement in Education. (1966). Standards for Educational and Psychological Tests and Manuals. Washington, DC: American Psychological Association. American Educational Research Association, American Psychological Association, and National Council on Measurement in Education (1985). Standards for Educational and Psychological Testing. Washington, DC: American Psychological Association. American Educational Research Association, American Psychological Association, and National Council on Measurement in Education. (1999). Standards for Educational and Psychological Testing. Washington, DC: American Psychological Association. Angoff, W. H. (1984). Scales, Norms and Equivalent Scores. Princeton, New Jersey: Educational Testing Service. Angoff, W. H. (1988). Validity: An Evolving Concept. En H. Wainer y H. I. Braun (Eds.), Test Validity (19-32 pg.). Hillsdale, N.J.: Lawrence Erlbaum Associates. Armor, D.J. (1974). Theta Reliability and Factor Scaling. En H. Costner (Ed.): Sociological Methodology (pp. 17-50). San Francisco: Jossey-Bass. Bagozzi, R. P. (1993). Assessing Construct Validity in Personality Research: Applications to Measures of Self-Esteem. Journal of Research in Personality, 27, 49-87. Becker, R. A., Chambers, J. M. y Wilks, A. R. (1988). The New S Language: A Programming Environment for Data Analysis and Graphics. Pacific Grove, CA: Wadsworth. Berk, R. A. (Eds.). (1982). Handbook of Methods for Detecting Item Bias. Baltimore: John Hopkins University Press. Bloom, B. S. (Eds.). (1956). Taxonomy of Educational Objectives. Handbook I: The Cognitive Domain. New York: McGraw Hill. Bloom, B. S., Hastings, J. T., y Madaus, G. F. (1971). Handbook on Formative and Summative Evaluation of Student Learning. New York: McGraw Hill.

- 284 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Braun, W. J. y Murdoch, D. J. (2007) A First Course in Statistical Programming with R. Cambridge: Cambridge University Press. Browne, M. W. (1984). The Decomposition of Multirait-Multimethod Matrices. British Journal of Mathematical and Statistical Psychology, 37, 1-21. Byrne, B. M. (1989). A Primer of LISREL. New York: Springer-Verlag. Camilli, G., y Shepard, L. A. (1994). Methods for Identifying Biased Test Items. London: Sage. Campbell, D. T., y Fiske, A. W. (1959). Convergent and Discriminant Validation by the Multirait-Multimethod Matrix. Psychological Bulletin, 56, 81-105. Carmines, E. G., y Zeller, R. A. (1979). Reliability and Validity Assessment. London: Sage. Cattell, R. B. (Eds.). (1966). Handbook of Multivariate Experimental Psychology. Chicago: Rand McNally. Cattell, R. B. (1978). The Scientific Use of Factor Analysis. New York. Chambers, J. M. (2007). Software for Data Analysis: Programming with R. New York: Springer. Chambers, J. y Hastie, T. (1992). Statistical Models in S. Pacific Grove, CA: Wadsworth y Brooks/Cole. Clauser, B. E., y Mazor, K. M. (1998). Using Statistical Procedures to Identify Differentially Functioning Test Items. Educational Measurement: Issues and Practice, 18, 31-44. Cole, N. S., y Moss, P. A. (1989). Bias in Test Use. En R.L.Linn (Ed.), Educational Measurement. Third Edition (pg. 201-219 pg.). New York: American Council on Education and Macmillan Publishing Company. Comrey, A. L. (1985). Manual de anlisis factorial. Madrid: Ctedra. Crawley, M. J. (2008). The R book. Chichester: John Wiley y Sons. Cronbach, L. J. (1951). Coefficient Alpha and the Internal Structure of Tests. Psychometrika, 16(3), 297-334. Cronbach, L. J. (1971). Test Validation. En R. L. Thorndike (Ed.), Educational Measurement (443-507 pg.). Washington, DC: American Council of Education. Cronbach, L. J. (1975). Five decades of public controversy over mental testing. American Psychologist, 30, 1-14. Cronbach, L. J. (1980). Validity on pEdole: How can we go straight? New Directions for Testing and Measurement: Measuring Achievement over a Decade. Paper Presented at the ETS Invitational Conference, San Francisco. Cronbach, L. J. (1984). Essentials of Psychological Testing (4 Ed.). New York: Harper. Cronbach, L. J. (1988). Five Perspectives on the Validity Argument. En H.

- 285 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Wainer y H. I. Braun (Eds.), Test Validity (3-18 pg.). Hillsdale, N.J.: Lawrence Erlbaum Associates. Cronbach, L. J., y Meehl, P. E. (1955). Construct Validity in Psychological Tests. Psychological Bulletin, 52, 281-302. Dalgaard, P. (2002). Introductory Statistics with R, Statistics and Computing. New York: Springer. Dorans, N.J. y Kulick, E.(1986). Demonstrating the utility of the Standarization Approach to assessing unexpected Differential Item Performance on the Scholastic Aptitude Test. Journal of Educational Measurement, 23(4), 355-368. Ebel, R. L. (1965). Measuring Educational Achievement. Englewood, N.J.: Prentice-Hall. Elosua, P. (1996). Froga psikologikoen euskaratzean sorturiko alborapenaren araky y baieztapena. Euskal Herria, Donostia. Elosua, P. (2003). Testen euskaratzea. Balizko alborapenaren iturriak. Tantak, 30, 17-38 Elosua, P. (2003). Sobre la validez de los tests. Psicothema, 15(2), 315-321. Elosua, P. (2005). Evaluacin progresiva de la invarianza factorial entre las versiones original y adaptada de una escala de autoconcepto. Psicothema 17(2), 356-362. Elosua, P. (2005). Psikometria. Testen eraky y erabilpena. Bilbao, U.P.V./E.H.U. Elosua, P. (2006). Funcionamiento diferencial del tem en la evaluacin internacional PISA. Deteccin y Comprensin. RELIEVE, 12(2). Elosua, P. (2009). Existe vida ms all del SPSS? Descubre R. Psicothema, 21(4), 652-655. Elosua, P., Hambleton, R. K., y Zenisky, A. (2006). Improving the methodology for detecting biased test items. Paper presented at the 5th ITC Conference
on Adapting Tests, Brussels.

Elosua, P., Lpez, A., y Torres, A. (1999). Adaptacin al euskera de una prueba de inteligencia verbal. Psicothema, 11(1), 151-161. Elosua, P., Lpez, A., y Torres, E. (2000). Desarrollos didcticos y funcionamiento diferencial de los tems. Problemas inherentes a toda investigacin emprica sobre sesgo. Psicothema, 12(2), 198-202. Elosua, P., Lpez, A., y Egaa, J. (2000). Fuentes potenciales de sesgo en una prueba de aptitud numrica. Psicothema, 12(3), 376-382. Elosua, P., Lpez-Juregui, A. y Snchez-Snchez, F. (2010). Manual de la adaptacin al espaol del Eating Disoder Inventory-3. Madrid: TEA Elosua, P., y Lpez, A. (2002). Indicadores de dimensionalidad para tems binarios. Metodologa de las Ciencias del Comportamiento, 4(1), 121137. Elosua, P. y Lpez, A. (2007). Aplicacin de cuatro procedimientos de deteccin

- 286 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ del funcionamiento diferencial sobre tems politmicos. Psicothema, 19(2), 329-336. Elosua, P. y Lpez-Juregui, A., (2008). Equation Between Linguistically Different Tests: Consequences for Assessment. The Journal of Experimental Education, 76(4), 387-402. Elosua, P. y Lpez-Juregui, A., (2010). Manual de la adaptacin al euskera del Eating Disoder Inventory-3. Madrid: TEA. Elosua, P. y Muiz, J. (2010). Exploring the Factorial Structure of the SelfConcept: A Sequential Approach Using CFA, MIMIC and MACS Models, Across Gender and Two Languages. European Psychologist. Elosua, P. y Wells, C. (2008). A Comparison of Ordinal Logistic Regression and the IRT Likelihood Ratio Test for Identifying DIF. 6th International Test Commission Conference, Liverpool. Elosua, P., y Wells, C. (2008). A Comparison of MACS and the IRT Likelihood Ratio Test for Identifying DIF. III European Congress of Methodology, Oviedo. Elosua, P. y Zumbo, B. (2008). Coeficientes de fiabilidad para escalas de respuesta categrica ordenada. Psicothema 20(4), 896-901. Embretson, S. E. (1983). Construct validity: Construct Representation versus Nomothetic Span. Psychological Bulletin, 93(1), 179-197. Embretson, S. E. (1985). Test design: Developments in Psychology and Psychometrics. New York: Academic Press, Inc. Ferrando, P. J. (1993). Introduccin al anlisis factorial. Barcelona: PPU. Fidalgo, A. M. (1996). Funcionamiento diferencial de los tems. En J. Muiz (Eds.), Psicometra (371-455 pg.). Madrid: Universitas. Flanagan, J. C. (1937). A Note of Calculing the Standard Error of Measurement and Reliability Coefficients with the Test Scoring Machine. Journal of Applied Psychology, 23, 529. Flanagan, J. C. (1951). Units, Scores and Norms. En E. F. Lindquist (Eds.), Educational Measurement (1 Ed.). Washington DC: American Council of Education. Fox, J. (2002). An R and S-plus Companion to Applied Regression. Thousand Oaks, CA: Sage. Fox, J. (2005). The Rcommander: A Basic-Statistics Graphical User Interface to R. Journal of Statistical Software, 14 (9), 1-42. Fox, J. (2007). Getting Started With the R Commander. Direccin URL: http://socserv.mcmaster.ca/jfox/Courses/soc3h6/Getting-Started-withthe-Rcmdr.pdf Garner, D. M. (2004). Eating Disorder Inventory-3. Lutz, FL: Psychological Assessment Resources, Inc. Gierl, M.J., y McEwen, N. (1995). Differential Item Functioning on the Alberta Educationn Social Stuies 30 Diploma Exams. Paper Presented at the

- 287 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Annual Meeting of the Canadian Society for Studies in Education, Ottawa, Ontario, Canada. Gorsuch, R. L. (1974). Factor Analysis. Philadelphia: Saunders. Gorsuch, R. L. (1983). Factor Analysis. Hillsdale, N.J.: Lawrence Erlbaum Associates. Guadagnoli, E., y Velicer, W. (1988). Relation of Sample Size to the Stability of Component Patterns. Psychological Bulletin, 103, 265-275. Guilford, J. P. (1946). New Standards for Test Evaluation. Educational and Psychological Measurement, 6, 427-439. Gulliksen, H. (1950). Theory of Mental Tests. New York: John Wilwy and Sons. Guttman, L. (1954). Some Necessary Conditions for Common Factor Analysis. Psychometrika, 19, 149-162. Guttman, L. L. (1945). A Basis for Analyzing Test-retest Reliability. Psychometrika, 10, 255-282. Hambleton, R. K. (1993). Translating Achievement Tests for Use in Crossnational Studies. European Journal of Psychological Assessment, 9(1), 57-68. Harman, H. (1980). Anlisis factorial moderno. Madrid: Salts. Hattie, J. (1984). An Empirical Study of Various Indices for Determining Unidimensionality. Multivariate Behavioral Research, 19, 49-78. Hendrickson, A. E., y White, P. O. (1964). Promax: A Quick Method for Rotation to Oblique Simple Structure. British Journal of Statistical Psychology, 17, 65-70. Holland, W. P. y Thayer, D. T. (1988). Differential Item Performance and the Mantel-Haenszel Procedure. En H. Wainer y H. I. Braun (Eds.), Test validity (pp. 129-145). Hillsdale, NJ: LEA Holland, W. P., y Wainer, H. (1993). Differential Item Functioning. Hillsdale: Lawrence Erlbaum Associates. Husson, F., L, S. y Mazet, J. (2007), FactoMineR: Factor Analysis and Data Mining with R. R package version 1.05. Hunter, J. E., y Schmidt, F. L. (1991). My-analysis. En R. K. Hambleton y J. N. Zaal (Eds.), Advances in Educational and Psychological Testing: Theory and Applications (157-184 pg.). Boston: Kluwer Academic Publishers. Ihaka, R. y Gentleman, R. (1996). R: A Language for Data Analysis and Graphics. Journal of Computational and Graphical Statistics, 5, 299 314. Jensen, A. R. (1980). Bias in Mental Testing. New York: Free Press. Jennrich, R. I., y Sampson, P. F. (1966). Rotation for Simple Loading. Psychometrika, 31, 313-323. Kaiser, H. F. (1958). The Varimax Criterion for Analytic Rotation in Factor Analysis. Psychometrica, 23, 187-200. Kaiser, H. F. (1960). The Application of Electronic Computers to Factor

- 288 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Analysis. Educational and Psychological Measurement, 20, 141-151. Kelley, T.L. (1947). Fundamentals of Statistics. Cambridge, MA: Harvard University Press. Kerns, G. J. y Chang, G.A. (2010) Introduction to Probability and Statistics Using R (IPSUR Taylor & Francis Publishing. Lawley, D. N. (1940). The Estimation of Factor Loadings by the Method of Maximum Likelihood. Proceedings of the Royal Society of Edinburgh, 60, 64-82. Le, S., Josse, J., y Husson, F. (2008). FactoMineR: An R Package for Multivariate Analysis. Journal of Statistical Software, 25(1). [http://www.jstatsoft.org/v25/i01/paper] Linn, R. L., y Harnisch, D. L. (1981). Interactions between Item Content and Group Membership on Achievement Test Items. Journal of Educational Measurement, 18(2), 109-118. Loevinger, J. (1957). Objective Tests as Instruments of Psychological Theory. Psychological Reports (Monograph Supp. 9), 3, 635-694. Lpez-Juregui, A. y Elosua, P. (2004). Revista Electrnica de Metodologa Aplicada 9(2) 1-14. Lord, F. M. (1980). Applications of Item Response Theory to Practical Testing Problems. Hillsdale, NJ: LEA. Lord, F. M., y Novick, M. R. (1968). Statistical Theories of Mental Test Scores. Reading, Massachusetts: Addison-Wesley Publishing Company. Magnuson, D. (1967) Test Theory. Boston: Addison Wesley Marsh, H. W., y Bailey, M. (1991). Confirmatory Factor Analysis of Multiraitmultimethod Data: A Comparison of Alternative Models. Applied Psychological Measurement, 15, 47-70. Martnez Arias, R. (1995). Psicometra: Teora de los tests psicolgicos y educativos. Madrid: Sntesis, S.A. Maxwell, A. E. (1977). Multivariate Analysis in Behavioral Research. London. McDonald, R. P. (1981). The Dimensionality of Tests and Items. British Journal of Mathematical and Statistical Psychology, 34, 100-117. McDonald, R. P. (1985). Factor Analysis and Related Methods. Hillsdale, New Jersey: Lawrence Erlbaum Associates. McDonald, R. P. (1999). Test theory. A Unified Treatment. Mahwah, NJ: Lawrence Erlbaum Associates. Mellenbergh, G. J. (1989). Item Bias and Item Response Theory. International journal of Educational Research, 13, 127-143. Messick, S. (1980). Test Validity and the Ethics of Assessment. American Psychologist, 35, 1012-1027. Messick, S. (1981). Evidence and Ethics in the Evaluation of Tests. Educational Research, 10, 9-20. Messick, S. (1988). The Once and Future Issues of Validity: Assessing the

- 289 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Meaning and Consequences of Measurement. En H. Wainer y H. I. Braun (Eds.), Test Validity (33-45 pg.). Hillsdale, N.J.: Lawrence Erlbaum Associates. Messick, S. (1989). Validity. En R. L. Linn (Eds.), Educational Measurement (Third Edition, 13-104 pg.). New York: American Council on Education Macmillan Publishing Company. Millsap, R. E., y Everson, H. T. (1993). Methodology Review: Statistical Approaches for Assessing Measurement Bias. Applied Psychological Measurement, 17(4), 297-334. Muenchen, R. A. (2009). R for SAS and SPSS Users. New York: Springer. Mulaik, S. A. (1972). The Foundations of Factor Analysis. New York: McGraw Hill. Novick y Lewis (1967) Coefficient alpha and reliability of composite measurements. Psychometrika, 32, 1-18 Osterlind, S. J. (1983). Test Item Bias. Beverly Hills, California: Sage. Pardo, A. y San Martn,R (1998). Anlisis de Datos en Psicologa II. Madrid. Pirmide. Paradis, E. (2005). R for Beginners. Institut des Sciences de lEvolution: Montpellier, France. Petersen, N. S., Kolen, M. J., y Hoover, H. D. (1989). Scaling, Norming and Equating. En R. L. Linn (Eds.), Educational Measurement (Third edition ed., 221-262 pg.). New York: American Council on Education and Macmillan Publishing Company. Potenza, M. T., y Dorans, N. J. (1995). DIF Assessment for Polytomously Scored Items: A Framework for Classification and Evaluation. Applied Psychological Measurement, 19(1), 23-37. Prieto, G., y Delgado, A. (1999). Medicin cognitiva de las aptitudes. En J. Olea, V. Ponsoda y G. Prieto (Eds.), Tests informatizados. Fundamentos y aplicaciones (207-226 pg.). Madrid: Pirmide. Prieto, G., y Delgado, A. R. (2000). Utilidad y representacin en la psicometra actual. Revista de Metodologa de las Ciencias del Comportamiento, 2(2), 111-127. Reckase, M. D. (1979). Unifactor Latent Trait Models Applied to Multifactor Tests: Results and Implications. Journal of Educational Statistics, 4(3), 207-230. Rulon, P. J. (1939). A Simplified Procedure for Determining the Reliability of a Test by Split-Halves. Harvard Educational Review, 9, 99-103. Scheuneman, J. D. (1984). A Theoretical Framework for the Exploration of Causes and Effects of Bias in Testing. Educational Psychologist, 19(4), 219-225. Scheuneman, J. D. (1987). An Experimental, Exploratory Study of Causes of Bias in Test Items. Journal of Educational Measurement, 24(2), 97-118.

- 290 -

Psicometra. Conceptos bsicos y aplicaciones prcticas con Rcommander


_______________________________________________________________ Schmitt, N., y Stults, D. M. (1986). Methodological Review: Analysis of Multitrait-Multimethod matrices. Applied Psychological Measurement, 10, 1-22. Shealy, R., y Stout, W. F. (1993). A model-based standardization approach that separates true bias/DIF from group differences and detects test bias/DIF as well as item bias/DIF. Psychometrika, 58, 159-194. Simon, J. L. (Ed.). (1969). Basic Research Methods in Social Science. New York: Random House. Snow, R. E., y Lohman, D. F. (1993). Cognitive Psychology, New Test Design and New Test Theory: An Introduction. En N. Frederiksen, R. J. Misley y I. I. Bejar (Eds.), Test Theory for a New Generation of Tests (1-18 pg.). Hillsdale, New Jersey: Lawrence Erlbaum Associates. Spearman, C. (1904). The Proof and Measurement of Association between Two Things. American Journal of Psychology, 15, 72-101. Spearman, C. (1907). Demonstration of Formulae for True Measurement of Correlation. American Journal of Psychology, 18, 161-169. Spearman, C. (1913). Correlations of Sums and Differences. British Journal of Psychology, 5, 417-426. Stevens, J. (1992). Applied Multivariate Statistics for the Social Sciences. Hillsdale, NJ: Lawrence Erlbaum. Swaminathan, H. y Rogers, H.J. (1990): Detecting differential item functioning using logistic regression procedures. Journal of Educational Measurement, 27, 4, 361-370. Thurstone, L. L. (1947). Multiple Factor Analysis. Chicago: University of Chicago Press. Title, C. K. (1982). Use of Judgment Methods in Item Bias Studies. En R. A. Berk (Eds.), Handbook of Methods for Detecting Test Bias. Baltimore: John Hopkins University Press. van de Vijver, F. J. R., y Poortinga, Y. P. (1991). Testing Across Cultures. En R. K. Hambleton y J.N. Zaal (Eds.), Advances in Educational and Psychological Testing: Theory and Applications (277-307 pg.). Boston: Kluwer Academic Publishers. Venables, W. N. y Ripley, B. D. (2000). S Programming. Springer: New York. Venables, W.N. y Ripley, B. D. (2002). Modern Applied Statistics with S, Fourth Edition. New York: Springer. Venables, W. N., Smith, D. M. y the R Development Core Team (2007). An Introduction to R. Vienna, Austria: R foundation for Statistical Computing. Welch, B.L. (1938). The significance of the difference between two means when the population variances are unequal. Biometrika, 29, 350-362.

- 291 -