Speaker A
Muy bien, está grabándose en la nube ya, cualquier cosa. Muy bien. Entonces, eh, iniciemos con la sesión, muchachos. El día de hoy vamos a ver lo que es el tema de análisis y confiabilidad, un tema totalmente diferente a lo que
Sesión sobre análisis y confiabilidad en instrumentos de medición para investigación, diferenciando validez y confiabilidad.
Key Takeaways
- Validez y confiabilidad son conceptos distintos pero ambos esenciales para un buen instrumento de medición.
- La validez se basa en el juicio experto y define qué mide el instrumento.
- La confiabilidad se mide estadísticamente y evalúa la precisión y consistencia del instrumento.
- Una prueba piloto es crucial para ajustar y validar el instrumento antes de su aplicación definitiva.
- Adaptar instrumentos validados a contextos locales es una práctica común y necesaria.
Summary
- Introducción al análisis y confiabilidad de instrumentos de medición en investigación.
- Diferenciación entre validez (conceptual, juicio experto) y confiabilidad (estadística, precisión).
- Importancia de que un instrumento sea válido y confiable para investigaciones rigurosas.
- Ejemplificación con la analogía de una balanza para explicar confiabilidad.
- Explicación de cómo se evalúa la validez mediante expertos y la confiabilidad mediante métricas estadísticas como alfa de Cronbach.
- Discusión sobre la adaptación de instrumentos validados a contextos locales.
- Importancia de la prueba piloto para detectar problemas en el instrumento antes de la recolección oficial.
- Mención de tipos de validez y métodos para evaluar la confiabilidad interna y estabilidad.
- Proceso de análisis de datos piloto para mejorar el instrumento y eliminar ítems problemáticos.
- Preparación para temas futuros sobre muestreo y tamaño de muestra.
Chapters
- 00:00Introducción y presentación del tema de análisis y confiabilidad
- 03:22Definición y explicación de confiabilidad
- 06:27Importancia de la confiabilidad en instrumentos de medición
- 09:55Prueba piloto y comportamiento del instrumento
- 12:58Modelos estadísticos y evaluación de datos
- 19:25Tipos de validez y su explicación
- 23:13Medidas de confiabilidad y consistencia interna
- 29:57Análisis de resultados piloto y ajustes finales
- 43:00Preparación para temas de muestreo y tamaño de muestra
Full Transcript — Download SRT & Markdown
Speaker A
hemos venido viendo, ¿no? Eh, mira, el anterior tema que vimos fue regresión logística binaria, ¿no?
Speaker A
Es un tema muy interesante, es un modelo estadístico. Pero ahora vamos a ver otro tema que quizás para algunos interesados en hacer quizás alguna investigación nueva y donde existe la necesidad pues de construir un instrumento y medición, entonces también existe la necesidad
Speaker A
pues de analizar la confiabilidad de ese instrumento, ¿no? Este mundo, muchachos, es un mundo muy grande, ¿no?
Speaker A
Quizás no es teóricamente complicado, pero hay muchas cosas que hay que tener en cuenta, ¿no?
Speaker A
A ver, vamos a empezar. Muy bien. Entonces empecemos. Seguramente ustedes han escuchado muy a menudo los temas de validez y confiabilidad, ¿no? Es muy recurrente estos conceptos, pero muchos piensan que es lo mismo.
Speaker A
Eso no es así, muchachos. No son cosas totalmente diferentes. Por ejemplo, un instrumento de medición debe cumplir con dos condiciones, como se dice, ¿no?
Speaker A
Es decir, debe ser válido, debe tener validez el instrumento y además debe ser, debe ser confiable, ¿no?
Speaker A
El problema es que la validez no se ve desde un punto de vista de la estadística, muchachos.
Speaker A
Básicamente la validez se ve desde un punto de vista de la experiencia, de la expertiz, ¿no? Es decir, de un grupo de conocedores o expertos que pues den alguna opinión o alguna puntuación sobre ese instrumento, ¿no?
Speaker A
Sin embargo, la confiabilidad sí tiene que ver con la estadística, ¿no? Es decir, va a usar la estadística para sacar una métrica, por ejemplo, alfa de Cronbach, y ese valor pues me va a indicar qué tan confiable es mi instrumento de medición,
Speaker A
¿no? En sí, un instrumento de medición, muchachos, debe cumplir los dos. Debe ser válido y confiable, sobre todo si van a estar, van a ser investigaciones muy rigurosas, ¿no?
Speaker A
Pero ahora hay la costumbre de adaptar instrumentos ya validados a algún contexto específico, por ejemplo, un contexto de sus países, ¿no? Perú, Lima, puede ser ahí República Dominicana, Colombia, Ecuador, dependiendo del caso, ¿no? Es decir, y hay instrumentos estandarizados.
Speaker A
Entonces, generalmente lo que se hace es adaptar al contexto local, ¿no? Muy bien. Entonces, son dos conceptos muy usados, muchachos.
Speaker A
Si me preguntan qué significa cada uno de ellos, por ejemplo, confiabilidad, muchachos, se refiere a lo siguiente.
Speaker A
Mire la precisión de la medida. Es decir, ¿qué pasaría si ustedes tienen una balanza?
Speaker A
Una balanza en la cual van a pesar pues supongamos una barrita de 2 kg, ¿no?
Speaker A
Esa balanza tiene que registrar 2 kg, ¿no? Si no, no tendría, no sería confiable este instrumento, la balanza en este caso.
Speaker A
Pero, ¿qué pasaría si la misma balanza yo le agrego otro producto de 2 kg supuestamente, pero me registra 1.50, no sé, 59 kg?
Speaker A
Entonces se puede decir que esa balanza, que es un instrumento de medición, por cierto, no es confiable, ¿no?
Speaker A
¿Cómo es posible que en diferentes medidas o en diferentes momentos en que haga la medición del peso me registre pues diferentes cantidades, ¿no?
Speaker A
¿Qué me indica eso? Que esa balanza no es confiable, hay margen de error, ¿no?
Speaker A
Entonces, la confiabilidad mide la precisión de la medida, qué tan preciso es, ¿no? En otras palabras, el instrumento de medición, que generalmente es un cuestionario, para que sea confiable debe medir lo que tú deseas, ¿no?
Speaker A
Justamente para eso se ha construido, ¿no? Ese instrumento. En otras palabras, muchacho, responde la pregunta en qué grado este ítem o ítem, como lo quieran llamar, mide o manifiesta lo mismo que miden los demás ítems, ¿no?
Speaker A
Expresa el grado en el que se obtendrían valores similares al aplicar el proceso de medición más de una ocasión, ¿no?
Speaker A
Claro, ¿cómo yo sé que la balanza estaba descalibrada? Porque he probado varias veces la misma medición y me ha arrojado diferentes valores.
Speaker A
Entonces, eso me ha demostrado que la balanza no es confiable. Y a la hora de recoger datos con un instrumento de medición, que es el cuestionario, generalmente, ¿cómo sé que el instrumento de medición, cuestionario, es confiable?
Speaker A
Quiere decir que si yo lo uso varias veces en poblaciones o grupos similares, la idea es pues que se obtenga pues mediciones muy similares, ¿no?
Speaker A
Eso me va a indicar pues que el instrumento es confiable, ¿no? Eso es la famosa confiabilidad, muchachos.
Speaker A
Muy bien. Siempre asócienlo con esa balanza, ¿no? La balanza si es que te da diferentes mediciones, entonces quiere decir que esa balanza como instrumento de medición no es confiable, ¿no?
Speaker A
Ahora hablemos de validez. No es lo mismo validez y confiabilidad, muchachos. Hay que tener en cuenta eso.
Speaker A
La validez es que el instrumento, miren, exprese el rasgo que queremos medir. Responde a la pregunta, ¿qué es lo que mide el instrumento?
Speaker A
En otras palabras, muchachos, se refiere al grado en que un instrumento, miren, mide la variable que se pretende medir, ¿no?
Speaker A
Si se dan cuenta, acá no hay nada estadístico. No hablan de margen, no hablan de precisión, no se habla de error tampoco. Más que todo es algo conceptual, es más que todo de la construcción del instrumento.
Speaker A
Por ejemplo, si yo quiero medir aprendizaje en los niños, mi instrumento debería tener ítems o dimensiones que en conjunto pues me ayuden a medir el aprendizaje, ¿no?
Speaker A
Claro. Si yo quiero medir el aprendizaje, lo que debería tener pues son insumos que me ayudan a medir el aprendizaje.
Speaker A
¿Y quién te define esos ítems o esas preguntas para que puedas medir el aprendizaje?
Speaker A
Pues un experto en el tema, ¿no? Un pedagogo o un psicólogo educacional, un experto en aprendizaje. Muchachos. Él sabe cómo formular las preguntas, cómo formar las dimensiones.
Speaker A
¿Se dan cuenta? Son cosas diferentes, muchachos, confiabilidad y validez. Pero estos dos conceptos debe cumplir un instrumento de un instrumento de medición, muchachos.
Speaker A
Así de simple. Debe ser válido y debe ser confiable. Muy bien. A ver, vamos a ver la relación.
Speaker A
Luis, sí adelante. Entonces, un instrumento puede ser válido sin ser confiable. Sí, totalmente de acuerdo. Por ejemplo, en el caso de medición de aprendizaje puede ser válido por las preguntas quizás que se ha incorporado, ¿no? Que pueden ayudar a medir el aprendizaje,
Speaker A
pero no todas las preguntas, muchachos, van a ser relevantes, ¿no? Entonces, una cosa es la validez, la expertiz que te da ciertas personas en el tema, pero otra cosa es qué tanto se comporta ese instrumento a la hora de recoger la
Speaker A
información, ¿no? Que también se comporta. Por eso, antes de hacer un recojo oficial de la información, se hace una prueba piloto, ¿no?
Speaker A
La prueba piloto es el que va a dar el, como quien dice, las alertas que se pueden encontrar, ¿no?
Speaker A
Eso, profesor. Adelante Fredy. En una serie de tiempo, eh, ya. ¿Cuál sería la diferencia entre calibrar esos datos versus con el grado de confiabilidad?
Speaker A
Estadísticamente se podría, hay una diferencia. Existe una diferencia. A ver, en serie de tiempo me dices, ¿no?
Speaker A
Sí. Por ejemplo, precipitaciones, caudales, temperatura. Ahí escapa totalmente lo que estamos hablando. Ah, sí. Lo que pasa acá estamos hablando de instrumento de medición, ¿no? A ver, pero en serie de tiempo, vamos a hacer un paréntesis. Ya. A ver,
Speaker A
un paréntesis interesante. Vamos a comentar sobre la serie de tiempo, ¿no? El problema de la serie de tiempo es lo siguiente, ¿no?
Speaker A
Que tú vas a tener que proyectar unos puede ser meses, semestres o años, ¿no?
Speaker A
Eso es quizás la tarea más importante de la serie de tiempo, pero acá viene la magia, ¿no?
Speaker A
La calidad de tus proyecciones en este caso, porque ya es una extrapolación, esto va a depender de qué también has entrenado tu modelo serie de tiempo con este conjunto de datos, ¿no?
Speaker A
Para eso se hace una estrategia interesante. Se hace una partición a tu conjunto de datos, ¿no? Esta es la mejor estrategia para tener modelos de serie de tiempo mucho más precisos, ¿no?
Speaker A
A tu conjunto de datos.
Speaker A
Generalmente hacen así, ¿no? Un 80% de entrenamiento y un 20% de teste. Lo que se hace para serie de tiempo es entrenar o modelar tu serie de tiempo usando el 80% de tus datos, ¿no? Por ejemplo, puedes usar un Arima, ¿no? Que
Speaker A
es uno de los modelos más conocimos, más conocidos, ¿no? Quizás un Sarima también y hay un montón de modelos, ¿no?
Speaker A
La idea es encontrar un el mejor de los modelos para este 80% de tus datos.
Speaker A
Una vez encontrado ese mejor modelo, tienes que evaluarlo con el con la siguiente data, ¿no?
Speaker A
Por ejemplo, con el modelo que tú has entrenado acá, vas a proyectar el 20% de datos y vas a comparar el valor proyectado con el valor real, ¿no?
Speaker A
Si ese error en serie de tiempo es el famoso error cuadrático medio, por ejemplo, es pequeño, como quien dice. Entonces quiere decir que la estimación es muy buena, ¿no? Es decir, el modelo está proyectando bien.
Speaker A
Una vez que garantizo que el modelo está proyectando bien, recién uso ese modelo, muchachos, para hacer una extrapolación, ¿no?
Speaker A
Eso es lo correcto en una serie de tiempo. Hablar de confiabilidad, valid en serie tiempo no tiene sentido, ¿no? Pero si hay conceptos de qué tan bien es tu predicción ¿no?
Speaker A
Y eso va a depender de dónde. Acá de esta etapa. Si acá el modelo que has entrenado ha generado errores cuadráticos medios pequeñitos, quiere decir que el modelo es bueno, ¿no? Por ende, estás en condiciones para hacer una proyección o
Speaker A
extrapolación. Eso es lo que hay que tener en cuenta en series tema. En en conclusión, la mejor manera de evaluar tus modelos es usando tus propios datos, ¿no?
Speaker A
Ya con ese con esa confianza, ¿cómo se dice? Ya puedes extrapolar, ¿no? Espero que te haya servido, Frey esa parte. A ver.
Speaker A
Sí, lo que estoy entendiendo es de que al hacer este análisis comparativo, lo que acabas de expresarlo de profesor, ese sería una calibración.
Speaker A
Eh, lo que le estoy entendiendo de que no se podría estadísticamente este analizar o determinar el grado de confiabilidad en este análisis que estoy realizando entre error y prueba. Algo así lo algo así es que lo estoy entendiendo.
Speaker A
Sí, en sí puedes cuantificar esa confiabilidad, solo que no se usa ese concepto, ¿no? Por ejemplo, en el data de testeo, tú vas a tener tu valor real y tu valor que tu modelo ARMA te ha proyectado, ¿no?
Speaker A
Entonces, al final vas a tener un error en tu data de testeo. Entonces, la idea es que ese error sea pues mínimo, ¿no?
Speaker A
La idea es que esto sea mínimo. Entonces, si tú comparas diferentes modelos, un sarima, un Arim, una suavición exponencial quizás o otro tipo de modelo, la lo único que te podría decir es que elijas el aquel modelo que te genere un
Speaker A
mínimo error, ¿no? A esto le llamarías pues que el modelo más confiable, como se dice, ¿no?
Speaker A
Solo que no se usa comúnmente ese concepto acá, ¿no? No, el se le dice el modelo que te da menor error cuadrático medio y así.
Speaker A
Son conceptos propios del tema de serie de tiempo, ¿no? Eso es. Inclusive también hasta el R cuadrado se usa para para validar modelos, ¿no?
Speaker A
Ya. Muy bien. Vamos a ver un poquito esto al último en la última parte. Cuando vemos modelos de aprendizaje automático, modelos predictivos, las dos últimas sesiones, vamos a hablar un poquito de eso para que vean cómo se corre un modelo eh
Speaker A
ya sea regresión o clasificación o serie de tiempo usando los modelos de machine learning, ¿no? Que por cierto el enfoque es muy parecido, data train data test, ¿no?
Speaker A
Cosa que los modelos tradicionales que hemos visto no usan este tipo de enfoque, ¿no? Si no usan toda la data para modelar, ¿no?
Speaker A
Muy bien, muchachos. Interesante paréntesis. Ya, pero esta validez y confiabilidad, estamos hablando de los instrumentos de medición. Ah, no hay que confundirnos, ¿no?
Speaker A
Y acá vamos a hablar de la relación que existe, muchachos, entre validez y confiabilidad. Ya saben que son diferentes, no vayan a decir que son iguales. Ya.
Speaker A
Aunque en la calle se escucha que decir, "Oye, mi modelo es válido." Dice, "No, no, todo aquello que se basa en datos se dice que es confiable.
Speaker A
Así de simple. No se dice que es válido, ¿no? Como quien dice, mi regresión es válida." No se deía mi regresión es confiable ¿no?
Speaker A
Muy bien. Pero hay algo que hay que tener mucho cuidado, muchachos. Justo lo que comenta su compañero Lame MEC, ¿no? Por ejemplo, dice, "Un instrumento puede ser válido, pero no confiable." Sí, puede ser confiable pero no válido. Sí. Puede ser válido y
Speaker A
confiable. Sí. Muy bien. Suele pasar, ¿no? Por ejemplo, el primer caso, muchachos, ustedes han jugado el famoso dardo, ¿no?
Speaker A
Hay un objetivo y tu objetivo es el punto, ¿no? Esta figura de acá, ¿por qué me dice que no es válido ni confiable? ¿Alguien podría, alguien se da cuenta por qué?
Speaker A
¿Por qué no es válido? A ver, primero por qué no es confiable no está no está cerca del objetivo.
Speaker A
Exacto. Eso sería No hay precisión. No hay precisión. Es decir, eso sería confiabilidad. No confiabilidad.
Speaker A
Claro. Si no hay precisión es que no hay el instrumento no tiene confiabilidad. Y valíz no tiene. ¿Por qué?
Speaker A
Porque los dardos que tú has lanzado ni siquiera se aproximan pues al objetivo, ¿no? Es decir, no está diseñado para lo que tú quieres que es Meir en este caso que es el punto ideal ¿no?
Speaker A
Es decir, no existe ni validez ni confiabilidad. Está clarísimo la figura. Ahora vayamos a ver el segundo caso.
Speaker A
Hay confiabilidad, pero no validez. ¿Por qué no hay validez? Porque ni un dardo, muchachos, se aproxima al objetivo.
Speaker A
Deja del punto del centro. Exacto. Nadie, ningún dardo se aproxima a lo que yo quiero.
Speaker A
En otras palabras, no hay ninguna pregunta que me ayude a medir lo que yo quiero. En otras palabras, si es que quieren buscar un símil ¿no?
Speaker A
Pero sí existe confiabilidad porque todas las mediciones son muy parecidas, consistentes, se repiten. Claro, es prácticamente ahí están, ¿no?
Speaker A
Están juntitos. es confiable, como se dice, ¿no? Pero no es válido porque estoy lejos de mi objetivo, muy lejos.
Speaker A
Y un instrumento que sea válido y confiable a la vez es esta, ¿no? Los dardos, los cinco dardos están cerca mi objetivo.
Speaker A
Hay validez confidelidad. ¿Por qué? porque están los puntos muy próximos, ¿no? Claro, lo lo ideal hubiera sido pues que esté por acá, ¿no?
Speaker A
Pero al menos es un escenario mucho mejor que los anteriores, que no tenía el inicio no tenía nada y el segundo solamente tenía confiabilidad, ¿no?
Speaker A
Entonces, lo que su compañero de la MEC dice, ¿qué pasa si tengo validez pero no confiabilidad?
Speaker A
O, ¿qué pasa si tengo confiad? Que jamás vas a poder medir lo que tú quieres y si lo mides, vas a tener mucho error.
Speaker A
A veces nos preguntamos, "Profesor, ¿por qué no se cumple mi mi el planteamiento mi hipótesis de investigación?" No se debe a muchos factores, muchachos, pero el principal factor es el instrumento de medición, ¿no?
Speaker A
Si tu instrumento pues no es no ha sido valiado, mucho menos es confiable, no esperes pues que tu investigación sea pues eh buena, no no va a ser así, no existe ni un milagro, ¿no?
Speaker A
Entonces, estos gráficos, muchachos, ayudan mucho a entender lo que es validez y confiabilidad. Profe, sí, adelante. El tercer gráfico, yo pensaría que fuera un gráfico que representa validez y no confiabilidad.
Speaker A
Y un gráfico, un cuarto gráfico podría ser el que si es validez y confiabilidad cuando todos los puntos caen en el bull, ¿no? En el centro.
Speaker A
Claro, eso sería lo ideal. Sí, tienes razón. Porque ahí en el tercer gráfico uno puede ver que los puntos están dispersos. Si bien es cierto están cercanos al al círculo más pequeño, pero no hay consistencia si lo quieres
Speaker A
ver más con esa actitud. no están dispersos, pero si tú tienes un cuarto gráfico donde todos están cercanos al centro, ahí sí se podría ver que la validez y la confiabilidad se dan al mismo tiempo, ¿no?
Speaker A
Sí, totalmente de acuerdo. Quizás la parte final del gráfico no ayuda tanto, ¿no? Sí, pero Carlos, eh, Luis, pero también me escucha. Sí, sí, adelante.
Speaker A
Yo yo estaría de acuerdo con el compañero, es cierto, pero recuerda que esto es un proceso estadístico, hay un de error manejable. La idea siempre va a estar el error. Ahora, la idea es que el error sea lo más pequeño posible porque
Speaker A
de hecho, en el único caso donde los errores son nulos o son cero, son los modelos matemáticos para, bueno, para aplicaciones literalmente de matemática pura.
Speaker A
De hecho, si no hubiera dispersión, si no hubiera diferencia, entonces el estudio ni siquiera valdría la pena. Es como me decía un profesor de estadística a mí, él decía, "Bueno, si tú vas a estudiar, por ejemplo, marcadores de
Speaker A
pizarra, tú no necesitas 500 marcadores, tú necesitas uno, porque toditos son iguales. Ahí habría validez y precisión, pero con uno solo yo resolvería mi problema." O sea, que se acerque al al al concepto que queremos explicar. Es lo correcto,
Speaker A
porque las poblaciones tienen ese problema, que no todas comportan igual y por ende una van a estar un poquito más lejos del objetivo, otra un poquito más cerca y ahí conseguiríamos eh manejar el error eh a discreción del investigador
Speaker A
en función de la población que estemos estudiando. Sí, totalmente de acuerdo. Es verdad. Eh, cuando vemos esos puntitos, claro, lo ideal sería como Carlos dice, ¿no?, que estén cerca del del objetivo, ¿no?
Speaker A
Pero este comportamiento es propio de todos los instrumentos de medición, ¿no? Es jamás pues vas a tener mediciones ideales ¿no?
Speaker A
Pero el agregado de todas las mediciones en conjunto van a reflejar lo que tú deseas al final, ¿no?
Speaker A
Eso es la idea, básicamente. Claro. Y además esas dos conceptos tanto de validez y confiabilidad va a variar mucho según el campo de estudio. No, no es lo mismo en ciencias agrícolas, no es lo mismo en ciencias forestales, no es lo mismo en
Speaker A
estadísticas, no es lo mismo en en ciencias biológicas o en economía, ¿no? Ah, los márgenes de ror van se van a asumir distintos para cada campo, ¿no?
Speaker A
Por ejemplo, en agricultura, por ejemplo, se se acerca se acepta más margen de error, ¿no? En ciencias sociales igual, pero en economía los márgenes de error son más pequeños, ¿no? Y eso tiene que ver mucho con la calidad de la data,
Speaker A
¿no? Sí, totalmente de acuerdo. Carlos, has dicho un tema muy interesante, ¿no? Eh, si quiero pues mira, ojo, el punto de partida para tener estimaciones confiables, obviamente es instrumento, ¿no? De ahí viene pues la muestra y todas esas
Speaker A
cosas, ¿no? El nivel de significancia, todo lo que hemos visto, ¿no? Pero sí, la idea es va a depender también pues el grado de exigencia del del tipo de investigación que estamos realizando, ¿no? Por ejemplo, en salud, ¿no? O sea, también
Speaker A
delicado la situación. Sí, correcto, Carlos. Muy buen aporte. Muy bien, muchachos. Entonces, veo que ha quedado claro el concepto de validez y confiabilidad. No es lo mismo, son cosas totalmente diferentes.
Speaker A
Muy bien. Solo que les comento que la confiabilidad sí se ve desde un punto de vista estadístico, ¿no? Y que la validez ya se ve desde un punto de vista de más que todo de expertos, ¿no?
Speaker A
El famoso juicio de expertos, ¿no? Y hay varios puntos más interesantes. Eso básicamente eh lo vas afinando con la experiencia, ¿no? Exacto.
Speaker A
Entre más ensayo de error, más practiques, más apliques, más más investigaciones, más casos, vas ganando más habilidad y obviamente vas validando más los instrumentos, ¿no? Y los resultados también.
Speaker A
Correcto. Sí, correcto. Ahí también juega un rol muy importante la famosa prueba piloto, muchachos.
Speaker A
Por ejemplo, las encuestas grandes que hacen los INIS de cada país siempre hacen su prueba piloto. Siempre.
Speaker A
Es interesante eso, ¿no? Muy aparte pues de ver qué tan bien se comporta el instrumento en el campo, también te permite ver, por ejemplo, el tiempo de que demora una encuesta por persona, un montón de de factores, ¿no?
Speaker A
Es interesante eso. Muy bien, acá viene un detalle un poco más completo de qué es validez.
Speaker A
Cuando se habla validez, muchachos, casi todo el mundo lo asocia con el famoso juicio de expertos, ¿no?
Speaker A
Pero cuando se habla de validez, hay tres tipos de validez, muchachos, de un instrumento de medición.
Speaker A
Tenemos el validez de contenido, de constructo y validez de criterio. Es un mundo también cuando se habla de estos dos conceptos, muchachos. Parece sencillo ¿no?
Speaker A
Pero lo más usado de la validez, muchachos, es el juicio de expertos. es lo más usado.
Speaker A
En la la validez de constructo va a depender de del tipo de instrumento, muchachos.
Speaker A
No a todos los instrumentos se le puede hacer validación de construct, pero aquellos instrumentos basados en dimensiones o constructos, ahí sí se hace un análisis factorial eh confirmatorio, ¿no?
Speaker A
Por ejemplo, si tú quieres medir el aprendizaje con cinco constructos, el análisis factorial confirmatorio debería confirmar que efectivamente necesitas cuatro o cinco constructos, ¿no?
Speaker A
Es decir, en base a un juicio de expertos se elabora un instrumento y ese grupo de expertos llegan a la conclusión que cinco dimensiones es suficiente para medir el aprendizaje.
Speaker A
el análisis factorial debe confirmar ello. Por eso se llama análisis factorial confirmatorio ¿no? Pero eso va a depender pues de del tipo de investigación, ¿no?
Speaker A
Por ejemplo, ¿dónde se usa validación de constructo? Cuando quieres medir variables latentes. ¿Y qué es una variable latente?
Speaker A
Son variables que no se pueden medir fácilmente, no directamente no se pueden medir. Por ejemplo, si yo les digo aprendizaje, odio amor ¿cómo puedes medir el amor? La MEC, así con un indicador no se puede. No, no, no es posible.
Speaker A
Es imposible. El odio no se puede meir, no existe, no no no es tangible para meirlo.
Speaker A
Pero si tú construyes un instrumento en base a ciertas dimensiones que te van a aproximar a la a medir el amor, por ejemplo, eh sí se puede tener un proxy, ¿no?
Speaker A
Entonces, por ende, el amor, el odio, el aprendizaje, eh son variables latentes, no son tangibles, pero sí se pueden aproximar, ¿no?
Speaker A
Entonces, ahí entra la validez de constructo ¿no? El análisis factorial es la mejor propuesta.
Speaker A
Y luego otro tipo de validez es la validez de criterio, ¿no? La famosa concurrencia predictiva, ¿no?
Speaker A
Esto de acá ya no es muy usado prácticamente, ya es un poco desconocido, como se dice, ¿no?
Speaker A
¿Qué quiero decir con valíes? Muchachos, va a depender de qué tipo de instrumento voy a yo elaborar.
Speaker A
Por ende, puedo quedarme quizás con el juicio de expertos nada más, ¿no? Ya no voy a tener la necesidad pues de ver constructos porque no mi instrumento no está no ha sido diseñado para eso, ¿no?
Speaker A
Pero el juicio expertos nadie se salva, muchachos. Ningún instrumento de medición se salva de eso.
Speaker A
Eso es básico. Muy bien. Y luego entra el concepto de que nosotros vamos a ver, por cierto, confiabilidad.
Speaker A
Seguramente ustedes han escuchado de la famosa alfa de Chrombage, ¿no? Que es el más usado.
Speaker A
Cuando se habla de confiabilidad, muchachos, se habla de tres conceptos. Estabilidad, dos mitades y la famosa consistencia interna.
Speaker A
Cuando se dice consistencia interna, muchachos, se refiere al comportamiento que tienen los items o los íems dentro del instrumento.
Speaker A
La consistencia interna te puede decir si en conjunto tu instrumento es confiable o no, pero también te puede decir si un ítem sirve o no sirve.
Speaker A
Eso lo hace interesante. El alfa Chrombatch, muchachos, es la medida de confiabilidad más usada, ¿no?
Speaker A
Pero existe el Omega, el ordinal, el K20. Por ejemplo, el K20 se usa para bareles dicontotómicas ¿no?
Speaker A
Pero el alfa y crombes también funciona para ordinales, dicotómicas, no hay problema, ¿no? Dicotómicas. Muy bien.
Speaker A
Entonces, la forma de cálculo es muy parecido al Alfa Chrombers, prácticamente son equivalentes ¿no?
Speaker A
¿Qué puedo decir de las demás medidas de confiabilidad? por ejemplo, dos mitades quiere decir pues que vas a medir eh la consistencia interna partiendo tu conjunto de datos, ¿no? Entonces la idea es que ambos ambos grupos o ambas
Speaker A
mitades tengan confiabilidades o consistencias internas muy parecidas, ¿no? La estabilidad también ello, ¿no? Quiere decir que si yo replico ese mismo instrumento de medición debería obtener resultados muy similares, ¿no?
Speaker A
Entonces pero la consistencia interna es lo que da más peso a la parte de confiabilidad, muchachos.
Speaker A
Entonces, juicio expertos y alfa cromba es lo que siempre hemos escuchado, pero hay muchas más cosas, muchachos.
Speaker A
Hay mucho más, ¿no? Muy bien. Ahora vamos a detallar estos estos medidas de consistencia interna.
Speaker A
Ya. Muy bien. Entonces, ya saben, implica muchas cosas tanto validez y tanto confiabilidad, ¿no?
Speaker A
A ver, vamos a recapitular esto. ¿Qué es la confiabilidad o la fiabilidad? Ah, ojo, hay dos conceptos muy usados.
Speaker A
Con fiabilidad también es equivalente a hablar de fiabilidad, ¿no? Solo que con fiabilidad es más usado.
Speaker A
Solo algunos libros escriben fiabilidad, no se complican, pero bueno, nos quedamos con confiabilidad. ¿Qué es entonces? es el grado en que un instrumento mide con precisión y sin error.
Speaker A
Esto sobre todo con precisión, no es que sea sin error, ¿no? La idea es que el error sea bien pequeño, ¿no?
Speaker A
No existe el sin error, ¿no? Eso como dice su compañero, eso solamente existe en modelos determinísticos ¿no?
Speaker A
Pero en nuestro caso no, nada es determinístico ¿no? ¿Qué más se puede decir? La confiabilidad es la capacidad del instrumento de ofrecer su es la capacidad de instrumento de ofrecer en su empleo repetido resultados veraces y constantes en condiciones
Speaker A
similares. Claro, si yo lo aplico varias veces mi instrumento en grupos muy parecidos, los resultados deben ser pues similares, ¿no?
Speaker A
Es como la balanza, muchachos. Si yo la balanza lo uso muchas veces, me debería dar el mismo resultado. ¿Por qué tendría que cambiar?
Speaker A
Si cambia es porque mi balanza no es confiable ¿no? Muy bien. Entonces, la fiabilidad de un instrumento de medida o de medición se valora a través de la consistencia interna y la estabilidad.
Speaker A
La consistencia, la famosa consistencia interna es el famoso alfrombite, ¿no? Y la estabilidad es un concepto que se entiende básicamente por las repeticiones en el uso del instrumento, ¿no?
Speaker A
Con el objetivo pues de encontrar valores o resultados similares, ¿no? Claro, en la vida real pues nadie está dispuesto a probar muchas veces un instrumento, no tiene sentido, ¿no?
Speaker A
Este concepto es un poco complicado en la vida real, ¿no? Muy bien, hablemos del Alfa y Chrombatch, muchachos. La consistencia interna.
Speaker A
Muchos piensan que la que el Alfa y Chrombatch es un un estadístico muy complejo ¿no?
Speaker A
Pero es sencillo, muchachos. No es nada complicado. Ustedes pueden replicarlo en un Excel, por ejemplo, ¿no? Por ejemplo, acá están sus seis sujetos, seis personas. Acá están los cuatro ítems que vas a medir, supongamos, ¿no? Supongamos que son
Speaker A
cuatro ítems, ¿no? Y acá están sus valores dicotómicos, ¿no? Pueden ser ordinales, dicotómicos, no hay problema.
Speaker A
Y bueno, vas a calcular un total. Vas a calcular un total, muchachos. Miren, total fila.
Speaker A
Y vas a calcular una varianza por íem, ¿no? Y una varianza total. ¿Cómo se define el alfa y crometes, muchachos?
Speaker A
K / K - 1 donde K viene a ser el número de ítems 1 menos la suma de las variancias del cuadrado, es decir, L + L + C + C entre la varianza total, que vendría a ser L.
Speaker A
Operas eso. Acá está. Acá reemplazo, reemplazo los valores y muchachos, me sale el alfa de Chromate.
Speaker A
Esto es el alfa, ¿no? 0.55. Profesor, una pregunta en el adelante, no no es una pequeña observación que en la fórmula de 014 + 025 + 014 + 025, esa debería estar elevada al cuadrado.
Speaker A
En el ejemplo digo, ah, lo que pasa esto ya son varianzas. Es varianzas. Ah, okay, okay, okay, enendo.
Speaker A
No son desviaciones. Ah, no, estás calculando medias. Disculpa profesor discúlpame me equivoqué. No hay problema.
Speaker A
Muy bien. Entonces, eh se dan cuenta que la fórmula de construir de construcción o de calcular el alfa Chromat, muchachos, es sencillo, ¿no?
Speaker A
pero sencillo, pero muy útil, porque muy aparte de medirte la consistencia interna de tu instrumento, también tiene algunos cálculos auxiliares para ver la la pertinencia o no de los items en instrumento, ¿no? Eso lo vamos a ver en
Speaker A
el R. y el en este caso, ¿cuál sería un número eh digamos que nos permitiera a nosotros discernir si eso es consistente? Profesor, no sé si existe un rango.
Speaker A
Ah, ya. Sí. Eh, hay varios libros, ¿no? Sobre todo San Piier y muchos libros de investigación.
Speaker A
Eh, consideran que a partir de 0.6 Se en adelante ya es un instrumento Luis medianamente regular, ¿no? Luis, sí dime.
Speaker A
Para, bueno, lo para la para ayudar al compañero, los libros, los textos de metodología de investigación y de estadística dicen que ah, bueno, de punto 60 hasta 70 o bueno, sin incluir lo menor que punto 70, se puede aceptar el
Speaker A
instrumento cuando se cuando son investigaciones exploratorias. por debajo de punto 70, de punto 60, no es confiable el instrumento, no es recomendable emplearlo.
Speaker A
De punto 70 a punto a menos de punto 80 es un instrumento aceptable, se puede aplicar en aplicaciones, sobre todo en investigaciones aplicadas y cuando son de puntos, lo deseable es que sea de punto 80 en adelante. Eso es lo que se
Speaker A
desea que est más de punto 90, bueno, es lo ideal, aunque sí es recomendable tener cuidado porque cuando ya un instrumento tiene más de punto 90, es posible que hayan eh íems que estén redundando y estén eh explicando lo
Speaker A
mismo y me inflen el alfa de Cromba sin realmente ser tan alto. Exacto. Muy bien, Lamec, has dado un gran aporte. Ese 0.6 es lo que aparece.
Speaker A
Muchísimas, muchísimas gracias. Sí, gracias Miguel. Mecan justo, ¿no? Este 0.6 es que en los libros aparecen, ¿no?
Speaker A
Pero acá todavía no hemos analizado cuáles son los ítems que quizás no están aportando como debe ser, ¿no?
Speaker A
Cuando tú identificas esos ítems que no aportan y los excluyes, tu alfa mejora notablemente ¿no?
Speaker A
Claro, la idea es tener una una consistencia interna pues lo más alta posible, ¿no? Eso es lo ideal.
Speaker A
Pero eso implica también muchas cosas, ¿no? El primer paso, validez, ¿no? Juicio de expertos, ¿no?
Speaker A
Si no ha pasado pues un riguroso juicio de expertos, muchachos, no esperen por nada del mundo obtener un alfa alto, ¿no? Eso eso no existe.
Speaker A
Estamos pidiendo imposibles, como se dice ¿no? Luis y y que la validad y que la validez de los por juicio de Per también es medible.
Speaker A
Está el BDEN y otros índices de coincidencia de de jueces. Sí hay que también son medibles. O sea, que que podríamos saber qué tan de acuerdo estarían los jueces para para nosotros decir, bueno, los jueces están de acuerdo en un 80%, en un 85, en un 90.
Speaker A
Eso significa que mi instrumento tiene validez respecto a los jueces. Eso me ayudaría que mi alfa de Cromba pudiera ser mejor.
Speaker A
Sí, correcto. Claro, cuando muchas veces se le pone a juicio a con cinco o seis jueces, ¿no? Y saca una puntuación, pero eso son apreciaciones desde un punto de vista más que todo conceptual, ¿no? Otra cosa ya es que te dicen los
Speaker A
datos, ¿no? Ahí es otra cosa, pero están muy asociados, ¿no? Si has sido muy riguroso en la validación, el Alfa Crombes también responde ellos, ¿no?
Speaker A
Es interesante este mundo. Por ejemplo, los otra otra otra otra pregunta para como decíamos en hace tiempo de desempolvarnos las neuronas, que no lo recuerdo, por favor, si es posible este este test de consistencia lo podemos hacer usando esas pruebas
Speaker A
pilotos, por ejemplo, profesor. Sí. O tendríamos que esperar llegar a a la prueba completa, al al estudio completo.
Speaker A
Ex. Excelente, Miguel. Has lo has atinado. El Alfa y Chromb se generalmente se calcula con la prueba piloto generalmente.
Speaker A
¿Por qué? porque ya te va a dar un indicio de en qué puedo estar fallando o qué ítems pueden estar redundando o qué ítems no están aportando nada, ¿no?
Speaker A
Entonces, uno de los eh utilidades de la prueba de piloto es efectivamente poner a prueba el instrumento de medición y no hay nada mejor, muchachos, que en el campo. Esa es la mejor prueba.
Speaker A
Sí, eso es cierto. Esa es la mejor prueba. Y y la prueba piloto tiene la ventaja de que no solamente te va a ayudar a construir eh o a estimar algunos parámetros, qué sé yo, una varianza, eh unos promedios,
Speaker A
sino que también te ayuda a a ver cómo funciona el instrumento en el campo y te permite revisar qué tanto se comprende la redacción, la coherencia, la lectura del instrumento.
Speaker A
cuando cuando los encuestados la la llenan, la completan, al final tú haces los ajustes de lugar para cuando lo apliques de forma definitiva los errores se reduzcan.
Speaker A
La idea es esa, trabajar con menor cantidad de error, la menor cantidad de error posible. Ayuda a controlar muchos errores una prueba pilota.
Speaker A
Totalmente de acuerdo. Claro. Muy aparte de Claro, en realidad la prueba piloto te desnuda por completo al instrumento, ¿no?
Speaker A
Totalmente. Corro. Sí. Y justo comentabas algo la MEC, ¿no? Que también te permite estimar algunos parámetros como variancia medi proporciones, que muchas veces se usa como insumo para cálculos de tamaño de muestra para estudios similares, ¿no?
Speaker A
Es también muy interesante. También sirve para qué, para medir la tasa no respuesta, ¿no?
Speaker A
Eh, naturalmente cuando vas a campo vas a tener rechazos, ¿no? Eso es inevitable, ¿no? Entonces también sirve para medir la tasa no respuesta.
Speaker A
Es decir, es una es muy importante la prueba piloto. Muy bien. Excelente. Eso de la tasa de no respuesta, ese es otro mundo entero.
Speaker A
Sí, eso es un asunto enorme. La Eso lo vamos a ver en muestreo, no se preocupen.
Speaker A
Eso eso es amplio. Ahí hay que sentarse. Es un mundo. Tanto es así que muchos inís, por ejemplo, acá en el Perú es el INEI, en México es el INEGI.
Speaker A
el el INE, creo que en Chile, no sé, el DANE en Colombia, por ejemplo, y en sus encuestas importantes, ellos ya introducen para el cálculo tamaño de muestra el factor de tasa no respuesta.
Speaker A
Entonces, la idea es que la pérdida muestrada sea menos, ¿no? Por ende, debe haber una sobremuestra, ¿no? Y de dónde sacan esa sobremuestra de las pruebas piloto.
Speaker A
¿Se dan cuenta la importancia de la prueba piloto? Muy bien, muy bien, Aldo. Gracias. INE en Chile.
Speaker A
Muy bien. Eso de tasa no respuesta para calcular los tamaños de muestra lo vamos a ver en la sesión del día de mañana de muestreo estadístico.
Speaker A
Muy bien. El alfa crombase es esta, ¿no? Pero también existe el famoso K20, el famoso Cer de Richardson, ¿no?
Speaker A
Supuestamente son para dicotómicas. Entonces, como son dicotómicas, son proporciones, pero al final la fórmula es la misma, ¿no?
Speaker A
Solamente que una cosa es para ordinales y otra cosa es para dicotómicos, pero en esencia ya no se habla acá de varianzas, sino se habla de también varianzas, pero para proporciones, ¿no? Pero al final es el cálculo es igual, solo la anotación
Speaker A
cambia ¿no? Y bueno, tanto el Alpha Chromb como el KR, muchos textos dicen que a partir de 0.60 en adelante, no tanto de confiable, ¿no? Que es quiere decir que es un instrumento que ya es poco decente, se podría decir,
Speaker A
¿no? Pero eso dicen los libros, muchachos. Hay hay una variante, Luis, del K20, le llaman KR21, que utiliza una variante, me dices, una variante del K20, descudo de Richardson. Eh, se llama KR21.
Speaker A
Wow. que en vez de utilizar eh la el la varianza máxima PQ, utiliza utiliza el promedio.
Speaker A
Mm, interesante. muy es muy utilizado para, por ejemplo, para hacer pruebas eh para verificar eh confiabilidad en pruebas eh por ejemplo en pruebas para de aptitudes en en qué sé yo, en por ejemplo, en matemáticas, en español, en sociales, en
Speaker A
naturales, qué sé yo, que donde los estudiantes tienen que elegir eh un una respuesta correcta solamente de de dos que hay. Entonces ahí en vez de trabajar con PQ trabajan con con un valor medio, pero pero en esencia es
Speaker A
esto mismo también. Claro. Sí. No, no le había escuchado eso. Muy buena buen aporte.
Speaker A
Muy buena, muy buena. Sí. Bu. Voy a para las futuras sesiones ya voy a incorporar el KR21.
Speaker A
Hay que innovar, como se dice. Muy bien, muchachos. Así como el KR20, también existe otra para las politómicas ¿no?
Speaker A
Eh, bueno, esta de KR20 también funciona para dicotómicas y también para eh politómicas, ¿no?
Speaker A
Pero si se dan cuenta, muchachos, la fórmula de la forma de calcular es es muy parecida al alfa cromers, ¿no? ¿Qué es lo que cambia?
Speaker A
Simplemente es el tipo de variable, ¿no? Entonces, acá hay un ejemplo interesante del KR20, ¿no?
Speaker A
Muy bien, ahí está, muchachos. Para respuestas politómicas también la expresión es la misma ¿no?
Speaker A
Esto de acá es un debate interminable, muchachos, ¿no? Pero la mayoría mayoría de los libros llegan a esa a ese consenso, pero lo ideal es que nosotros en nuestra investigación pues obtengamos un alfa mucho más grande, ¿no? Eso es lo ideal.
Speaker A
Para eso pues hay que seguir todo un proceso, ¿no? Validez, confiabilidad, análisis de ítems, eh si es necesario excluir ítems que no no aportan en nada y todo eso. Eso te iba a preguntar, Luis, en R podemos hacer como estilo
Speaker A
como hace SPCS, que en SPCS, por ejemplo, para mencionar uno de los software que hacen ese asunto es que te dicen, mira, eh, tú seleccionas, excluye el íem, o sea, en la varianza, el alfa se el valor del alfa cuando yo excluyo un
Speaker A
ítem en R, yo puedo hacer eso. Sí, sí, hay una librería muy especializada para eso.
Speaker A
Perfecto perfecto. Eh, claro, el SPS ya te bota todo de golpe, ¿no? Y ahí está todos los análisis, ¿no? En el R tienes que pedirle, en otras palabras, ¿no? Pero hay una librería que ha sido desarrollado por un grupo de
Speaker A
psicometristas. Los psicometristas son los que dominan esto muchachos. Es decir, los psicólogos que se han especializado en medición de aprendizajes conocen muy bien la elaboración de instrumentos. constructos y todo ello, ¿no? Y un grupo de ellos crearon su
Speaker A
librería en R, que lo han hecho muy muy bueno ah que tiene pruebas de test de aprendizaje, factorial, confiabilidad y un montón de cosas más.
Speaker A
Entonces, vamos a tratar de que sea muy parecido al SPC ese tipo de de medidas. Eh, muy bien.
Speaker A
Pues es un tema pequeño, ¿no? Pero que hay mucho debate. Muy bien, ahora vayamos al R, muchachos. Abran su R para ver la aplicación.
Speaker A
A ver, vamos a ver. El Lap 12 se llama. No he tenido un instrumento de medición a la mano. Ahí encontré uno pequeñito, pero la idea es que quede claro esa parte.
Speaker A
También lo pueden hacer en el Excel, ¿no? No hay problema. como SPCS que es mucho más especializado, ¿no?
Speaker A
Por ejemplo, miren, eh acá voy a hacer un una validación o una consistencia interna, muchachos, una confiabilidad, ¿cómo se dice? Usando datos simulados.
Speaker A
¿Por qué voy a generar datos simulados, muchachos? Porque quiero que entiendan que el alfa Chromb, muchachos, puede evaluar cualquier tipo de íems, ¿no? O de items.
Speaker A
Voy a generar eh una muestra de 300 personas que tenga 10 ítems en escala de líquer, muchachos.
Speaker A
Eso es 10 ítems en escala líqu, ¿no? Miren, algo así, ¿no? Voy a tener mi persona, mi individuo uno, el ID 1, el ID 2, el ID 3 hasta 300 ¿no?
Speaker A
Otra cosa muy importante, muchachos, también es el tamaño de la muestra, ¿no? No vayan a hacer pues un alfa y chromat con 10 registros, ¿no? No tiene sentido.
Speaker A
E lo posible, pues que sea una cantidad superior a los 30 40, ¿no? Eso iba a preguntar. ¿Hay una cantidad mínima aceptable para que el AFA de Cromba se considere un valor eh manejable?
Speaker A
La verdad los libros no mencionan tanto el tamaño de muestra, pero la experiencia me dice que a partir de 30 más y también siguiendo algunos conceptos o teorías o teoremas de la inferencia estadística, hay que tener una cantidad mínima, ¿no?
Speaker A
No, con 10, con 15, no hagan eso porque como que no da, pues no es no hay no hay tanta información como para poder hacer un cálculo el alfa, ¿no? Imagínense la varianza, pues con 10 ítems, ¿no? Prácticamente
Speaker A
no se va a medir nada, ¿no? Puede ser engañoso también, ¿no? Entonces, si es que tienen chance de tener una prueba piloto más a esa cantidad, mejor aún.
Speaker A
Mejor aún, muchachos. Miren. Uy, pucha, lo borré. Ahí está. Voy a borrar esto. Entonces, la simulación dice que voy a tener 10 íems, ¿no? EMO, íem dos, hasta el ítem número 10.
Speaker A
Todas estas íems son en escala de ler, ¿no? Muy bien. Voy a generar este este escenario, muchachos, pero las respuestas de la escala leaker van a ser completamente aleatorios.
Speaker A
Completamente aleatorios. que va a ir entre uno o cinco, ¿no? Puede ser 1, dos, 3.
Speaker A
Una escala leaker con cinco ítems, ¿no? Básicamente las escalas líqu son, muchachos, son escalas valorativas, ¿no?
Speaker A
Pésimo malo regular bueno excelente ¿no? Algo así. Entonces, voy a generar este escenario, muchachos. Ya.
Speaker A
¿Cómo se hace ello? Primero voy a separar, voy a definir pues que necesito una muestra 300 con 10 ítems. Este set es una semilla aleatoria. Ya si nos si quieren que nos salgue lo mismo a todos, entonces hay que tener una semilla, ¿no?
Speaker A
Voy a generar un factor, los ítems y todo eso lo voy a basar rápidamente.
Speaker A
Ya. Miren, miren, muchachos. Ahí está tu data de 10 y de 300 personas y ahí están los valores de la escala, ¿no?
Speaker A
Generalmente ustedes van a tener su van a aplicar su instrumento, su prueba piloto y van a tener que digitalizar esa esa base de datos, ¿no? Y les va a quedar así, pues, aproximadamente, ¿no?
Speaker A
Muy bien. Claro, una prueba piloto de 300 es un golazo, ¿no? Yo creo que es soñado por muchos.
Speaker A
Muy bien. Ahora, ¿qué viene a hacer o qué tendríamos que hacer? ver si efectivamente el instrumento que estás usado eh y luego de recoger la información hay que ver pues la confiabilidad, ¿no?
Speaker A
¿Qué me dicen estos ítems, no? Para ello vamos a usar esta librería que les he comentado que fue desarrollado por un grupo de psicometristas, muchachos, psicólogos especializados, la parte de administón de aprendizaje, ¿no? Sits se llam el alfa de Chrombatch, muchachos, es
Speaker A
alfa. Así se llama la función, no creo que se olviden, ¿no? Alf. ¿Qué le tienes que dar como insumo?
Speaker A
Simplemente la base de datos. Y listo, muchachos. Miren. Y justo su compañero Lame MEC pregunta, "¿No profe dará los mismos resultados que el SPCS?" Sí, ahí está, ¿no? Claro, el SPCs te bota gráficos y todo, ¿no?
Speaker A
Pero acá te bota un resumen por ítem, ¿no? ¿Qué es lo que nos interesa a nosotros más?
Speaker A
Después pueden interpretar pues el Alfa y Chrombatch por fila, la división estándar el alfa, ya eso después lo pueden ver. Lo que me interesa a mí es el famoso Alfa y Chromage, ¿no? 0.86, muchachos.
Speaker A
Entonces es una es un alfa muy alto, ¿no? Es un instrumento confiable, ¿no? Entonces todos debemos llegar a ese valor. Ese valor ya nos da una idea pues de cuán confiable es nuestro instrumento ¿no?
Speaker A
Ya después pueden entrar a la valiación ítem por ítem, ¿no? Muy bien. O si no también pueden llamar directamente al valor de alfa, ¿no? 0.86 como quieran.
Speaker A
Y acá viene la pregunta, "Profesor, ¿qué hora ha pasado si me sale 0.59?" Y bueno, ahí hay que analizar ya ítem por ítem, ¿no?
Speaker A
Existe un concepto llamado correlación ítem versus total, es decir, ver la variabilidad o la correlación del ítem con el total de items, ¿no? ¿Cuál es el comportamiento que tiene?
Speaker A
Mejor dicho, ¿qué tan coherente es ese ítem con el resto de instrumento, no? Entonces, para eso se le pide estos dos conceptos, ¿no? El error drop y el error core.
Speaker A
¿De dónde voy a sacar eso? Del alfa que he calculado, hay un objeto llamado item stats. Dentro de eso están estos dos conceptos interesantes.
Speaker A
Lo que voy a hacer es pedirle lo siguiente. Ahí está este cuadrito interesante, muchachos. me va a indicar qué items o qués no están aportando, es decir, se le puede revisar o se lo elimina. Así de simple.
Speaker A
¿Cuándo voy a optar por una de esas dos opciones? Cuando yo observo o encuentro aquellos drops menores a 0.20, 20, ¿no?
Speaker A
Entonces, yo observo que ninguno de los íems tiene un error menor a 0.20, un R core ¿no?
Speaker A
Un R drop, perdón. Claro, como mi alfa es alto también las famosos error dropa, ¿no? No hay ningún valor bajo.
Speaker A
El R drop mide pues la correlación el ítem con la data de íems restantes, ¿no? Es decir, excluyendo el ítem uno.
Speaker A
El RCORE sí mide en conjunto, ¿no? Con el total, incluyendo la misma variable. Claro, como mi alfa me sale 0.86, muchachos, yo no tengo ningún problema de analizar la consistencia ítem por íem, pero si hubiera salido bajo, ahí sí
Speaker A
tengo que analizar qué ítems se tienen que revisar o eliminar, ¿no? Entonces, esta es la recomendación, muchachos, ¿no? Si ustedes encuentran un rdrop menor a 0.20, se debe revisar o eliminar. A esto se le conoce como los famosos items
Speaker A
problemáticos ¿no? Eso es lo interesante. El alfa Chromage, muchachos, te puede dar un valor total, un valor general de la confiabilidad, pero también te puede decir, "Oye, ¿qué ítem no es relevante?", No, eso lo hace muy interesante.
Speaker A
Muy bien. ¿Cómo sería esto con una data real, muchachos? Hay una base de datos en SPCS que yo les he compartido. Miren.
Speaker A
A ver, voy a abrirlo acá. Creo que sí tengo el SPSS. Vamos a abrirlo. Este es un instrumento con varbles dicotómicas.
Speaker A
Ya, ya no es escala liquer, no son dicotómicas. Hay mucha paciencia porque el SPS es un poco lento.
Speaker A
Yo tengo el 27. Creo que ahorita están el 29, si no me equivoco. Ya, ya está en el 30. [risas] Ya estoy desactualizado.
Speaker A
Muy bien, gracias. Estamos todos desactualizados porque esa gente más rápido y uno va lendo atrás de ellos.
Speaker A
Sí, lo que pasa ahora con el R y aparte software libre como que ya Sí, sí, ya uno está migrando. Yo estoy aquí por eso. Sí, es verdad.
Speaker A
Miren, acá tengo, A ver, es data real. Esto es un piloto real, muchachos. Eh, tiene 500 de muestra, muchachos.
Speaker A
Entonces son 12 íems y todos son escalas eh son baras dicotómicas, no binarias. Si yo quiero ver pues la confiabilidad de este instrumento de medición en el SPCS, si no me equivoco, era, a ver, analizar. Eh, vamos a ver
Speaker A
eh a ver, a ver. desapareció. Ahí está, miren. No, no es esa. Escala, no, ahí está.
Speaker A
analizar escala y fiabilidad, ¿no? Miren, el SPC se le llama fiabilidad y no le llama confiabilidad, ¿no?
Speaker A
Entonces, hay autores que manejan ese concepto. Y acá lo que tengo que hacer efectivamente es incorporar los ítems, ¿no? Todos los ítems.
Speaker A
Alfa, ¿no? Y acá también está, ¿no? Omega, dos mitads, goodman y todo. Simplemente alfa, no hay problema.
Speaker A
estadísticos puedes pedirle un resumen completo, ¿no? Para analizar ítem con íem y todo, ¿no? Pero vamos a poner simplemente aceptar.
Speaker A
El alfa y Chrombal le sale 0.82, muchachos. Un valor alto, ¿no? Muy bien. ¿Cómo se hace esto en R, muchachos?
Speaker A
En R es mucho más sencillo, ¿no? Mucho más sencillo. Lo que tenemos que hacer es lo siguiente ¿no?
Speaker A
Primero cargar la base de datos. Como es un SPCS, la librería Javen sirve para SPCS y estata, ¿no? Y automáticamente en cuestión de segundos ha sido importada nuestra nuestra piloto de 500 individuos, ¿no?
Speaker A
Con sus íems dicotómicos respectivos. A veces hay valores faltantes, ¿no? No siempre. Si es que hubiera faltantes, pues se le pone esto. No sé para qué agregue.
Speaker A
Lo que pasa a veces hay un ID al inicio, ¿no? Si se fijan, mira, vamos a cargar nuevamente.
Speaker A
Hay un ID, ¿no? Lo voy a quitar para no tener problemas. No, lo puedes eliminar o lo puedes poner de frente nul y automáticamente ya desaparece, ¿no? La idea es darle a la función alfa todo el objeto de los 12 íems, ¿no?
Speaker A
Listo, acá está, miren. Ejecuto y acá me da todo el análisis por item, ¿no? ¿Cuánto sale? 0 pun 82, muchachos.
Speaker A
Entonces es un instrumento confiable, ¿no? Ahora vamos a analizar si algún ítem tiene un problema.
Speaker A
Claro, como el alfa es alto, no creo que haya un ítem problemático, ¿no? Esto también sirve para calcular directamente el alfa, muchachos.
Speaker A
Redondeado a dos decimales, ¿no? Ahí está. 0.82. Hasta ahí no hay ningún problema. Ahora vamos a analizar las correlaciones ítems respecto al total. Ya, miren, no hay ningún valor menor a 0.2, muchachos.
Speaker A
Este ítem tiene un valor bajo, pero no es menor a 0.2, no en general, muchachos, el airdrop es mucho mayor al 0.2, ¿no? Así que no hay ningún problema.
Speaker A
Pero muchachos, si ustedes en su instrumento encontraran algún ítem con R drop menor a 0.2, dos.
Speaker A
Eso significa que hay que o bien revisar ese ítem que estás ha sido formulado incorrectamente, caso contrario, hay que eliminarlo.
Speaker A
Luis, ese 0, ese 0.2 es en base a la literatura o es por la experiencia que tú has tenido respecto a la a los trabajos que has hecho es en base a la literatura.
Speaker A
Ah, okay. Okay. Sí. Y es verdad, ¿no? Cuando quitas ese ítem con menor a 0.2 R drop. El alfa mejora notablemente, mejora bastante, pero la idea es porque no tienes que eliminar muchos ítems. Tampoco eso es la idea ¿no?
Speaker A
Claro, si eliminas muchos ítems es porque has el juicio experto no ha cumplido su función, ¿no?
Speaker A
¿Se dan cuenta? No hay que abusar de de esa de esta herramienta de del airdrop tampoco, ¿no?
Speaker A
Sí, si leen varios libros de de metodología investigación hablan de de revisar o eliminar ese ítem si es que tienes un airdrop menor a 0.2, dos, no son valores teóricos, ¿no? Pero a la hora de hacer estos estas corridas en
Speaker A
ERBC y al excluirlas, hay una mejora muy importante en el alfa. Muy bien, muchachos, eso sería todo el día de hoy. ¿No se han dado cuenta que fue una sesión muy corta?
Speaker A
mucho más corta. Sí, ayer fue creo que el el miércoles fue muy pesado, ¿no?
Speaker A
Muy bien. ¿Qué vamos a ver mañana, muchachos? Mañana sí va a ser un poco larga, así que bien alimentados.
Speaker A
Mañana vamos a ver muestro estadístico y muy aparte de ver el muestro estadístico, todos los conceptos de muestreo, tamaños de muestra.
Speaker A
Vamos a usar una muestra real para estimar la pobreza, muchachos, la pobreza monetaria de acá de Perú, ¿no? Si hubieran otras encuestas de otros países es igual, ¿no?
Speaker A
Entonces eh R sirve para tomar muestra, para seleccionar muestra, pero en muestreo de estimaciones, usando muestras complejas, muchachos.
Speaker A
R es mejor de lejos que cualquier otro programa. Es un monstruo, como se dicen en muestreo ¿no?
Speaker A
Muy bien, muchachos. Después le comparto este material porque aún todavía no cierro esta parte, tengo que agregar más cosas. Ya.
Speaker A
Bien, muchachos. Entonces, nos quedamos acá y nos estaremos encontrando el día de mañana a la misma hora para ver nuestro estadístico con R. muchachos. Eh, bien, gracias y pasen. Buenas noches.
Speaker A
Okay, igualmente. Buenas noches con todos. Buenas noches. Buenas noches. Gracias. Buenas noches. Gracias.
Topics:análisis de confiabilidadvalidezconfiabilidadinstrumentos de mediciónalfa de Cronbachprueba pilotoinvestigación científicaadaptación de instrumentosestadísticavalidación de cuestionarios
