Análisis de fiabilidad

Introducción

El análisis de fiabilidad evalúa la consistencia interna de un conjunto de elementos (ítems) que forman una escala o constructo. Es decir, mide hasta qué punto los distintos ítems están midiendo el mismo concepto latente de forma coherente.

Esta función actúa como un puente entre la tradición analítica clásica y la psicometría moderna. Por un lado, reproduce con exactitud las métricas históricas de SPSS (como el Alfa de Cronbach). Por otro lado, incorpora de forma nativa la Omega de McDonald (\(\omega\)), el estándar actual recomendado por la APA (Asociación Americana de Psicología).

El Alfa de Cronbach asume estrictamente la tau-equivalencia (supone que todos los ítems tienen exactamente el mismo peso o carga factorial sobre el constructo). Cuando esto no se cumple en la realidad, el Alfa subestima la verdadera fiabilidad. La Omega de McDonald relaja este supuesto, permitiendo que cada ítem tenga una contribución diferente, lo que resulta en una estimación más precisa y robusta de la fiabilidad real de la escala.

Interpretación de resultados

El bloque analítico se compone de advertencias metodológicas (si aplican) y tres tablas estandarizadas que desgranan el comportamiento global e individual de la escala.

Antes de las tablas, la función informa de las alteraciones algorítmicas realizadas sobre los datos en bruto:

Ponderación: Si se ha declarado una variable de peso, se indicará en azul. La función expande internamente la muestra según este factor de elevación para que las matrices de covarianza reflejen a la población real y no a la muestra extraída.
Inversión de Ítems: Si se utilizó el argumento invert_vars, aparecerá un aviso en naranja listando los ítems que fueron invertidos matemáticamente, mostrando el rango empírico detectado (ej. 1-5).

Resumen casos

Esta tabla muestra el volumen de la muestra utilizada en el cálculo. * Siguiendo el estándar analítico, la función aplica una eliminación Listwise (eliminación por lista). Esto significa que cualquier sujeto que tenga un valor perdido (NA) en al menos uno de los ítems evaluados será excluido por completo del análisis. La tabla detalla cuántos casos fueron válidos y cuántos fueron excluidos.

Estadísticos de fiabilidad

Es el núcleo del análisis, mostrando las métricas de consistencia global (valores cercanos o superiores a 0.70 o 0.80 suelen considerarse adecuados, dependiendo del campo de estudio):

Alfa de Cronbach: La medida clásica de consistencia interna basada en las covarianzas promedio de los ítems.
Alfa Basado en Elem. Estandarizados: Es el Alfa calculado suponiendo que todas las variables han sido tipificadas (transformadas a Z-Scores) para tener varianza 1. Es útil si los ítems de la escala se midieron en rangos o métricas muy diferentes.
Omega de McDonald (\(\omega\)): La estimación moderna de fiabilidad basada en un modelo de factor latente (congénito). Requiere un mínimo de 3 ítems en la escala para poder estimarse matemáticamente.
N de Elementos: El número total de variables analizadas.

Estadísticas de total

Esta tabla desglosa la contribución individual de cada ítem a la fiabilidad de la escala. Es la herramienta principal para diagnosticar si algún elemento está “ensuciando” el constructo y debe ser eliminado. Si un ítem fue procesado mediante el algoritmo de inversión, su nombre aparecerá marcado con el sufijo (Invertido).

Media / Varianza de Escala si se elimina: Muestra cuál sería la media y la varianza total de la escala si sacáramos este ítem del cuestionario.
Correlación Total-Elemento Corregida: Es la correlación de Pearson entre la puntuación de ese ítem concreto y la suma de las puntuaciones del resto de ítems. Valores bajos (ej. \(< 0.30\)) indican que el ítem no está midiendo lo mismo que el resto de la escala.
Alfa de Cronbach si se elimina el elemento: Es la métrica clave para la optimización de escalas. Muestra cuál sería el nuevo Alfa global si borramos ese ítem. Regla de decisión: Si el Alfa sube significativamente al eliminar el ítem, significa que dicho ítem está perjudicando la consistencia interna y se recomienda su extracción.

Parámetros avanzados

Inversión automática (`invert_vars`)

En el diseño de cuestionarios, es habitual introducir ítems formulados en sentido inverso para evitar sesgos de respuesta (ej. “Me siento motivado” vs. “A menudo pienso en dejar el trabajo”). Si no se invierten las puntuaciones de los ítems negativos, las correlaciones cruzadas serán negativas, destrozando el valor del Alfa de Cronbach (que podría incluso salir negativo).

En lugar de requerir que el analista recodifique manualmente las variables en la base de datos, el parámetro invert_vars acepta un vector con los nombres de las variables a invertir. El algoritmo detecta automáticamente el mínimo y máximo de la escala de ese ítem empíricamente y aplica la fórmula de transformación psicométrica:

\[NuevoValor = (Máximo + Mínimo) - ValorOriginal\]

De este modo, en una escala del 1 al 5, un 5 se convierte en 1, un 4 en 2, y el 3 permanece inalterado, alineando perfectamente el vector con el resto del constructo.