En Psicología no existen el tipo de instrumentos
de medición que sirvan para determinar con precisión la introversión, la
actitud hacia el aborto, la aptitud espacial o la habilidad lectora,
características que no son susceptibles de una medición directa
Perímetro Cefálico. Levet, Lorena (2015)
Diferente a la que puede ocurrirle al profesional de la
psicología, quienes se dedican a las Ciencias Clásicas (Medicina, Física,
Química,...) encontrarán que existen aparatos de medición exactos para medir
determinadas características en los individuos observados, los cuales, sin
embargo, tienen ciertos márgenes de error especificados. Con ellos se determina
la temperatura, la presión sanguínea, el peso, la concentración de determinados
elementos químicos, estatura, separación de dos puntos de interés, el Perímetro
Cefálico en fin, medidas de capacidad, de peso, distancia y temperatura
que gozan de cierta estabilidad o exactitud.
Sin embargo, en Psicología no existen ese tipo de instrumentos
de medición que sirvan para determinar con precisión la introversión, la actitud
hacia el aborto, la aptitud espacial o la habilidad lectora, características
que no son susceptibles de una medición directa. Para medir los rasgos
psicológicos se han elaborado teorías matemáticas o estadísticas que permiten
inferir el nivel de rasgo a partir del rendimiento observado de la persona.
Si se elabora, por ejemplo, una prueba de atención, una
persona obtiene una determinada puntuación X en el test. La cuestión que nos
planteamos es si esa X representa una buena manifestación del rasgo auténtico
de atención que tiene esta persona. Puede pensarse en las consecuencias que
tiene para el psicólogo que un test no proporcione una buena información de
los niveles de rasgo.
Un psicólogo clínico que utiliza un test de depresión en su
labor profesional, debe tener un alto grado de certeza de que las puntuaciones
que proporciona el test resultan buenas cuantificaciones de los niveles de
depresión de sus pacientes.
La Teoría Clásica de los Tests
(TCT), a partir de los trabajos iniciales de Spearman, propone un modelo
formal, denominado como modelo clásico o modelo lineal clásico,
fundamentado en diversos supuestos a partir de los cuales se extraen
determinadas consecuencias de aplicabilidad práctica para determinar el grado en que un test
informa de los niveles de rasgo.
Supuestos fundamentales del modelo
lineal clásico
El modelo de puntuación verdadera se concreta en un primer
supuesto:
(1) X = V + ε; que indica
que la puntuación empírica directa de una persona en un test (X) está compuesta
de dos componentes hipotéticos: el nivel de rasgo o puntuación verdadera de la
persona (V) y un error de medida (ε)
que se comete al medir el rasgo con el test. El error de medida se considera
una variable aleatoria compuesta por los diferentes factores (propios del
sujeto, del test y externos a ambos) que hacen que su puntuación empírica no
sea exactamente su nivel de rasgo. Por tanto, el error de medida se establece
como la diferencia entre la puntuación empírica y la verdadera:
ε = X - V
El problema es que ε
y V resultan en principio desconocidos,
si bien podemos obtener información sobre ellos si se plantean determinados supuestos adicionales:
(2) V = E[X]
Definimos la puntuación verdadera de una persona como el Valor Esperado
de las posibles puntuaciones empíricas que puede obtener en el test. Dicho de
otro modo, sería el promedio de las puntuaciones empíricas que obtiene la
persona en un número elevado de aplicaciones del test.
Del supuesto anterior se desprende que:
E[ε] = 0
Asumiendo que X y ε
son dos Variables Aleatorias,
mientras que la puntuación V de la persona es constante, resulta fácil
comprobar la igualdad anterior, puesto que:
E[ε] = E[X - V] =
E[X] - E[V] = E[X] – V = V – V = 0
(3) ρVε
= 0
Este tercer supuesto nos dice que si en una población
conociéramos las puntuaciones V y ε de
los individuos, la Correlación
entre ambas variables sería nula. Se asume que puntuaciones verdaderas elevadas (o bajas)
no tienen porqué tener asociados errores elevados (o bajos) respectivamente
(4) ρε
jεk
= 0
El cuarto supuesto asume que si en una población
conociéramos los errores de medida de cada individuo en dos tests diferentes (j
y k), dada su condición de aleatoriedad, la Correlación
entre ambas variables también sería nula.
(5) ρε
jVk
= 0
El quinto supuesto nos indica que si en una población
conociéramos las puntuaciones ε en un test j y
las puntuaciones V en un test k, ambas variables Correlacionarían
cero.
Ejemplo: Supongamos una población de 5 personas, para las
que se conocen sus puntuaciones V, ε
y X en dos tests diferentes, denominados con los subíndices 1 y 2 (En realidad,
sólo podemos conocer las puntuaciones X; las restantes puntuaciones se proponen
únicamente por razones didácticas):
Se puede comprobar que se cumplen los cinco supuestos
planteados anteriormente, en la tabla de puntuaciones.
De cualquier forma, insistimos que en la aplicación real de
un test sólo se conocen las puntuaciones X de las personas, por lo que los
supuestos planteados (por muy lógicos y razonables que sean) no pueden
someterse a contrastación empírica, siendo ésta una de las principales
limitaciones de la Teoría Clásica de los Tests (TCT).
A continuación, llevando los datos a una base de datos en el
software para Análisis de Datos Estadísticos
SPSS se probarán los Supuestos fundamentales del
modelo
lineal clásico
(1) X
= V + ε
(2) V
= E[X] => E[ε] = 0
(3) ρVε
= 0
(4) ρε
jεk
= 0
(5) ρε
jVk
= 0
Paso 1: Observando los datos
se aprecia que cumplen con el supuesto (1) X = V + ε
Paso 2: Se calculan los
promedios por columnas, que representan la esperanza o Valor Esperado
de las Variables Aleatorias,
demostrándose el Supuesto fundamentales del modelo lineal
clásico (2)
V1
|
ε1
|
X1
|
V2
|
ε2
|
X2
|
|
12
|
-2
|
10
|
12
|
0
|
12
|
|
11
|
0
|
11
|
11
|
-2
|
9
|
|
11
|
0
|
11
|
11
|
2
|
13
|
|
12
|
2
|
14
|
12
|
0
|
12
|
|
4
|
0
|
4
|
4
|
0
|
4
|
|
E[X]
|
10
|
10
|
10
|
10
|
||
E[εi]
|
0
|
0
|
Paso tres: se calculan
los Coeficientes
de Correlación de Spearman utilizando SPSS de la
siguiente manera:
Generándose los siguientes resultados:
Allí se puede apreciar que se cumplen los Supuestos
fundamentales del modelo lineal
clásico (3), (4) y (5). Lo que se puede
apreciar con mayor nitidez en la siguiente matriz e datos, extraída del resultado
que arrojó SPSS se
aprecia, sombreadas en amarillo los Coeficientes de Sperarman ρVε
= 0, ρεjεk
= 0
y ρε jVk
= 0
cumpliéndose así los Supuestos fundamentales del
modelo
lineal
Este tema se seguirá desarrollando y explicando en próximas
entregas, por favor haga sus comentarios, críticas constructivas para mejorar
este sitio de discusión y aprendizaje. Suscríbase al blog y comparta este
contenido.
Para Procesamiento, Análisis e Interpretación de Test Psicológicos y Estudios Cuantitativos puede contactarnos en el sitio
http://www.plepso.com.ve
Hasta una próxima entrega.
 |
 |
 |
REFERENCIAS BIBLIOGRÁFICAS Y DOCUMENTALES
Amón
J. (1984). Estadística para psicólogos. Probabilidad. Estadística Inferencial.
Volumen 2. 3ª edición. Madrid: Pirámide.
Hambleton
R.K, Swaminathan H. y H.J. Rogers (1991). Fundamentals of Item Response Theory. MMSS volumen 2.
Londres: Sage.
Hambleton R.K. y Swaminathan H. (1985). Item Response
Theory: Principles and applications. Boston: Kluwer.
Kerlinger,
F. (1988). Investigación del Comportamiento. Segunda Edición. México.
Editorial McGraw-Hill.
Levet,
Lorena (2015) Perímetro Cefálico [Video en línea] disponible en: https://www.youtube.com/watch?v=bR5lfc68CWc
[Consulta: 2017, septiembre 23]
López
Pina, José Antonio (1995). Teoría de la respuesta al ítem: fundamentos.
Barcelona: PPU. Barcelona.
Muñiz
Fernández J. (1997). Introducción a la Teoría de Respuesta a los Items. Madrid:
Pirámide.
Olea,
J. y Ponsoda, V. (2003). Tests adaptativos informatizados. Madrid: UNED
Ediciones.
Olea,
J., Ponsoda, V. y Prieto, G. (1997). Tests informatizados. Madrid: Pirámide.
Ponsoda
V., Olea J. y Revuelta J. (1994). ADTEST: A computer adaptive test based on the maximum information
principle. Educational and Psychological Measurement, 57, 2, 210-221.
Reckase M.D. (1979). Unifactor latent trait models
applied to multi-factor tests: Results and implications. Journal
of Educational Statistics, 4, 207-230.
Renom
J. (1993). Tests adaptativos computerizados. Fundamentos y aplicaciones.
Barcelona: PPU.
No hay comentarios:
Publicar un comentario