Estadística Aplicada

Estadística aplicada
Sesión 1 Semana 1:
Estadística y diseños de
investigación.
Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

Fernando Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y
Ambrosio Tomás
2023-2
Facultad de Psicología
Estadística Aplicada
Sesión 1 - Semana 1
2023-2
El estudiante identifica la importancia
de la estadística en la investigación
LOGRO psicológica y su relación con los diseños
de investigación.
VIDEO SOBRE ESTADISTIL:
https://www.youtube.com/watch?v=ldrTOV3JEzg
Distrito A Distrito B
Persona 1 25 Persona 1 36
Persona 3 28 ¿qué grupo Persona 3 34
tiene mayor
Persona 6 29
promedio de Persona 6 39
Persona 7 25 edad? Persona 7 40
Promedio …? Promedio …?
Distrito A = 50 000 residentes Distrito B = 37 000 residentes
¿qué distrito tendrá el mayor

promedio de edad?
¿tenemos que preguntar la edad de

todas las personas que viven en
cada distrito?
ESTADÍSTICA
ESTADÍSTICA
“Es la ciencia que se encarga de planear estudios y
experimentos, obtener datos y luego organizar, resumir,
presentar, analizar e interpretar esos datos para obtener
conclusiones basadas en ellos” (Triola, 2018, p. 4).
Es una forma de pensar que permite dar respuesta a

problemas sociales, prácticas y de investigación, a través
de la construcción de relaciones entre variables y
planteamiento de hipótesis, brindando así, una visión
objetiva de los hechos (Blanco, 2016).
ESTADÍSTICA
a. Conceptos básicos de estadística son importantes para el ciudadano en
la vida cotidiana (Salinas y Mayen, 2016).
b. Comprendiendo aspectos básicos de estadística, se puede comprender

mejor distintas fuentes de información y por lo tanto tomar mejores
decisiones (Sanoja y Ortiz, 2013).
¿en qué casos

podemos utilizar
la estadística?
LA EDUCACIÓN ESTADÍSTICA
ESTADÍSTICA Y PSICOLOGÍA
Disciplina científica encargada del estudio de la mente y el comportamiento
(…). La investigación en psicología implica la observación, experimentación,
prueba y análisis para explorar los procesos o estímulos biológicos, cognitivos,
emocionales, personales y sociales del comportamiento humano y animal
(APA, 2022).
¡Usa el método científico para obtener

conocimiento!
Cuidado que la intuición o el sentido común pueden brindar “verdades” pero en la
ciencia se encuentra evidencia que respalda o no una explicación/teoría (Coolican,
2018).
ESTADÍSTICA NOS PERMITE OBTENER EVIDENCIAS EN PSICOLOGÍA
¿Cuál es el promedio de la edad de los estudiantes de primer ciclo de la UPC?
¿Existe diferencia en la inteligencia emocional de estudiantes varones y mujeres de UPC?
¿Existe relación entre la autoeficacia académica y la ansiedad ante los exámenes en estudiantes de UPC?
Para dar evidencia en psicología, es necesario realizar una
investigación psicológica y esta se fundamente en los
DISEÑOS DE INVESTIGACIÓN
Pilares metodológicos de toda investigación científica (Kline, 2009)
• Identificación, definición y medición
Medida • Generar valores numéricos

• Confiabilidad y validez de los instrumentos a usar
• ¿cómo se va a medir la variable?
• Prueba de hipótesis / Estimación paramétrica
Análisis • Validez de conclusión estadística

• ¿Se va a usar las pruebas estadísticas correctas?
Diseño • A CONTINUACIÓN…
Diseño
Plan que proporciona una estructura para integrar
todos los elementos de una investigación empírica.
Resultados Resultados sin Resultados

creíbles sesgos generalizables
Dannels (2010)
El diseño de
Selección de
investigación se los
encarga de… participantes
DISEÑO
Validez
Control de Interna
variables
extrañas Validez
Externa
Validez interna: Capacidad de Validez externa: Capacidad de
controlar efectos de variables generalizar los resultados a
extrañas. Esto es necesario otros participantes y otros
para interpretar los resultados contextos.
de una investigación.
VALIDEZ
VALIDEZ INTERNA
EXTERNA
VALIDEZ
VALIDEZ EXTERNA
INTERNA
Ato et al. (2013): Cuatro clases de investigaciones.
Investigación Investigación
Teórica Instrumental
Investigación Investigación
Metodológica Empírica
Investigación Empírica
Analizan las relaciones
causales entre dos o más
variables, siendo una de
ellas manipulada.
Analizan las relaciones

funcionales entre
variables.
Describen las variables sin

manipularlas.
ESTRATEGIAS ASOCIATIVA:
Estudios comparativos
• Relacionan variables mediante la comparación de grupos examinando las
diferencias que existen entre dos o más grupos de individuos aprovechando las
1 situaciones diferenciales creadas por la naturaleza o la sociedad.
• Usan variables atributivas (se selección o clasificación) a modo de “variables

independientes” (VI). Sería la que representa a los “grupos”.
2
• Retrospectivo o Ex post facto: Las variables ocurren antes del estudio.
• Transversal: Las variables ocurren en el mismo periodo de tiempo.
• Prospectivo o longitudinal: Las variables se observan después de iniciada la
Tipos investigación
ESTRATEGIAS ASOCIATIVA: Estudios
predictivos y explicativos.
• Explorar las relaciones entre variables para pronosticar o explicar su
comportamiento.
*
• Muestra única.
• La medida de cada participante de la muestra en dos o más variables
suele ser cuantitativa.
*
• La disponibilidad de una matriz de correlaciones.
• Explicativos son de mayor complejidad que los Predictivos.

Complejidad
Estudios predictivos
• Diseño correlacional simple
• (A) r (B)
DCS • No hay control de terceras variables
• Diseño correlacional controlado

• (A) r (B)
DCC • Control de terceras variables (p.e. correlación parcial)
• Diseño predictivo transversal

• A (predictor) predice B (criterio). Análisis de regresión.
DPT
Estudios explicativos
• Probar modelos acerca de las relaciones existentes en un conjunto de
variables.
*
• Diseño de variables manifiestas

• Red estructural de relaciones entre variables mediante un sistema de ecuaciones de regresión.
DVM • Path analysis
• Diseño de variables latentes

DVL • Tiene una parte estructural y una parte medida.
ESTRATEGIAS DESCRIPTIVA:
Estudios observacionales y selectivos.
• Tienen por objetivo la definición, clasificación y categorización de
eventos para describir procesos mentales y conductas manifiestas.
* • No requieren de hipótesis.
• Estudios observacionales: Registro de comportamientos producto

de la observación y clasificación de acuerdo a códigos. Su principal
* característica es el realismo al captar la información.
• Estudios selectivos: Registro de opiniones y actitudes a través de

cuestionarios. Su principal característica es la representatividad de la
* muestra respecto a la población.
Según Ato et al. (2013), cada diseño de investigación se fundamenta en un
procedimiento específico, así tenemos:
Clase Estrategia Diseño Procedimiento estadístico
Estudio comparativo: - Diseño de cohorte retrospectivo. - t student.
- Diseño de cohorte transversal. - U de Mann Whitney.
- Anova.
- Kruskal Wallis.
Estudios predictivos: - Correlación de Pearson
Asociativa - Diseño correlacional simple. - Correlación de spearman.

- Diseño predictivo transversal. - Análisis de regresión lineal
simple y múltiple.
Estudios Explicativos: - Modelo de ecuaciones
Investigación - Diseño explicativo de variable latente. estructurales.
empírica - Path Analysis.
- Diseño explicativo con variable observable.
Estudio selectivo: - Análisis de frecuencia,
- Diseño selectivo probabilístico transversal. tablas y/o figuras.
Descriptiva - Diseño selectivo no probabilístico transversal. - Medidas de tendencia

central.
- Medidas de dispersión.
ACTIVIDAD 1:
1. En grupos, hagan la búsqueda en bases de datos científicas de cinco

artículos científicos de estudios comparativos, cinco de predictivos y
explicativos y cinco descriptivos.
2. En un documento Word elaboren la cita en formato APA de los artículos

seleccionados y sus objetivos de investigación (Resumen).
Para finalizar
¿Alguna pregunta?
Referencias
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en psicología. Anales de Psicología/Annals of
Psychology, 29(3), 1038-1059.
American Psychological Association. (1 de agosto de 2022). APA Dictionary of Psychology. https://dictionary.apa.org/psychology
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial Brujas.
Coolican, H. (2018). Research methods and statistics in psychology. Routledge.
Gómez-Camacho, A., Hunt-Gómez, C. I., & Valverde-Macías, A. (2018). Textism, texting, and spelling in Spanish. Lingua, 201, 92-101.
https://doi.org/10.1016/j.lingua.2017.09.004
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6a. ed.). McGraw-Hill.
Kemp, N., & Grace, A., (2017). Txting across time: undergraduates’ use of ‘textese’ in seven consecutive first-year psychology cohorts. Writing Systems Research, 1-
16. http://dx.doi.org/10.1080/17586801.2017.1285220
Ramos, L. F. (2019). La educación estadística en el universitario: retos y oportunidades. Revista Digital de Investigación en Docencia Universitaria,
13(2). https://orcid.org/0000-0001-9216-7040
Salinas, J. & Mayén, S. (2016). Estudio exploratorio de las actitudes hacia la estadística en estudiantes mexicanos de bachillerato. Avances de Investigación en
Educación Matemática, 10, 73-90. https://doi.org/10.35763/aiem.v0i10.130
Triola, M. F. (2018). Estadística. Pearson.
Waldron, S., Wood, C., & Kemp, N. (2016). Use of predictive text in text messaging over the course of a year and its relationship with spelling, orthographic
processing and grammar. Journal of Research in Reading, 1-19. http://dx.doi.org/10.1111/1467-9817.12073
Sesión 1 Semana 2:
Estadística inferencial. Contraste de

hipótesis. Tamaño del efecto

Ambrosio Tomás
2023-2
2023-2
El estudiante conoce aspectos
LOGRO conceptuales sobre la inferencia
estadística y la magnitud del efecto
Situación 1: lluvia de ideas
¿qué podemos afirmar de la imagen?

Lluvia de ideas
Agrupando las ideas
Respuesta 1
Respuesta 2 Todas estas respuestas las
Respuesta 3 podemos conocer como
. HIPÓTESIS, las cuales
. necesitan ser contrastadas
. con la realidad para saber si
Respuesta n se aceptan o se rechazan
Hipótesis: La maestra está molesta con el

niño porque no cumplió con sus actividades.
La observación de la realidad nos permite generar
hipótesis
Al consultar a la maestra y los

alumnos nos enteramos que Este dato apoya la
está molesta porque el niño no hipótesis planteada
cumplió con sus actividades
Pero… ¿todas las
maestras de Lima se
molestan con sus
alumnos cuando no
cumplen con sus
actividades?
INVESTIGACIÓN CIENTÍFICA
Para saber si todas las maestras
de Lima se molestan cuando sus
alumnos no cumplen con sus
actividades, debemos obtener
datos que procesaremos a través
de la inferencia estadística que
nos ayudará a realizar la prueba
de hipótesis y obtener evidencia
científica
?
¿Qué es la evidencia científica?
• La evidencia es conocimiento adquirido a través de la

investigación científica(Sackett et al., 2016).
• Información de un artículo científico publicado en una revista de revisión

por pares, con calidad metodológica aceptable y que aborda un problema
específico, resultado de la inferencia estadística (Hume et al., 2021).
Inferencia estadística
Comprende los métodos que son usados para obtener conclusiones
acerca de la población en base a una muestra tomada de ella
(Harradine et al., 2011, véase Makar & Rubin, 2018).
Conjunto de métodos estadísticos que permiten deducir cómo se

distribuye la población e inferir las relaciones entre variables a
partir de la información que proporciona la muestra recogida
(Wassertheil-Smoller, 2004).
Sus objetivos son la estimación y el contraste o prueba de hipótesis

(Seoane et al., 2007)
Importancia:
Población es un conjunto de casos, definido,
delimitado y accesible (García-García et al., 2013)
Son importantes los
criterios de inclusión y
exclusión.
Procedimientos de selección
probabilísticos y no probabilísticos
(García-García et al., 2013)
Prueba de hipótesis
“Una prueba de hipótesis es un procedimiento, con el que se busca

tomar una decisión sobre el valor de verdad de una hipótesis
estadística. Al realizar una prueba de hipótesis decidimos si rechazar o
no rechazar esa hipótesis estadística. Basamos la decisión en la
evidencia muestral” (Gordon, 2010, véase Hernández et al., 2014, p.
306).
JUEGA UN PAPEL FUNDAMENTAL EN EL AVANCE DE CUALQUIER

DISCIPLINA
¿Qué es una hipótesis estadística?
Es una conjetura, afirmación o supuesto que el investigador plantea para un
parámetro, que puede o no ser verdadera, relativa a una o más poblaciones.
SE PLANTEAN ANTES DE HACER EL ANÁLISIS.
Media (de una variable)
Desviación estándar (de una variable)
Hipótesis
Diferencia entre personas respecto a una variable

En estadística, ¿Qué es una hipótesis?
 XY  0 Existen diferencias
H  M
estadísticamente significativa
entre varones y mujeres respecto
Existe relación
a su autoconcepto físico
estadísticamente
significativa entre la
autoestima general y la
propia valoración del
cuerpo físico
El promedio de la
autoestima general es
estadísticamente μ ≠ 15
diferente de 15
Existen diferencias estadísticamente

significativas entre estudiantes de psicología,
administración e ingeniería respecto a la
competencia intelectual
 ps  adm  ing
En estadística, Hipótesis ALTERNA se representa de la siguiente
manera…
Existen diferencias
entre varones y
mujeres respecto a su
La hipótesis alterna representa
Existe relación entre la autoconcepto físico la conclusión que el investigador
autoestima general y la quiere afirmar o demostrar de
propia valoración del
cuerpo físico
H  M su estudio
 XY  0
Esta es la manera estadística de simbolizar la hipótesis
planteada por el investigador (Hipótesis alternativa)
El intensidad de la
autoestima general
será mayor a 15 μ ≠ 15
Existen diferencias entre estudiantes

de psicología, administración e
ingeniería respecto a la valoración de
la competencia intelectual
 ps  adm  ing
En estadística, Hipótesis NULA se representa de la siguiente manera…
El aspecto central de la estadística
inferencial es el rechazo de la Hipótesis
nula porque se asume como cierta la La hipótesis nula es la que
alterna.
niega lo planteado en la
hipótesis alterna
H  M H  M
 XY  0  XY  0
Esta es la manera estadística de

simbolizar la hipótesis CONTRARIA
μ = 15 μ ≠ 15 a planteada por el investigador
(Hipótesis nula)
 ps  adm  ing  ps  adm  ing

EL CONTRASTE DE HIPÓTESIS SE REALIZA A TRAVÉS DE LOS
SIGUIENTES PASOS:
1. Identificar la 2. Proporcionar la
afirmación que será forma simbólica de la 3. Identificar la Ho y H1 4. Determinar el nivel
probada afirmación de significancia
5. Determinar el
6. Interpretar el
7. Tomar una decisión estadístico inferencial a
estadístico de prueba
emplear
¿CUÁLES SON LOS CRITERIOS PARA RECHAZAR
O ACEPTAR UNA HÍPÓTESIS?
• Se establecen criterios cuantitativos para saber si aceptamos o rechazamos

una hipótesis.
• Recordar, que se hacen hipótesis SOBRE la población, pero obteniendo
información de la muestra.
• Pero siempre hay un riesgo de equivocarnos al hacer esta inferencia, y por
lo tanto se debe establecer la probabilidad de errar al aceptar o rechazar
una hipótesis.
¿Cuál es ese criterio cuantitativo que lleva a aceptar
o rechazar la hipótesis?
Prueba de significancia de la hipótesis nula (PSHN)
Valor p
Probabilidad de que la diferencia observada se deba al azar.
Es fijado a priori por el investigador

p < 0.05 p < 0.01 p < 0.001 p < 0.000…
p < 0.05 = rechazar la Ho

Valores más usados en ciencias sociales
y de la salud
p > 0.05 = Aceptar la Ho
Un valor p < 0.05 significa que existe menos del 5% de probabilidad de que ese resultado
se deba al azar y por lo tanto representa algo que ocurre en la población. Por el contrario,
un valor p > 0.05 indica que no existe la confianza necesaria para afirmar que los datos NO
son producto del azar (Molina, 2017).
Recordemos…
5. Determinar el
6. Interpretar el
7. Tomar una decisión estadístico inferencial a
emplear
Aplicando lo aprendido
1. Identificar la
1. Se desea saber si la edad promedio de ingreso a la universidad
afirmación que será es diferente entre varones y mujeres. Para esto se seleccionó
probada una muestra representativa de la población.
2. M varones ≠ M mujeres
2. Proporcionar la
forma simbólica de la
afirmación
3. Identificar la Ho y H1 3. Plantear las hipótesis nula y alterna:
Ho = La edad media de ingreso a la H1 = La edad media de ingreso a la

universidad es igual en varones y universidad es diferente en varones y
mujeres mujeres
M varones = M mujeres M varones ≠ M mujeres
4 y 5. Determinar el 4 y 5. Podemos utilizar la prueba t student

estadístico inferencial a
emplear y el nivel de
significancia M varones = 19.5
M mujeres = 17.5
p < 0.05
M varones = 19.5
6. Interpretar el M mujeres = 17.5
p < 0.05
El valor p < 0.05 indica que los resultados

obtenidos no son debidos al azar, por el
contrario, reflejan algo que ocurre en la
población. Por lo tanto, hay evidencia para
indicar que se tiene que rechazar la Ho y que
existe diferencia entre la edad promedio de
ingreso a la universidad entre varones y mujeres.
ACTIVIDAD 1:
• Revisar la tesis 1 y realizar la secuencia de inferencia estadística

(similar al modelo enseñado en clases).
• Los datos estadísticos (media y p) extraerlos de la tabla que se
encuentra en la página 64
ACTIVIDAD 2:
• Revisar el artículo 1 y realizar la secuencia de inferencia

estadística (similar al modelo enseñado en clases).
• Los datos estadísticos (media y p) extraerlos de la tabla 4. Tomar
en consideración solo la media de la autoestima total.
Pero no solo es importante
determinar si se aprueba o no
la hipótesis planteada, es
relevante también conocer la
magnitud del efecto
Magnitud del efecto
“En la metodología cuantitativa aplicada a ciencias de la salud… las

limitaciones inherentes a la prueba de significación de la hipótesis
nula (NHST, por sus siglas en inglés) han llevado a generar propuestas
alternativas ante tal situación. Uno de dichos avances son las medidas
de magnitud del efecto (effect size, ES)” (Dominguez-Lara, 2018).
Nota: la prueba de significancia es la probabilidad de que los resultados se deban al azar. Un valor p < 0.05
significa que existe menos del 5% de probabilidad de que ese resultado se deba al azar y por lo tanto
representa algo que ocurre en la población.
Magnitud del efecto
• “…Cuantifican la presencia del fenómeno analizado. Por ejemplo, en el caso de la

diferencia de medias entre grupos independientes usualmente evaluada con
la t de Student, la d de Cohen cuantifica el tamaño de la diferencia (p. e.,
pequeña, mediana o grande); asimismo, la r de Pearson elevada al cuadrado,
indica la fuerza de asociación.” (Dominguez-Lara, 2018)
• “Su elección, reporte e interpretación varía según el diseño de investigación

empleado.” (Domínguez-Lara, 2018)
Magnitud del efecto
• “Siempre presentar tamaños del efecto en los resultados...

Esto es esencial para una buena investigación” (Wilkinson y
TFSI, 1999, p. 599).
• Para el cálculo del tamaño del efecto se debe considerar una formulación
específica según el estadístico empleado (Castillo & Alegre, 2015) y el diseño.
Magnitud del efecto y significancia práctica (Castillo &
Alegre, 2015)
Kirk (2001) plantea que los investigadores deben responder a estas tres preguntas:
a) ¿existe un efecto real o los resultados deberían atribuirse al azar? Solo el método del
NHST (prueba de significancia) puede responder a esta pregunta.
b) Si el efecto es real, ¿qué tan grande es? Se responde de manera coherente con el
cálculo y la presentación del tamaño del efecto.
c) ¿Es el efecto lo suficientemente grande para considerarse importante o útil? se puede

responder a partir de los criterios de interpretación de los tamaños del efecto,
basándose estos en los antecedentes y la experiencia sobre el campo particular de
estudio.
Estimadores del magnitud del efecto
Tipo de investigación Estimadores Tamaño del efecto
Comparación de 2 • t de Studen • d de Cohen (d)

grupos • U de Mann Whitney • Correlación biserial por rangos (rs)
Asociación/Correlación • r de Pearson y rho de Spearman • r2
Comparación de k • Anova • Omega al cuadrado (ω2)

grupos • Kruskal Wallis • Coeficiente épsilon (ε2)
Regresión lineal • Análisis de regresión lineal • Coeficiente de determinación (R2)
Ellis (2010)
RECORDEMOS COMO CALCULAR EL TAMAÑO
DEL EFECTO DE LA T DE STUDENT
Para esta parte de la sesión trabajaremos con la BASE DE DATOS SEMANA 2 SESIÓN 1
Paso 1: ¿Existe diferencia a nivel de la ansiedad entre varones y mujeres?
Paso 2: M ansiedad varones ≠ M ansiedad mujeres
Paso 3:
Ho = No existe diferencias estadísticamente significativas en las puntuaciones de ansiedad
entre varones y mujeres.
H1 = Existe diferencias estadísticamente significativas en las puntuaciones de ansiedad
entre varones y mujeres.
Paso 4: Nivel de significancia de p < 0.05
Paso 5: La prueba es …
Para identificar la prueba es necesario evaluar los supuestos para
utilizar la prueba t de student, es decir, si presentan una distribución
normal, veamos...
Click 1
Click 2
Pasar la variable que se desea
analizar. Recordar que esta
debe de ser continua para
análisis paramétricos
Segmentar el análisis de
acuerdo a la variable que
contenga los grupos.
Identificar con la prueba

shapiro wilk si los datos se
aproximan a la normalidad
p < 0.05 = Los datos NO se aproximan
a la Distribución Normal
p > 0.05 = Los datos se aproximan a

la Distribución Normal
La variable ansiedad se
aproxima a la distribución
normal en ambos grupos.
Paso 5. La prueba a utilizar es la t de student
Click 1
En esta casilla va la variable
Click 2 continua
En esta casilla va la variable que

contiene los grupos
Marcar todas
las casillas en
azul de la
imagen.
Si p es menor a 0.05, existen
diferencias; si es mayor a 0.05,
entonces no existen diferencias.
El valor p indica que se tiene que aceptar la Ho. Por lo tanto, no

existe diferencias estadísticamente significativas en las
puntuaciones de ansiedad entre varones y mujeres. .
Para la prueba t de student,
la magnitud del efecto se
obtiene a través de la prueba
d de Cohen y su valoración es
(Cohen, 1998):
< 0.20: irrelevante

0.20 a 0.49: pequeño
0.50 a 0.79: mediano
0.80 a +: grande
Interpretación:
No existen diferencias estadísticamente significativas t(98) = 0.377; p > 0.05; entre las
puntuaciones de ansiedad de varones (M = 10.22; DE = 3.91) y mujeres (M = 9.9; DE = 4.56).
Además la magnitud del efecto indica que la diferencia es irrelevante (d = 0.075).
Analicemos ahora como leer las
tablas de un artículo
Saber cómo interpretar la prueba t student y d de cohen, nos permitirá entender artículos científicos.
Por ejemplo:
https://www.scielo.org.mx/scielo.php?pid=S1405-66662018000401121&script=sci_arttext
Elaboremos la interpretación X = media

Sx = desviación estandar
Interpretación:
Existen diferencias estadísticamente significativas t(139.7) = 4.767; p < 0.05; en

las puntuaciones de conocimiento fonológico entre el entorno urbano (M =
30.23; DE = 5.50) y rural (M = 26.53; DE = 8.00). Además la magnitud del efecto
indica que la diferencia es grande (d = 0.81).
ACTIVIDAD: en grupo, deberán interpretar la t de Student de…
Elabora la interpretación X = media

Sx = desviación estándar
Además:
- Explique y presente dos ejemplos los errores Tipo I y II para contrastar hipótesis
- Coloque ejemplos de explicación de tamaños del efectos para correlaciones y
comparaciones
Para finalizar
¿alguna
pregunta?
Referencias
Castillo-Blanco, R., & Alegre-Bravo, A. (2015). Importancia del tamaño del efecto en el análisis de datos de
investigación en psicología. Persona, (18), 137-148. https://doi.org/10.26439/persona2015.n018.503
Dominguez-Lara, S. (2018). Magnitud del efecto, una guía rápida. Educación Médica, 19(4), 251-254.
Ellis, P. D. (2010). The essential guide to effect sizes: Statistical power, meta-analysis, and the interpretation of
research results. Cambridge University Press.
Sesión 1 Semana 3:
Distribución de datos. Normalidad

univariada y multivariada. Métodos
de análisis de distribución de datos.
Ambrosio Tomás
2023-2
2023-2
Repasemos lo visto anteriormente…
www.slido.com
LOGRO conceptuales sobre la distribución de
datos y sus aplicaciones.
Reflexionemos…
¿Cómo puedo saber si un examen fue muy difícil?

¿Cómo puedo saber si un examen fue muy fácil?
Reflexionemos…
Si quiero relacionar la soledad con la agresividad ¿qué prueba

estadística debo usar?
• Pearson
• Spearman
https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/668308/Carpio_MM.pdf?sequence=3&isAllo
wed=y
Reflexionemos…
Distribución de datos
Hasta minuto 6:00
https://www.youtube.com/watch?v=RYwKj79515U
Esta distribución representa la cantidad de veces que una
persona ingresa a sus redes sociales durante una hora
Esta distribución representa lo que ocurre en la

realidad y se llama DISTRIBUCIÓN EMPÍRICA
De la distribución empírica a la distribución teórica
1. Distribución teórica: es como se espera Distribución

que se ocurran y se distribuyan las cosas empírica =
según una teoría estadística nuestros datos
2. Distribución empírica: es como ocurren

en la realidad, en los datos empíricamente
extraídos, por ejemplo mediante la
aplicación de tests
Z -4 -3 -2 -1 0 1 2 3 4
¿QUÉ FORMA TIENE LA

DISTRIBUCIÓN
50% 50%
EMPÍRICA?
Distribución teórica = p.e.,
distribución normal
Distribución normal o distribución de Gauss (Laplace-Gauss)
• Se cree que muchos fenómenos naturales están distribuidos “normalmente”, es

decir, que son similares a la distribución teórica normal.
• Se asume que, en psicología, la distribución poblacional de muchas variables

pueden ser estadísticamente normales; es decir, se ajustan a la distribución
teórica normal.
• Por ejemplo, ¿Qué pasa si medimos la inteligencia en un grupo de personas?

20
15
10 10 10
10
8 8
5 5
4 3
2 2
1 1
0 pts 10 20 25 30 35 40 45 50 55 60 65 70 80 90 100
pts
Pero…
¿Todo en psicología sigue la distribución normal?
¿Ustedes qué creen?

• Inteligencia en personas con
síndrome de Down
• Psicopatía en población normal
• Depresión en deprimidos
• Depresión en población normal

PROPIEDADES DE LA CURVA NORMAL
• Es la misma curva normal teórica pero con una media
de 0 y DE de 1 (recordar puntajes Z); es decir, los
datos expresados en puntajes Z.
Normal Curve
20
16
Frequency
12
Z 0
-2 -1 0 1 2
-4 -2 0 2 4
Score (X)
Normalidad: ¿Los datos se aproximan
a esa distribución?
• No todas las variables continuas están normalmente distribuidas
• Es importante evaluar en qué grado la distribución de los datos se aproximan a la

• Para eso, usaremos los coeficientes de asimetría y curtosis, para determinar el
grado en que una distribución empírica se ajusta a la distribución normal teórica
Normalidad univariada
Sev. Mod. Leve Leve Mod. Sev.
Z -2 -1.5 -1 0 1 1.5 2
Platicurtosis Mesocurtosis Leptocurtosis
Asimetría Simetría Asimetría

negativa positiva
En términos de puntajes Z, los valores de asimetría y

curtosis mayores a +2/-2 indican que los datos no se
aproximan a la distribución normal.
Normalidad univariada
Prueba de normalidad Shapiro Wilk
Ho = No hay diferencia entre estadísticamente significativa entre la distribución

de la población a la que pertenece la muestra y la distribución normal
H1 = Hay diferencia entre estadísticamente significativa entre la distribución de

la población a la que pertenece la muestra y la distribución normal
p > 0.05 = Los datos se aproximan a una distribución normal
p < 0.05 = Los datos no se aproximan a una distribución normal

Dar click
en las
casillas
señaladas
Ho = No hay diferencia entre estadísticamente significativa entre la
distribución de la población a la que pertenece la muestra y la
H1 = Hay diferencia entre estadísticamente significativa entre la

Este valor indica que se tiene que rechazar la Ho, por lo tanto, existe
diferencia entre la distribución empírica y la distribución normal. En
otras palabras, los datos no se aproximan a la distribución normal
Z -2 -1.5 -1 0 1 1.5 2

negativa positiva
Zg1 = 1.216/0.246 = 4.94 = asimetría positiva severa

Zg2 = 2.346/0.488 = 4.8 = leptocurtosis severa
Debido a que los valores Zg1 y Zg2 son mayores a 2/-2 se puede
afirmar que los datos no se aproximan a la distribución normal
Ho = No hay diferencia entre estadísticamente significativa entre la
H1 = Hay diferencia entre estadísticamente significativa entre la

Este valor indica que se tiene que ACEPTAR la Ho, por lo tanto, NO
existe diferencia entre la distribución empírica y la distribución
normal. En otras palabras, los datos se aproximan a la distribución
normal
Z -2 -1.5 -1 0 1 1.5 2

negativa positiva
Zg1 = 0.243/0.246 = 0.98 = simetría

Zg2 = -0.539/0.488 = -1.1 = platicurtosis leve
Debido a que los valores Zg1 y Zg2 son menores a 2/-2 se puede
afirmar que los datos se aproximan a la distribución normal
Normalidad multivariada
El supuesto de normalidad multivariada se requiere en la mayoría de los

métodos multivariados (Canal et al., 1999).
Análisis multivariado: En un conjunto de técnicas orientadas al estudio de

varias variables de modo simultáneo, con el objeto de comprender mejor el
fenómeno o evento que se analiza (Closas et al., 2013).
Investigación Empírica
Análisis multivariado
Según Ato et al. (2013), cada diseño de investigación se fundamenta en un
procedimiento específico, así tenemos:
Clase Estrategia Diseño Procedimiento estadístico
Estudio comparativo: - Diseño de cohorte retrospectivo. - t student.
- Diseño de cohorte transversal. - U de Mann Whitney.
- Anova.
- Kruskal Wallis.
Estudios predictivos: - Correlación de Pearson
- Diseño correlacional simple. - Correlación de spearman.
- Diseño predictivo transversal. - Análisis de regresión lineal
simple y múltiple.
Asociativa Estudios Explicativos: - Modelo de ecuaciones
Investigación - Diseño explicativo de variable latente. estructurales.
empírica - Path Analysis.
- Diseño explicativo con variable observable.
Estudio selectivo: - Análisis de frecuencia,
- Diseño selectivo probabilístico transversal. tablas y/o figuras.
Descriptiva - Diseño selectivo no probabilístico transversal. - Medidas de tendencia

central.
- Medidas de dispersión.
Análisis
multivariado
Principales aplicaciones
Modelo de
Análisis de regresión
ecuaciones Análisis factorial
lineal múltiple
estructurales
Hay diferentes pruebas para evaluar la

normalidad multivariada, como; el
coeficiente multivariado de Mardia, Henze-
Zinkler, Shapiro-Wilk Generalizada y Royston.
Se ha hallado que las cuatro pruebas no

presentan diferencias significativas en su
potencia de prueba.
(Porras, 2016)
Coeficiente multivariado de Mardia
Interpretación
Si el coeficiente de curtosis y asimetría de mardia es menor a 70 hay

normalidad multivariada.
Si el coeficiente de curtosis y asimetría de mardia es mayor a 70 no hay
normalidad multivariada.
(Rodriguez y Ruiz, 2008)

El coeficiente multivariado de Mardia lo aplicaremos más

adelante, en el tema de modelo de ecuaciones estructurales.
Ejercicio
Ahora en grupos vamos a desarrollar el siguiente caso. Interpretar el

análisis de distribución considerando la asimetría, curtosis y la prueba
shapiro wilk. Trabajar con la BASE DE DATOS SEMANA 3
Subir al aula virtual

Para finalizar
¿alguna
pregunta?
ACTIVIDAD 3
Recordar que en el aula virtual van a encontrar la

actividad 3 para desarrollar en grupos.
Referencias
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación
en psicología. Anales de Psicología/Annals of Psychology, 29(3), 1038-1059.
Canal, S. Y., Elorza, M. C. J., & Morales, J. C. C. (1999). Una revisión de medidas multivariadas de asimetría y
Kurtosis para pruebas de multinormalidad. Revista Colombiana de Estadística, 22(2).
https://repositorio.unal.edu.co/bitstream/handle/unal/24504/10170-18788-1-
PB.pdf?sequence=1&isAllowed=y
Closas, A. H., Arriola, E. A., Kuc Zening, C. I., Amarilla, M. R., & Jovanovich, E. C. (2013). Análisis multivariante,
conceptos y aplicaciones en Psicología Educativa y Psicometría. Enfoques, 25(1), 65-92.
http://www.scielo.org.ar/pdf/enfoques/v25n1/v25n1a05.pdf
Porras, J. C. (2016). Comparación de pruebas de normalidad multivariada. Anales Científicos, 77 (2), 141-146.
https://revistas.lamolina.edu.pe/index.php/acu/article/view/483/pdf_21
Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones
observadas mediante transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29,
205-227
Sesión 1 Semana 4:
Análisis de regresión lineal múltiple

Ambrosio Tomás
2023-2
2023-2
El estudiante comprende los aspectos
LOGRO conceptuales para realizar el análisis de
regresión lineal múltiple.
Recordemos … Tamaño del efecto (Cohen, 1992)
La magnitud del efecto es una medida utilizada para explicar cuánta variabilidad de un
factor puede ser explicada por su relación con otro factor relacionado (Ferguson,
2009). Esto se obtiene elevando al cuadro el valor de la correlación:
Por ejemplo, se calcula la correlación de la variable A y B, y el valor

obtenido es 0.34. La magnitud del efecto es 0.12, lo que significa que
la variable A y B comparten una variabilidad (varianza) moderada del
2 12%, es decir, que el 12% de la variable A es explicada por la presencia
de la variable B.
r • r2=menor a 0.01 (irrelevante)
• r2=0.01 a 0.09 (pequeño)
• r2=0.10 a 0.24 (moderado)
• r2=0.25 a más (grande)
Estrés Depresión
Este gráfico representa la varianza compartida (covarianza)

entre dos variables relacionadas
Recuerda que esto no implica causalidad

Un profesor quiere saber qué variables predicen la
satisfacción académica en sus alumnos.
Luego de observar por un periodo de tiempo,

conversar con estudiantes y revisar información
científica sobre el problema, llega a la conclusión de
que la autoeficacia académica, el compromiso del
profesor, la motivación académica y responsabilidad
del estudiante, están relacionadas con la satisfacción
académica.
Para corroborar dicha hipótesis, el docente tiene que

realizar un procedimiento que le permita identificar
cuál de esas variables puede predecir la satisfacción
académica.
Autoeficacia académica Motivación académica
Compromiso docente
Estas variables
son predictores
de la
satisfacción
académica
Satisfacción académica
Responsabilidad
Eso significa que hay la evidencia suficiente
para indicar que existe un patrón entre las
respuestas de las variables y que eso no
ocurre debido al azar.
Análisis de regresión lineal
Técnica estadística que permite estudiar la relación entre una o más variables (variables
predictoras) para predecir una variable llamada criterio. Estas variables tienen que ser
continuas.
Los modelos con un predictor se denominan regresión lineal simple. Los modelos con más
de un predictor se conocen como regresión lineal múltiple.
PREDICTORES CRITERIO
ASERTIVIDAD
DEPRESIÓN
RESILIENCIA
Supuestos del análisis de regresión lineal
1. Linealidad: La relación entre las variables predictoras y la variable
criterio debe ser lineal.
ASERTIVIDAD r≠0
DEPRESIÓN
RESILIENCIA r≠0
2. Independencia de errores: un error es cualquier factor que afecta la
medición. Se espera que no haya relación entre los errores y las variables.
Ejemplo:
Se evalúa la relación entre el estrés laboral y la cantidad de trabajo
realizado, en dos grupos de trabajadores
E1 E2 E3 E4 E5 E1 E2 E3 E4 E5
r=0 r≠0
Esto puede ser una En este grupo de personas se encontró que SI
En este grupo de personas se encontró que
NO hay relación entre las horas trabajadas y el fuente de error, hay relación entre las horas trabajadas y el
estrés. En una entrevista, se detectó que ellos ahora queda estrés. En una entrevista, se detectó que ellos
trabajan solo 6 horas al día. averiguar si afecto o trabaja diferente cantidad de horas, algunos 8
no los datos. horas, otros 10 horas, otros 6 horas, etc.
Este supuesto se va a evaluar en Jamovi con el test Durbin Watson
Ho = Los residuos (errores) de la regresión no están relacionados.

H1 = Los residuos (errores) de la regresión están correlacionados.
Entre 1.5 y 2.5 = Se acepta la Ho (esto es lo esperado)

Menor a 1.5 y mayor a 2.5 = Se rechaza la Ho
Valores del test Durbin
Watson en este intervalo
indican que los residuos
(errores) no están
relacionados
0 4
Se espera que los errores no estén relacionados a las
1.5 2.5 variables, para ello la p debe ser mayor a 0.05 y el
índice del test de Durbin Watson debe estar entre
1.5 y 2.5
3. Multicolinealidad de los predictores: entre las variables predictoras no debe
existir relación. Esto se evalúa con el “Factor de Inflación de la varianza” (VIF),
donde:
Valores entre 0.01 y 10 indican que no hay multicolinealidad (no hay relación)
ASERTIVIDAD
r=0 DEPRESIÓN
RESILIENCIA
4. Aproximación a la distribución normal de los errores
Esto se va a evaluar con la prueba Shapiro Wilk.
Ho = No hay diferencias entre la distribución de los residuos (errores) y la

distribución normal.
H1 = Hay diferencias entre la distribución de los residuos (errores) y la

distribución normal.
Si el Valor p > 0.05, los residuos se aproximan a la distribución normal.

¿Qué se evalúa en un análisis de regresión lineal?
1. Coeficiente de determinación (R2)
Informa de la proporción de varianza del(los) criterio(s) que es explicada por
los predictores (influencia general).
< 0.04 = Irrelevante

0.04 a 0.24 = Varianza mínima necesaria (baja)
0.25 a 0.63 = moderada
0.64 a más = fuerte
2. Coeficientes de regresión estandarizados (β)
Informe del grado de influencia de cada uno de los predictores sobre el

criterio (influencia individual).
<0.20 = irrelevante
0.20 a 0.49 = influencia mínima necesaria (baja)
Veamos un ejemplo de análisis de
regresión lineal simple:
Recordemos:
5. Comprobar los
6. Interpretar el cuatro supuestos y
7. Tomar una decisión
estadístico de prueba emplear el análisis de
regresión lineal
Para esta sección trabajaremos con la BASE DE DATOS SEMANA 4 SESIÓN 1.
Paso 1: ¿La Seguridad en el trabajo es un predictor estadísticamente significativo del

engagement? Modelo:
Seguridad en el
Engagement
trabajo
Paso 2: β ≠ 0
Paso 3:
H0: No existe una relación de tipo lineal entre seguridad en el trabajo y engagement.
H1: Existe una relación de tipo lineal entre seguridad en el trabajo y engagement.
Paso 5: revisar los supuestos paso a paso…

El primer supuesto a evaluar es la existencia de relación lineal
entre las variables
Primero determinamos si la muestra Existe relación significativa entre ambas

es normal o no normal, para elegir el variables, siendo esta positiva y de magnitud
tipo de correlación a usar. En este caso grande, por lo tanto, el supuesto de la relación
es normal (p>0.05) lineal se confirma
Para confirmar los otros supuestos, hacer lo siguiente…
Clic 1
Clic 2
Acá tienes que agregar la
variable que se va a predecir
(criterio)
Acá tienes que agregar la(s)

variable(s) predictoras
Clic 1: Comprobación de supuestos
Marcar estas
casillas
Con el test de Durbin-Watson, comprobaremos el segundo supuesto:
Independencia de errores
En este caso, el estadístico DW se encuentra en 1.5 y

2.5. Se cumple con el segundo criterio.
Si el DW esta entre 1.5 y 2.5, indica que los

residuos no están relacionados
Con el VIF, comprobaremos el tercer supuesto: Multicolinealidad de
los predictores
El valor del Factor de Inflación de la Varianza (VIF) se

encuentra entre 0.01 y 10; esto significa que no hay
multicolinealidad, es decir, no hay relación entre las
variables predictoras
Con el Shapiro-Wilk, comprobaremos el cuarto supuesto:
distribución normal de los errores
Lo esperado es que la
distribución sea
normal, es decir, p
mayor a 0.05
Valor p > 0.05 que indica que los residuos se

aproximan a la distribución normal, por lo tanto se
cumple con el cuarto criterio.
Luego de cumplir
con los supuestos,
marca las siguientes
casillas
En este caso al ser p < 0.05
significa que el modelo es
aceptable y que las variables
predicen el criterio.
1. El valor p de la prueba F indica el

ajuste general del modelo.
Si la p es menor a 0.05 el modelo
es aceptable y las variables
En este caso, se puede inferir que la Seguridad en el trabajo
explica el 31.8% de la varianza de engagement. Ese valor de
varianza explicada es considerado moderado.
2. Coeficiente de determinación (R2) se analiza de la

siguiente manera:
3. Coeficientes de regresión estandarizados (β) se
analiza de la siguiente manera:
En este caso, la seguridad en el trabajo es un predictor

estadísticamente significativo, positivo de magnitud
moderada (β=0.57).
Interpretación:
El ajuste del modelo indica que es adecuado F(1, 123) = 58.89; p < 0.05.
La seguridad laboral predice de forma estadísticamente significativa
positiva y moderada (β = 0.57; p < 0.05) y explica de forma moderada el
31.8% de la variabilidad del engagement (R2 = 0.318).
Veamos un ejemplo de análisis de
regresión lineal múltiple:
Recordemos:
5. Comprobar los
6. Interpretar el cuatro supuestos y
7. Tomar una decisión
estadístico de prueba emplear el análisis de
regresión lineal
Veamos un ejemplo:
Paso 1: ¿El engagement y el estrés son predictores estadísticamente significativos de la
satisfacción laboral? Modelo:
Engagement
Satisfacción
laboral
Estrés
Paso 2: β ≠ 0
Paso 3:
Ho: No existe una relación de tipo lineal entre engagement y estrés y la satisfacción laboral.
H1: Existe una relación de tipo lineal entre engagement y estrés y la satisfacción laboral.
Paso 5: revisar los supuestos paso a paso…

El primer supuesto a evaluar es la existencia de relación lineal
entre las variables
Primero determinamos si la muestra Existe relación estadísticamente significativa

es normal o no normal, para elegir el positiva de magnitud pequeña entre satisfacción
tipo de correlación a usar. En este caso laboral y engagement y negativa mediana con
es no normal estrés.
Click 1
Click 2
(criterio)

Marcar estas
casillas
El estadístico DW se encuentra en 1.5 y 2.5.

encuentra entre 0.01 y 10 en ambos casos; esto
significa que no hay multicolinealidad.

aproximan a la distribución normal.
Luego de cumplir
con los supuestos,
casillas
2. Se puede inferir que el estrés y el engagement explican el
19.8% de la varianza de satisfacción laboral. Ese valor de
varianza explicada es considerada baja.
1. El valor p de la prueba F es
menor a 0.05, lo que significa
que el modelo es aceptable y
que las variables predicen el
criterio.
3. El estrés es un predictor estadísticamente significativo, negativo,

de magnitud baja y el engagement es un predictor estadísticamente
significativo, positivo y de magnitud irrelevante.
Interpretación:
El ajuste del modelo indica que es adecuado F(2, 122) = 16.29; p < 0.05. El estrés
predice de forma estadísticamente significativa negativa y baja (β = -0.41; p < 0.05) y
el engagement lo hace de forma significativa positiva e irrelevante (β = 0.18; p < 0.05).
Ambas variables explican el 19.8% de la varianza de la satisfacción laboral,
considerado un valor bajo (R2 = 0.198).
Actividad grupal:
Realizar la Actividad
grupal 4
Para finalizar
¿alguna
pregunta?
Referencias
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial Brujas.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. https://doi.org/10.1037/0033-2909.112.1.155
Cohen, J., Cohen, P., West, S.G., & Aiken, L.S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (Third Edition).
New York: Routledge.
Coolican, H. (2009). Research Methods and Statistics in Psychology. Hooder Education.
Cooper, H. (2020). Reporting quantitative research in psychology: how to meet APA style journal article reporting standards. American
Psychological Association.
Ernst, A.F., & Albers, C.J. (2017). Regression assumptions in clinical psychology research practice—a systematic review of common
misconceptions. PeerJ 5, e3323 https://doi.org/10.7717/peerj.3323
Ferguson, C. J. (2009). An effect size primer: A guide for clinicians and researchers. Professional Psychology: Research and Practice, 40(5), 532–
538. https://doi.org/10.1037/a0015808
Rendón-Macías, M. E., Villasis-Keever, M. Á., & Miranda-Novales, M. G. (2016). Estadística descriptiva. Revista Alergia México, 63(4), 397- 407.
https://revistaalergia.mx/ojs/index.php/ram/article/download/230/363
Triola, M. F. (2018). Estadística. Pearson.
Torres, J. (2019). Estadística aplicada a ciencias de la salud. Dextra Editorial.
Semana 5:
Modelamiento de ecuaciones estructurales
Profesores:
Mayte Casaño, Juan Kaneko, Johanna Kohler, Jhonatan Navarro,
Victor Paliza, Fernando Rosario, Sixto Salazar, y Ambrosio Tomás
2023-2
Semana 5
2023-2
LOGRO conceptuales sobre el modelamiento de
ecuaciones estructurales
Recordemos lo siguiente:
Base de la comparación Correlación Regresión
Significado La correlación es una medida La regresión describe cómo una

estadística que determina la variable independiente (predictor)
correlación de dos variables. se relaciona con la variable
dependiente (criterio).
Uso Para presentar la relación lineal Para estimar una variable (criterio)
entre dos variables. sobre la base de otra variable
(predictor).
Variable dependiente e Ninguna diferencia porque no Ambas son diferentes:
independiente existen. Variable independiente = predictor
Variable dependiente = criterio
Indica El coeficiente de correlación indica La regresión indica el impacto de un
la medida en que dos variables se cambio de unidad en el predictor
mueven juntas. sobre el criterio.
Objetivo Hallar un valor numérico que Estimar valores de variables
exprese la relación entre variables. aleatorias (criterio) sobre la base de
valores de variable fija (predictores).
• En grupos, busca dos artículos psicológicos, identifica e
interpreta las tablas donde hayan realizado análisis de
correlación de variables y análisis de regresión lineal
simple.
• Tienes 10 minutos para hacerlo…
Contexto
• Un docente desea saber qué variables explican un buen rendimiento
académico. Realizó una primera investigación y revisión de la literatura,
encontrando que una variable importante es el rasgo de personalidad de
responsabilidad.
• Luego de hacer un análisis de correlación encontró:
r = .45; p < 0.05
Responsabilidad Rendimiento académico
El docente puede concluir que la responsabilidad del

alumno causa un buen rendimiento académico.
No obstante…
1. Las correlaciones no indican predicción ni causalidad.

2. ¿Existirá otra variable que está afectando la relación entre responsabilidad
y el rendimiento académico?
Ante esto el docente vuelve a realizar un análisis de la literatura y descubre

que una variable importante que explica el rendimiento académico y se
relaciona con la responsabilidad es la autoeficacia académica. Ante ello decide
hacer un análisis de regresión lineal simple.
β = .25; p < 0.05
Responsabilidad
Rendimiento
académico
Autoeficacia β = .41; p < 0.05
académica
El docente encuentra que la responsabilidad y la

autoeficacia académica son predictores del
rendimiento académico. Pero… ¡el gran problema es
que los predictores están relacionadas!
¿Qué hacemos?
Necesitamos una técnica estadística flexible que nos permita modelar o
indicar que los predictores se relacionan o que la autoeficacia
académica es una variable mediadora del efecto de la responsabilidad
sobre el rendimiento académico.
Responsabilidad Autoeficacia
académica
Rendimiento
académico
Autoeficacia Rendimiento
Responsabilidad académico
académica
MODELO DE ECUACIONES ESTRUCTURALES
Son una familia de modelos estadísticos multivariantes que

permite estimar el efecto y las relaciones entre múltiples
variables (Ruiz et al., 2010).
Se distingue por (Hair et al., 2004):
1. Estimación de relación de dependencia múltiple y

cruzada
2. Permite incluir el concepto de no observado y tener en
cuenta el error de medición
Permite indicar el tipo y Las relaciones entre
Control estadístico y dirección de las variables representan
teoría relaciones entre relaciones propuestas a nivel
variables teórico
Tener en cuenta que los modelos SEM

hallan relaciones causales porque este se
Medrano y Muñoz-
basa en teorías causales
Navarro (2017)
¡Comprueba hipótesis causales!
Ruiz et al. (2010)
Siete pasos para desarrollo de un SEM (Hair et al., 2004)
Paso 1: Modelo basado en la teoría
Para indicar causalidad se debe cumplir:

Antecedentes
Falta de
Asociación entre temporales de la Base teórica para
alternativas de
variables causa frente al la relación
variables causales
efecto
Permite no cometer errores en la especificación del modelo

 no incluir variables importantes o incluir variables irrelevantes
Paso 2: Construir diagrama de relaciones causales
La teoría permite establecer el tipo de relación entre las variables

Paso 3: Especificación del modelo estructural y medida
Variable latente =
constructos
Relación causal
Correlación
Error
Variable observable
Variable exógena: No
son explicados ni Variable endógena: se
causados por ninguna predice por uno o más
variable del modelo constructos
Paso 4: Especificación del modelo estructural y medida
Modelo estructural:
Representa las relaciones
Modelo de medida: entre las variables
relación entre variables
observadas y el
constructo
Paso 5: Estimación del modelo
Modelo de estimación:
Máxima verosimilitud (ML) necesita:

1. Tamaño adecuado de muestra (> 300; Hayes y Preacher, 2014)
2. Variables continuas
3. Distribución normal multivariada (incluso puede aceptar valores menores a 70 en
el coeficiente multivariado de Mardia (Rodríguez y Ruiz, 2008).
Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris et al.,
2009):
1. Muestras pequeñas
2. Incumplimiento de la normalidad multivariada
Paso 6 : Estimación del ajuste del modelo
Ajuste  Determinar si las relaciones entre variables del modelo

reflejan adecuadamente las relaciones observadas en los datos.
Ajuste SEM  Evalúa las diferencias entre las covarianzas

observadas en la muestra y las pronosticadas por el modelo
especificado (Medrano y Muñoz-Navarro, 2017; Ruiz et al., 2010)
Paso 6 : Estimación del ajuste del modelo
Comparan la matriz de
covarianza de los datos con la
reproducida por el método de
estimación
Comparan el ajuste respecto a

otro modelo
Comparan el ajuste respecto al

número de parámetros
estimados
Paso 7 : Interpretación, re-especificación y re-interpretación
del modelo
Analizar si los resultados son congruentes con la teoría a través de estas
preguntas:
1. ¿Están corroboradas y son estadísticamente significativas las principales

relaciones de la teoría?
2. ¿Añaden los modelos rivales mayor perspectiva sobre las formulaciones
alternativas de la teoría como para tomarlas en cuenta?
3. ¿Están todas las relaciones en la dirección supuesta (positiva o negativa)?
Actividad grupal
• Identificar dos artículos científicos psicológicos que hayan utilizado SEM
para el análisis de sus datos y responder (elaborar una tabla para cada
artículo):
Preguntas Respuesta
¿Cuáles son las variables endógenas?
¿Cuáles son las variables exógenas?
¿Cuál es el método de estimación utilizado?
¿Cuáles son los índices de ajuste del modelo?
¿Cuáles son las principales conclusiones de los autores

en función del SEM?
Para finalizar
• Las ecuaciones estructurales son métodos estadísticos flexibles y que
permiten estudiar diferentes tipos de relaciones entre las variables.
• Son muy utilizados en la investigación psicológica porque permite el
estudio de variables latentes.
¿alguna pregunta?
Referencias
Hayes, A., y Preacher, K. (2014). Statistical mediation analysis with a multicategorical independent variable. British Journal of
Mathematical and Statistical Psychology, 67, 451–470.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black W. C. (2014). Análisis multivariante (5ta edición). Prentice Hall.
Medrano, L. A., & Muñoz-Navarro, R. (2017). Aproximación conceptual y práctica a los modelos de ecuaciones estructurales.
Revista Digital en Investigación y Docencia Universitaria, 11(1), 219-239. http://dx.doi.org/10.19083/ridu.11.486
Rodríguez Ayán, M. y Ruiz, M. (2008). Atenuación de la asimetría y de la curtosis de las puntuaciones observadas mediante
transformaciones de variables: Incidencia sobre la estructura factorial. Psicológica, 29, 205-227
Ruiz, M. A., & San Martín, R. (2010). Modelos de ecuaciones estructurales. Papeles del Psicólogo, 31(1), 34-45.
Saris, W. E., Satorra, A., y van der Veld, W. M. (2009). Testing structural equation models or detection of
misspecifications? Structural Equation Modeling: A Multidisciplinary Journal, 16, 561–
582. http://doi.org/10.1080/10705510903203433
Semana 6:

Sesión II

Ambrosio Tomás
2023-2
Semana 6
2023-2
El estudiante interpreta el análisis de
LOGRO modelamiento de ecuaciones
estructurales
Antes de iniciar…
DISEÑOS DE Tipos
INVESTIGACIÓN (Ato Diseños
et al. (2013) Comparativo
Diseño correlacional simple:
Clases de investigación R de Pearson o rho de
Estrategias spearman
Teóricas
Asociativa Predictivo
Diseño predictivo transversal:
Empírica Análisis de regresión lineal
Manipulativa simple y múltiple
Metodológica
Instrumental Descriptiva
Diseño explicativo de variable
Explicativo latente: Modelo de ecuaciones
estructurales
Permite indicar el tipo y Las relaciones entre
Control estadístico y dirección de las variables representan
teoría relaciones entre relaciones propuestas a
variables nivel teórico
MODELO DE
Tener en cuenta que los modelos SEM
ECUACIONES
Medrano y Muñoz-
hallan relaciones causales porque este se
basa en teorías causales
ESTRUCTURALES
Navarro (2017)
Ruiz et al. (2010)
¡Comprueba hipótesis causales!
(SEM)
3. Especificación del
modelo:
1. Modelo basado 2. Diagrama de constructos,
en la teoría relaciones causales variables
endógenas,
exógenas
4.
Especificación 6. Estimación 7. Interpretación,
5. Estimación re especificación
del modelo de del ajuste del y reinterpretación
del modelo
estructura y de modelo del modelo
medida
Revisemos juntos el ARTÍCULO EJEMPLO QUE ESTÁ EN AULA
VIRTUAL
Este es el último párrafo de la introducción y se observa el
objetivo e hipótesis de la investigación.
Método de estimación
Estándares de interpretación
de ajuste del modelo
1. ¿Cuántas variables
endógenas hay?
2. ¿Cuántas variables exógenas
hay?
3. ¿Cuántos modelos de
estructura hay?
medida hay?
Los autores concluyen que el modelo es aceptable y por lo tanto
se acepta la hipótesis de investigación
Para esta sección trabajaremos con la BASE DE DATOS SEMANA 15
Paso 1: Modelo basado en la teoría. Para esta parte de la sesión asumiremos que el modelo tiene un respaldo teórico
y en los antecedentes de investigación.
Paso 2: Diagrama de relaciones causales.

ANS 1
ANS 2
RET 1
RET 2 ANS 3
Ansiedad
+
RET 3 ANS 4
RET 4 Retirada +
DEP 1
RET 5
RET 6 + DEP 2
Depresión
RET 7 DEP 3
DEP 4
Paso 3: Especificación del modelo: constructos, variables endógenas, exógenas
Paso 4: Especificación del modelo de estructura y de medida
ANS 1
ANS 2
RET 1
RET 2 ANS 3 endógenas hay?
Ansiedad
RET 3
+ ANS 4
exógenas hay?
RET 4 Retirada
+ estructura hay?
DEP 1 medida hay?
RET 5
RET 6
+ DEP 2
Depresión
RET 7 DEP 3
DEP 4
1
3 Instalar el Módulo semlj - SEM

1
Agregar en los espacios

correspondientes los ítems
que representan a cada
2 variable latente endógena
y exógena.
Según las especificaciones del
modelo, las variables
endógenas son ANSIEDAD y
DEPRESIÓN.

modelo, la variable exógena es
RETIRADA.
¡Se sugiere agregar

nombres cortos para
las variables!
En estas secciones vamos a
dar todas las
especificaciones al modelo.
En los espacios en blanco señalados,

tenemos que agregar la variable que afecta a
ANSIEDAD y DEPRESIÓN. En el modelo es la
variable exógena RETIRADA.
Con esto, estamos indicando
a JAMOVI que RETIRADA es
la variable que afecta a
ANSIEDAD y DEPRESIÓN.
1
Con esta opción vamos a
evaluar la normalidad
2 multivariada con el
Coeficiente multivariado de
Mardia.
El coeficiente de curtosis de
mardia es mayor a 70, por lo
tanto, no hay normalidad
multivariada y se tiene que
usar como método de
extracción él mínimo
cuadrado no podenrado
(ULS).
Tenemos que cambiar el
1 método de estimación. Por
defecto JAMOVI lo identifica
2 de forma automática.
Paso 5: Estimación del Modelo

1
2
4
3
Estas opciones brindan

un gráfico SEM con los
coeficientes beta.
Paso 6: Estimación del ajuste del modelo
Lo señalado indica que los índices de

ajuste del modelo son aceptables
según los estándares.
Paso 7: Interpretación del modelo
Se puede concluir que RETIRADA afecta de forma

significativa positiva y baja a la ANSIEDAD y de
forma positiva y moderada a la DEPRESIÓN.
Además, DEPRESIÓN y ANSIEDAD se relacionan
de forma significativa mediana.
PROM1
Prominencia PROM2
ENFRE1
-
ENFRE2 PROM3
Enfrentar
ENFRE3
el
problema
+
ENFRE4 TOL1
-
Tolerancia TOL2
TOL3
PROM1
Prominencia PROM2 endógenas hay?
ENFRE1
- 2. ¿Cuántas variables
exógenas hay?
ENFRE2 PROM3
Enfrentar 3. ¿Cuántos modelos de
ENFRE3
el
problema
+ estructura hay?
medida hay?
ENFRE4 TOL1
-
Tolerancia TOL2
TOL3
endógenas son PROMINENCIA
y TOLERANCIA.

ENFRENTAR EL PROBLEMA.
a JAMOVI que ENFRENTAR
EL PROBLEMA es la variable
que afecta a PROMINENCIA
y TOLERANCIA.
1
Mardia.
(ULS).

1
2
4
3

coeficientes beta.

según los estándares. No obstante,
un ajuste de 1 (perfecto) no es
recomendable porque puede ser
indicador de algún problema en el
modelo.
Se puede concluir que ENFRENTAR EL

PROBLEMA afecta de forma significativa,
baja y negativa a PROMINENCIA y
TOLERANCIA.
Paso 2: Diagrama de relaciones causales. DIST1
DIST2
Distraerse
APOYO1 del DIST3
+ problema
APOYO2 DIST4
Apoyo
APOYO3 social +
APOYO4 FELIZ1
+
Felicidad FELIZ2
FELIZ3
DIST1
DIST2
Distraerse 1. ¿Cuántas variables
APOYO1 del DIST3 endógenas hay?
+ problema 2. ¿Cuántas variables
APOYO2 DIST4 exógenas hay?
Apoyo 3. ¿Cuántos modelos de
APOYO3 social + estructura hay?
APOYO4 FELIZ1 medida hay?
+
Felicidad FELIZ2
FELIZ3
¿Existe normalidad multivariada?
¿Los índices de ajuste son aceptables?
Interpretar los coeficientes beta de las

relaciones causales entre las variables
+
ANS 1
ANS 2
ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
ABST2 Abstinencia Recaída
DEP 1
ABST3
+ Depresión
DEP 2
DEP 3
REC1 REC2 REC3
DEP 4

ANS 1
ANS 2
ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
DEP 1
ABST3
+ Depresión
DEP 2
DEP 3
REC1 REC2 REC3
DEP 4

¡Resolvamos los ejercicios juntos!
¿alguna pregunta?
Referencias
582. http://doi.org/10.1080/10705510903203433
Semana 7:

Práctica
Profesores:
Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar, Fernando
Rosario, Juan Kaneko, Mayte Casaño, Víctor Paliza y Ambrosio Tomás
2023-2
Semana 7
2023-2
El estudiante aplica e interpreta el
LOGRO análisis de modelamiento de
ecuaciones estructurales
Especificación del modelo estructural y medida
Variable latente =
constructos
Relación causal
Correlación
Error
Variable observable
Variable exógena: No
son explicados ni Variable endógena: se
causados por ninguna predice por uno o más
variable del modelo constructos
Especificación del modelo estructural y medida
Modelo estructural:
Representa las relaciones
Modelo de medida: entre las variables
relación entre variables
observadas y el
constructo
Recordando…
3. Especificación del
modelo:
1. Modelo basado 2. Diagrama de constructos,
en la teoría relaciones causales variables
endógenas,
exógenas
4.
Especificación 6. Estimación 7. Interpretación,
5. Estimación re especificación
del modelo de del ajuste del y reinterpretación
del modelo
estructura y de modelo del modelo
medida
*
Este es el último párrafo de la introducción y se observa el

objetivo e hipótesis de la investigación.
*Necesidades psicológicas básicas.

Recordando un ejemplo de un análisis con ecuaciones estructurales
https://repositorio.ipcb.pt/handle/10400.11/6976
Método de estimación
Estándares de interpretación
de ajuste del modelo
endógenas hay?
2. ¿Cuántas variables exógenas
hay?
estructura hay?
medida hay?
¿serán adecuados estos
resultados?
Resultados
Estimación del ajuste del modelo
Comparan la matriz de covarianza de

los datos con la reproducida por el
método de estimación
Comparan el ajuste respecto a otro

modelo
Comparan el ajuste respecto al

número de parámetros estimados
Los autores concluyen que el modelo es aceptable y por lo tanto
se acepta la hipótesis de investigación
Para esta sección trabajaremos con la BASE DE DATOS SEMANA 7 Caso 1

ANS 1
ANS 2
RET 1
RET 2 ANS 3
Ansiedad
+
RET 3 ANS 4
RET 4 Retirada +
DEP 1
RET 5
RET 6 + DEP 2
Depresión
RET 7 DEP 3
DEP 4
ANS 1
ANS 2
RET 1
RET 2 ANS 3 endógenas hay?
Ansiedad
RET 3
+ ANS 4
exógenas hay?
RET 4 Retirada
+ estructura hay?
DEP 1 medida hay?
RET 5
RET 6
+ DEP 2
Variable exógena Depresión
RET 7 DEP 3
DEP 4
Variables endógenas
1
Agregar en los espacios

correspondientes los ítems
que representan a cada
2 variable latente endógena
y exógena.
endógenas son ANSIEDAD y
DEPRESIÓN.

RETIRADA.
¡Se sugiere agregar

nombres cortos para
las variables!
En estas secciones vamos a
dar todas las
especificaciones al modelo.
En los espacios en blanco señalados,

tenemos que agregar la variable que afecta a
ANSIEDAD y DEPRESIÓN. En el modelo es la
variable exógena RETIRADA.
a JAMOVI que RETIRADA es
la variable que afecta a
ANSIEDAD y DEPRESIÓN.
1
Mardia.
El coeficiente de curtosis de mardia

es mayor a 70, por lo tanto, no hay
normalidad multivariada y se tiene
que usar como método de
extracción él mínimo cuadrado no
ponderado (ULS).
Modelo de estimación:

3. Distribución normal multivariada (< 70 en el coeficiente multivariado de Mardia
(Rodriguez y Ruiz, 2008).
Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris et al.,
2009):
Mínimo cuadrado no
ponderado (ULS).

1
2
4
3
Estas opciones brindan un gráfico

SEM con los coeficientes beta.

según los estándares.
Se puede concluir que RETIRADA afecta de forma significativa positiva y baja a la ANSIEDAD y
de forma positiva y moderada a la DEPRESIÓN. Además, DEPRESIÓN y ANSIEDAD se relacionan
de forma significativa mediana.
Recordando…
Coeficientes de regresión estandarizados (β)
Interpretación
.20 a .49 = influencia mínima necesaria (baja)

.50 a .79 = moderada
.80 a más = fuerte
Recordando…
Fuerza de la correlación (Cohen, 1992)
-0.5 a 1 -0.3 a -0.49 -0.1 a -0.29 0 0.1 a 0.29 0.3 a 0.49 0.5 a 1
Grande Mediana Pequeña No hay Pequeña Mediana Grande
relación
Debe coincidir a la
especificación del
modelo inicial
Caso 2
PROM1
Prominencia PROM2
ENFRE1
-
ENFRE2 PROM3
Enfrentar
ENFRE3
el
problema
+
ENFRE4 TOL1
-
Tolerancia TOL2
TOL3
PROM1
Prominencia PROM2 endógenas hay?
ENFRE1
- 2. ¿Cuántas variables
exógenas hay?
ENFRE2 PROM3
Enfrentar 3. ¿Cuántos modelos de
ENFRE3
el
problema
+ estructura hay?
medida hay?
ENFRE4 TOL1
-
Tolerancia TOL2
TOL3
endógenas son PROMINENCIA
y TOLERANCIA.

ENFRENTAR EL PROBLEMA.
a JAMOVI que ENFRENTAR
EL PROBLEMA es la variable
que afecta a PROMINENCIA
y TOLERANCIA.
1
Mardia.
(ULS).

1
2
4
3

coeficientes beta.

según los estándares. No obstante,
un ajuste de 1 (perfecto) no es
recomendable porque puede ser
indicador de algún problema en el
modelo.
Se puede concluir que ENFRENTAR EL

PROBLEMA afecta de forma significativa,
baja y negativa a PROMINENCIA y
TOLERANCIA.
Caso 3
Paso 2: Diagrama de relaciones causales. DIST1
DIST2
Distraerse
APOYO1 del DIST3
+ problema
APOYO2 DIST4
Apoyo
APOYO3 social +
APOYO4 FELIZ1
+
Felicidad FELIZ2
FELIZ3
DIST1
DIST2
Distraerse 1. ¿Cuántas variables
APOYO1 del DIST3 endógenas hay?
+ problema 2. ¿Cuántas variables
APOYO2 DIST4 exógenas hay?
Apoyo 3. ¿Cuántos modelos de
APOYO3 social + estructura hay?
APOYO4 FELIZ1 medida hay?
+
Felicidad FELIZ2
FELIZ3

Caso 4
ANS 1
ANS 2
ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
DEP 1
ABST3
+ Depresión
DEP 2
DEP 3
REC1 REC2 REC3
DEP 4

ANS 1
ANS 2
ANS 3
Ansiedad
+ ANS 4
ABST1
+ +
DEP 1
ABST3
+ Depresión
DEP 2
DEP 3
REC1 REC2 REC3
DEP 4

ACTIVIDAD 7
En grupos desarrollaremos el caso 4, las

indicaciones y formato se encuentra en el aula
virtual.
Para finalizar
¿alguna
pregunta?
Referencias
582. http://doi.org/10.1080/10705510903203433
Sesión 9
Medición en psicología
Profesores:
Kaneko Aguilar, Juan Jose; Tomás Rojas, Ambrosio; Navarro Loli,
Jhonatan Steeven Baruch; Kohler Herrera, Johanna Liliana; Rosario
Quiróz, Fernando Joel; Salazar Intusca, Sixto
2023
El estudiante identifica el concepto de
medición en psicología, constructo y las
LOGRO fuentes para determinar su validez y
fiabilidad.
¿Qué es una medición?
Procedimiento para determinar la
cantidad de algún constructo,
variable o atributo.
¿Y cómo es una medición en
psicología?
Asignar un valor numérico a
características o constructos
psicológicos como la inteligencia,
emociones, conductas,
personalidad, etc.
¿Por qué es importante?
Permite a los investigadores
cuantificar constructos psicológicos
con fin de recopilar datos objetivos y
comparables que posibiliten
analizarlos y evaluarlos.
Permite indagar mejor los fenómenos
psicológicos a través de la
construcción de instrumentos que
midan de manera valida y fiable las
variables psicológicas.
Variable y Constructo
Existen diferentes objetos de medición en psicología, entre los más
importantes tenemos la medición de…
Estas variables son Estas variables son

directamente Variables Variables aspectos NO
observables y observables latentes observables pero
medibles, como la Constructos que se infieren a
frecuencia de psicológicos partir de otros
conductas, tiempo indicadores
de reacción, etc. observables.
Representan conceptos abstractos que permiten enmarcar
y comprender comportamientos, experiencias y fenómenos
psicológicos que no son directamente observables. La
medición de un constructo implica desarrollar métodos e
instrumentos que cuantifiquen de manera confiable y
válida las dimensiones o atributos del constructo.
(Cohen et al., 2017; DeVellis, 2017;
Suen & Ary, 1989)
Variable y Constructo
¿Las variables son solo otro nombre de los constructos?
Es una abstracción teórica Una variable es una

que representa o describe característica o atributo que
una propiedad compleja y puede variar en diferentes
Constructo
multifacética que no es personas, situaciones o
Variable
directamente observable ni contextos. Las variables
medible. Requieren métodos pueden ser medidas
de medición específicos para directamente o con facilidad
ser evaluados y a menudo a través de observación,
anteceden a la medición de autoreportes o mediciones
variables. objetivas.
(Cohen et al., 2018; DeVellis, 2017;
Ramos, 2018)
Evidencias psicométricas
¿Cómo sabemos si una medición de un constructo es fiable y valida?
Evidencias de Evidencias de
Validez Fiabilidad
Instrumento
Evidencias de validez
• Se refiere al grado en que la evidencia empírica y la teoría apoyan la
interpretación de las puntuaciones de los tests relacionada con un
uso específico (AERA, APA & NCME, 2014).
• Los estudios de validez van a aportar significado a las puntuaciones

que estamos obteniendo, permitiéndonos conocer si el uso que
pretendemos hacer de ellas es o no adecuado.
AERA et al. (2014)

Algunas consideraciones sobre la validez…
a) No es preciso hablar de validez de un test sino de validez de las
puntuaciones de un test. No tiene sentido hablar de “propiedades del
test”, ya que éstas dependen del contexto de evaluación y la muestra
específica.
b) El profesional responsable de la aplicación de un test debe consultar el

manual del mismo para averiguar si la utilización e interpretación
pretendida por él coincide con la proporcionada por la prueba. De lo
contrario, para poder realizar la interpretación pretendida deberá
desarrollar una investigación, un estudio de validación (estudio piloto),
que le permita recoger información que apoye (o no) su uso.
Abad et al. (2010)

Por ejemplo:
Por ejemplo:
• ¿Serán válidas las puntuaciones e
interpretaciones del IDER en personas de
nuestro país si están basadas a partir de
las normas o baremos de este manual?
• Rpta: NO, porque como bien se señala en la
imagen la interpretación está basada en un
grupo normativo español (adaptación
española).
• ¿Serán válidas las puntuaciones e

interpretaciones del IDER si se obtienen a
partir de la aplicación a una muestra de
niños?
• Rpta: NO, porque como bien se señala en la
imagen anterior la prueba está orientada a la
evaluación del constructo/variable en
adolescentes, jóvenes y adultos.
Entonces, ¿qué podría validar el uso e interpretación de
la puntuaciones del IDER en nuestro país?
• Respuesta: La realización previa de

estudios de tipo instrumental
cumplen con ese objetivo: validar
las propiedades psicométricas de
las puntuaciones de un test para su
interpretación en un determinado
contexto o muestra específica.
Standards for Educational and Psychological Testing
(AERA, APA, & NCME, 2014)
Procesos de
respuesta
Contenido Estructura
interna
EVIDENCIAS
DE NOS CENTRAREMOS EN
VALIDEZ
ESTAS TRES EVIDENCIAS.
Consecuencias Relación con

del test otras variables
Evidencias de validez, procedimiento y estadísticos
Evidencia Procedimiento Estadístico
Validez basada en el contenido Juicio de expertos V de Aiken
Validez basada en la estructura Análisis de Dimensionalidad Análisis Factorial Exploratorio (AFE)

interna Análisis Factorial Confirmatorio
(AFC)
Validez basada en relaciones con Análisis de validez convergente y Correlaciones (Pearson o

otras variables discriminante Spearman)
Evidencias Fiabilidad
Evidencias de Fiabilidad
Es la propiedad que asegura que un instrumento produce resultados

precisos, consistentes, estables y reproducibles en diferentes
situaciones y momentos.
(AERA, APA & NCME, 2014;

Anastasi & Urbina, 1997)
ACTIVIDAD 8
• Encontrar 10 artículos científicos de PSICOLOGÍA que

reporten evidencias de validez y fiabilidad.
a) Detallar qué evidencias fueron reportadas y con qué
valores estadísticos.
b) Especificar en qué instrumento o medida se encontró las
evidencias psicométricas
c) Referenciar el artículo en formato APA 7
Para finalizar
¿alguna
pregunta?
Referencias
AERA, APA & NCME (2014). Standars for educational and psychological testing. American Educational Research Association.
Aiken, L. R. (1980). Content validity and reliability of single items or questionnaires. Educational and Psychological Measurement, 40, 955–959.
Anastasi, A., & Urbina, S. (1997). Psicología experimental. Pearson Educación.
Cohen, L., Manion, L., & Morrison, K. (2017). Research methods in education (8th ed.). Routledge.
DeVellis, R. F. (2017). Scale development: Theory and applications (4th ed.). Sage Publications.
Elosua, P. (2003). Sobre la validez de los tests. Psicothema, 15(2), 315-321.
Escobar-Pérez, J. & Cuervo-Martínez, A. (2008). Validez de contenido y juicio de expertos: una aproximación a su utilización. Avances en Medición, 6,
27-36.
Lloret-Segura, S., Ferreres-Traver, A., Hernandéz-Baeza, A., & Tomás-Marco, I (2014). El análisis factorial exploratorio de los ítems: una guía práctica,
revisada y actualizada. Anales de Psicología, 30(3), 1151-1169.
Pérez, E. R., & Medrano, L. (2010). Análisis factorial exploratorio: bases conceptuales y metodológicas. Revista Argentina de Ciencias del
Comportamiento, 2(1), 58-66. http://www.redalyc.org/html/3334/333427068006/
Ramos, Z. (2018). Psicometría básica. Fundación Universitaria del Área Andina. https://core.ac.uk/download/pdf/326425381.pdf
Suen, H. K., & Ary, D. (1989). Analyzing measurement error in research. Sage Publications.
Williams, B., Brown, T., & Onsman, A. (2010). Exploratory factor analysis: A five-step guide for novices. Australasian Journal of Paramedicine, 8(3), 1-
13.
Sesión 10
Evidencias de validez. Definición de

validez. Fuentes de evidencia.
Profesores:
Tomás Rojas, Ambrosio / Navarro Loli, Jhonatan Steeven Baruch /
Kaneko Aguilar, Juan José / Kohler Herrera, Johanna Liliana /
Rosario Quiróz, Fernando Joel / Salazar Intusca, Sixto / Paliza
Olivares, Víctor
2023
El estudiante identifica el concepto de
LOGRO validez y las fuentes para determinar su
evidencia.
Recordamos
Grado en que la evidencia empírica y

teoría apoyan la interpretación de
puntuaciones de tests (AERA, APA &
NCME, 2014).
VALIDEZ
Aportan significado a las puntuaciones.
Permite conocer si el uso que
pretendemos hacer de ellas es o no
adecuado.
Hoy veremos…
Validez basada en el contenido Juicio de expertos V de Aiken
Validez basada en la estructura Análisis de Dimensionalidad Análisis Factorial Exploratorio (AFE)

interna Análisis Factorial Confirmatorio
(AFC)
Validez basada en relaciones con Análisis de validez convergente y Correlaciones (Pearson o

otras variables discriminante Spearman)
VALIDEZ DE CONTENIDO
1. Evidencia de validez basada en el contenido
• Busca garantizar que el conjunto de ítems que componen la prueba es relevante,

y representativa del constructo, además de clara en cuanto a su redacción.
• Son objeto de la validez de contenido:
• las instrucciones
• los ejemplos de práctica
• el material de la prueba
• el tiempo de ejecución
1. Evidencia de validez basada en el contenido
• La consulta a expertos (juicio de

expertos) es la vía más usual para
apreciar la calidad del contenido
de los ítems.
• Una de las técnicas estadísticas
más empleadas para este
propósito es la V de Aiken (analiza
el grado de acuerdo entre jueces
sobre la relevancia del contenido
de un ítem).
CATEGORIAS DE VALIDEZ DE CONTENIDO DE LOS ÍTEMS
Escobar-Pérez y Cuervo-Martínez (2008)

Formato de validez de contenido
Escobar-Pérez y Cuervo-Martínez (2008):

Modelo de paquete estadístico para procesar V de Aiken
Juicio de expertos
El juicio de expertos se define como una opinión informada de
personas con trayectoria en el tema, que son reconocidas por otros
como expertos cualificados en éste, y que pueden dar información,
evidencia, juicios y valoraciones (Escobar & Cuervo, 2008).
V de Aiken (Versión dicotómica)
El coeficiente V de Aiken Escurra (1988) permite obtener valores factibles de ser contrastados
estadísticamente según el tamaño de la muestra de jueces seleccionada. El coeficiente V de Aiken
coeficiente genera valores entre 0 y 1. De esta manera, a medida que sea más elevado el valor, el ítem
tendrá una mayor validez de contenido.
La fórmula utilizada para determinar la validez de contenido fue la siguiente:
S
V= ------------------
(N (C – 1))
En donde S, es igual a la sumatoria de Si (valor asignado por el Juez 1); N es el número de jueces y C,
constituye el número de valores de la escala de valoración.
Ejemplo:
Escala de calificación
dicotómica usada por los
jueces
V de Aiken para ítem 1:
S = es igual a la sumatoria de Si (valor asignado por los jueces) S = 7 (suma de calificaciones)

N = número de jueces N= 7 (cantidad de jueces)
C = número de valores de la escala de valoración C = 2 (valores de la escala)
V= 1.00
Hallar la V de Aiken de los otros ítems y la V de Aiken de la prueba total

Solución
V de Aiken (versión politómica)
La fórmula utilizada para determinar la validez de contenido, en el caso de una
ficha politómica es la siguiente (Penfield y Giacobbi, 2004):
x̅ -ʅ
V= ------------------
k
V = Coeficiente V de Aiken
x̅ = promedio de las calificaciones de todos los jueces.
ʅ = Es el valor mínimo en la escala de calificación de la ficha de evaluación del
instrumento
k = Rango (diferencia entre el valor máximo y mínimo de la escala utilizada en la
ficha de evaluación)
Ejemplo:
Escala de calificación
politómica usada por los
jueces
V de Aiken para ítem 1:
x̅ = promedio de las calificaciones de todos los jueces. x̅ = 3.6 (promedio)

ʅ = Es el valor mínimo en la escala de calificación de la ficha de ʅ = 1 (valor mínimo)
evaluación del instrumento k = 3 (4-1)
k = Rango (diferencia entre el valor máximo y mínimo de la
escala utilizada en la ficha de evaluación) V= 0.87
Hallar la V de Aiken de los otros ítems y la V de Aiken de la prueba total

Solución
Consideraciones para la interpretación de la
V de Aiken:
• El intervalo de confianza para la V de Aiken permite probar si la magnitud obtenida
del coeficiente es superior a los criterios establecidos como mínimamente aceptables
para concluir sobre la validez de contenido de los ítems.
• Los criterios o estándares de comparación pueden ser de tres tipos:

 Nivel liberal de Vo = 0.50 a más (Cicchetti, 1994)
 Nivel conservador de Vo = 0.70 a más (Charter, 2003).
 Determinar el intervalo inferior de cada ítem, considerando los resultados.
ENTONCES:
Se considera que hay un insuficiente grado de acuerdo entre los jueces si el intervalo
de confianza inferior de la V de Aiken resultas menor a 0.70 ó 0.50 según el criterio
empleado (conservador o liberal respectivamente). Ello quiere decir que el ítem no es
válido.
Ejemplo:
• Luego de recolectar el juicio de 5 jueces, en una escala de 1 al 5, el
coeficiente promedio es 0.42, y al 95% de confianza el intervalo del
coeficiente obtenido será [Límite inferior = 0.62, Límite superior = 0.90].
• Con este dato, no podemos aceptar el ítem a la luz del estándar mínimo
más conservador (0.70), ya que el límite inferior del intervalo está por
debajo de tal punto (0.62).
• En las fases iniciales de la construcción de ítems, se puede elegir un criterio

más liberal (Vo < 0.50).
Interpretaciones y decisiones (criterio conservador):
Si un ítem presenta una V de Aiken cuyo límite

inferior del intervalo es menor a 0.70 en claridad, se
toma la decisión de modificar la redacción del ítem
según la recomendación de los jueces expertos.

inferior del intervalo es menor a 0.70 en coherencia,
se analiza la posibilidad de incluirlo en otra
dimensión del test según las recomendaciones de
los jueces expertos.

inferior del intervalo es menor a 0.70 en relevancia,
se toma la decisión de eliminar el ítem de la versión
final del test.
Interpretaciones y decisiones (criterio liberal):

inferior del intervalo es menor a 0.50 en claridad, se
toma la decisión de modificar la redacción del ítem
según la recomendación de los jueces expertos.

inferior del intervalo es menor a 0.50 en coherencia,
se analiza la posibilidad de incluirlo en otra
dimensión del test según las recomendaciones de
los jueces expertos.

inferior del intervalo es menor a 0.50 en relevancia,
se toma la decisión de eliminar el ítem de la versión
final del test.
¿Qué decisiones tomarían con los siguientes ítems,
tomando en consideración el criterio conservador?
Uso de la plantilla para el cálculo de la V de Aiken
El valor mínimo y máximo con el que cada experto evalúa el ítem según la escala de evaluación (Likert).
Se especifica el número de jueces que han evaluado los ítems del test.
Para interpretar y tomar las decisiones con relación a cada ítem nos basamos
en el valor del límite inferior de la V de Aiken.
Aquí se transcriben las respuestas de los jueces por cada ítem según
los tres criterios evaluados: relevancia, claridad y coherencia.
¿Qué decisiones tomarían con los siguientes ítems, tomando en
consideración el criterio conservador?
Actividad 9
1.2. Evidencia de validez basada en la estructura interna
• Descargamos el documento MS Excel “V de Aiken” y utilizamos la base de datos

“Caso Juicio de expertos”
• Contestamos las preguntas de la ficha “ACTIVIDAD 9”
Para finalizar
¿alguna
pregunta?
Referencias
AERA, APA & NCME (2014). Standars for educational and psychological testing. American Educational Research Association.
Aiken, L. R. (1980). Content validity and reliability of single items or questionnaires. Educational and Psychological
Measurement, 40, 955–959.
Escobar-Pérez, J. & Cuervo-Martínez, A. (2008). Validez de contenido y juicio de expertos: una aproximación a su
utilización. Avances en Medición, 6, 27-36.
Lloret-Segura, S., Ferreres-Traver, A., Hernandéz-Baeza, A., & Tomás-Marco, I (2014). El análisis factorial exploratorio de los
ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151-1169.
Pérez, E. R., & Medrano, L. (2010). Análisis factorial exploratorio: bases conceptuales y metodológicas. Revista Argentina de
Ciencias del Comportamiento, 2(1), 58-66. http://www.redalyc.org/html/3334/333427068006/
Ramos, Z. (2018). Psicometría básica. Fundación Universitaria del Área Andina.
https://core.ac.uk/download/pdf/326425381.pdf
Williams, B., Brown, T., & Onsman, A. (2010). Exploratory factor analysis: A five-step guide for novices. Australasian Journal
of Paramedicine, 8(3), 1-13.
Semana 11
Evidencias de validez. Validez basada

en la estructura interna: AFE.

Ambrosio Tomás
Ciclo: 2023-2
Semana 6
2023-1
El estudiante identifica el procedimiento
LOGRO para determinar evidencia de validez basada
en la estructura interna: AFE.
Etapas del análisis de datos:
1. Análisis
5. Baremos preliminar de
ítems
4. Examinar la 2. Revisar la
correlación de estructura
las variables interna del
de estudio test (validez)
3. Examinar la
confiabilidad
de las
puntuaciones
del test
*En rojo los procedimientos realizados como parte del curso

1. Análisis de ítems
a. Estadísticos descriptivo
b. Correlación ítem-total (ítem-test) corregida
a. Estadísticos descriptivos: Min, max, M, DE, G1, G2.
1
2
Ruta:
- Exploración
- Descriptivas
- Pasar ítems
al cuadro de
variables
a. Estadísticos descriptivos: interpretación
Se analizan los coeficientes de

asimetría (skewness) y curtosis
(kurtosis) de los ítems a fin de
identificar la distribución de las
respuestas (distribución normal o
distribución asimétrica).
Estadísticos descriptivos
OJO: Se usa el criterio de +/- 1 para

la interpretación (Ferrando &
Anguiano-Carrasco, 2010).
- Si la asimetría y curtosis son

menores a +/- 1, entonces el ítem
tiene distribución normal.
- Si la asimetría o curtosis son
mayores a +/- 1, entonces el ítem
tiene distribución asimétrica.
b. Homogeneidad de los ítems (correlación ítem-rest):
Ruta:
- Factor
- Análisis de fiabilidad
- Correlación
elemento con otros
3
b. Homogeneidad de los ítems (correlación ítem-rest):
Interpretación
Correlación ítem-rest (ítem-total)

Análisis de homogeneidad de ítems
Se retienen (mantienen) aquellos

ítems cuyos valores sean iguales
o mayores a .30. Aquellos ítems
con valores menores a .30 o con
signo negativo, son eliminados.
OJO: Se hace este análisis por

cada dimensión del test.
2. Revisar la estructura interna del instrumento de
medición
a. Análisis Factorial Exploratorio (AFE)
b. Análisis Factorial Confirmatorio (AFC)
a. Análisis Factorial Exploratorio: Definición
• Conjunto de métodos estadísticos multivariados de
interdependencia, los cuales tienen como objetivo
identificar una estructura subyacente a un conjunto
amplio de datos.
• Es decir, se emplea para reducir un número de

indicadores operativos (ítems) en un número inferior
de variables conceptuales (factores/dimensiones).
a. Análisis Factorial Exploratorio:
ÍTEMS
FACTORES/DIMENSIONES
ÍTEMS
ÍTEMS
Análisis de Componentes Principales (ACP) y
Análisis Factorial (AF)
IMPORTANTE:
Cuando analizamos los ítems
de un test en busca de la
estructura factorial que le
corresponde,
estamos ubicados bajo el
modelo del análisis factorial
(factores comunes).
OJO:
Por lo tanto, analizar un
conjunto de ítems con
Componentes Principales
(ACP), no es recomendable.
Se analizan que ítems (Y) explican
Se analizan que ítems (Y)
el mayor porcentaje de la varianza
comparten varianzas similares,
total de la prueba (C)
dando lugar a un factor (F)
Revisar las siguientes lecturas:
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., y Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de
Psicología, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361
Méndez, C., y Rondón, M. A. (2012). Introducción al análisis factorial exploratorio. Revista Colombiana de Psiquiatría, 41(1), 197-207. https://doi.org/10.1016/S0034-7450(14)60077-9
Análisis de Componentes Análisis Factorial
Principales [ACP] Exploratorio [AFE]
(No recomendable) (Recomendable)
Revisar las siguientes lecturas:
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., y Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361
Méndez, C., y Rondón, M. A. (2012). Introducción al análisis factorial exploratorio. Revista Colombiana de Psiquiatría, 41(1), 197-207. https://doi.org/10.1016/S0034-7450(14)60077-9
a. Análisis Factorial Exploratorio:
Ruta
- Analizar
- Reducción de
dimensiones
- Factor
a. Análisis Factorial Exploratorio (AFE): Fases
a1. Supuesto de relación de los ítems
• KMO
• Prueba de Bartlett
a2. Extracción de factores

• Método de Máxima Verosimilitud
• Método de Mínimos Cuadrados (factorización de ejes principales o mínimos cuadrados no ponderados)
a3. Rotación
• Ortogonal (factores/dimensiones independientes): Varimax
• Oblicua (factores/dimensiones relacionados): Promax u Oblimin
a4. Matriz factorial (matriz patrón)

• Revisar las cargas (pesos) factoriales de los ítems en cada factor.
AFE: a1. Supuesto de relación de los ítems
Como mínimo se espera que el

KMO sea igual o mayor a .70
(Ferrando y Anguiano-
Carrasco, 2010).
AFE: a1. Supuesto de relación de los ítems
OJO: Para rechazar Ho

la significancia tiene que
ser menor a 0.05.
a1. Supuesto de relación de los ítems
OJO: Aquí ya no se KMO mayor a .70

incluyen los ítems que
se eliminaron en el
análisis de ítems
(correlación ítem-total
corregida menores a
.30).
a1. Supuesto de relación de los ítems:
Significancia de la
prueba de Bartlett
menor a .05 (se
rechaza Ho: los ítem
no están
correlacionados)
CONCLUSIÓN: Se cumplen los supuestos para aplicar el Análisis
Factorial Exploratorio (AFE).
Permite determinar si la prueba es factorizable. Para ello se plantean dos hipótesis:
H1: Las variables (ítems) se correlacionan.

H0: Las variables (ítems) no se correlacionan.
Si la p es menor a 0.05, se rechaza la hipótesis nula, por lo tanto, hay correlación entre los ítems y la prueba se puede factorizar.
Si la p es mayor a 0.05 no se recomienda realizar un análisis factorial con los datos.
DECISIÓN 1:
a2. Extracción de Factores - Se empleará Máxima

Verosimilitud (MV) si es que en
todos los ítems, incluidos en el AFE,
los estadísticos descriptivos de
asimetría y curtosis han sido
menores a +/- 1.
DECISIÓN 2:
- Se empleará
Factorización de Ejes
Principales (FEP) si es
que en alguno de los
ítems, incluidos en el
AFE, los estadísticos
descriptivos de
asimetría y curtosis
han sido mayores a +/-
1.
a2. Extracción de Factores:
Aquí se selecciona entre el
método de Máxima
Verosimilitud (MV) o el de
Factorización de Ejes
Principales (FEP)
a2. Extracción de Factores:
Autovalores
Criterio para determinar la

cantidad de factores a extraer:
• Autovalores mayores a 1: se
identifica en la columna de
autovalores (columna de azul)
hasta que fila se encuentran
autovalores mayores a 1.
Varianza compartida total

explicada por los 4 factores
extraídos. Para instrumentos de
más de una dimensión se
considera aceptable valores
mayores al 30%.
a2. Extracción de Factores: Para determinar número de factores
Criterio para determinar la cantidad de factores a extraer:
• Fijar número de factores: si en caso el criterio
de autovalores mayores a 1 arroja más
factores que la estructura original (la
propuesta por la teoría) y se forman factores
no interpretables (con 0 o 1 ítem por ejemplo),
se puede hacer un nuevo análisis fijando el
número de factores a la cantidad propuesta
por la teoría.
• En este caso se fijo a (3) factores porque es la
cantidad planteada teóricamente (teoría de
Burnout de Maslach).
OJO:
• Si incluso la estructura teórica no resulta

interpretable, se pueden hacer análisis
considerando menos dimensiones (prueba de
modelos teóricos).
a2. Extracción de Factores(b*): Criterio para determinar la cantidad de
factores a extraer:
• Fijar número de factores: si en caso
el criterio de autovalores mayores a
1 arroja más factores que la
estructura original y se forman
factores/dimensiones no
interpretables, se puede hacer un
nuevo análisis fijando el número de
factores a la cantidad propuesta por
la teoría.
En este caso se fijo a cinco (5)

factores asumiendo que
teóricamente funciona asi el
constructo
OJO: si incluso la estructura
teórica no resulta interpretable, se
pueden hacer análisis
Se coloca solo a modo de prueba para ver como una elección distinta considerando menos dimensiones.
cambia la organización de los ítems
a3. Rotación de factores
• ORTOGONAL: En factores NO
CORRELACIONADOS
(INDEPENDIENTES). Se recomienda OJO: Por lo general en
la rotación VARIMAX. constructos psicológicos
que tienen dimensiones
se asumen que éstas
• OBLICUA: En factores están relacionadas, por
CORRELACIONADOS. Se recomienda lo que se aconsejan usar
PROMAX u OBLIMIN (para muestras rotaciones oblicuas.
grandes N > 500).
a3 y a4. Matriz factorial (patrón) rotada
• Criterios para decidir observar ítems o considerar su eliminación:
1. El ítem presente una carga(peso) factorial menor a .30.
2. El ítem presenta una carga (peso) factorial negativa (tratándose ya
de un ítem directo).
3. El ítem presenta una carga (peso) factorial mayor a .30 pero en un
factor distinto al que teóricamente se planteó.
4. El ítem presenta una carga (peso) factorial mayor a .30 en más de
una dimensión/factor.
INTERPRETACIÓN DE LA MATRIZ FACTORIAL
NOTA:
• Factor 1: Cansancio emocional
• Factor 2: Despersonalización
• Factor 3: Realización personal
ANÁLISIS DE LOS ÍTEMS:
• El B22 se elimina por que satura más en el factor 1, cuando

pertenece al factor 2.
• El B5 es del factor 2 y satura en el factor 1, por eso se
elimina.
• El B6 satura en dos factores (1 y 2), cuando pertenece al 1.
• El B19 se elimina por que pertenece al factor 3 y satura en
los otros dos.
• El B11, pertenece al factor 2 y satura también en el 1 (podría
quedarse por que satura más en el 2)
• El B20 pertenece al factor 1, pero satura más en el factor 2.
• El B16 satura de manera similar en el factor 1 y 2, cuando
pertenece a factor 1.
• El B13 pertenece al factor 1, pero satura más en el factor 2.
AFE: Ideas de cierre
El Análisis Factorial exploratorio (AFE) de ítems es una de las técnicas más frecuentemente aplicadas en estudios
relacionados con el desarrollo y validación de tests, porque es la técnica por excelencia que se utiliza para explorar el
conjunto de variables latentes o factores comunes que explican las respuestas a los ítems de un test.
Método multivariado permite agrupar las variables (ítems, por ejemplo) que se correlacionan fuertemente entre sí, y
cuyas correlaciones con las variables de otros agrupamientos (factores) son menores
IMPORTANTE
No necesariamente debemos
indicar el número de factores a
esperar, esto podría sesgar el AFE.
Lo ideal es explorar como se

agrupan los ítems en las
dimensiones planteadas en un
instrumento que se esta creando.
A leer
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., y Tomás- Méndez, C., y Rondón, M. A. (2012). Introducción al análisis
Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía factorial exploratorio. Revista Colombiana de Psiquiatría,
práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151- 41(1), 197-207. https://doi.org/10.1016/S0034-7450(14)60077-
1169. https://doi.org/10.6018/analesps.30.3.199361 9
Referencias
AERA, APA & NCME (2014). Standars for educational and psychological testing. American Educational Research
Association.
Lloret-Segura, S., Ferreres-Traver, A., Hernandéz-Baeza, A., & Tomás-Marco, I (2014). El análisis factorial exploratorio de
los ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151-1169.
Pérez, E. R., & Medrano, L. (2010). Análisis factorial exploratorio: bases conceptuales y metodológicas. Revista Argentina
de Ciencias del Comportamiento, 2(1), 58-66. http://www.redalyc.org/html/3334/333427068006/
Williams, B., Brown, T., & Onsman, A. (2010). Exploratory factor analysis: A five-step guide for novices. Australasian
Journal of Paramedicine, 8(3), 1-13.
Videos adicionales de apoyo
https://www.youtube.com/watch?v=djEufq1-tSU
https://www.youtube.com/watch?v=2fNv8esJIeA
https://www.youtube.com/watch?v=K2t4F7DEEj8
Semana 12
Evidencias de validez. Validez basada

en la estructura interna: AFC.

Ambrosio Tomás
Ciclo: 2023-2
Semana 12
2023-2
El estudiante identifica el procedimiento
LOGRO para determinar evidencia de validez basada
en la estructura interna: AFC.
1. Análisis
ítems
3. Examinar la
confiabilidad
de las
puntuaciones
del test
*En rojo los procedimientos realizados como parte del curso

Fuentes de evidencia de
validez
Evidencias de validez Evidencia de validez Evidencia de validez Evidencia de validez Evidencias de validez
basadas en el contenido basadas en el análisis de basadas en la estructura basadas en la relaciones basadas en las
del Test los procesos de respuesta interna* con otras variables consecuencias del test
Pertinencia y
Evidencia Convergente-
representatividad del Plantillas de respuestas Análisis Factorial* Consecuencia positiva
Discriminante
contenido
Funcionamiento
Evaluación mediante Evidencia basado en test- Mejora en donde se haga
Focus Group diferencial de los ítems
jueces criterio uso
(DIF)
Evidencia de
generalización
Tomado de una presentación del grupo: Avances en medición psicológica- https://medicionpsicologica.com/

Evalua la estructura interna del instrumento de medición
a. Análisis Factorial Exploratorio (AFE)

b. Análisis Factorial Confirmatorio (AFC)
A tomar en cuenta…
Variable observada o indicador: son

aquellas que se miden en campo, por
ejemplo, la información con la que
contamos a partir de un cuestionario.
• Variable latente: es la característica que

se desea medir pero que por diversas
razones no se puede observar
directamente
Variable exógena: es aquella que afecta a otra variable y que no

recibe efecto de ninguna variable. Las variables independientes
de un modelo de regresión son exógenas.
• Variable endógena: es aquella que recibe efecto de otra

variable. La variable dependiente de un modelo de regresión es
endógena. Toda variable endógena debe ir acompañada de un
error.
Samperio Pacheco, Víctor Manuel. (2019). Ecuaciones estructurales en los modelos educativos: características y fases en su construcción. Apertura (Guadalajara, Jal.), 11(1), 90-103.
https://doi.org/10.32870/ap.v11n1.1402
¿Se tiene alguna hipótesis previa del comportamiento
de los ítems?
• Si no se tiene una hipótesis previa clara, se usará el
ANÁLISIS FACTORIAL EXPLORATORIO - AFE.
• Es decir, buscar patrones de relación entre los ítems.
• Esto se da cuando se está construyendo el instrumento o se hace
una posible reespecificación*
• Si se tiene una hipótesis previa, se usará el ANÁLISIS

FACTORIAL CONFIRMATORIO - AFC.
• Es decir, se considera un modelo inicial al cual se AJUSTAN los datos hallados.
• Esto se hace cuando el instrumento ya existe, o después del AFE del instrumento
en elaboración, o cuando se realice una reespecificación
a. Análisis Factorial Confirmatorio
El análisis factorial confirmatorio (CFA) es considerado como una forma de

modelo de ecuaciones estructurales (SEM) que tiene como propósito el
analizar los modelos de medición, es decir, la estructura y conformación de
ítems, indicadores y/o estímulos a una variable latente (constructo)
previamente hipotetizada (Brown, 2015).
Brown, T. A. (2015). Confirmatory factor analysis for applied research (Second edition). The Guilford Press.
• Es una metodología confirmatoria, ya que se parte asumiendo o
postulando un modelo de factores que explicarían la variación
conjunta de los datos y, a partir de los datos, tratar de estimar este
modelo y validarlo en términos estadísticos.
• Es una metodología estadística (Chión Y Charles, 2016, p. 39).
• Se trabaja sobre un instrumento de medición

• El AFC parte de un modelo de factores determinado, SUSTENTADO POR UNA
TEORÍA DE RESPALDO obligatoriamente.
Supuestos ideales:
Normalidad multivariante
Muestra
“El requisito más fuerte del AFC es la aleatoriedad y tamaño grande de la
muestra. Idealmente se debería aplicar sobre muestras probabilísticas para
realizar inferencias paramétricas. Se considera inadecuada aplicarlo a
muestras menores de 200 sujetos” (Landero y González, 2006).
e1 X1 e1 X1
e2 X2 e2 X2
Factor1 Factor1
e3 X3 e3 X3
e4 X4 e4 X4
Factor2 Factor2
e5 X5 e5 X5
e6 X6 e6 X6
Análisis Factorial Exploratorio Análisis Factorial Confirmatorio

En AFE todos los ítems son propuestos como En AFC, solo algunos items son propuestos como
indicadores de cada factor. indicadores de cada factor.
Factores son independientes La línea curva indica la relación que podría existir
entre los factores.
Análisis Factorial Confirmatorio Análisis Factorial Confirmatorio
1° orden 2° orden
•Estructura: En un CFA de segundo orden, se evalúan las

•Estructura: En un CFA de primer orden, se evalúan relaciones entre los factores de primer orden y un factor de
directamente las relaciones entre las variables observadas segundo orden.
(ítems) y los factores latentes (variables no observadas). •Factores latentes: En este nivel, los factores de primer orden
•Factores latentes: Cada factor latente se relaciona con un se agrupan bajo un factor de segundo orden. Los factores de
conjunto específico de variables observadas. primer orden son vistos como subdimensiones que contribuyen a
•Propósito: El CFA de primer orden se utiliza para verificar la un constructo más amplio.
estructura factorial básica en un modelo de medición. Mira si •Propósito: El CFA de segundo orden se utiliza para examinar la
los ítems se agrupan de la manera esperada en factores estructura jerárquica de los constructos. Es útil cuando se
latentes. supone que los factores de primer orden están relacionados y
Etapas del
SEM
• Las etapas de este análisis
estadístico se da en 5 pasos:
Link: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S2223-25162017000100015
Etapas del SEM
• Se hace una especificación formal de un modelo a

contrastar, el cual se basa en la teoría.
• Aquí se establece las variables que lo componen, las

cuales podrían ser observables, latentes, exógenas y
endógenas.
• Se basa en teoría y antecedentes, es lo hipotetizado

con respecto al modelo Escala de Medida del Estado Actual (MOCS)
https://revistas.ucu.edu.uy/index.php/cienciaspsicologicas/article/view/3009/3064
Etapas del SEM
Pol ychori c Correl a tion

Rea ctivo 1 Rea ctivo 2 Rea ctivo 3 Rea ctivo 4 Rea ctivo 5 Rea ctivo 6 Rea ctivo 7 Rea ctivo 8 Rea ctivo 9 Rea ctivo 10
Rea ctivo 1 1
Rea ctivo 2 0.362 1
Rea ctivo 3 0.469 0.401 1
Rea ctivo 4 0.423 0.262 0.367 1
Rea ctivo 5 0.463 0.349 0.538 0.533 1
Rea ctivo 6 0.512 0.364 0.635 0.483 0.634 1
Rea ctivo 7 0.488 0.383 0.529 0.576 0.587 0.662 1
Rea ctivo 8 0.494 0.331 0.415 0.505 0.504 0.617 0.7 1
Rea ctivo 9 0.61 0.432 0.502 0.471 0.557 0.597 0.615 0.627 1
Rea ctivo 10 0.527 0.352 0.479 0.548 0.556 0.564 0.692 0.666 0.659 1
• Se debe evaluar si es estimable el modelo.

• Con carácter general, se requieren para cada factor al
menos dos ítems que ni saturen en otro factor ni
presenten componentes únicas correlacionadas.
• La precisión de las estimaciones mejora sustancialmente
si se dispone de tres indicadores por factor.
• Se recomiendan tamaños de muestra superiores a 200
• Información de varianzas –covarianzas / Correlación entre Escala Teacher Observation of Classroom Adaptation-Revised (TOCA-R)
variables observadas. https://actacolombianapsicologia.ucatolica.edu.co/article/download/3148/3142

Etapas del SEM
• Los métodos más utilizados suelen ser:

- Máxima verosimilitud (ML)
- Mínimos cuadrados no ponderados (ULS)
- Mínimos cuadrados generalizados (GLS)
- Mínimos Cuadrados Ponderados Robustos (WLSMV)
3. Distribución normal multivariada (incluso puede aceptar valores menores a 70 en el coeficiente
multivariado de Mardia (Rodríguez y Ruiz, 2008).
Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris et al., 2009):
Mínimos Cuadrados Ponderados Robustos (WLSMV)

1. Muestras grandes
2. El cual no asume que las variables deban estar distribuidas normalmente
3. Variables ordinales
https://scielo.isciii.es/pdf/ap/v33n3/metodologia.pdf
https://web.pdx.edu/~newsomj/semclass/ho_sample%20size.pdf
Etapas del SEM
• Comprobar el grado en que coinciden las matrices S y Σ

• Evaluar el ajuste global con el chi cuadrado (x2)
• El x2 expresa el grado en el que el modelo especificado ajusta a los datos comparado con el
modelo saturado y cumple la función de evaluar en qué medida el modelo representa las
relaciones observadas (Gómez, 1996, p. 468)
• X2- Niveles de significación 0.05= coinciden las matrices S y Σ (tamaño muestral)
Gómez, J. (1996). Aportaciones de los modelos de estructuras de covariancia al análisis psicométrico. En Muñiz (Ed.), Psicometría (pp. 457-554).
Editorial Universitaria
Etapas del SEM
Criterio estándar
https://www.scielo.cl/pdf/cyt/v18n55/art04.pdf
Etapas del SEM
Criterio óptimo
https://www.redalyc.org/pdf/778/77812441004.pdf
Etapas del SEM
¿Cómo evaluamos la estimación?
Existen dos formas de evaluar el modelo:
- Evaluación global (índices de ajuste)
- Evaluación localizada (parámetros)
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S2223-25162017000100015
Etapas del SEM
• Un análisis pormenorizado de los residuos permite detectar problemas inadvertidos en

el diagnóstico global, y sugerir posibles modificaciones del modelo para mejorarlo.
• A partir de la inspección de dichos residuos es posible efectuar re-especificaciones en el
modelo para mejorar su ajuste. Es importante que las decisiones de añadir o eliminar
parámetros sean coherentes con la teoría subyacente al modelo.
• Es importante no efectuar re-especificaciones que no pueden sustentarse a nivel
teórico. De lo contrario se derivará en un modelo ajustado a la muestra en estudio, pero
de pobre fundamento teórico.
• La inclusión de residuales correlacionados para mejorar el ajuste estadístico, No
obstante, en base a lo expuesto podría concluirse que su implementación no implica
necesariamente mejoras en la comprensión sustantiva del modelo y eleva de forma
espuria los índices de ajuste (Dunn, Baguley, & Brunsden, 2014).
• También se vinculan con el retiro de algunos ítems o con una nueva organización de
los ítems (AFE).
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S2223-25162017000100015 https://www.redalyc.org/journal/5605/560567815008/html/
A tomar en cuenta
Implementar correlaciones entre
residuales podrían ayudar a identificar
oportunidades de mejora para el
instrumento, como detectar cuestiones
vinculadas al fraseo de ítems o eliminar
ítems aparentemente redundantes.
No obstante, en base a lo expuesto

podría concluirse que su implementación
no implica necesariamente mejoras en la
comprensión sustantiva del modelo y
eleva de forma espuria lo índices
Dominguez-Lara, S. (2019). Correlación entre residuales en análisis factorial confirmatorio: una breve guía para su uso e interpretación. Interacciones, 5(3), e207. doi: 10.24016/2019.v5n3.2
A practicar
Abrimos la data:
Consumo de pornografía-
Sensaciones
Escala de consumo problemático

de la pornografía: P1-P18
Escala de búsqueda de
sensaciones sexuales: S1-S9
Ver hoja de
trabajo de la
sesión 12
Modelo 1: Unidimensional
Modelo 2: Dos dimensiones
https://revistas.unc.edu.ar/index.php/revaluar/article/view/22224
Ruta tradicional Modelo 1: Unidimensional
Trabajaremos con el instrumento 1: Escala de Búsqueda de Sensaciones Sexuales (SSSS-9)

Ingreso los 9 ítems de la escala

Activas estas opciones

Todas las cargas factoriales deben

ser mayores a 0.30 o en su defecto a 0.40
El X2/gl debe ser menor a 3 o 5 (116/27=4.29)
CFI> 0.90 (Cumple)

TLI > 0.90 (No cumple)
SRMR cerca a 0 (Cumple)
RMSEA < 0.05 u 0.08 (No cumple)
El modelo no muestra un adecuado

funcionamiento

Ruta tradicional Modelo 1: Unidimensional (Re especificando – correlación de residuales)
Correlación entre residuales:

S9 ~ S8 → 19.995
S8 ~ S6 → 19.168
S6 ~ S2 → 18.202
Activas esta opción

Ruta tradicional Modelo 1: Unidimensional (Re especificando – correlación de residuales)
El X2/gl debe ser menor a 3 o 5 (95.9/26=3.68)
CFI> 0.90 (Cumple)

TLI > 0.90 (No cumple)
RMSEA < 0.05 u 0.08 (Cumple)
Ambos modelos muestran un adecuado funcionamiento

S9 ~ S8 → 19.995*
Trabajaremos con el instrumento 1: Escala de Búsqueda de Sensaciones Sexuales (SSSS-9) S8 ~ S6 → 19.168**
S6 ~ S2 → 18.202 (No lo tomamos en cuenta)
Modelo X2/gl CFI TLI SRMR RMSEA AIC BIC

Modelo 1 4.29 0.909 0.879 0.0538 0.0944 8689 8795
Modelo 2 3.68 0.929 0.902 0.0493 0.0852 8671 8781
Modelo 3 3.16 0.945 0.921 0.0456 0.0764 8656 8770
Modelo 4 3.28 0.947 0.926 0.0411 0.0785 7743 7837
Modelo 1 (propuesta original de 9 ítems ); Modelo 2 (S9 ~ S8 ); Modelo 3 (S9 ~ S8; S8 ~ S6 ); Modelo 4 (8 ítems; retirando el ítem 9 de la
correlación entre residuales que tiene menor carga factorial)

S9 ~ S8 → 19.995*
Trabajaremos con el instrumento 1: Escala de Búsqueda de Sensaciones Sexuales (SSSS-9) S8 ~ S6 → 19.168**
S6 ~ S2 → 18.202 (No lo tomamos en cuenta)
Descripción
En la tabla … se puede observar los valores del AFC de la SSSS-9. En primer lugar, se muestra el modelo original de 09
ítems, donde los índices de ajuste eran adecuados, a excepción del TLI que se encuentra por debajo de los esperado
<0.90 (Escobedo et al., 2016; Ruiz et al., 2010; Hooper et al., 2008). Por lo tanto, se optó por covariar los ítems 9 y 8,
debido a que tenían un alto puntaje de índice de modificación (S9 ~ S8 = 19.995) con la finalidad de mejorar el modelo,
no obstante, el RMSEA continuaba encontrándose por encima del valor deseado. Luego se optó por covariar también los
ítems 8 y 6, debido a que tenían un alto puntaje de índice de modificación (S8 ~ S6 = 19.168) con la finalidad de optimizar
el modelo, en este caso todos los índices de ajuste cumplen con los estándares lo que muestra que el SSS-9 presenta
evidencias de validez basadas en la estructura interna (Escobedo et al., 2016; Ruiz et al., 2010; Hooper et al., 2008).
Por último, se decidió probar un modelo reespecificado con la exclusión del ítem 9, debido a que presentaba la menor
carga factorial entre los reactivos covariados, dando como resultado un modelo con valores óptimos y de mejor ajuste, a
pesar de que algunos valores son más altos, sin embargo, el índice de parsimonia es menor que todos los modelos AIC
(7743)

A practicar -2
Ruta SEM – Estimadores robustos Modelo 1: Unidimensional
Recordando instalamos SEM


OBS: Si tuviera más dimensiones activa: Add New latent Ingresa los 9 ítems de la escala
Y solo siglas, en este caso el modelo es unidimensional

Marcar para ver cómo se

correlacionan residuales

2. Distribución normal multivariada
Mínimos cuadrados (LS) y mínimos cuadrados no ponderados (ULS) necesitan (Saris et al., 2009):
Mínimos Cuadrados Ponderados Robustos (WLSMV)

1. Muestras grandes
2. El cual no asume que las variables deban estar distribuidas normalmente
Calcular la normalidad multivariada, en este caso no
existe normalidad multivariada y la muestra es grande

Esto depende de cada caso:
• Máxima verosimilitud (ML)

• Mínimos cuadrados no ponderados (ULS)
• Mínimos Cuadrados Ponderados Robustos (WLSMV)
Seleccione estas opciones


CFI> 0.90 (Cumple)

TLI > 0.90 (Cumple)
NNFI > 0.90 (Cumple)
Todos cumplen
El modelo muestra un adecuado

funcionamiento



Diagrama de senderos:
Todas las cargas factoriales deben ser mayores a 0.30 o en su defecto a 0.40

(Re especificando – correlación de residuales)* Solo si fuera necesario
Activas esta opción

En este caso no fue necesario realizarlo pues el modelo ajustaba, se hizo con fines pedagógicos


CFI> 0.90 (Cumple)

TLI > 0.90 (Cumple)
NNFI > 0.90 (Cumple)
Todos cumplen
El modelo muestra un adecuado

funcionamiento



Diagrama de senderos:
Todas las cargas factoriales deben ser mayores a 0.30 o en su defecto a 0.40

Modelo X2/gl SRMR RMSEA CFI TLI NNFI PNFI

Modelo 1 2.19 0.052 0.057 0.98 0.97 0.97 0.729
Modelo 2 1.87 0.047 0.049 0.98 0.98 0.98 0.705
Modelo 3 ? ? ? ? ? ? ?
Modelo 1 (propuesta original de 9 ítems ); Modelo 2 (S9 ~ S8 ); Modelo 3 (8 ítems; retirando el ítem 9 de la correlación entre residuales que
tiene menor carga factorial)
Descripción
En la tabla … se puede observar los valores del AFC de la SSSS-9 con el estimador Mínimos Cuadrados Ponderados Robustos (WLSMV). En primer lugar, se muestra
el modelo original de 09 ítems, donde los índices de ajuste eran adecuados(Escobedo et al., 2016; Ruiz et al., 2010; Hooper et al., 2008).
Se optó por covariar los ítems 9 y 8, debido a que tenían un alto puntaje de índice de modificación (S9 ~ S8 = 10.525) con la finalidad de mejorar el modelo, una vez
realizo esto todos los índices de ajuste cumplen con los estándares lo que muestra que el SSS-9 presenta evidencias de validez basadas en la estructura interna
(Escobedo et al., 2016; Ruiz et al., 2010; Hooper et al., 2008).
Por último, se decidió probar un modelo Re especificado con la exclusión del ítem 9, debido a que presentaba la menor carga factorial entre los reactivos
covariados, dando como resultado ……………………………., el índice de parsimonia es …………………… PNFI (……….)

Videos de apoyo
Análisis Factorial Confirmatorio con JAMOVI: Validez de constructo
(AFC)
https://www.youtube.com/watch?v=BdxC4zLw0gs
AFC validez de constructo en RStudio o en Jamovi (¿Tiene estimadores

robustos?)
https://www.youtube.com/watch?v=Mg7riwU-Jlw
Evidencias de la estructura interna en JASP (AFC) - Validez de

constructo
https://www.youtube.com/watch?v=1rwP5t2kvxI
Actividad
Actividad
De la hoja de trabajo de la sesión 12 y la base de datos: “Consumo de
pornografía-Sensaciones”
Calcule lo siguiente:
a) El AFC del modelo 2: Dos dimensiones, de la escala SSSS-9 (Escala de

búsqueda sensaciones sexuales), reespecifiqué si fuera necesario.
b) El AFC de Problematic Pornography Consumption Scale (PPCS), reespecifiqué

si fuera necesario.
Siga los pasos mostrados en clase y utilice el método tradicional y con

estimadores robustos
Referencias
Beaujean, A. A. (2014). Latent variable modeling using R: A step by step guide. Routledge/Taylor & Francis Group.
Brown, T. A. (2015). Confirmatory factor analysis for applied research (Second edition). The Guilford Press.
Epskamp, S., & Simon Stuber. (2017). SemPlot: Path diagrams and visual analysis of various sem packages’ output. https://CRAN.R-
project.org/package=semPlot
Holzinger, K., & Swineford, F. (1939). A study in factor analysis: The stability of a bifactor solution. Supplementary Educational Monograph,
48.
Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A., & Rosseel, Y. (2018). SemTools: Useful tools for structural equation modeling.
https://CRAN.R-project.org/package=semTools
Korkmaz, S., Goksuluk, D., & Zararsiz, G. (2018). MVN: Multivariate normality tests. https://CRAN.R-project.org/package=MVN
R Core Team. (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-
project.org/
Revelle, W. (2018). Psych: Procedures for psychological, psychometric, and personality research. https://CRAN.R-
project.org/package=psych
Rosseel, Y. (2018). Lavaan: Latent variable analysis. https://CRAN.R-project.org/package=lavaan
Xie, Y. (2018). Bookdown: Authoring books and technical documents with r markdown. https://github.com/rstudio/bookdown
Semana 13
Evidencias de Validez de estructura

interna: relación con otras variables.
Confiabilidad: Consistencia interna.
Profesores:
Mayte Casaño, Juan Kaneko, Johanna Kohler, Jhonatan Navarro,
Victor Paliza, Fernando Rosario, Sixto Salazar, y Ambrosio Tomás
Ciclo: 2023-2
Semana 13
2023-2
El estudiante identifica las evidencias de
validez de criterio y confiabilidad; desarrolla
LOGRO el procedimiento basado en la consistencia
interna.
• En grupos, busca dos artículos psicológicos de diseño de
investigación instrumental, identifica las evidencias
psicométricas de validez de criterio y confiabilidad.
• Tienes 10 minutos para hacerlo.
• Pasado los 10 minutos se realizarán las presentaciones.
Evidencias de validez, procedimiento y estadísticos
Recordando la clase anterior…

Validez basada en el Juicio de expertos V de Aiken
contenido
Validez basada en la Análisis de Dimensionalidad Análisis Factorial
estructura Exploratorio (AFE)
Interna (constructo) Análisis Factorial
Confirmatorio (AFC)
Validez basada en Análisis de validez Correlaciones (Pearson o
relaciones con convergente y Spearman)
otras variables (criterio) discriminante
VALIDEZ DE CRITERIO
1.3. Fuente de evidencias externas (relaciones con otras
variables)
• El objetivo es establecer si las relaciones observadas entre las puntuaciones en el test

y otras variables externas relevantes son consistentes con la interpretación propuesta
para las puntuaciones.
• Por ejemplo: Si queremos validar las puntuaciones de una escala que mide
susceptibilidad al castigo (que mide el grado de evitación de situaciones aversivas),
ésta debe proporcionar puntuaciones relacionadas directamente con neuroticismo e
inversamente con estabilidad emocional.
 Si las relaciones observadas son consonantes con lo predicho por el modelo teórico en el que
se inserta el constructo medido por el test, entonces hemos obtenido evidencia favorable a la
interpretación propuesta.
 Si las relaciones observadas no son las esperadas hay que cuestionar la adecuación de la
prueba, la adecuación de las medidas de las otras variables o incluso el modelo teórico.
Fuente de evidencias externas
(relaciones con otras variables)
Las variables externa relevantes en este tipo de evidencia de validez pueden ser:
• La validez convergente: otras medidas del mismo constructo/variable obtenidas

con diferentes test.
• La validez discriminante: medidas de constructos diferentes pero que se insertan
en el modelo teórico donde se encuadra el constructo/variable de interés.
• La validez predictiva: algún tipo de variable (criterio) que pretendamos predecir a
partir de las puntuaciones en el test.
Se espera que la relación entre pruebas que midan el mismo constructo, sean
mayores (validación convergente) que entre test que miden constructos diferentes
(validación discriminante). Aunque en ambos casos se espera que sean
significativas.
Se realizará la validez convergente de Autoconcepto mediante su relación
con Autoeficacia
• Paso 1: ¿Existe relación entre Autoconcepto y Autoeficacia?
• Paso 2: 𝜌𝑋𝑌 ≠ 0
• Paso 3.
• Ho = No existe relación estadísticamente significativas entre las variables
• H1 = Existe relación estadísticamente significativas entre las variables
• Paso 4. Nivel de significancia de p < 0.05
• Paso 5. Elección de la prueba
Usar la base de datos Semana 13.1
Para elegir la prueba es necesario verificar la normalidad de
las variables
p < 0.05 = Los datos
no se aproximan a
la DN.
p > 0.05 = Los datos
se aproximan a la
DN
Autoconcepto se aproxima a la
distribución normal, sin embargo,
Autoeficacia no se aproxima a la
Paso 5. La prueba a utilizar es Rho de Spearman En esta casilla van
*En caso ambas variables se aproximen a la D.N. se usa Pearson las variables
continuas
Click 1
Click 2
Marcar todas las
casillas en azul
de la imagen.
Paso 6 y 7. Interpretar y tomar una decisión
1. El valor p indica que se tiene que rechazar la Ho,

por lo tanto se puede afirmar que existe
correlación estadísticamente significativa entre las
variables.
2 2. La correlación es positiva y la fuerza es
moderada
1
-0.5 a 1 -0.3 a -0.49 -0.1 a -0.29 0 0.1 a 0.29 0.3 a 0.49 0.5 a 1
relación
Interpretación:
Existe relación estadísticamente significativa positiva de
magnitud moderada entre las variables.
Se realizará la validez convergente de Satisfacción laboral mediante su
relación con Engagement
• Paso 1: ¿Existe relación entre Satisfacción laboral y Engagement?
• Paso 2: 𝜌𝑋𝑌 ≠ 0
• Paso 3.
• Ho = No existe relación estadísticamente significativas entre las variables
• H1 = Existe relación estadísticamente significativas entre las variables
• Paso 5. Elección de la prueba
Para elegir la prueba es necesario verificar la normalidad de
las variables
p < 0.05 = Los datos
no se aproximan a
la DN.
p > 0.05 = Los datos
se aproximan a la
DN
Satisfacción laboral no se aproxima

a la distribución normal, sin
embargo, Engagement se aproxima
a la distribución normal
(relaciones con otras variables) En esta casilla van las
variables continuas
Paso 5. La prueba a utilizar es la Rho de Spearman
*En caso ambas variables se aproximen a la D.N. se usa Pearson
Click 1
Click 2
Marcar todas las
casillas en azul
de la imagen.
Paso 6 y 7. Interpretar y tomar una decisión
1. El valor p indica que se tiene que rechazar la Ho,

por lo tanto se puede afirmar que existe
correlación estadísticamente significativa entre las
variables.
2. La correlación es positiva y la fuerza es grande.

2
1
-0.5 a 1 -0.3 a -0.49 -0.1 a -0.29 0 0.1 a 0.29 0.3 a 0.49 0.5 a 1
relación
Interpretación:
Existe relación estadísticamente significativa positiva de
magnitud grande entre las variables.
Se realizará la validez predictiva considerando que Satisfacción laboral predice
Autoeficacia
Paso 1: ¿La Satisfacción laboral es un predictor estadísticamente significativo
de Autoeficacia?
• Paso 2: β ≠ 0
Satisfacción
Autoeficacia
laboral
• Paso 3.
• Ho=La satisfacción laboral no es un predictor estadísticamente significativo
• H1=La satisfacción laboral es un predictor estadísticamente significativo
• Paso 5. Evaluación del cumplimiento de supuestos
El primer supuesto a evaluar es la existencia de: Relación lineal
entre las variables
Primero determinamos si la muestra Existe relación significativa entre ambas

es normal o no normal, para elegir el variables, siendo esta positiva y de magnitud
tipo de correlación a usar. En este mediana, por lo tanto, el supuesto de la
caso ambas variables no se aproximan relación lineal se confirma
a la DN (p<0.05)
Clic 1
Clic 2
(criterio)

Marcar estas
casillas
Con el VIF, comprobaremos el segundo supuesto: Multicolinealidad
de los predictores

encuentra entre 0.01 y 10; esto significa que no hay
multicolinealidad, es decir, no hay relación entre las
variables predictoras
Se cumple el segundo supuesto.
Con el test de Durbin-Watson, comprobaremos el tercer supuesto:
Independencia de errores
En este caso, el estadístico DW se encuentra en 1.5 y

2.5.
Se cumple con el tercer supuesto.
Si el DW esta entre 1.5 y 2.5, indica que los residuos no

están relacionados <> Son independientes
Con el Shapiro-Wilk, comprobaremos el cuarto supuesto:
distribución normal de los errores
Lo esperado es que la
distribución sea
normal, es decir, p
mayor a 0.05

aproximan a la distribución normal, por lo tanto, se
cumple con el cuarto supuesto.
Luego de cumplir
con los supuestos,
casillas
En este caso al ser p < 0.05
significa que el modelo es
aceptable y que las variables
1. El valor p de la prueba F indica el

ajuste general del modelo.
Si la p es menor a 0.05 el modelo
es aceptable y las variables
En este caso, se puede inferir que la Satisfacción laboral
explica el 19% de la varianza de autoeficacia. Ese valor de
varianza explicada es considerado bajo.
2. Coeficiente de determinación (R2) se analiza de la

siguiente manera:
3. Coeficientes de regresión estandarizados (β) se
analiza de la siguiente manera:
En este caso, la Satisfacción laboral es un predictor

estadísticamente significativo, positivo de magnitud
baja (β=0.44).
Interpretación:
El ajuste del modelo indica que es adecuado F(1, 123) = 30.1; p < 0.05. La
satisfacción laboral predice de forma estadísticamente significativa
positiva y baja (β = 0.44; p < 0.05) y explica de forma moderada el 19% de
la variabilidad de autoeficacia (R2 = 0.318).
CONFIABILIDAD
1. Análisis
ítems
3. Examinar la
confiabilidad
de las
puntuaciones
del test
Confiabilidad
La fiabilidad se concibe como la consistencia o estabilidad de
las medidas cuando el proceso de medición se repite.
AERA, APA & NCME (2014)

Distintos métodos para estimar la confiabilidad
1. Test-retest: aplicación de un test a una muestra de personas en dos ocasiones

entre las que el atributo se mantiene estable. Coeficiente de correlación
intraclase (ICC), por ejemplo.
2. Formas paralelas: aplicación a una muestra de personas en la misma ocasión o
en distintas ocasiones de dos versiones del test (A y B) equivalentes en
contenido, dificultad, etc.
3. Consistencia interna: división del test en dos subconjuntos equivalentes de
ítems (pares e impares, mitades) o estimación a partir de las covarianzas entre
los ítems de la prueba. Alfa de Cronbach, por ejemplo.
4. Consistencia de las puntuaciones de distintos calificadores: evaluación de una
muestra de conducta por calificadores independientes.
Consideraciones para la interpretación de los
coeficientes de confiabilidad
¿Qué grado de fiabilidad deben tener las puntuaciones para que su uso sea aceptable?
Respuesta: Sin duda, la magnitud requerida depende de las consecuencias derivadas del
uso de las puntuaciones.
• Cuando las puntuaciones vayan a emplearse para tomar decisiones que impliquen
consecuencias relevantes para las personas (p. ej., aceptación o rechazo en una
selección de personal), el coeficiente de fiabilidad debería ser muy alto (al menos de
0.90).
• Sin embargo, si se trata de describir las diferencias individuales a nivel de grupo (como
en una investigación), bastaría con alcanzar valores más modestos (al menos 0.70).
IMPORTANTE: Los coeficientes de confiabilidad asumen valores que van de 0 a 1.
Mientras que cercano esté el valor a 1, la consistencia y/o estabilidad será más alta, por
el contrario mientras más cercano esté a 0 el error de la medición será mayor.
Prieto & Delgado, 2010.
En resumen:

Confiabilidad por Test-retest Coeficiente de Correlación
estabilidad Intraclase (CCI)
Confiabilidad por Formas paralelas Correlación Pearson
equivalencia
Confiabilidad por Dos mitades Coeficiente de Guttman,
consistencia Coeficiente de Rulon
interna Covarianzas entre ítems Coeficiente alfa (α)
Coeficiente theta (θ)
Coeficiente omega (Ω)
CONFIABILIDAD POR CONSISTENCIA INTERNA:
ALFA DE CRONBACH
OMEGA DE MCDONALD
Coeficiente alfa de Cronbach:
El Alfa de Cronbach es un coeficiente usado para
saber cuál es la fiabilidad de una escala o test.
Se consideran aceptables coeficientes de
Requiere de una sola aplicación del test.
consistencia interna iguales o mayores a .70,
lo que significa que los puntajes obtenidos
Requisito para su uso: en el factor/dimensión analizado tienen
• La distribución debe ser normal. poco margen de error.
• El número de alternativas de la respuesta debe
ser de 5 a más (menores alternativas afectan los
resultados).
• Tamaño de la muestra mínimo de 200.
En este caso la consistencia interna de
esta dimensión (Integración social) ha sido
aceptable, pues supera el valor mínimo de 0.70.

Procedimiento:
1. Clic en Factor
2. Clic en Análisis de
Fiabilidad
4. Ingresar los ítems

del área
6. Analizar resultados
5. Clic en α de Cronbach
Coeficiente omega de McDonald:
El omega de McDonald es un estimador de la
consistencia interna de una escala o test. Requiere Se consideran aceptables coeficientes de
de una sola aplicación del test. consistencia interna iguales o mayores a .70,
lo que significa que los puntajes obtenidos
Requisito para su uso: en el factor/dimensión analizado tienen
poco margen de error.
• La distribución puede ser normal o no normal.
• El número de alternativas de las respuestas no es
relevante.
• Tamaño de la muestra no es relevante.
En este caso la consistencia interna de

esta dimensión (Integración social) ha sido
aceptable, pues supera el valor mínimo de 0.70.
Procedimiento:
1. Clic en Factor
2. Clic en Análisis de
Fiabilidad
4. Ingresar los ítems

del área
6. Analizar resultados
5. Clic en ω de McDonald
Actividad 1
Realizar la interpretación sobre la confiabilidad de las siguientes
dimensiones de una escala de Bienestar.
Actividad 12
• Realizar la interpretación de la confiabilidad de las siguientes
dimensiones, emplear la base de datos de la semana 13.2.
• Al finalizar subir el reporte al aula virtual.
Referencias
AERA, APA & NCME (2014). Standars for educational and psychological testing. American Educational Research
Association.
Campo-Arias, A., & Oviedo, H. C. (2008). Propiedades psicométricas de una escala: la consistencia interna.
Revista de Salud Pública, 10(5), 831-839.

Estadística Aplicada

Cargado por

Copyright:

Formatos disponibles

Estadística Aplicada

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística Aplicada

Cargado por

Copyright:

Formatos disponibles

Estadística aplicada

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

¿qué distrito tendrá el mayor

¿tenemos que preguntar la edad de

Es una forma de pensar que permite dar respuesta a

b. Comprendiendo aspectos básicos de estadística, se puede comprender

¿en qué casos

¡Usa el método científico para obtener

ESTADÍSTICA NOS PERMITE OBTENER EVIDENCIAS EN PSICOLOGÍA

¿Cuál es el promedio de la edad de los estudiantes de primer ciclo de la UPC?

¿Existe diferencia en la inteligencia emocional de estudiantes varones y mujeres de UPC?

• Identificación, definición y medición

Medida • Generar valores numéricos

• Prueba de hipótesis / Estimación paramétrica

Análisis • Validez de conclusión estadística

Resultados Resultados sin Resultados

Analizan las relaciones

Describen las variables sin

• Usan variables atributivas (se selección o clasificación) a modo de “variables

• Explicativos son de mayor complejidad que los Predictivos.

• Diseño correlacional controlado

• Diseño predictivo transversal

• Diseño de variables manifiestas

• Diseño de variables latentes

• Estudios observacionales: Registro de comportamientos producto

• Estudios selectivos: Registro de opiniones y actitudes a través de

Asociativa - Diseño correlacional simple. - Correlación de spearman.

Descriptiva - Diseño selectivo no probabilístico transversal. - Medidas de tendencia

1. En grupos, hagan la búsqueda en bases de datos científicas de cinco

2. En un documento Word elaboren la cita en formato APA de los artículos

American Psychological Association. (1 de agosto de 2022). APA Dictionary of Psychology. https://dictionary.apa.org/psychology

Coolican, H. (2018). Research methods and statistics in psychology. Routledge.

Triola, M. F. (2018). Estadística. Pearson.

Estadística inferencial. Contraste de

Profesores: Johanna Kohler, Jhonatan Navarro, Sixto Salazar,

¿qué podemos afirmar de la imagen?

Hipótesis: La maestra está molesta con el

Al consultar a la maestra y los

• La evidencia es conocimiento adquirido a través de la

• Información de un artículo científico publicado en una revista de revisión

Conjunto de métodos estadísticos que permiten deducir cómo se

Sus objetivos son la estimación y el contraste o prueba de hipótesis

“Una prueba de hipótesis es un procedimiento, con el que se busca

JUEGA UN PAPEL FUNDAMENTAL EN EL AVANCE DE CUALQUIER

Media (de una variable)

Desviación estándar (de una variable)

Diferencia entre personas respecto a una variable

Existen diferencias estadísticamente

Existen diferencias entre estudiantes

Esta es la manera estadística de

 ps  adm  ing  ps  adm  ing

• Se establecen criterios cuantitativos para saber si aceptamos o rechazamos

Prueba de significancia de la hipótesis nula (PSHN)

Probabilidad de que la diferencia observada se deba al azar.

Es fijado a priori por el investigador

p < 0.05 = rechazar la Ho

Ho = La edad media de ingreso a la H1 = La edad media de ingreso a la

M varones = M mujeres M varones ≠ M mujeres

4 y 5. Determinar el 4 y 5. Podemos utilizar la prueba t student