SPSS: ANÁLISIS DE FIABILIDAD ALFA DE CRONBACH

ANÁLISIS DE FIABILIDAD ALFA DE CRONBACH

 El coeficiente Alfa de Cronbach es un modelo de consistencia interna, basado en el promedio de las correlaciones entre los ítems. Entre las ventajas de esta medida se encuentra la posibilidad de evaluar cuánto mejoraría (o empeoraría) la fiabilidad de la prueba si se excluyera un determinado ítem. El procedimiento consiste en:

·         Analizar

·         Escala

·         Análisis de fiabilidad

La validez de un instrumento se refiere al grado en que el instrumento mide aquello que pretende medir. Y la fiabilidad de la consistencia interna del instrumento se puede estimar con el alfa de Cronbach. La medida de la fiabilidad mediante el alfa de Cronbach asume que los ítems (medidos en escala tipo Likert) miden un mismo constructo y que están altamente correlacionados (Welch & Comer, 1988).

Cuanto más cerca se encuentre el valor del alfa a 1 mayor es la consistencia interna de los ítems analizados. La fiabilidad de la escala debe obtenerse siempre con los datos de cada muestra para garantizar la medida fiable del constructo en la muestra concreta de investigación.

ESTADÍSTICA DESCRIPTIVA

Se denomina estadística descriptiva a las cantidades matemáticos (tales como la media, mediana, desviación estándar) que resumen e interpretan algunas de las propiedades de un conjunto de datos (muestra).. La estadística descriptiva se descompone en las medidas de tendencia central y medidas de variabilidad, o dispersión.

MEDIDAS DE TENDENCIA CENTRAL

MEDIANA  

La mediana es el valor de la variable que ocupa la posición central, cuando los datos se disponen en orden de magnitud. Es decir, el 50% de las observaciones tiene valores iguales o inferiores a la mediana y el otro 50% tiene valores iguales o superiores a la mediana.

MODA

En una serie de valores a los que se asocia una frecuencia, se define moda como el valor de la variable que posee una frecuencia mayor que los restantes. La moda se simboliza normalmente por Mo. Un grupo de valores puede tener varias modas. Una serie de valores con sólo una moda se denomina unimodal; si tiene dos modas, es bimodal, y así sucesivamente.

MEDIA

Se calcula sumando todas las observaciones de una serie de datos y luego dividiendo el total entre el número de elementos involucrados

El desvío estándar Es posible identificar conjuntos de datos que a pesar de ser muy distintos en términos de valores absolutos, poseen la misma media. Una medida diferencial para identificar esos conjuntos de datos es la concentración o dispersión alrededor de la media.

MEDIDAS DE  VARIABILIDAD

RANGO

También llamado Recorrido o Amplitud total, es la diferencia entre el máximo valor del conjunto de datos y el mínimo de ellos. A mayor rango, mayor dispersión

DESVIACIÓN MEDIA

Es una medida de la dispersión consistente en la media aritmética de las desviaciones individuales respecto a la media, tomadas en valor absoluto. También se usan desviaciones respecto a la mediana.

VARIANZA

La varianza es una medida de dispersión definida como la esperanza del cuadrado de la desviación de dicha variable respecto a su media. Su unidad de medida corresponde al cuadrado de la unidad de medida de la variable: por ejemplo, si la variable mide una distancia en metros, la varianza se expresa en metros al cuadrado. La varianza tiene como valor mínimo 0.Si tenemos un conjunto de datos de una misma variable, la varianza se calcula de la siguiente forma:

Siendo:

·         : Cada dato

·         : Media de los datos

·         n: número de datos

·         Distribución exponencial

·         La  distribución exponencial de parámetro λ es una distribución continua con soporte en el intervalo [0,∞) y función de densidad

·         {\displaystyle f(x)=\lambda e^{-\lambda x}1_{[0,\infty )}(x),\,}Tiene media μ = λ⁻¹. Por lo tanto, su varianza es:

·  Es decir, σ² = μ².

VARIANZA MUESTRAL

En muchas situaciones es preciso estimar la varianza de una población a partir de una muestra. Si se toma una muestra con reemplazo de n valores de ella, de entre todos los estimadores posibles de la varianza de la población de partida, existen dos de uso corriente:

INTERPRETACIONES DEL COEFICIENTE a.

 La extensión del uso del a fue seguida, sin embargo, de una multiplicidad de interpretaciones, muchas veces contradictorias entre sí (Cortina, 1993). Esta situación ha llevado a que este estadístico haya sido sobre utilizado a lo largo del tiempo, así como a que se hayan ignorado las condiciones para las que fue desarrollado. Para hacer un recorrido conjunto de las cualidades y limitaciones que estos esfuerzos han obtenido, se seguirá en primer lugar el orden de las principales interpretaciones dadas al a que se encuentra en Cortina (1993), posteriormente serán expuestos los aspectos que no hayan sido incluidos por este autor. Cortina (1993) ubica cinco interpretaciones aceptadas generalmente en la literatura.

 Estas son:

a)      el coeficiente a es la media de todos los coeficientes de confiabilidad por mitade.

b)      es el límite inferior de la confiabilidad de una prueba.

c)      es una medida de la saturación del primer factor.

d)     es igual a la confiabilidad en condiciones de t-equivalencia.

e)      es una versión general del coeficiente de equivalencia Kuder-Richardson (K-R 20). De estas cinco afirmaciones, la segunda y la cuarta se relaciona Coeficiente alpha de Cronbach 19.

El uso de la primera afirmación implica que se ve al coeficiente a como un estimador estable de la confiabilidad calculada por mitades. Una consecuencia de esto es que se puede considerar al a como un estimador más robusto que el obtenido por el método de las dos mitades. Es importante notar que, la identidad entre el a y el valor esperado de todas las posibles mitades se da sólo cuando las partes son paralelas, es decir, cuando sus varianzas y covarianzas son todas iguales, y su valor esperado es el mismo (cf. Infra). Cuando las varianzas entre los ítems no son iguales, el coeficiente a es igual al valor esperado del a calculado sobre las mitades de la prueba como partes, en lugar de los ítems individuales (Cronbach, 1951; Lord & Novick, 1968; Cortina, 1993).

La segunda y cuarta afirmaciones ponen de relieve que el a es un estimador de la confiabilidad de una prueba (Cronbach, 1951; Lord & Novick, 1968; Bravo & Potvin, 1991). La demostración de las dos afirmaciones puede encontrarse en Cronbach (1951), Novick y Lewis (1967) y Lord y Novick (1968). Cabe recordar que estos resultados son ciertos en la medida en que a es un coeficiente de equivalencia, esto implica que no tiene en cuenta ciertas fuentes de error, como el error temporal (Gerbing & Anderson, 1988; Becker, 2000; Osburn, 2000; Schmidt et al., 2003), y por ello no puede tomarse como reemplazo de un coeficiente de estabilidad como estimador de la confiabilidad de una prueba. Para la presente discusión es conveniente incluir en este punto algunas de las definiciones introducidas por Novick y Lewis (1967) y Lord y Novick (1968).