¿Qué mide en realidad una puntuación de ansiedad? Dos cuestionarios llevan esa etiqueta, pero uno capta sobre todo malestar general y el otro se concentra en la anticipación temerosa. La cifra solo puede interpretarse si sabemos qué preguntas la produjeron y para qué se quiere usar.

01

El resultado es una cifra, pero la pregunta trata de una persona

Un estudio pregunta si una intervención reduce la depresión. Las personas responden un cuestionario y sus puntuaciones bajan. ¿Disminuyó también la depresión? El cuestionario puede ser útil, pero su cifra no es la experiencia que pretende representar. Daniel McNeish parte de esa distancia. Antes de comparar grupos o anunciar un efecto, los investigadores necesitan razones para creer que las respuestas reflejan la idea psicológica que quieren estudiar.

La psicología suele investigar conceptos que no se pesan directamente en una báscula: motivación, capacidad de lectura, extraversión o síntomas depresivos. Para estudiarlos se combinan respuestas a varias preguntas. Validar una escala significa averiguar qué representan esas respuestas, para quién y en qué situación. No es un sello que el cuestionario conserva para siempre. Una escala útil en una población puede necesitar nueva evidencia si cambian el idioma, las personas o la decisión que se tomará con ella.

Es fácil subestimar la consecuencia. Si la puntuación representa mal aquello que interesa, ningún análisis estadístico sofisticado recupera su significado. Un resultado podría no repetirse porque el nuevo estudio midió otra cosa, no solo porque el efecto original fuera falso. La revisión no invita a desconfiar de todo cuestionario. Pide colocar la medición al comienzo del razonamiento, antes de la afirmación llamativa que aparece al final.

02

Validar nunca significó obtener un sello único

La idea de validez ha cambiado durante un siglo de psicología. Al principio se preguntaba a menudo si una puntuación predecía un resultado externo. Más tarde se añadieron otras preguntas: qué contenido incluyen los ítems, cómo los entiende la gente, qué patrón forman las respuestas y qué consecuencias tiene usar la cifra. El cambio importa porque una escala puede predecir algo y, aun así, ser mal entendida; también puede mostrar un patrón estadístico limpio y dejar fuera una parte importante de la experiencia.

Las normas que examina la revisión fueron entendiendo la validez como un argumento apoyado por distintas evidencias para un uso concreto de la puntuación. Por eso tomar un cuestionario conocido no resuelve todo. Si se acorta, se traduce o se aplica a otro grupo, conviene comprobar si las respuestas conservan el significado que el nuevo estudio necesita.

McNeish también reúne revisiones donde muchos trabajos ofrecían poca o ninguna evidencia de validez de sus escalas, incluidas medidas creadas para un único artículo. Es un problema de investigación y de presentación, no una prueba de que toda escala sin informe sea inútil. Pero dificulta la lectura: sin saber cómo se justificó la cifra, no podemos distinguir si una asociación posterior habla del concepto psicológico o de un efecto de las preguntas.

03

El modelo que hay detrás de varias preguntas

Supongamos que un cuestionario breve tiene cuatro preguntas destinadas a medir la extraversión. El investigador espera que quienes respondan afirmativamente a una tiendan a hacerlo en otras porque un rasgo subyacente influye en las cuatro respuestas. El análisis factorial confirmatorio compara ese patrón previsto con el que aparece en los datos. Si se parecen, la propuesta es plausible. No se ha demostrado que sea la única explicación posible.

El método estima cuánto se relaciona cada pregunta con el factor propuesto y qué relación debería existir entre las preguntas si el modelo acierta. Lo importante es la distancia entre las relaciones esperadas y las observadas. En una muestra real siempre habrá alguna diferencia. Si es grande, tal vez una pregunta mida también otra idea, falte una conexión en el modelo o un ítem funcione de manera inesperada. Una cifra que resume esa diferencia se llama índice de ajuste.

El ajuste es solo una clase de evidencia de validez. Que las respuestas formen un patrón ordenado no prueba que «extraversión» signifique lo mismo para quienes responden ni que la puntuación anticipe conductas relevantes. A la inversa, una regla numérica puede juzgar demasiado severamente un modelo útil. La preocupación central de la revisión aparece cuando una comprobación estadística de la estructura interna se toma por toda la justificación de una medida psicológica.

04

Cómo un experimento útil se volvió una regla universal

En 1999, Hu y Bentler usaron simulaciones para preguntar si distintos índices de ajuste distinguían un modelo bien especificado de otro con un error importante. Como habían generado los datos, sabían cuál era cuál. En las condiciones que estudiaron, valores cercanos a 0,06 para RMSEA, 0,95 para CFI y 0,08 para SRMR resultaban útiles para separarlos. Eran resultados de un experimento concreto, no propiedades eternas de cualquier cuestionario.

La simulación original tenía cierto número de preguntas y factores y una clase particular de modelo equivocado: se omitía una relación adicional entre un ítem y un factor. Los propios autores advirtieron que no debía generalizarse sin cuidado. Pero sus números eran fáciles de recordar, citar y aplicar. Con el tiempo, muchos trabajos los trataron como puertas: un valor a un lado significaba «válido» y al otro, «inválido». Eso simplificó la revisión de estudios, pero apartó la atención de la pregunta que la puntuación debía responder.

La crítica de McNeish no es que Hu y Bentler fueran descuidados. Su simulación ofreció criterios más rigurosos que una simple intuición. El problema apareció cuando estudios muy diferentes heredaron los mismos umbrales. Una regla puede clasificar bien los casos para los que se diseñó y fallar con otros. Saber de dónde salió una cifra forma parte de saber para qué sirve.

05

Una misma cifra puede juzgar de forma desigual dos escalas

Un cuestionario con muchas preguntas no se comporta estadísticamente igual que uno breve. La revisión describe estudios donde aumentar el número de ítems hacía que un índice popular pareciera más favorable y otro, menos. Una relación más fuerte entre las preguntas y el factor previsto también puede volver un índice más sensible a una conexión omitida. De manera paradójica, una escala cuyas preguntas reflejan mejor el factor puede recibir una peor calificación con un umbral fijo.

Importan también las respuestas faltantes, la variación que el modelo no explica y el tipo de opciones de respuesta. El umbral queda fijo mientras las condiciones que determinan el índice cambian. Así puede dar una falsa tranquilidad o rechazar una escala útil. Si un estudio informa solo que superó una regla conocida, el lector no sabe qué diferencia se consideró aceptable ni por qué lo sería para el uso previsto de la escala.

El riesgo va más allá de una discusión técnica. Un investigador puede aceptar un cuestionario que mezcla dos conceptos o descartar otro que resulta útil; los análisis posteriores heredan esa decisión. Tampoco debería tomarse un umbral superado como prueba de que una persona tiene un trastorno o de que un programa funcionó. La revisión entiende la validación como una cadena de evidencias, y el índice de ajuste como un eslabón cuya fuerza depende del modelo y de los datos.

06

Mirar dónde falla el modelo, no solo cuánto

Un índice global comprime en una cifra muchas diferencias entre las relaciones observadas y previstas de las respuestas. Puede ocultar un problema grande entre muchos buenos ajustes o repartir pequeños problemas por todo el cuestionario. El ajuste local examina qué pares de preguntas predice mal el modelo. Si dos ítems usan palabras casi idénticas, por ejemplo, su parecido adicional quizá provenga de la redacción y no del factor psicológico que se quiere medir.

La revisión señala que pocos estudios publicados describen el ajuste local, aunque las recomendaciones metodológicas piden examinarlo. Mirar los detalles tampoco produce un veredicto automático: aún hay que juzgar qué diferencia importa. Pero ofrece una pregunta mejor que «¿pasó la cifra global?». Permite ver si el problema se concentra en una pregunta, en un conjunto de ítems o en la explicación general que propone el modelo.

Aquí vuelve a importar el conocimiento del tema. Quien comprende las preguntas puede investigar por qué dos ítems se comportan juntos, si falta un factor y si cambiar la redacción mejoraría la medida. Una computadora puede detectar una discrepancia; por sí sola no decide qué entendió la persona que respondió ni si los cambios siguen representando el concepto buscado.

07

Pruebas mejores siguen necesitando una buena pregunta

McNeish examina otras dos alternativas. Las pruebas de equivalencia consideran la incertidumbre de la estimación y preguntan si la evidencia respalda una diferencia suficientemente pequeña, en vez de limitarse a no rechazar el modelo. Los umbrales dinámicos simulan las condiciones del modelo y los datos que se estudian, en lugar de importar la misma cifra a todos los casos. Ambos métodos aclaran la decisión, aunque ninguno elimina la necesidad de definir qué tipo de error sería importante.

No existe una cifra de reemplazo que vuelva innecesario el juicio. Una validación más fuerte reúne la estructura de las respuestas, el contenido de las preguntas, la población, la finalidad de la puntuación y lo que ocurre cuando se usa. Si cambia el idioma o el entorno del estudio, hay que preguntar si la evidencia anterior sigue siendo pertinente. Un método preciso ayuda cuando responde a esa pregunta, no porque sus matemáticas aparenten certeza.

Volvamos a la puntuación de depresión que bajó. Para interpretar esa caída, hay que preguntar qué cambió en las respuestas, si esas preguntas representan la experiencia que interesa y si la escala funciona en este grupo. Solo entonces la comparación antes y después de la intervención puede apoyar una afirmación sobre la depresión. La evidencia que respalda la escala permite interpretar la cifra. Superar un umbral estadístico conocido no basta para demostrar qué representa la puntuación ni qué cambió con la intervención.

Lo esencial

  1. La validez se refiere a interpretar puntuaciones.
  2. Los puntos de corte se usaron más allá de su propósito.
  3. El ajuste del modelo es evidencia, no veredicto.
?

El matiz

Lo que esta historia no permite afirmar

Ningún número universal sustituye un argumento sobre el constructo, la población y el uso previsto de las puntuaciones.

Profundiza en la lectura: conceptos y práctica opcional

Tarjetas reversibles

Prueba el concepto

1 / 1

Evaluación del tema

Comprueba si puedes explicar la idea, no solo reconocerla.

Todas las respuestas se encuentran en la explicación anterior. Algunas preguntas presentan casos nuevos para comprobar si puedes aplicar y analizar las ideas, no solo recordarlas.

7 preguntas4 alternativas por preguntaUna respuesta correcta
01¿Qué afirmación sintetiza mejor la tesis central de la revisión?
02¿Cuál es la definición operativa más adecuada de «Validez de constructo»?
03¿Qué caso aplica correctamente el concepto principal?
04Si dos estudios obtienen resultados distintos, ¿qué interpretación conserva mejor la lógica de esta guía?
05¿Qué conclusión complementaria forma parte del núcleo del artículo?
06¿Qué formulación distingue mejor «Validez de constructo» de una etiqueta superficial?
07¿Qué límite debe acompañar cualquier aplicación del artículo a un caso nuevo?
Responde las siete preguntas.

Fuente y alcance

How Do Psychologists Determine Whether a Measurement Scale Is Good? A Quarter-Century of Scale Validation with Hu & Bentler (1999). Daniel McNeish. Annual Review of Psychology, vol. 77 (2026).

Esta guía editorial es una explicación independiente. Consulta la publicación original para los estudios, las referencias y el contexto completo.

Abrir revisión original ↗