Can Likert Scale Data ever be Continuous.pptx

Diapositivas que sintetizan y analizan las recomendaciones de Karen Grace-Martin sobre cuándo es defendible usar estadística paramétrica con datos tipo Likert (“a veces sí”). Destaca: distinguir escala vs. ítem Likert; asegurar 5–7 puntos, constructo subyacente continuo e intervalos aproximadamente iguales; verificar supuestos (normalidad, homocedasticidad, independencia); contrastar con pruebas no paramétricas; usar alfa más estricto (0.01/0.005) y ponderar consecuencias de resultados inexactos. Incluye reflexiones propias (el problema central es métrico, no solo estadístico), notas sobre sensibilidad al número de puntos, y la superioridad del uso de policóricas en AF para datos ordinales, con referencias (p. ej., Holgado-Tello et al., 2010; Nunnally).

1. Can Likert Scale Data ever be Continuous? ¿Pueden los datos de Escala Likert ser continuos?

2. ¿ES VALIDO EL USO DE ESTADÍSTICA PARAMÉTRICA CON ESCALAS LIKERT? Respuesta actual: A veces sí. Recomendaciones de Karen Grace-Martin en https://www.theanalysisfactor.com/can-likert-scale-data-ever-be-continuous/

3. ¿Es válido el uso de estadística paramétrica con escalas Likert? 6 recomendaciones de Karen Grace-Martin No confundir lo que es una “ Escala Likert ” y un “ ítem tipo Likert ” Proceder con precaución tomando en cuenta los procedimientos y diseños de investigación correspondientes a cada estudio. El que muchos hagan lo mismo no es justificación. Tener por lo menos 5 o 7 puntos en la escala , que el concepto (o constructo) subyacente sea continuo , contar con indicadores de que los intervalos de la escala son aproximadamente iguales y cumplir los demás supuestos de las pruebas paramétricas (normalidad, igualdad de varianza, independencia de los datos, etc.).

4. ¿Es valido el uso de estadística paramétrica con escalas Likert? 6 recomendaciones de Karen Grace-Martin Siempre que sea posible, realizar también la prueba no paramétrica equivalente . Resultados iguales aumentan la confianza en las conclusiones. Usar niveles de alfa estrictos ( 0.01 o 0.005 ) en vez del 0.05. Los p valores iguales o muy cercanos a 0.05 no son concluyentes. Considerar las consecuencias posibles de reportar resultados inexactos.

5. Reflexiones y análisis de las 6 recomendaciones de Karen Grace-Martin Cuidado: las inferencias son el resultado de asumir cosas, si nuestros supuestos están mal, nuestras inferencias también. Dra. Linda Elder y Dr. Richard Paul

6. No confundir lo que es una “ Escala Likert ” y un “ ítem tipo Likert ” La utilidad de las escalas Likert radica en todos los principios que la componen, de tal manera que, el solo hecho de contar con respuestas escaladas (de 5, 6 o más puntos) no proporciona datos propios de una escala Likert. Primer consejo

7. La calidad de los datos obtenidos no depende únicamente (aunque sí en gran medida) de los instrumentos de medición. Investigaciones con diseños de investigación con alto control de variables extrañas, procedimientos apropiados de muestreo y teorías subyacentes coherentes y sustentadas, propician la alta calidad en los datos. Proceder con precaución tomando en cuenta los procedimientos y diseños de investigación correspondientes a cada estudio. El que muchos hagan lo mismo no es justificación. Segundo consejo.

8. Tener por lo menos 5 o 7 puntos en la escala , que el concepto (o constructo) subyacente sea continuo , contar con indicadores de que los intervalos de la escala son aproximadamente iguales y cumplir los demás supuestos de las pruebas paramétricas (normalidad, igualdad de varianza, independencia de los datos, etc.). Aumentar el número de puntos de la escala aumenta su fiabilidad y sensibilidad (Bisquerra y Pérez-Escoda, 2015). La teoría del constructo que se quiere medir debe fundamentar el carácter continuo de la escala. Considerar otros aspectos de la construcción de la escala como los adjetivos que se utilizan y el uso de números (entre otros factores) influyen en la determinación de los intervalos. El cumplimiento de los criterios de paramearía debe ser (aunque no todos lo hagan) una condición sine qua non en todo análisis estadístico. Tercer consejo

9. El contraste de los resultados paramétricos y no paramétricos no necesariamente aumenta la confianza en un resultado. Por ejemplo, en resultados donde una prueba paramétrica resulte significativa y su equivalente no paramétrica resulte no significativa o viceversa. Las medidas intervalares y de razón son susceptibles de análisis paramétrico y no paramétrico, en cambio, las medidas ordinales no lo son. El contrastar pruebas paramétricas con su equivalente no paramétrico no proporciona información sobre el carácter de la medición. Siempre que sea posible, realizar también la prueba no paramétrica equivalente . Resultados iguales aumentan la confianza en las conclusiones. Cuarto consejo

10. Hay que recordar que 0.01 equivale a 1 error de cada 100 y 0.005 equivale a 1 error de cada 200, mientras que 0.05 equivale a 1 error de cada 20. Sin embargo, la probabilidad de error tolerada no garantiza el carácter intervalar de una escala. Usar niveles de alfa estrictos ( 0.01 o 0.005 ) en vez del 0.05. Los p valores iguales o muy cercanos a 0.05 no son concluyentes. Quinto consejo

11. Considerar las consecuencias posibles de reportar resultados inexactos. Contar con mediciones lo más exactas posibles en una necesidad fundamental en la ciencia. Tolerar procedimientos inexactos sólo por “el alcance de las consecuencias” fomenta la imprecisión y el error, e impide que se busquen siempre los mejores métodos de trabajo (por eso se siguen usando técnicas proyectivas pese a la abrumadora cantidad de evidencia en su contra y de falta de evidencia a su favor). Quinto consejo

12. 4 posibles conclusiones “Lo que no se define no se puede medir. Lo que no se mide, no se puede mejorar. Lo que no se mejora, se degrada siempre”. Lord William Thomson Kelvin

13. El problema central es métrico, no estadístico. Considerar válida la estadística paramétrica para analizar datos de escalas Likert es asumir determinadas propiedades de éstas (anteriores a los supuestos de parametría), por tal motivo, no se puede usar la estadística para “dar fuerza” a una escala Likert.

14. El número de puntos en la escala es importante pero no es suficiente. El uso de estadística paramétrica en datos de escalas Likert puede sostenerse, en parte, por la cantidad de puntos de la escala. No obstante, es necesario tomar en cuenta otros aspectos en la construcción de la escala tales como el uso o no de adjetivos en las respuestas.

15. La estadística no paramétrica no necesariamente es indeseable. El hecho de que, en algún determinado contexto, llegue a invalidar el uso de la estadística paramétrica para analizar datos de escala Likert, no quiere decir necesariamente que se pierde poder de análisis. Por ejemplo, estudios con simulaciones muestran que el análisis factorial basado en matrices de correlaciones policóricas (para datos ordinales) muestran mejores resultados en escalas Likert que el análisis basado en matrices de correlaciones de Pearson (Holgado-Tello, Chacón-Moscoso, Barbero-García y Vila-Abad, 2010).

16. El reto metrológico continúa en la psicología en general y en la psicometría en particular. El carácter ordinal/intervalar de las mediciones en psicología (y ciencias afines) continúa planteando retos de carácter metrológico. Sin duda alguna la psicometría ha afrontado y afronta satisfactoriamente muchos de esos retos, pero la psicología en general requiere de cambios de paradigmas en su desarrollo, requiere clarificar conceptos (y abandonar la oscuridad conceptual), unificar teorías (desechando aquellas teorías anquilosadas que ya no proporcionan algo favorable) y romper con antiguas costumbres (como el mito ideográfico y la subjetividad epistemológica).

17. FINALMENTE “ …los grandes avances en la psicología [y posiblemente en la ciencia en general] tienen como antecedente la ruptura con los métodos de medición tradicionales ” (Nunnally, 2009). Hay que tener siempre en mente que…

18. Referencias Bisquerra, R. y Pérez-Escoda, N. (2015). ¿Pueden las escalas Likert aumentar en sensibilidad? REIRE, Revista d’Innovació i Recerca en Educació , 8(2), 129-147. DOI: 10.1344/reire2015.8.2828 Gordillo, A. A., Medina, U. F. y Pierdant, M. (2012). Manual de investigación clínica . México, D.F.: Manual Moderno. Grace-Martin, K. (s.f.). Can Likert Scale Data ever be Continuous? . The Analysis Factor. Recuperado de https://www.theanalysisfactor.com/can-likert-scale-data-ever-be-continuous/ Holgado-Tello, F. P., Chacón-Moscoso, S., Barbero-García, I. y Vila-Abad, E. (2010). Polychoric versus Pearson correlations in exploratory and confirmatory factor analysis of ordinal variables. Qual Quant , 44:153–166. DOI: 10.1007/s11135-008-9190-y Nunnally, J. C. (2009). Teoría psicométrica . México: Trillas.