Alfa es el estadístico más reportado de la psicología y también el más malinterpretado. Se cita como si midiera unidimensionalidad, se compara con un umbral de .70 cuyo origen casi nadie ha leído, se copia del artículo de validación original en lugar de calcularlo en la propia muestra, y se aplica a escalas de tres ítems y a escalas de cuarenta como si significara lo mismo en ambos casos.
Nada de eso pasa desapercibido cuando el manuscrito cae en manos de alguien con formación psicométrica, que en revistas de psicología es lo más probable. Y el comentario que llega no suele ser «tu alfa es baja»: suele ser «alfa no es el índice apropiado aquí», que es una objeción de fondo y obliga a rehacer análisis.
Aquí tienes qué es y qué no es alfa, los siete errores concretos que más veces aparecen en manuscritos reales, qué alternativa corresponde en cada caso (omega, coeficiente de Spearman-Brown, correlación intraclase, alfa ordinal), y cómo responder cuando el revisor ya te ha pedido que abandones el índice que llevas usando toda la carrera.
El coeficiente alfa (Cronbach, 1951) es una estimación de la consistencia interna: cuánta covariación comparten los ítems de un conjunto. Bajo un supuesto concreto, el de tau-equivalencia esencial (que todos los ítems midan el constructo con la misma carga, aunque difieran en su nivel), alfa iguala la fiabilidad de la puntuación total. Cuando ese supuesto no se cumple, y en datos reales prácticamente nunca se cumple, alfa es un límite inferior de la fiabilidad, es decir, la subestima.
Esa propiedad de límite inferior es la que se usa para defender su uso: si alfa es alta, la fiabilidad al menos lo es. El problema es que la relación no funciona igual de bien en la otra dirección ni bajo todas las condiciones: si la escala no es unidimensional o si hay covarianzas entre los errores de los ítems (por ejemplo, ítems redactados en negativo que comparten método), alfa puede estar inflada respecto a lo que estarías dispuesto a llamar fiabilidad de una puntuación que representa un solo constructo.
Y hay algo que conviene tener muy presente porque cambia la redacción de todo el apartado: la fiabilidad no es una propiedad del test, es una propiedad de las puntuaciones obtenidas con ese test en una muestra concreta. Un instrumento no «tiene» una alfa de .89. La alfa de .89 la tuvieron las puntuaciones de la muestra del estudio de validación, con su rango de puntuaciones y su composición. En tu muestra, con más homogeneidad o menos variabilidad, puede ser sustancialmente menor.
Sijtsma (2009) fue especialmente contundente en su análisis del uso, el mal uso y la utilidad muy limitada de alfa, y su trabajo es una de las citas que más veces aparece en los informes de revisores que piden cambiar de índice. Vale la pena leerlo antes de que te lo citen.
Ordenados por frecuencia en los manuscritos que llegan a revisión.
La frase «se consideró aceptable un valor de alfa superior a .70 (Nunnally, 1978)» aparece en un porcentaje enorme de artículos. Lance, Butts y Michels (2006) rastrearon el origen de este y otros criterios de corte muy citados y encontraron que la recomendación original era considerablemente más matizada: valores en torno a .70 se planteaban como suficientes en fases tempranas de investigación básica, mientras que para decisiones aplicadas sobre individuos se pedían valores bastante más altos, del orden de .90 o superiores.
La consecuencia práctica es doble. Si estás en investigación de grupos, un alfa de .68 no invalida tu escala y puedes defenderlo. Si estás usando la puntuación para clasificar personas (punto de corte clínico, selección, cribado), .75 no es suficiente por mucho que supere el umbral de manual.
Es el error conceptual más grave y sigue siendo frecuente: «el alfa de .88 confirma que la escala mide un único constructo». No lo confirma en absoluto. Alfa es alta cuando los ítems covarían, y los ítems pueden covariar por tener dos o tres factores correlacionados entre sí. Se pueden construir escalas claramente multidimensionales con alfas por encima de .85.
La unidimensionalidad se contrasta con análisis factorial, no con alfa. Si vas a reportar alfa de una puntuación total, primero tienes que haber justificado que esa puntuación total tiene sentido, con un análisis factorial confirmatorio, un análisis exploratorio en muestra independiente o al menos la evidencia previa publicada sobre la estructura.
Alfa depende del número de ítems y de la correlación media entre ellos. Con una correlación media modesta de .20, veinte ítems producen un alfa de .83; con esos mismos ítems, una escala de cinco daría .56. Es decir: un alfa alto en una escala larga puede ser compatible con ítems que se relacionan poco entre sí.
Por eso conviene reportar también la correlación media entre ítems o la correlación ítem-total corregida. Un rango de correlaciones ítem-total corregidas entre .35 y .62 informa mucho más que un alfa de .87, y su ausencia es lo primero que pide un revisor psicómetra.
El reverso también importa: un alfa por encima de .95 en una escala corta no es una buena noticia, es señal de redundancia. Significa que estás preguntando lo mismo con palabras distintas, lo que estrecha la representación del constructo (el llamado déficit de validez de contenido por atenuación) y desperdicia el tiempo del participante.
Delata: «Se empleó la Escala X, que ha mostrado buenas propiedades psicométricas (alfa = .91; Autor, 2014)». Y nada más. Como la fiabilidad es propiedad de las puntuaciones y no del instrumento, esa cifra no dice nada sobre tus datos. Si tu muestra es más homogénea (por ejemplo, población clínica seleccionada por gravedad), la restricción de rango puede hundir tu alfa real muy por debajo de la publicada.
Lo correcto es reportar ambos: el valor original como referencia y el obtenido en tu muestra, idealmente con su intervalo de confianza, que se puede calcular y casi nadie incluye. Y si tu alfa es notablemente menor que la publicada, decirlo y comentarlo suma credibilidad en lugar de restarla.
Alfa se basa en covarianzas de Pearson, que asumen variables continuas. Con ítems de tres, cuatro o cinco categorías, y sobre todo con distribuciones asimétricas, esas covarianzas están atenuadas y alfa subestima la fiabilidad. Con ítems dicotómicos el problema es mayor.
La alternativa es calcular el coeficiente a partir de correlaciones policóricas (lo que suele llamarse alfa ordinal, u omega calculada sobre la matriz policórica). En R se hace directamente con el paquete psych. La diferencia puede ser de varias centésimas, y en escalas cortas con ítems sesgados, considerable.
Con dos ítems, alfa se comporta de forma poco informativa y tiende a subestimar. La solución establecida es el coeficiente de Spearman-Brown, que Eisinga, Grotenhuis y Pelzer (2013) recomendaron específicamente para este caso tras compararlo con las alternativas. Es un cálculo de una línea y evita un comentario seguro.
Relacionado: para escalas muy cortas, reportar simplemente la correlación entre los dos ítems junto al coeficiente es más transparente que cualquier otra cosa.
Alfa presupone un modelo reflectivo: existe un constructo latente que causa las respuestas a los ítems, y por eso los ítems covarían. Hay instrumentos donde el modelo es el contrario, formativo: los ítems son componentes que definen el constructo en lugar de manifestaciones de él. El ejemplo clásico son las listas de acontecimientos vitales estresantes, donde perder el empleo y sufrir un duelo son dos causas de estrés sin ninguna razón para correlacionar entre sí.
Calcular alfa de un índice formativo carece de sentido, y un alfa bajo ahí no indica ningún problema. Si tu instrumento es un inventario de sucesos, un recuento de síntomas heterogéneos o un índice compuesto por indicadores independientes, di explícitamente que el modelo de medida es formativo y no reportes consistencia interna: reporta, si procede, estabilidad temporal o acuerdo entre informantes.
La alternativa que más piden los revisores es el coeficiente omega de McDonald, que se estima a partir de un modelo factorial y no exige tau-equivalencia: usa las cargas factoriales reales de cada ítem, así que no penaliza que unos ítems sean mejores indicadores que otros. Dunn, Baguley y Brunsden (2014) lo plantearon como el sustituto práctico y accesible de alfa, y en la última década se ha convertido en el estándar de facto en revistas psicométricas.
Distingue dos versiones porque el revisor lo hará: omega total estima la proporción de varianza de la puntuación atribuible a todos los factores comunes, mientras que omega jerárquica estima la atribuible al factor general en presencia de factores específicos. En escalas con estructura bifactor, que son muchas de las escalas clínicas al uso, la diferencia entre ambas es la información que de verdad importa: puedes tener omega total de .91 y omega jerárquica de .62, lo que significa que la puntuación total refleja bastante menos el factor general de lo que parecía.
Otras opciones según lo que quieras estimar. Si te interesa la estabilidad en el tiempo, la fiabilidad test-retest con el coeficiente de correlación intraclase, especificando el modelo (acuerdo absoluto o consistencia, efectos aleatorios o mixtos), porque reportar un ICC sin decir cuál es un comentario garantizado. Si te interesa el acuerdo entre evaluadores, ICC para variables continuas y kappa (o kappa ponderada para categorías ordenadas) para categóricas. Si trabajas con teoría de respuesta al ítem, la información del test por nivel del rasgo, que es mucho más informativa que un único índice global porque la precisión de una escala no es constante a lo largo del continuo.
Un apunte práctico: calcular omega es trivial. En R, psych::omega() o la función de MBESS; en jamovi, la casilla está al lado de la de alfa en el análisis de fiabilidad; en JASP, igual. No hay ninguna razón técnica para no reportar los dos, y reportar ambos elimina de golpe la discusión sobre cuál era el correcto.
Delata: «Todas las escalas mostraron una fiabilidad adecuada (alfas entre .71 y .89), superior al criterio de .70 recomendado en la literatura».
Aguanta: «Se estimó la consistencia interna en la muestra del estudio mediante alfa de Cronbach y omega de McDonald, este último por no requerir el supuesto de tau-equivalencia (Dunn et al., 2014). Los valores fueron: escala A, alfa = .84, IC 95% [.80; .87], omega = .86; escala B, alfa = .71, IC 95% [.65; .76], omega = .74. Las correlaciones ítem-total corregidas oscilaron entre .31 y .68, sin ítems cuya eliminación mejorase sustancialmente el coeficiente. Dado que los ítems son ordinales de cinco categorías con distribuciones asimétricas, los coeficientes se calcularon también sobre la matriz policórica, con valores ligeramente superiores (.87 y .77, respectivamente)».
Delata: «El alfa de la subescala de despersonalización fue de .61, ligeramente por debajo del umbral aceptable, aunque cercano a él».
Aguanta: «El alfa de la subescala de despersonalización fue de .61 (IC 95% [.52; .69]), inferior al de las otras dos dimensiones. La subescala consta de solo cinco ítems, lo que penaliza el coeficiente, y su correlación media entre ítems fue de .24, en línea con la reportada en la validación española del instrumento. Dado que la fiabilidad de esta puntuación es limitada, los coeficientes en los que interviene están atenuados por error de medida, y por ello hemos estimado el modelo estructural con variables latentes, que corrige esa atenuación (p. 12). Las conclusiones referidas a esta dimensión se presentan con la cautela correspondiente».
Ese segundo ejemplo hace lo que casi ningún manuscrito hace con una fiabilidad baja: en lugar de minimizarla, explica su origen y muestra qué consecuencia tiene sobre las estimaciones. Es la respuesta que desactiva la objeción.
Hay tres peticiones típicas y cada una tiene una respuesta distinta.
Si te pide omega: hazlo y punto, es cuestión de minutos, y aprovecha para añadir intervalos de confianza a ambos coeficientes. «Hemos añadido el coeficiente omega de McDonald junto a alfa para todas las escalas (Tabla 1), estimado con el paquete psych de R sobre el modelo factorial correspondiente, así como los intervalos de confianza al 95% de ambos. Las conclusiones no varían: los valores de omega son ligeramente superiores a los de alfa, como cabe esperar cuando no se sostiene la tau-equivalencia».
Si te dice que un alfa es demasiado bajo: no lo defiendas con el umbral. Explica la causa (número de ítems, heterogeneidad del contenido, restricción de rango en tu muestra), cuantifica la consecuencia (atenuación de las correlaciones en las que interviene esa escala) y ofrece una solución analítica: modelar con variables latentes, corregir por atenuación al reportar las correlaciones, o restringir las conclusiones que dependen de esa puntuación. Si la escala es directamente inservible en tu muestra, retirarla del modelo y decirlo es preferible a defenderla.
Si te dice que alfa no es el índice apropiado (escala formativa, dos ítems, ítems ordinales, estructura bifactor): dale la razón, cambia el índice y explica brevemente por qué el nuevo es el correcto para tu caso. «El revisor tiene razón: al tratarse de un inventario de acontecimientos vitales, cuyos ítems son causas del constructo y no manifestaciones de él, la consistencia interna no es un indicador pertinente. Hemos retirado el coeficiente alfa de la Tabla 1 y hemos añadido, en su lugar, la evidencia de estabilidad temporal disponible para este instrumento y una nota metodológica en el apartado de medidas (p. 8) explicando el carácter formativo del índice».
Y una recomendación general: no discutas por décimas. Un intercambio de dos rondas sobre si .68 es aceptable cuesta más tiempo y más credibilidad que rehacer el análisis con variables latentes, que además mejora el artículo.
Depende del uso. Para investigación con comparaciones entre grupos, valores en torno a .70 se aceptan con normalidad y .65 es defendible en escalas cortas si se argumenta. Para decisiones sobre individuos (cribado, diagnóstico, selección) se exigen valores del orden de .90. El criterio único de .70 que se atribuye a Nunnally es una simplificación de una recomendación bastante más matizada.
Omega es preferible desde el punto de vista técnico porque no exige tau-equivalencia y usa las cargas factoriales reales de cada ítem. Pero la respuesta práctica es reportar los dos: cuesta un clic en jamovi o una línea en R, elimina la discusión sobre cuál era el correcto y permite que tu artículo sea comparable con la literatura previa, que está llena de alfas.
No. Por encima de .95 en una escala corta suele indicar redundancia entre ítems: estás preguntando lo mismo con distintas palabras, lo que estrecha la representación del constructo y no aporta información adicional. Un revisor psicómetra lo señala como problema de validez de contenido, no como virtud.
Puedes, pero con dos condiciones. Primera, que la decisión tenga sentido de contenido y no sea puramente estadística: eliminar un ítem que cubre una faceta única del constructo sube alfa y empeora la validez. Segunda, que lo declares explícitamente, con el alfa antes y después y el número de ítems final, porque un revisor que compare tu escala con la original va a notar que faltan ítems.
Sí, siempre. La fiabilidad es una propiedad de las puntuaciones en una muestra concreta, no del instrumento. Una escala con alfa de .91 en la muestra de validación puede rendir bastante peor en una muestra más homogénea, por restricción de rango, o en una población distinta a la original. Reporta el valor publicado como referencia y el tuyo como dato.
Omega jerárquica, además de omega total. La diferencia entre ambas te dice qué proporción de la varianza de la puntuación total se debe realmente al factor general frente a los factores específicos. Si omega jerárquica es baja, la puntuación total no representa bien un único constructo y probablemente convenga trabajar con las subescalas o con el modelo latente en lugar de con la suma.