La pregunta aparece en casi todas las tesis de psicología, enfermería y ciencias de la salud: "¿puedo tratar los datos de mi escala Likert como si fueran continuos?". La respuesta no es única y depende de lo que vayas a hacer con ellos. Esta guía recorre las opciones, el criterio para elegir y los pasos concretos en SPSS.
Si lo que necesitas es el análisis ítem a ítem (discriminación, correlación ítem-total, alfa si se elimina el ítem), el analizador de ítems te lo calcula directamente sin tener que montarlo a mano en SPSS.
El debate ordinal vs intervalo: de qué va en realidad
Una escala Likert de 5 o 7 puntos produce datos ordinales: sabemos que "muy de acuerdo" es más que "de acuerdo", pero no sabemos si la distancia entre cada categoría es igual. Técnicamente, eso significa que la media no tiene sentido porque asume que los intervalos son iguales.
Sin embargo, décadas de investigación en psicometría han mostrado que, en la práctica, tratar las puntuaciones de escalas de 5 o más categorías como continuas produce resultados robustos cuando la distribución no está muy sesgada. Esto es lo que hace la mayoría de los estudios publicados en revistas Q1 de psicología y lo que los revisores esperan ver cuando tienes un instrumento validado con estructura factorial conocida.
El consenso actual (Rhemtulla, Brosseau-Liard y Savalei, 2012; Norman, 2010) puede resumirse así:
- Con 5 o más categorías y distribución aproximadamente simétrica: puedes usar análisis paramétricos (t, ANOVA, regresión, correlación de Pearson, AFC con estimador ML o MLR).
- Con 4 o menos categorías, distribución muy sesgada o análisis factorial confirmatorio: usa métodos específicos para ordinales (correlaciones policóricas, estimador WLSMV en AFC).
- Para ítems aislados (no sumados) con pocos participantes: considera pruebas no paramétricas.
Primero: define bien qué analizas
Hay dos objetos de análisis distintos y conviene no mezclarlos:
- Ítems individuales: cada respuesta de 1 a 5 es ordinal. Si quieres describir cómo responde la muestra a un ítem concreto, la mediana y el rango intercuartílico son más apropiados que la media. Para comparar grupos en un ítem individual, Mann-Whitney o Kruskal-Wallis.
- Puntuación total o de subescala (suma o media de varios ítems): esta puntuación compuesta se comporta más como una variable continua, especialmente con 6 o más ítems. La media de 10 ítems de 5 puntos tiene una distribución que se aproxima a la normal por el teorema central del límite. Aquí los análisis paramétricos son defendibles.
Pasos en SPSS para el análisis descriptivo
- Abre el archivo de datos e identifica qué variables son ítems del cuestionario.
- Calcula la puntuación total: Transform > Compute Variable. Suma los ítems (recuerda invertir los ítems invertidos antes de sumar con Transform > Recode into Different Variables).
- Para la puntuación total: Analyze > Descriptive Statistics > Descriptives (media, desviación, asimetría, curtosis).
- Para ítems individuales: Analyze > Descriptive Statistics > Frequencies (frecuencias, porcentajes, mediana).
- Comprueba normalidad de la puntuación total si vas a usar ANOVA o regresión: Analyze > Descriptive Statistics > Explore > Plots > Normality plots with tests.
Comparación de grupos en SPSS
Si quieres comparar medias de la puntuación total entre dos grupos (por ejemplo, hombres vs mujeres en una escala de burnout):
- Opción paramétrica (recomendada si N ≥ 30 por grupo y distribución aceptable): Analyze > Compare Means > Independent-Samples T Test. Reporta t, grados de libertad, p y la d de Cohen (que SPSS no calcula directamente; usa la calculadora de tamaño del efecto).
- Opción no paramétrica (si la distribución es muy asimétrica o N es pequeño): Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent Samples > Mann-Whitney U. Reporta U, Z y p; el tamaño del efecto es r = Z / sqrt(N).
Para más de dos grupos, el equivalente paramétrico es el ANOVA (Analyze > Compare Means > One-Way ANOVA) y el no paramétrico es Kruskal-Wallis (Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples). El tutorial completo de ANOVA en SPSS está en la guía de SPSS para la tesis.
Correlación entre escalas Likert
Para puntuaciones totales de dos escalas (por ejemplo, ansiedad y depresión): la correlación de Pearson es apropiada con puntuaciones compuestas. Si las variables son muy no normales o tienes pocos datos, usa Spearman. En SPSS: Analyze > Correlate > Bivariate (marca Pearson o Spearman según el caso).
No uses Pearson entre dos ítems individuales de Likert sin más: esa correlación infraestima la relación real porque la categorización trunca la varianza. Para matrices de ítems individuales, las correlaciones policóricas (que SPSS no calcula de forma nativa; usa R o jamovi con el módulo correspondiente) son más apropiadas como base del AFC.
Validar la estructura con análisis factorial
Si el cuestionario no ha sido validado antes con tu población, necesitas comprobar que los ítems forman las dimensiones que esperas. El análisis factorial confirmatorio (AFC) es el estándar para instrumentos con estructura teórica previa; el exploratorio (AFE) para cuando no tienes hipótesis claras sobre la estructura. La guía de AFE y la de AFC en APA 7 cubren ambos en detalle.
Una nota técnica importante: si vas a hacer AFC con ítems Likert de pocas categorías (4 o menos) o distribución sesgada, el estimador ML clásico no es el más adecuado. Usa correlaciones policóricas con estimador WLSMV (disponible en R con lavaan o en Mplus). Con 5 o más categorías y ML, añade el argumento estimator = "MLR" en lavaan para corrección de errores estándar robustos.
Fiabilidad: alfa de Cronbach y omega de McDonald
Una vez definida la estructura, comprueba que los ítems de cada dimensión son consistentes entre sí. En SPSS: Analyze > Scale > Reliability Analysis, elige Cronbach's alpha. Los valores de referencia habituales son ≥ .70 para uso grupal y ≥ .90 para uso diagnóstico individual. El omega de McDonald es una alternativa preferible al alfa cuando las cargas factoriales no son homogéneas; la calculadora de omega lo calcula directamente.
Cómo reportar en APA 7
Para comparación de grupos: t(58) = 3.14, p = .003, d = 0.81. Para correlación: r(88) = .43, p < .001. Para fiabilidad: alfa de Cronbach = .87. Especifica siempre si usaste la puntuación total o los ítems individuales, el método de tratamiento (paramétrico o no paramétrico) y la justificación. Más formatos en la guía de reporte APA 7.
¿Tienes una escala Likert y no sabes qué análisis hacer con ella?
Soy doctor en Psicología y analizo tu escala de principio a fin: estructura factorial, fiabilidad, comparación de grupos y reporte APA. Da igual si es psicología, enfermería, fisioterapia o medicina. Diagnóstico inicial gratis.
Reservar diagnóstico gratuito →Preguntas frecuentes
¿Se puede calcular la media con datos de una escala Likert?
Con 5 o más categorías y distribución aproximadamente simétrica, sí. La investigación psicométrica muestra que tratar puntuaciones de escalas de 5 o más categorías como continuas produce resultados robustos. Para ítems individuales con pocas categorías o distribución muy sesgada, la mediana y pruebas no paramétricas son más apropiadas.
¿Cuándo usar la prueba t en vez de Mann-Whitney con datos Likert?
Usa la prueba t cuando analizas la puntuación total de la escala (suma de varios ítems), tienes 30 o más participantes por grupo y la distribución no está muy sesgada. Usa Mann-Whitney cuando analizas ítems individuales, la muestra es pequeña o la distribución está claramente asimétrica.
¿Tengo que hacer análisis factorial con mi escala Likert?
Depende de si el cuestionario ha sido validado previamente en tu población. Si usas un instrumento con estructura factorial conocida y publicada, no es obligatorio rehacerlo. Si tu muestra es distinta (población clínica vs general, otro idioma), se recomienda al menos un análisis confirmatorio para verificar que la estructura se mantiene.
¿Cómo calculo la puntuación total de una escala Likert en SPSS?
Ve a Transform > Compute Variable. Escribe el nombre de la nueva variable y en la caja de expresión suma los ítems: item1 + item2 + item3. Si hay ítems invertidos, primero recifícalos con Transform > Recode into Different Variables antes de sumarlos.