Cómo reportar un análisis de ítems en APA 7

Corres el análisis de fiabilidad de tu escala de 12 ítems, miras la salida y te encuentras tres columnas que nadie te explicó del todo: una media por ítem, una correlación ítem-total corregida y un alfa si se elimina el elemento. Uno de los ítems tiene la correlación en negativo, otro tiene una media de 4.62 sobre 5, y el alfa sube una centésima si quitas cualquiera de los dos. La pregunta no es qué números copiar, es cuáles significan algo y cuál de esos dos ítems tiene un problema de verdad. Aquí tienes las tres columnas, qué se hace con cada una y cómo se escribe el párrafo. Si lo que buscabas era el coeficiente de la escala entera, está en cómo reportar el alfa de Cronbach en APA 7.

Qué números lleva un análisis de ítems

Cuatro por ítem y uno de la escala. Por ítem: la dificultad (la media y la desviación típica, o la proporción de aciertos si el ítem es de respuesta correcta), la discriminación (la correlación ítem-total corregida), el alfa si se elimina ese ítem y, si la escala lo pide, el porcentaje de respuestas en las categorías extremas. De la escala: el alfa total con su intervalo de confianza y el número de ítems. Con más de cinco o seis ítems eso es una tabla, no un párrafo; APA 7 no obliga a incluirla, pero si tu artículo valida un instrumento, un revisor la va a pedir.

El formato de los símbolos es donde se cae la mitad de los manuscritos. M y DT van en cursiva y sí llevan cero inicial, porque pueden pasar de 1: M = 3.24, DT = 0.97. La correlación ítem-total es una r en cursiva y no lo lleva: .48, nunca 0.48. El alfa es una letra griega, va en redonda, sin cursiva y sin cero inicial: α = .89. Y la dificultad clásica, la proporción de aciertos, se escribe con una p que choca de frente con la p del valor p: define el símbolo en la nota de la tabla o escribe «proporción de aciertos» con todas sus letras, que es lo que hacen ya la mayoría de las revistas.

Lo que no lleva un análisis de ítems son valores p. Nadie contrasta si una correlación ítem-total corregida es distinta de cero, entre otras cosas porque con N = 312 cualquier valor por encima de .11 ya sale significativo y eso no te dice absolutamente nada sobre si el ítem sirve. Lo que se lee es la magnitud, y lo que se compara es cada ítem con los demás de su propia escala. Sí conviene decir el N con el que se calculó cada estadístico y qué hiciste con los perdidos, porque el análisis por casos completos y el de pares disponibles no dan la misma tabla.

El sitio del manuscrito depende de para qué es el artículo. Si tu estudio usa una escala ya validada y solo quieres enseñar que se comportó bien en tu muestra, esto va en Método, dentro del apartado de instrumentos, resumido en dos frases. Si tu artículo es la validación del instrumento, va en Resultados, con su tabla completa y con las decisiones de eliminación explicadas. Meter una tabla de 40 ítems en el Método de un estudio que trata de otra cosa es la vía rápida a que te pidan moverla al material suplementario.

La dificultad: la media del ítem y quién se quedó sin varianza

En un ítem de respuesta correcta, la dificultad es la proporción de personas que lo aciertan, y el nombre engaña: un valor alto significa ítem fácil. En un examen de 20 ítems sobre estadística contestado por 214 estudiantes, la dificultad media fue .68 y el ítem 12 salió con .96, es decir, lo acertó casi todo el mundo. Un ítem así no discrimina y no puede hacerlo: su índice de discriminación fue D = .04, la diferencia entre el 27% superior y el 27% inferior de la distribución. La convención de Ebel y Frisbie (1991) es que D ≥ .40 es bueno, entre .30 y .39 aceptable, y por debajo de .20 el ítem se revisa. La discriminación máxima teórica se da alrededor de una dificultad de .50, y en opción múltiple de cuatro alternativas sube a .625 porque hay que descontar el acierto por azar.

En una escala Likert no hay respuesta correcta, así que la dificultad es la media del ítem, y se lee igual: dónde cae ese ítem en el continuo. Si quieres el número en la misma escala 0–1 que la dificultad clásica, se reescala con (M − mínimo) / (máximo − mínimo). El ítem 9 de nuestra escala de ansiedad estadística, con M = 4.62 y DT = 0.58 en un formato de 1 a 5, tiene una dificultad reescalada de .91: casi todo el mundo lo marca arriba. El 71% eligió la categoría máxima. Ese porcentaje en las categorías extremas es tan informativo como la media y cabe en una columna, así que ponlo.

Un ítem con efecto techo o efecto suelo no discrimina porque no tiene varianza que correlacionar. El ítem 9 se llevó la correlación ítem-total corregida más baja de la escala, .19, y no porque mida otra cosa: porque el 71% respondió lo mismo y no queda nada que ordenar. Antes de acusar a un ítem de medir mal, mira su desviación típica: si es 0.58 en un rango de cuatro puntos, el problema es de distribución. La calculadora de análisis de ítems te devuelve la media, la desviación, la correlación corregida y el alfa sin ítem en la misma tabla, que es exactamente la comparación que necesitas hacer.

La dificultad no es buena ni mala por sí sola, depende de para qué es el instrumento. Una escala de cribado de depresión en población general está llena de ítems «difíciles» —poca gente los endosa— y eso es correcto, porque los síntomas graves son raros. Un cuestionario de clima de aula quiere ítems repartidos por todo el continuo. Lo que no puede pasar es que tus 12 ítems se apiñen todos en la misma zona: ahí tienes una escala que separa bien a la gente de la media y no distingue nada en los extremos, que suele ser justo donde están los casos que te importan.

La discriminación: la correlación ítem-total corregida

«Corregida» quiere decir que el ítem se saca del total antes de correlacionarlo. Sin corregir, estás correlacionando el ítem con una suma que lo contiene, y esa correlación está inflada de fábrica: con una escala de cinco ítems, cada ítem es el 20% de su propio total, y los valores suben tanto que dejan de distinguir un ítem bueno de uno mediocre. SPSS la etiqueta como «Correlación total de elementos corregida» y R la devuelve como r.drop en psych::alpha(). La sin corregir es la columna raw.r de esa misma salida, y no es la que se reporta; ojo también con r.cor, que no es la cruda sino otra corrección distinta, por solapamiento del ítem y fiabilidad de la escala. Si en tu tabla los valores son todos superiores a .70 en una escala corta, comprueba qué columna copiaste.

El umbral que se cita siempre es .30, y se cita como convención, no como ley: los ítems por debajo de .30 son candidatos a revisión (Nunnally y Bernstein, 1994). En escalas cortas o en constructos deliberadamente heterogéneos se baja a .20 sin escandalizar a nadie, y en una escala de seis ítems que mide algo muy definido, un .35 es flojo. Clark y Watson (1995) sugieren mirar además la correlación media entre ítems y mantenerla entre .15 y .50: por debajo la escala no es una escala, y por encima los ítems son paráfrasis unos de otros. Ese segundo número es el que detecta la redundancia, que la correlación ítem-total no ve.

La correlación ítem-total corregida da por supuesto que hay un total con sentido. Si tu escala tiene tres factores y calculas cada ítem contra la puntuación global, los ítems del factor pequeño saldrán bajos por construcción y los vas a eliminar por un problema que no existe. Cada ítem se correlaciona con el total de su subescala, y eso obliga a saber antes cuántas dimensiones hay, que es trabajo de análisis factorial exploratorio o confirmatorio y no de la tabla de fiabilidad. El análisis de ítems se hace después de la estructura, nunca antes.

Un detalle que ahorra discusiones con revisores: la correlación ítem-total corregida es una correlación de Pearson entre una variable ordinal de cinco categorías y una suma continua. Funciona razonablemente bien con cinco o más categorías y distribuciones no muy asimétricas, y se degrada cuando el ítem es dicotómico o está muy sesgado. Con ítems binarios lo que corresponde es la correlación biserial-puntual, r_pb, que es matemáticamente el mismo Pearson pero se interpreta con otros umbrales, o directamente pasar a modelos de teoría de respuesta al ítem si el instrumento lo merece.

Una correlación negativa casi siempre es un ítem inverso sin recodificar

Esto es lo primero que hay que mirar y lo que más veces se reporta mal. En nuestra escala de 12 ítems con N = 312, el ítem 7 salió con una correlación ítem-total corregida de −.31 mientras el resto se movía entre .19 y .62. El ítem 7 es «Me siento tranquilo cuando trabajo con datos», el único redactado en positivo en una escala de ansiedad. No mide otra cosa: mide lo mismo del revés y nadie lo dio la vuelta. Comprueba si los ítems con correlación negativa son exactamente los de redacción inversa de tu cuestionario, y casi siempre se acaba ahí la investigación.

La comprobación aritmética tarda dos segundos y no requiere volver a correr nada. Al recodificar un ítem, su media nueva tiene que ser (máximo + mínimo) − media vieja. En un formato de 1 a 5, el ítem 7 tenía M = 2.41 y después de recodificar tiene que dar exactamente 3.59. Si te sale otra cosa, has recodificado mal, o has recodificado dos veces —el error clásico, porque la segunda pasada te devuelve al punto de partida y todo parece normal salvo la correlación, que vuelve a ser negativa—, o has escrito el resultado encima de la variable original y ya no puedes comprobarlo. Recodifica siempre a una variable nueva con nombre distinto: item7r, no item7.

Con el ítem 7 recodificado, su correlación ítem-total corregida pasó de −.31 a .46 y el alfa de la escala subió de .82 a .89. Fíjate en lo que habría pasado si hubieras hecho caso a la columna de al lado: el alfa si se elimina el ítem 7 era .88, o sea que la salida te estaba diciendo «quítalo» y quitarlo te habría dejado en .88 con once ítems, peor que los .89 con doce y sin el contenido que ese ítem aportaba. La columna del alfa sin ítem no distingue un ítem malo de un ítem mal codificado. Tú sí.

Si la correlación sigue negativa después de recodificar, entonces sí toca pensar. Puede ser un error de traducción que cambió el sentido de la frase, un ítem con doble negación que la gente entiende al revés, o un ítem que en tu población significa algo distinto de lo que significaba en la muestra original. Y hay un fenómeno documentado que conviene no confundir con un hallazgo: los ítems inversos, aun bien recodificados, tienden a correlacionar entre sí más de lo que deberían y a formar un factor propio que es de método, no de contenido (Marsh, 1996). Si tu análisis factorial saca un segundo factor y resulta que lo componen justo los ítems de redacción inversa, no has encontrado una dimensión nueva, has encontrado la redacción.

El alfa si se elimina el ítem, y por qué casi nunca hay que hacerle caso

Esa columna te dice cuánto valdría el alfa de la escala si borraras ese ítem y dejaras los demás. En una escala sana, todos los valores de la columna están por debajo del alfa total: cada ítem aporta algo, y quitar cualquiera empeora. Cuando un valor está por encima, ese ítem está restando, y ahí es donde la gente se lanza a eliminar. El problema es que la columna no dice por qué resta. Nuestro ítem 9, el del efecto techo, tiene un alfa sin ítem de .90 frente al .89 de la escala completa. Una centésima. Eliminarlo por eso es cambiar contenido por decoración.

Hay una razón matemática para desconfiar de esa columna: el alfa crece con el número de ítems por construcción, con la misma lógica de la fórmula de Spearman-Brown. Una escala de 20 ítems mediocres puede tener un alfa más alto que una de 6 ítems excelentes, así que ir podando para subir el coeficiente juega en contra de sí mismo salvo que el ítem sea de verdad dañino. Si quieres ver cuánto se mueve el tuyo, la calculadora de alfa de Cronbach te da el coeficiente con su intervalo de confianza, y ese intervalo suele ser la respuesta: si el IC 95% de .89 es [.87, .91], la diferencia con .90 no existe.

La paradoja de la atenuación lleva descrita desde Loevinger (1954) y sigue igual de vigente: pasado cierto punto, subir la consistencia interna baja la validez. Ocurre porque la manera más eficaz de inflar el alfa es meter ítems que son paráfrasis unos de otros, y una escala de ocho maneras de preguntar lo mismo tiene un alfa espléndido y una cobertura del constructo ridícula. La otra cara es que el alfa asume tau-equivalencia, es decir, que todos los ítems pesan igual, y eso casi nunca se cumple; cuando no se cumple, el omega de McDonald es la estimación honesta, y la diferencia entre los dos coeficientes está explicada en alfa, omega e ICC.

Y lo más importante: el alfa si se elimina el ítem describe tu muestra, no el instrumento. Con N = 312, esa columna se mueve varias centésimas de una muestra a otra sin que cambie nada real. Eliminar ítems buscando el máximo en la misma muestra en la que después reportas la fiabilidad es capitalizar el azar: el alfa que publicas está optimizado para tus datos y no se replica. Si vas a depurar la escala, depúrala en una submuestra y confirma la versión final en la otra, y dilo.

Cuándo se elimina un ítem de verdad, y cómo se cuenta

La regla operativa es corta: se elimina un ítem cuando puedes decir en palabras qué le pasa, y esa frase no puede ser «subía el alfa». Los motivos que aguantan una revisión son cuatro. Uno, el ítem está mal construido y se ve leyéndolo: doble cañón («me resulta útil y entretenido»), ambigüedad, una negación de más, un error de traducción. Dos, no tiene varianza utilizable: todo el mundo responde lo mismo. Tres, la correlación ítem-total corregida sigue siendo negativa o cercana a cero después de descartar el problema de codificación. Cuatro, en el análisis factorial no carga donde tenía que cargar, o carga en dos sitios a la vez. En los cuatro casos el criterio se fija antes de mirar los resultados, y se aplica igual salga lo que salga.

Eliminar un ítem tiene un coste que no aparece en ninguna columna: la escala deja de ser la escala publicada. Tus puntuaciones ya no son comparables con las de los estudios que usaron la versión completa, los baremos no valen, y la evidencia de validez del instrumento original no se transfiere automáticamente a tu versión de once ítems. Eso se dice en el manuscrito con esas palabras, en las limitaciones, y no se disimula llamando a tu versión por el nombre de la original. Si la escala tiene subescalas, comprueba además que no te has cargado la mitad de una: quitar dos de cuatro ítems de un factor no reduce la escala, lo elimina.

El párrafo completo, con el antes y el después, se escribe así: «Se analizaron los 12 ítems en la muestra total (N = 312). El ítem 7, de redacción inversa, presentó inicialmente una correlación ítem-total corregida negativa (−.31); tras recodificarlo pasó a .46 y todos los análisis posteriores se realizaron sobre la versión recodificada. Las correlaciones ítem-total corregidas oscilaron entre .19 y .62 (Mdn = .48) y las medias entre 2.14 y 4.62 (DT entre 0.58 y 1.24). El ítem 9 mostró efecto techo (M = 4.62, DT = 0.58; el 71% respondió en la categoría máxima) y la discriminación más baja (.19); se conservó porque su eliminación solo elevaba el alfa de .89 a .90 y reducía la cobertura del contenido somático del constructo. La consistencia interna de la versión de 12 ítems fue α = .89, IC 95% [.87, .91]». Los números de la tabla no se repiten en el texto: se resume el rango, la mediana y lo excepcional.

Cinco errores devuelven este análisis, y ninguno es de cálculo. Reportar la correlación ítem-total sin corregir como si fuera la corregida, que se detecta porque todos los valores son sospechosamente altos. Eliminar un ítem por una centésima de alfa. Correlacionar cada ítem contra el total global en una escala multidimensional. Dar por bueno un ítem inverso porque «al recodificar ya salía bien» sin haber comprobado que la media cuadra con (máximo + mínimo) − media original. Y el más caro de todos: depurar la escala y reportar después el alfa de la versión podada como si fuera el del instrumento original, sin decir en ningún sitio que se quitaron ítems ni cuáles.

Preguntas frecuentes

¿Cómo se reporta un análisis de ítems en APA 7?

Con una tabla que tenga, por ítem, la media y la desviación típica, la correlación ítem-total corregida y el alfa si se elimina ese ítem, más una nota que defina los símbolos y diga el N. En el texto se resume el rango y la mediana de las correlaciones, los ítems que se salen de la norma y el alfa de la escala con su intervalo de confianza: «las correlaciones ítem-total corregidas oscilaron entre .19 y .62 (Mdn = .48) y la consistencia interna fue α = .89, IC 95% [.87, .91]». M y DT llevan cero inicial; las correlaciones y el alfa, no.

¿Qué correlación ítem-total corregida se considera aceptable?

La convención más citada es .30: por debajo de ese valor el ítem es candidato a revisión (Nunnally y Bernstein, 1994). Es una convención, no un umbral con base matemática, y se aplica con cabeza: en escalas cortas o constructos heterogéneos se baja a .20, y en una escala de seis ítems que mide algo muy definido un .35 ya es flojo. Mira además la correlación media entre ítems y mantenla entre .15 y .50 (Clark y Watson, 1995), porque valores muy altos indican que tus ítems son paráfrasis unos de otros.

¿Por qué me sale una correlación ítem-total negativa?

Casi siempre porque es un ítem inverso que no se recodificó. Comprueba si los ítems con correlación negativa son exactamente los de redacción inversa del cuestionario y recodifícalos a una variable nueva. La comprobación es aritmética: la media recodificada tiene que ser (máximo + mínimo) − media original, así que un ítem con M = 2.41 en formato 1 a 5 tiene que quedar en 3.59. Si no cuadra, lo has recodificado dos veces o has escrito encima de la variable original. Si la correlación sigue negativa después, ahí sí hay un problema de contenido: doble negación, error de traducción o un ítem que en tu población significa otra cosa.

¿Debo eliminar un ítem si el alfa sube al eliminarlo?

No por sí solo. Subir de .89 a .90 quitando un ítem no es una mejora: es una centésima dentro del intervalo de confianza del propio coeficiente. El alfa crece con el número de ítems por construcción, así que podar para inflarlo juega en contra, y llevado al extremo produce escalas con consistencia altísima y contenido estrechísimo, la paradoja de la atenuación descrita por Loevinger (1954). Elimina un ítem cuando puedas decir qué le pasa —está mal redactado, no tiene varianza, no carga donde debía—, y entonces la subida del alfa es una consecuencia, no el motivo.

¿Qué es la dificultad de un ítem en una escala Likert?

La media del ítem, que indica dónde cae en el continuo de respuesta. La dificultad clásica, la proporción de aciertos, solo tiene sentido en ítems con respuesta correcta; en Likert su equivalente es la media, y si la quieres en escala 0–1 se reescala con (M − mínimo) / (máximo − mínimo). Un ítem con M = 4.62 y DT = 0.58 en formato 1 a 5 da .91, o sea efecto techo, y su baja discriminación no es un problema de contenido sino de falta de varianza. Acompáñala siempre del porcentaje de respuestas en las categorías extremas.

¿Cuál es la diferencia entre correlación ítem-total corregida y sin corregir?

La corregida saca el ítem del total antes de correlacionar; la sin corregir lo deja dentro, así que el ítem correlaciona en parte consigo mismo y el valor sale inflado. En una escala de cinco ítems, cada uno es el 20% de su propio total y la diferencia entre las dos versiones es enorme. La que se reporta es la corregida, que SPSS llama «Correlación total de elementos corregida» y psych::alpha() devuelve como r.drop. Si en tu tabla de una escala corta todos los valores superan .70, es muy probable que hayas copiado la columna equivocada.

Con la media y la desviación de cada ítem, la correlación ítem-total corregida, el alfa sin ítem y una frase que explique cada eliminación, tu análisis de ítems está reportado como pide APA 7; y si algún ítem sale con la correlación en negativo, empieza por la codificación antes que por la teoría. Cuando la decisión difícil no es el formato sino cuántas dimensiones tiene la escala y qué ítems sobreviven a la validación, lo vemos juntos en mi consultoría estadística.