Cómo reportar la V de Aiken en APA 7 (validez de contenido por jueces)

Llegas a la sustentación con una tabla donde todas las V salen por encima de .80, y un miembro del jurado pregunta cuántos jueces eran. Cinco. Ahí se acaba la defensa del instrumento, porque con cinco jueces el intervalo de esa V ocupa más de treinta centésimas —un V = .80 con cinco jueces y escala de 1 a 5 lleva un IC 95% [.58, .92]— y la tabla deja de probar lo que decía probar. La V de Aiken es un buen índice y es el estándar de hecho en las tesis de psicología en español, pero se reporta mal casi siempre: sin intervalo, sin decir cuántas categorías tenía la escala de valoración y con el .80 citado como si lo hubiera escrito la APA. Aquí tienes la fórmula, el número de jueces que aguanta una pregunta, el intervalo que casi nadie pone y la frase exacta para el apartado de Método. El panorama completo de métodos con expertos está en validación de cuestionario por expertos.

Qué mide la V de Aiken y qué no mide

Aiken (1980, 1985) propuso la V para responder a una pregunta muy concreta: dado un ítem y un grupo de jueces que lo valoran en una escala ordinal, ¿qué proporción del respaldo máximo posible ha conseguido ese ítem? Los jueces no responden el cuestionario: lo juzgan, ítem a ítem, normalmente en varios criterios a la vez —relevancia, coherencia con la dimensión, claridad de la redacción y suficiencia del conjunto—. Cada criterio da su propia V, y mezclarlos en una sola cifra es la primera manera de perder información.

La fórmula es V = S / [n(c − 1)], donde S es la suma de las valoraciones una vez restado el valor mínimo de la escala, n el número de jueces y c el número de categorías. Un ejemplo con ocho jueces y una escala de 1 a 5: las valoraciones son 5, 5, 5, 5, 4, 4, 4 y 4. Restando el mínimo queda 4, 4, 4, 4, 3, 3, 3, 3, así que S = 28. El máximo posible es n(c − 1) = 8 × 4 = 32. Por tanto V = 28/32 = .88.

El error de cálculo más repetido está en la c. Ese número es el de la escala con la que valoran los jueces, no el del cuestionario que estás construyendo. Si tus participantes van a responder en una Likert de 5 puntos pero los jueces valoraron cada ítem de 1 a 4, la c vale 4 y el denominador es n × 3. Poner un 5 ahí infla el denominador y hunde todas tus V a la vez, y como el patrón es constante nadie lo detecta mirando la tabla.

Y hay algo que la V no mide: el acuerdo entre los jueces. Es una media reescalada, y medias iguales esconden panoramas distintos. Con seis jueces en escala de 1 a 4, un ítem valorado 4, 4, 4, 3, 3, 3 da V = .83; otro valorado 4, 4, 4, 4, 4, 1 da exactamente el mismo V = .83. En el segundo hay un experto que considera el ítem irrelevante, y esa información desaparece del número. Reporta siempre la desviación típica o el rango de las valoraciones al lado de la V.

Cuántos jueces hacen falta de verdad

La referencia habitual es Lynn (1986): un mínimo de cinco expertos y un rango recomendable de cinco a diez. Por debajo de cinco no es que el cálculo falle, es que el resultado no distingue nada; por encima de diez el rendimiento decreciente se nota y coordinar el panel se vuelve un problema logístico. Cinco es el suelo, no el objetivo.

Lo que de verdad cambia con el número de jueces es la precisión, y se ve mejor con un mismo valor repetido. Un ítem con V = .90 en una escala de 1 a 5 lleva un IC 95% de [.70, .97] con cinco jueces, de [.77, .96] con diez y de [.81, .95] con veinte. El punto es idéntico en los tres casos; lo que cambia es que solo con veinte jueces puedes afirmar que el ítem supera .80. Con cinco, el mismo dato es compatible con un ítem mediocre.

Dos cosas sobre la composición del panel. La primera: no hace falta un número impar. Esa regla viene de las votaciones por mayoría y aquí no pinta nada, porque la V no desempata nada. La segunda: mezcla expertos en el contenido (clínicos, investigadores del área) con expertos en medición (psicómetras, metodólogos). Un panel de cinco clínicos detecta ítems clínicamente irrelevantes y deja pasar ítems dobles, ambiguos o con opciones de respuesta imposibles.

Los jueces trabajan por separado y sin verse, y necesitan tener delante la definición operacional del constructo y sus dimensiones. Sin esa matriz están valorando la redacción de la frase, que es otra cosa. En el manuscrito se describe quiénes eran: número, titulación, área y años de experiencia. «Siete jueces expertos» sin más es la respuesta que provoca la siguiente pregunta del jurado.

El umbral de .80: de dónde sale y qué es en realidad

Aiken (1985) no propuso un umbral fijo: publicó tablas de valores críticos calculados bajo la hipótesis nula de que los jueces valoran al azar, con la misma probabilidad para cada categoría. Ese valor crítico depende de cuántos jueces hay y de cuántas categorías tiene la escala. Con cinco jueces y una escala de cinco puntos, el corte al 5% cae exactamente en .80 (p = .040), mientras que un V = .75 se queda en p = .079. Ese detalle explica buena parte de por qué el número se fosilizó: los primeros paneles eran de cinco jueces.

En cuanto cambias el tamaño del panel, el corte se mueve. Con ocho jueces y la misma escala de cinco puntos, un V = .75 ya cae por debajo del 5% (p = .030) y un V = .72 se queda justo fuera (p = .052). Aplicar .80 a todos los paneles por igual es, por tanto, arbitrario: exiges de más a un panel grande y de menos a uno pequeño.

En la literatura en español el .80 se cita casi siempre desde Escurra (1988), que trabajó el criterio de jueces con un enfoque binomial. La práctica que hoy sostiene una revisión es doble: ≥ .70 aceptable, ≥ .80 adecuado, presentado como convención del campo y no como norma de la APA, que no fija ningún umbral para nada. Si escribes «se aplicó el criterio de V ≥ .80», di de dónde lo sacas.

El umbral tiene que responder a para qué sirve el instrumento. Una escala exploratoria de un constructo nuevo puede vivir con .70 y decirlo en las limitaciones. Un instrumento de tamizaje que va a marcar a alguien como caso en una consulta no. Y aplícalo criterio a criterio: un ítem con relevancia .92 y claridad .68 no está aprobado, está mal redactado.

El intervalo de confianza de Penfield y Giacobbi

Penfield y Giacobbi (2004) señalaron lo obvio que nadie había hecho: la V es una estimación puntual obtenida con un puñado de jueces, y sin intervalo no se puede decidir nada. Como además es una proporción acotada entre 0 y 1, el intervalo simétrico de toda la vida no vale —se sale del rango cuando la V es alta—, así que aplicaron el método de puntuación de Wilson, que produce un intervalo asimétrico y siempre dentro de [0, 1].

El límite inferior es L = [2mV + z² − z√(4mV(1 − V) + z²)] / [2(m + z²)], con m = n(c − 1) y z = 1.96 para el 95%; el superior cambia el signo del medio. Un ejemplo: seis jueces, escala de 1 a 4, S = 15, así que m = 18 y V = .83. El intervalo sale IC 95% [.61, .94]. El punto supera el umbral con holgura y el límite inferior está veinte centésimas por debajo.

De ahí la regla de decisión que propusieron y que sigue siendo la más defendible: juzga el ítem por el límite inferior, no por el punto. Un ítem se conserva sin discusión cuando el extremo inferior de su intervalo supera el criterio que hayas fijado. Si el punto lo supera y el intervalo no, el ítem no está aprobado: está sin decidir, y lo que falta son jueces.

Una precisión que evita un error muy común: este intervalo es por ítem. La V del instrumento completo es la media de las V de sus ítems, y no se le aplica esta fórmula, que está construida sobre las n(c − 1) unidades de valoración de un solo ítem. La V global se reporta como media con su rango y su desviación típica. El cálculo por ítem, con intervalo incluido, lo tienes en la calculadora de V de Aiken.

V de Aiken y alfa de Cronbach no miden lo mismo

Esta confusión aparece en casi todas las tesis y se resuelve mirando de qué matriz sale cada número. La V se calcula sobre una matriz de ítems por jueces: ocho expertos valorando treinta ítems. El alfa se calcula sobre una matriz de participantes por ítems: trescientas personas respondiendo esos treinta ítems. Son dos tablas distintas, con dos muestras distintas, recogidas en dos momentos distintos.

También responden a preguntas distintas. La V es validez de contenido: ¿estos ítems representan el constructo y sus dimensiones? El alfa es fiabilidad: ¿las respuestas a estos ítems se comportan de forma consistente en mi muestra? Y ninguna rescata a la otra. Un conjunto de ítems irrelevantes puede dar α = .93 sin ningún problema: significa que son consistentemente irrelevantes. Las reglas de reporte del coeficiente están en cómo reportar el alfa de Cronbach en APA 7.

Hay un tercer índice que la gente confunde con la V y tampoco es: el acuerdo entre jueces. Si lo que quieres afirmar es que tus expertos coincidieron, la V no lo dice —ya viste que dos patrones muy distintos dan la misma cifra—. Para eso están el ICC, el kappa o el alfa de Krippendorff, que sí modelan la concordancia; el ICC, con sus tres modelos y sus dos definiciones, lo tienes en ICC y concordancia entre evaluadores.

Y hay un pariente cercano que conviene no mezclar: si tus jueces respondieron sí o no a «¿es relevante este ítem?», la fórmula no se rompe, pero con c = 2 se reduce a la proporción de jueces que dijeron que sí, que es exactamente el I-CVI (Polit y Beck, 2006); y si la pregunta era si el ítem resulta esencial, el índice que corresponde es la CVR de Lawshe (1975). Llamar «V de Aiken» a una valoración dicotómica no es un error aritmético, es un nombre que promete una escala ordinal que ahí no existe: reserva la V para escalas de tres categorías o más y llama a lo demás por su nombre, porque un revisor de psicometría lo ve en la primera lectura.

Cómo se reporta en la tesis, con la frase y la tabla

El párrafo va en el apartado de Método, en el procedimiento de validación por jueces, y tiene esta forma: «Ocho jueces expertos (tres doctores en psicología clínica, tres metodólogos y dos psicómetras, con una media de 12 años de experiencia) valoraron de forma independiente los 30 ítems en relevancia, coherencia y claridad, en una escala de 1 a 5. La V de Aiken por ítem osciló entre .63 y 1.00 en relevancia, con una media de V = .91. Veintiséis de los 30 ítems alcanzaron V ≥ .80 en los tres criterios. Cuatro quedaron por debajo (V = .63, .69, .72 y .78): dos se reformularon a partir de los comentarios cualitativos y se sometieron a una segunda ronda, y dos se eliminaron.»

La tabla que acompaña a ese párrafo lleva una fila por ítem y estas columnas. Ítem. El número, y en instrumentos cortos también el enunciado. M y DT de las valoraciones. Con un decimal, y son las que revelan si hubo un juez discrepante. V por criterio. Una columna para relevancia, otra para coherencia, otra para claridad. IC 95%. Entre corchetes, con dos decimales. Decisión. Se mantiene, se reformula o se elimina.

Formato APA para el coeficiente: la V es una letra latina, así que va en cursiva, a diferencia del alfa o del omega, que son griegas y van en redonda. Dos decimales y sin cero delante del punto, porque no puede pasar de 1: V = .88, nunca 0.88. La única excepción es el 1 exacto, que se escribe 1.00. Y no es un porcentaje: un V = .88 no significa «el 88% de los jueces».

Lo que se marca en revisión es el silencio sobre los ítems que cayeron. Si de 30 ítems reportas 26, alguien va a preguntar por los otros cuatro. Di cuántos se reformularon, cuántos se eliminaron y si hubo segunda ronda con su V nueva. Y no cierres ahí la validación: la V dice que los expertos ven los ítems donde tú los pusiste, no que los datos se agrupen así. Eso lo contrasta la estructura factorial, que empieza en cómo reportar un AFE en APA 7. Si quieres las V con sus intervalos y los índices I-CVI y S-CVI de una tacada, pega la matriz de jueces en la calculadora de validez de contenido.

Si el resultado va también en una tabla o en un gráfico, sigue las reglas de tablas en APA 7 y de figuras en APA 7: es lo primero que mira el revisor después de la frase. Y si ya tienes el apartado escrito, pégalo en Revisa una sección: te devuelve la primera objeción que te haría un revisor, con la frase exacta de tu texto en la que aparece.

Si todavía no tienes las valoraciones, empieza por la ficha que rellenan tus jueces, en Word, con la hoja de tabulación que da la V y su intervalo listos para esta tabla.

Preguntas frecuentes

¿Qué es la V de Aiken y para qué sirve?

Es un coeficiente de validez de contenido que cuantifica el respaldo que un panel de jueces expertos da a cada ítem de un instrumento. Se calcula como V = S / [n(c − 1)], donde S es la suma de las valoraciones menos el mínimo de la escala, n el número de jueces y c el número de categorías de respuesta. Va de 0 a 1 y sirve para decidir qué ítems se mantienen, cuáles se reformulan y cuáles se eliminan antes de recoger datos.

¿Cuántos jueces se necesitan para la V de Aiken?

El mínimo aceptado son cinco y lo recomendable es entre cinco y diez (Lynn, 1986). No hace falta un número impar: esa regla viene de las votaciones por mayoría y con la V no aplica. Lo que cambia con el número de jueces es la precisión: en una escala de 1 a 5, un V = .90 lleva un IC 95% de [.70, .97] con cinco jueces y de [.81, .95] con veinte. El punto es el mismo, la conclusión no.

¿Qué valor de V de Aiken es aceptable?

La convención más extendida es .70 como aceptable y .80 como adecuado, y conviene presentarla como convención porque la APA no fija ningún umbral. El .80 procede de las tablas de valores críticos de Aiken (1985), que en realidad dependen del número de jueces y de categorías: con cinco jueces y escala de cinco puntos el corte al 5% cae en .80, pero con ocho jueces baja a .75. Lo más defendible es exigir que el límite inferior del intervalo de confianza supere tu criterio, no solo el valor puntual.

¿La V de Aiken va en cursiva y lleva cero delante?

Va en cursiva, porque es una letra latina, a diferencia del alfa y el omega, que son griegas y van en redonda. Y no lleva cero inicial, porque el coeficiente no puede superar 1: se escribe V = .88, no 0.88. Se reporta con dos decimales, salvo el acuerdo máximo, que se escribe 1.00. Tampoco es un porcentaje: un V de .88 no significa que el 88% de los jueces aprobara el ítem.

¿Cuál es la diferencia entre la V de Aiken y el alfa de Cronbach?

La V es validez de contenido y se calcula sobre las valoraciones de un panel de expertos que juzgan los ítems; el alfa es fiabilidad y se calcula sobre las respuestas de los participantes a esos ítems. Son dos matrices distintas, dos muestras distintas y dos momentos distintos del estudio. Ninguna sustituye a la otra: un conjunto de ítems irrelevantes puede dar un alfa altísimo, lo que solo significa que son consistentemente irrelevantes.

¿Cómo se calcula el intervalo de confianza de la V de Aiken?

Con el método de puntuación de Penfield y Giacobbi (2004), que adapta el intervalo de Wilson a un coeficiente acotado entre 0 y 1 y por eso sale asimétrico. Se reporta así, con seis jueces y una escala de 1 a 4: V = .83, IC 95% [.61, .94]. El intervalo se calcula por ítem; la V del instrumento completo es la media de las V de ítem y se acompaña de su rango y su desviación típica, no de esta fórmula.

Con la fórmula bien montada, cinco a diez jueces, el intervalo de Penfield y Giacobbi al lado de cada V y el umbral presentado como convención, la validación por jueces deja de ser el capítulo débil de la tesis. Si el panel te ha dejado ítems en tierra de nadie o no sabes cómo encajar la segunda ronda en el manuscrito, lo vemos en mi consultoría estadística.