Fiabilidad compuesta (CR) versus alfa de Cronbach y Omega

 

La fiabilidad compuesta, en el contexto de la medición psicométrica, presenta varias ventajas frente a otros índices de fiabilidad como el coeficiente omega y el alfa de Cronbach, especialmente en análisis de modelos de medida basados en ecuaciones estructurales (SEM). A continuación, detallo las ventajas principales de la fiabilidad compuesta, acompañada de una comparación detallada con alfa de Cronbach y omega:

1) Asume un modelo de medida confirmatorio

• La fiabilidad compuesta se estima en el contexto de un análisis factorial confirmatorio (AFC), lo que implica que se basa en un modelo de medida explícito que define las relaciones entre los ítems y los factores latentes. Esto permite que cada ítem tenga su peso específico en el factor, acorde con su contribución real.

• Por otro lado, el alfa de Cronbach asume que todos los ítems contribuyen igualmente (cargas factoriales iguales) y, en la práctica, muchas veces esta suposición no se cumple. Por lo tanto, alfa puede subestimar o sobreestimar la fiabilidad si los ítems tienen cargas factoriales desiguales.
• El coeficiente omega también permite que los ítems tengan diferentes pesos en el factor, similar a la fiabilidad compuesta, y es particularmente útil cuando se desea una medida robusta en situaciones donde los ítems reflejan diferentes grados de la variable latente. Sin embargo, el cálculo de omega puede ser más sensible a la elección del modelo de medida y los métodos de estimación.

Regresión múltiple con error estándar robusto en SPSS

En el modelo de regresión se asume el principio de homoscedasticidad (la varianza de los errores en el modelo de regresión es constante), si esto no es así (heteocedasticidad) se producen sesgos en la inferencia que deberíamos tener muy en cuenta. Es decir, la variabilidad de los errores varía incrementándose o disminuyendo en función de los predictores, por ejemplo. Con objeto de resolver este problema una de las soluciones es el uso de algoritmos OLS en regresión.

Introducción al uso de JASP para estimar redes de correlación

Mostraremos brevemente cómo estimar redes de correlación (Epskamp et al., 2012) en JASP, facilitando la interpretación de las variables correlacionadas que frecuentemente se usan en Ciencias del Comportamiento, visualizando las estructuras psicométricas de las escalas de medida. Este tipo de algoritmos modela las interacciones de un número grande de variables, donde se estima la estructura de forma directa, donde usaremos lo conceptos de nodos para señalar a las variables observadas mientras los bordes son las relaciones entre esos nodos. Por defecto, se suele visualizar los bordes azules indicando asociaciones positivas, mientras que los bordes rojos referencias relaciones   negativas. Los bordes más gruesos (oscuros) indican asociaciones más fuertes que los bordes más delgados (claros).

Los datos que vamos a utilizar en nuestro ejemplo corresponde a una muestra de 295 funcionarios de prisiones procedentes de diferentes establecimientos penitenciarios de España. A los cuales se les ha pasado un escala que contiene 10 variables relevantes (Clima1-Clima10).

Para ejecutar el procedimiento en JASP, lo primero deberemos seleccionar la pestaña correspondiente:

Transformación entre percentiles y puntuaciones z en SPSS

Los estadísticos clásicos de posición en el campo de las Ciencias del Comportamiento, como es el percentil (Galton, 1885),  aún siguen siendo una herramienta que frecuente vemos en la literatura actual. Siendo útil tener siempre herramientas informáticas que nos apoyen en la labor de trabajo e investigación.

De todas ellas veremos en este breve ejemplo, la forma de obtener la puntuación Z o percentil a partir del otro valor. Es decir, cómo teniendo una Z podemos obtener la equivalente del percentil, o bien, dado un percentil averiguar el valor Z correspondiente. Y para ello usaremos el paquete estadístico SPSS.

Minería de Datos en Psicología: Introducción al algoritmo C5

El procedimiento de análisis secuencial C5, destinado a crear árboles de decisión (conjunto de reglas), fué desarrollado por Quinlan (Chambers, & Dinsmore, 2014). Facilitando la interpretación de las decisiones, así como la comprensión de las reglas usadas, a la vez que reduce el número de variables independientes en los modelos explicativos (Pérez, 2011).

Este algoritmo es el resultado de la actualización de algoritmos ID3 y C4.5 (Quinlan & Kaufmann, 1993). Se caracteriza por dividir en subconjuntos, cada vez más pequeños, los datos de partida. Consiguiendo con esta estrategia elaborar reglas de extracción adecuadas a la hora de predecir de forma óptima un objetivo (Quinlan, 2014). Para ello se sirve de índices como "Gain Ratio" (razón entre la ganancia de información y la ganancia intrínseca) que es una modificación destinada a reducir el sesgo de la ganancia de información.

Procedimiento de correlaciones heterogéneas en SPSS 24

En ciertas situaciones la naturaleza de las variables no permite el uso de la correlación de Pearson, o sus algoritmos asociados. Para este tipo de situaciones el SPSS 24 (IBM Corp., 2016) contempla módulos integrados en R como el que vamos a describir en esta entrada brevemente.

Este procedimiento extendido de las correlaciones heterogéneas requiere, además del modulo IBM SPSS Statistics, los complementos de integración para R como para Python.

La replicación de los estudios en Psicología:Uso del programa R

En el proceso de obtención del conocimiento científico, son importantes los mecanismos que replican los experimentos en el campo de la Psicología. El fundamento es que otros investigadores deben de poder ser capaces de repetir los resultados de los estudios publicados. 

Dentro de esta filosofía encontramos el proyecto de B.Nosek (Open Science Collaboration, 2015), destinado a facilitar la replicación de los resultados de 100 estudios publicados en revistas de Psicología, repitiéndose los estudios tal como se describen en los documentos seleccionados, y analizando los datos recogidos. Con el fin de maximizar la reproductibilidad y precisión, los análisis de todos los estudios duplicados fueron repetidos por otros analistas independientes del primer equipo de ejecución, usando para ello el lenguaje de programación R, con un formato estandarizado. 

El estadístico Masa en Análisis de Correspondencias

El Análisis de Correspondencias(AC), es un procedimiento que permite describir de forma geométrica las relaciones entre variables de diversa naturaleza. Dentro de este procedimiento nos encontramos entre los primeros resultados el concepto estadístico de Masa, que simplemente es la frecuencia relativa de los totales filas y columnas en la tabla de datos analizada.
Se utiliza tanto para ponderar los perfiles de los puntos, como en la interpretación de la importancia de un punto (influencia) en el análisis desarrollado (los modelos deben seguir a los datos, y no al revés; Benzécri, 1976).  De esta forma, al considerar los puntos con una masa proporcional se evita privilegiar las categorías con frecuencias bajas o nulas.

Odds Ratio en R

En Metodología, frecuentemente usamos algoritmos para considerar una exposición (por ejemplo , absentismo escolar) y determinar su relación al comportamiento problemático (por ejemplo , la delincuencia juvenil) . Son útiles a la hora de expresar una cantidad (magnitud) del riesgo de comportamiento problemático para las personas que son expuestas a determinados agentes.

Supongamos un ejemplo con los datos siguientes: 
Tabla de Absentismo escolarxComportamientos-delictivos 
                        Delincuentes    No delincuentes 
Si-absentismo     2 (a)                8 (b) 
No-absentismo 10 (c)            990 (d) 

El riesgo se expresa en modelos de probabilidad, de una exposición dada causando un comportamiento. Es decir, la probabilidad de comportamiento problemático en los expuestos con respecto a la probabilidad de comportamiento problemático en los que no han sido expuestos. A esto, se conoce como el riesgo relativo (RR).

RR(delincuente en el grupo con absentismo/delincuente en el grupo no absentista)=(2/10)/(10/990)=19,8 

Generador cuántico de números aleatorios

En Proceso de Datos es frecuente encontrarnos con la necesidad de simular el azar. Esto, clásicamente lo hemos resuelto con la generación de números pseudoaleatorios, basados en algoritmos (software).

No obstante, si deseamos tener una mayor precisión sobre la generación del azar, deberíamos resolverlo por sistemas de hardware. Estos dispositivos (TRNG, True Random Number Generator), generan números realmente aleatorios de naturaleza cuántica, basados en el campo electromagnético (Symul et al., 2011).

Si se desea familiarizar con este tipo de generadores recomendamos el siguiente enlace: 

http://qrng.anu.edu.au/index.php

Donde es posible verificar online el funcionamiento, por ejemplo, en la generación de números binarios:
http://qrng.anu.edu.au/RainBin.php
Y también hexadecimales:
http://qrng.anu.edu.au/RainHex.php

Ha superado los tests estándares del NIST (National Institute of Standards and Technology) y los de la batería de Diehard.

Referencias.
Symul,T.; Assad,S.M. and P. K. Lam,P.K. (2011). Appl. Phys. Lett. 98, 231103. http://dx.doi.org/10.1063/1.3597793 (access 5-1-2015).

Parsimonia científica

El principio de cautela, a la hora de interpretar los resultados, no siempre es contemplado en el trabajo científico, sufriendo muchas veces las publicaciones de claras exageraciones o distorsiones. Este hecho ha llevado en las últimas décadas, con la proliferación de las publicaciones, a un deterioro del conocimiento científico.

En los últimos tiempos una serie de investigaciones, intentan racionalizar el proceso de difusión científica, y entre ellas cabe citar el trabajo de Sumner et al. (2014). 

Muy recomendable en la biblioteca del moderno investigador.

Referencias.
Sumner,P.;Vivian-Griffiths;S.; Boivin,J.; Williams,A.;Venetis,C.A.; Davies,A.; Ogden,J.; Whelan,J.; Hughes,B.; Dalton,B.; Boy,F. and Chambers,C.D. (2014). The association between exaggeration in health related science news and academic press releases: retrospective observational study. BMJ,349:g7015. doi: http://dx.doi.org/10.1136/bmj.g7015 (Acceso 22 Diciembre de 2014).