Índice de importancia relativa en ítems dentro de una escala Likert

En las escalas Likert usamos variables en escala ordinal, donde el uso de la media aritmética clásica  puede conducir a resultados distorsionados. 

Frente a esta solución clásica existen distintas alternativas que van desde la Mediana hasta el índice de importancia relativa (IIR). Este último es el que vamos a ver brevemente en este documento.

No obstante antes de proseguir conviene recordar que esta solución no deja de ser una puntuación promedio para un ítem, ajustado para tener un valor entre 1/w y 1, donde w es el número de categorías de respuesta. Dicho lo cual,  también puede calcular la puntuación media para cada elemento y una vez ordenadas de "más" a "menos" se obtendría una solución semejante a IIR (Gunduz et al., 2013; Hatkar & Hedaoo, 2016; Somiah et al., 2015).

Coeficiente Alfa ordinal en R

Frecuentemente vemos que cuando se intenta obtener la fiabilidad de una escala se utiliza el estadístico conocido como alfa de Cronbach. No obstante, este uso tan generalizado puede tener objeciones (Osburn, 2000; Gadermann, Guhn, & Zumbo, 2012; Contreras y Novoa-Muñoz, 2018), cuando la escala de medida usada es ordinal (Elosua y Zumbo,2008), como puede ser en el uso de items likert, ya que uno de los supuestos del estadístico es la naturaleza continua de los datos. 

Cuando esto ocurre podemos usar como estadísticos alternativos tanto Omega ordinal (Dunn, Baguley & Brunsden, 2014; Viladrich, Angulo-Brunet and Doval, 2017) como el alfa ordinal de Cronbach (Contreras y Novoa-Muñoz, 2018), pudiendo dar tanto a una infraestimación como sobreestimación de los resultados respecto al estadístico clásico.

Visualización de datos en escalas likert (SPSS: jitter plot)

Cuando deseamos representar la relación en una nube de puntos, y las variables están en escala ordinal, con valores enteros, como son los ítems de una escala likert, vemos que es muy difícil ver realmente como se asocian los puntos en el espacio. Una forma de resolver este problema lo vamos a ver a continuación, y se conoce como efecto “jitter”, consistente en restar o sumar una pequeña cantidad arbitraria a la posición del punto en el espacio. De tal forma que si redondeamos los nuevos datos, estos deberán volver a los valores originales.

Esta pequeña alteración, que funciona como un modificador visual de la colisión de datos,  en el SPSS 25 se resuelve por sintaxis.