Fiabilidad y validez: lo que necesitas saber en RR. HH.

Por qué importan estos dos conceptos al elegir una prueba

Una prueba te da un número en el que apoyas una decisión sobre una persona. Ese número solo sirve si se cumplen dos condiciones. Tiene que ser consistente: la misma persona, medida dos veces en las mismas condiciones, debería obtener un resultado parecido. Y tiene que significar algo para la decisión: una puntuación más alta debería ir unida a más de aquello que cuenta en el puesto.

Lo primero es la fiabilidad; lo segundo, la validez. Una prueba puede ser muy fiable y aun así medir algo irrelevante para el puesto. Al revés no funciona: una prueba con resultados inconsistentes tampoco puede predecir nada de forma consistente. La fiabilidad es condición necesaria para la validez, no un sustituto.

Fiabilidad: ¿qué consistencia tiene la puntuación?

La fiabilidad se expresa como un coeficiente entre 0 y 1. Hay varios tipos y cada uno responde a una pregunta distinta.

Fiabilidad test-retest

Las mismas personas hacen la prueba dos veces. Una correlación alta indica que las puntuaciones son estables en el tiempo, algo importante en rasgos que deberían ser estables, como la personalidad. El intervalo importa: si es muy corto, la gente recuerda sus respuestas; si es muy largo, se cuelan cambios reales.

Consistencia interna

¿Miden lo mismo los ítems de una escala? Lo habitual es el alfa de Cronbach; el omega de McDonald suele ser más adecuado cuando los ítems reflejan el constructo con distinta intensidad. Según una regla práctica muy repetida, en torno a .70 puede bastar para investigar a nivel de grupo, pero decidir sobre personas concretas exige valores claramente más altos. Los modelos de revisión de tests fijan sus propios umbrales según lo que esté en juego; consulta los criterios de calidad de los tests.

Fiabilidad interjueces

Cuando puntúan evaluadores y no una plantilla de corrección, como en entrevistas o assessment centers, la pregunta es si distintos evaluadores coinciden en su valoración. Se informa como correlación intraclase o kappa de Cohen. Las preguntas estructuradas, las escalas ancladas en conductas y la formación de evaluadores la mejoran.

El error típico de medida

Para una persona concreta, más útil que el coeficiente de fiabilidad es el error típico de medida: la desviación típica de la escala por la raíz cuadrada de uno menos la fiabilidad. Indica cuánto puede alejarse una puntuación observada de la que la persona obtendría sin error de medida.

Validez: ¿significa la puntuación lo que necesitas?

La validez es la más importante de las dos. Los estándares profesionales actuales no la ven como una propiedad fija de la prueba, sino como el grado en que la evidencia respalda una interpretación concreta de las puntuaciones para un uso concreto. La pregunta útil no es si una prueba es válida, sino: ¿válida para qué, para quién y en qué idioma?

Validez de contenido

¿Cubren los ítems lo que importa en el puesto, y solo eso? Suelen valorarlo expertos en la materia, por ejemplo comparando las tareas de una prueba de habilidades con el análisis del puesto.

Validez de constructo

¿Mide la prueba lo que dice medir? La evidencia incluye la estructura factorial, las relaciones con medidas parecidas y distintas, y si la estructura se mantiene en cada versión lingüística. Sin ella, no sabes qué representa el nombre de una escala.

Validez de criterio y predictiva

¿Se relacionan las puntuaciones con resultados que importan, como el desempeño, la formación o la permanencia? En un diseño predictivo se evalúa al contratar y el resultado se mide después. En un diseño concurrente se evalúa a la plantilla actual. Es más rápido, pero ese grupo ya pasó una selección, lo que suele reducir las correlaciones. El criterio también cuenta: una evaluación del desempeño vaga o inconsistente pone techo a cualquier coeficiente de validez.

¿Cuánto es bueno? Cómo leer los coeficientes de validez

La validez de criterio suele expresarse como una correlación, y en selección de personal esas correlaciones son modestas. Es lo normal: el desempeño depende de mucho que una prueba no capta, del equipo a la vida fuera del trabajo. En este campo, una correlación en torno a .30 es un resultado relevante.

Sackett, Zhang, Berry y Lievens (2022) revisaron la evidencia metaanalítica y llegaron a estimaciones más prudentes que las cifras antiguas, aún muy citadas, sobre todo porque consideraron excesivas las correcciones anteriores por restricción de rango. Algunas de sus estimaciones:

• Entrevistas estructuradas: alrededor de .42
• Capacidad cognitiva general: alrededor de .31
• Responsabilidad: alrededor de .19

De aquí salen tres ideas. Son promedios de muchos estudios y puestos, corregidos por artefactos estadísticos; una prueba concreta puede funcionar mejor o peor en tu contexto. Todas están claramente por encima de cero: aplicada de forma sistemática en muchas decisiones, incluso una validez modesta mejora el resultado medio frente a un juicio no estructurado. Y los métodos que miden cosas distintas aportan información. La capacidad cognitiva y la responsabilidad apenas están relacionadas, así que combinarlas suele predecir mejor que cada una por separado. Por la misma razón conviene usar pruebas de aptitudes cognitivas junto a una entrevista estructurada, no en su lugar.

Cómo leer un manual técnico: preguntas que hacer

Una cifra en un folleto dice poco sin su contexto, y un buen manual técnico lo aporta. Estas preguntas te ayudan al leerlo o al hablar con un proveedor.

• ¿Qué tipo de fiabilidad se informa y se indica el error típico de medida?
• ¿De qué tamaño era la muestra y quién la formaba: país, idioma, nivel del puesto? Con unas pocas decenas de personas, los coeficientes son inestables.
• ¿A qué versión lingüística se refiere la evidencia? Una traducción debe comprobarse con sus propios datos.
• ¿Cuál fue el criterio en los estudios de validez, cómo se midió y el diseño fue predictivo o concurrente?
• ¿Para qué uso sirve la evidencia: selección, desarrollo, un grupo concreto de puestos?
• ¿Es reciente y qué dice el manual que aún no se ha estudiado?

"La prueba está validada", sin decir para qué, con quién y con qué cifras, no responde a la pregunta. Una evidencia incompleta no es un problema si se dice abiertamente. En Match.hr, la etiqueta psicométrica de cada prueba muestra la fiabilidad con la muestra en que se basa, el uso previsto y las versiones lingüísticas analizadas.

La relación con los baremos y la equidad

Una puntuación solo se interpreta frente a un grupo de comparación, así que pregúntate qué grupo normativo encaja con tus candidatos y si es reciente; consulta baremos y grupos normativos. Además, una prueba puede predecir bien en promedio y funcionar de otra manera en algunos grupos, por ejemplo si un ítem depende de conocimientos lingüísticos o culturales ajenos a lo que debe medir. Cómo se examina lo explicamos en nuestra página sobre equidad y sesgo.

Puntuaciones consistentes leídas como intervalos, evidencia para tu uso concreto, un grupo normativo adecuado y análisis de equidad donde la ley lo permita: juntos hacen de una prueba una base sólida para que una persona tome una decisión meditada, no un sustituto de esa decisión.