Operacionalización de Variables Compuestas en TFG: Del Constructo al Indicador con SPSS y R
Medir el “bienestar académico”, la “autoeficacia” o la “satisfacción con la experiencia universitaria” en un TFG cuantitativo plantea un desafío metodológico fundamental: estos conceptos no son directamente observables. No puedes introducir un termómetro que te dé la temperatura del bienestar académico. Necesitas operacionalizar variables compuestas en el TFG: traducir el constructo teórico en un conjunto de indicadores medibles que, agregados correctamente, representan el constructo con suficiente validez y fiabilidad.
Este artículo desarrolla el caso completo de operacionalización de “bienestar académico” como índice compuesto a partir de escalas Likert, aplicando reverse coding, calculando el alpha de Cronbach y verificando la estructura factorial mediante un Análisis Factorial Exploratorio (AFE). Se incluye sintaxis SPSS y código R reproducible para que puedas replicar el proceso con tus propios datos.
Qué es una variable compuesta y por qué necesitas operacionalizarla
En la investigación cuantitativa, las variables se clasifican en observadas (directamente medibles, como la edad o la nota del TFG) y latentes (constructos teóricos que no se pueden medir directamente). Las variables latentes —también llamadas variables compuestas o constructos— se miden a través de un conjunto de indicadores que reflejan distintas facetas del constructo.
Hernández Sampieri et al. (2024, Metodología de la Investigación, 7ª ed.) define la operacionalización como “el proceso que convierte una variable abstracta en una medición concreta, empírica y cuantificable”. Sin este proceso, no es posible comparar puntuaciones entre sujetos ni analizar estadísticamente el constructo.
Las variables compuestas más frecuentes en TFG de ciencias sociales y educación incluyen: satisfacción académica, autoeficacia percibida, bienestar psicológico, cohesión grupal, clima organizacional, actitudes hacia la IA, disposición emprendedora. Cada una requiere una operacionalización específica justificada teóricamente. Puedes consultar el artículo sobre operacionalización de variables en TFG con plantillas por rama para ejemplos específicos por disciplina.
El caso: operacionalizar “bienestar académico”
El bienestar académico es un constructo multidimensional que distintos autores han conceptualizado de formas diferentes. Para este tutorial, adoptamos la definición de Ryff (1989) adaptada al contexto educativo: bienestar académico como el grado en que el estudiante experimenta autoaceptación, relaciones positivas con compañeros y docentes, autonomía en el aprendizaje, dominio del entorno académico, propósito en los estudios y crecimiento personal.
Siguiendo esta conceptualización, el constructo tiene seis dimensiones. En un TFG de grado, trabajar con las seis dimensiones con 4 ítems cada una produce un cuestionario de 24 ítems, que es viable pero largo. Para este tutorial operacionalizamos tres dimensiones con 4 ítems cada una: (1) Satisfacción con los estudios, (2) Autoeficacia académica, y (3) Apoyo social percibido. El índice compuesto agrega las tres dimensiones en una puntuación global de bienestar académico.
Selección de ítems y estructura de la escala Likert
Cada ítem se puntúa en una escala Likert de 5 puntos: 1 = Totalmente en desacuerdo, 2 = En desacuerdo, 3 = Ni de acuerdo ni en desacuerdo, 4 = De acuerdo, 5 = Totalmente de acuerdo.
| Código | Ítem | Dimensión | Dirección |
|---|---|---|---|
| S1 | Estoy satisfecho/a con la carrera que elegí | Satisfacción | Positiva |
| S2 | La universidad cumple mis expectativas académicas | Satisfacción | Positiva |
| S3 | Me arrepiento de haber elegido estos estudios | Satisfacción | Negativa (R) |
| S4 | Encuentro sentido a lo que estudio | Satisfacción | Positiva |
| A1 | Soy capaz de superar los exámenes si me esfuerzo | Autoeficacia | Positiva |
| A2 | Dudo de mis capacidades para terminar la carrera | Autoeficacia | Negativa (R) |
| A3 | Organizo bien mi tiempo de estudio | Autoeficacia | Positiva |
| A4 | Sé pedir ayuda cuando no entiendo algo | Autoeficacia | Positiva |
| P1 | Tengo compañeros/as con quienes estudiar y apoyarme | Apoyo social | Positiva |
| P2 | Los docentes son accesibles cuando tengo dudas | Apoyo social | Positiva |
| P3 | Me siento solo/a en la universidad | Apoyo social | Negativa (R) |
| P4 | La facultad ofrece recursos de apoyo cuando los necesito | Apoyo social | Positiva |
Los ítems marcados con (R) tienen dirección negativa: responder “Totalmente de acuerdo” (5) a “Me arrepiento de haber elegido estos estudios” indica bajo bienestar, no alto. Antes de calcular el índice, estos ítems deben invertirse.
Reverse coding: cuándo y cómo invertir ítems
La fórmula general para el reverse coding en una escala de 5 puntos es: Puntuación invertida = (máximo + mínimo) − puntuación original = 6 − puntuación original.
Aplicación: si el ítem S3 (“Me arrepiento de haber elegido estos estudios”) tiene una puntuación de 4 (De acuerdo), el reverse coding produce: 6 − 4 = 2. Así, quien está de acuerdo con el arrepentimiento obtiene una puntuación baja en bienestar, que es la dirección correcta.
Reverse coding en SPSS
COMPUTE S3_R = 6 - S3. COMPUTE A2_R = 6 - A2. COMPUTE P3_R = 6 - P3. EXECUTE.
Reverse coding en R
# Con dplyr (tidyverse)
library(dplyr)
datos %
mutate(
S3_R = 6 - S3,
A2_R = 6 - A2,
P3_R = 6 - P3
)
Alpha de Cronbach con SPSS y R
El alpha de Cronbach (α) mide la consistencia interna de la escala: si todos los ítems miden el mismo constructo, sus puntuaciones deben correlacionar entre sí. El umbral de aceptabilidad más extendido en la literatura metodológica es α ≥ 0.70 (Nunnally, 1978; George & Mallery, 2023). Valores entre 0.70 y 0.90 indican consistencia adecuada. Valores superiores a 0.90 pueden indicar redundancia de ítems.
Alpha de Cronbach por dimensión en SPSS
* Dimensión Satisfacción (con ítem S3 ya invertido) RELIABILITY /VARIABLES = S1 S2 S3_R S4 /MODEL = ALPHA /STATISTICS = DESCRIPTIVE SCALE CORR /SUMMARY = TOTAL. * Dimensión Autoeficacia RELIABILITY /VARIABLES = A1 A2_R A3 A4 /MODEL = ALPHA /STATISTICS = DESCRIPTIVE SCALE CORR /SUMMARY = TOTAL. * Dimensión Apoyo Social RELIABILITY /VARIABLES = P1 P2 P3_R P4 /MODEL = ALPHA /STATISTICS = DESCRIPTIVE SCALE CORR /SUMMARY = TOTAL.
Alpha de Cronbach en R
library(psych)
# Dimensión Satisfacción
satisfaccion <- datos[, c("S1", "S2", "S3_R", "S4")]
alpha_satisfaccion <- alpha(satisfaccion)
print(alpha_satisfaccion)
# Dimensión Autoeficacia
autoeficacia <- datos[, c("A1", "A2_R", "A3", "A4")]
alpha_autoeficacia <- alpha(autoeficacia)
print(alpha_autoeficacia)
# Dimensión Apoyo Social
apoyo <- datos[, c("P1", "P2", "P3_R", "P4")]
alpha_apoyo <- alpha(apoyo)
print(alpha_apoyo)
La tabla “Item Statistics” del output SPSS (o el dataframe alpha_x$item.stats en R) muestra la columna “Alpha if Item Deleted”: si al eliminar un ítem el alpha aumenta considerablemente (más de 0.05), conviene revisar si ese ítem está midiendo algo diferente al resto. La columna “Item-Total Correlation” debe mostrar valores positivos superiores a 0.30 para todos los ítems; valores negativos o cercanos a cero indican problemas de codificación o de contenido del ítem. Puedes profundizar en el cálculo e interpretación del alpha en el artículo sobre alpha de Cronbach en SPSS para TFG.
Análisis Factorial Exploratorio (AFE) para verificar la estructura
El AFE verifica que los 12 ítems se agrupan en los tres factores esperados (Satisfacción, Autoeficacia, Apoyo Social). Si el AFE produce una estructura diferente a la teoría, necesitas revisar los ítems antes de calcular el índice. Puedes consultar la guía completa de AFE en el artículo sobre análisis factorial exploratorio AFE con SPSS.
# AFE en R con paquete psych library(psych) todos_items 0.60 para justificar el AFE cortest.bartlett(todos_items) # p < 0.001 para rechazar matriz identidad # AFE con 3 factores, rotación oblicua (oblimin) afe_resultado <- fa( todos_items, nfactors = 3, rotate = "oblimin", fm = "pa" # Principal Axis Factoring ) print(afe_resultado, cut = 0.30, sort = TRUE) fa.diagram(afe_resultado)
En el output del AFE, cada ítem debe cargar principalmente en el factor teóricamente esperado (carga ≥ 0.40) y tener cargas bajas en los otros factores (cargas cruzadas < 0.30). Si un ítem tiene cargas altas en dos factores simultáneamente, es un ítem problemático que puede estar midiendo dos constructos a la vez.
Calcular el índice compuesto
Una vez verificada la fiabilidad (Cronbach) y la estructura factorial (AFE), el índice compuesto de bienestar académico se calcula como la media de todos los ítems (tras el reverse coding):
# En SPSS
COMPUTE IndBienestar = MEAN(S1, S2, S3_R, S4, A1, A2_R, A3, A4, P1, P2, P3_R, P4).
EXECUTE.
DESCRIPTIVES IndBienestar.
# En R
datos$IndBienestar <- rowMeans(todos_items, na.rm = TRUE)
summary(datos$IndBienestar)
hist(datos$IndBienestar, main = "Distribución Índice Bienestar Académico",
xlab = "Puntuación (1-5)", col = "steelblue")
El índice resultante tiene rango 1-5 (igual que los ítems individuales). Una puntuación de 3.5 o superior generalmente indica bienestar académico moderado-alto; puntuaciones inferiores a 2.5 indican bienestar bajo. Para comparar grupos (grados, géneros, universidades) puedes aplicar un test t o ANOVA sobre el índice compuesto. El artículo sobre test t vs Mann-Whitney en el TFG explica qué prueba usar según la distribución de los datos.
Cómo reportar la operacionalización en tu TFG
En la sección de Metodología, debes incluir:
- Definición del constructo: qué es el bienestar académico según la teoría que adoptas (con cita).
- Dimensiones e ítems: tabla con todos los ítems, su dimensión y dirección (positiva/negativa).
- Escala de respuesta: describir la escala Likert (número de puntos y etiquetas).
- Procedimiento de codificación: mencionar el reverse coding y qué ítems se invirtieron.
- Análisis de fiabilidad: informar el alpha de Cronbach por dimensión y global (α = x.xx).
- Análisis factorial: si se realizó AFE, informar: método de extracción, rotación, índices de ajuste (KMO, Bartlett), varianza explicada por factor y cargas factoriales de cada ítem.
- Cálculo del índice: explicar cómo se calculó (media de ítems, suma, etc.).
El formato de reporte de estadísticos en texto APA 7 para el alpha: La consistencia interna de la dimensión Satisfacción fue adecuada (α = 0.81). La dimensión Autoeficacia mostró una fiabilidad similar (α = 0.78), al igual que el Apoyo Social Percibido (α = 0.75). El índice compuesto de bienestar académico (12 ítems) obtuvo α = 0.87.
Para el AFE: Se realizó un análisis factorial exploratorio con el método de ejes principales y rotación oblicua (oblimin). El índice KMO = 0.83 indicó una adecuación muestral satisfactoria, y la prueba de esfericidad de Bartlett fue estadísticamente significativa (χ² = 412.7, gl = 66, p < .001). La solución de tres factores explicó el 61.4% de la varianza total. Todos los ítems mostraron cargas factoriales ≥ 0.40 en el factor correspondiente y cargas cruzadas inferiores a 0.25.
Preguntas frecuentes sobre operacionalización de variables compuestas
¿Qué es una variable compuesta en investigación cuantitativa?
Una variable compuesta es una variable latente o constructo que no se puede medir directamente con una sola pregunta. Se mide a través de un conjunto de indicadores (ítems) que se agregan en un índice o escala. Ejemplos: bienestar académico, satisfacción laboral, autoeficacia, cohesión social.
¿Qué valor de alpha de Cronbach es aceptable en un TFG?
El umbral más extendido es α ≥ 0.70. Valores entre 0.70 y 0.90 indican fiabilidad adecuada. Valores por encima de 0.90 pueden indicar ítems redundantes. En TFG con muestras pequeñas (n menor de 100) se acepta α ≥ 0.65 con justificación explícita.
¿Para qué sirve el reverse coding en escalas Likert?
El reverse coding invierte la puntuación de ítems formulados en dirección contraria al constructo. Si un ítem sobre bienestar académico dice “Me siento agotado”, responder “Totalmente de acuerdo” (5) indica bajo bienestar. El reverse coding transforma ese 5 en 1 para que todos los ítems vayan en la misma dirección antes de calcular el índice. La fórmula es: puntuación invertida = máximo + mínimo − puntuación original.
¿Cuántos ítems necesito por dimensión del constructo?
El mínimo recomendado es 3 ítems por dimensión para obtener estimaciones fiables del alpha de Cronbach. Con 2 ítems, el análisis de consistencia interna es menos estable. Con más de 10 ítems por dimensión, el cuestionario puede producir fatiga del encuestado.
¿Debo validar mi escala con un análisis factorial antes de calcular el índice?
Sí, especialmente si usas una escala de elaboración propia o una escala adaptada a un nuevo contexto. El AFE verifica que los ítems se agrupan en las dimensiones teóricamente esperadas. Si usas una escala previamente validada y publicada, puedes citar la validación original y proceder directamente al cálculo de la fiabilidad.
Fuentes externas: Fiabilidad de cuestionarios con SPSS (Universitat de Barcelona) · Alfa de Cronbach en SPSS (UV)
Leave a Reply