1 V de Aiken

El objetivo de este documento es presentar el cálculo de la V de Aiken y su intervalo de confianza con el software R, su interpretación y formas de presentación en la la interfaz gráfica de usuario (GUI) RKWard. Esto se debe a que no se ha encontrado en la literatura especializada un documento que sintetice estos elementos y los presente de manera coherente. Para lograr lo anterior, se inicia con una definición de \(V\). Posteriormente, se presenta el intervalo de confianza junto con sus principales ventajas. En seguida se describe su cálculo en R a través de la propuesta de construcción de una función. Luego, se presenta el uso de la propuesta a través de la presentación de un caso concreto. En seguida, se muestra la interpretación de los resultados y de su interpretación, además se propone un gráfico de medias con barras de error como auxiliar en la discriminación de los resultados. Finalmente, se presenta una manera de visualizar los resultados.

1.1 Definición

El coeficiente de la V de Aiken (1980), asume que cada uno de los N evaluadores del cuestionario examina todos los reactivos que lo componen e indica, a través de la elección de un valor numérico en una escala de medición intervalar de carácter discreto (números naturales). En este sentido el o la evaluador expresa su juicio a través de la selección de una categoría ordinal (“c-category”), el número natural, sobre la validez del contenido de cada ítem en el cuestionario. Cuando el total de jueces (N) ha emitido sus deliberaciones, se asigna el valor de 0 para cada \(n_0\), que se encuentre en la categoría ordinal más baja, por ello se asigna el peso de 1 a la \(n_1\) en la siguiente categoría superior, y así para cada \(n_{c-1}\) de las evaluaciones en las categorías más altas (c.°). Entonces Aiken (1980, 1985), lo define como:

\[ V= \sum \limits_{i=1}^{c-1} \frac{in_i}{N(c-1)} \]

Para este ejercicio se toma la fórmula que nos aportan Penfield y Giacobbi (2004).

\[ V = \frac{\bar{X} - l}{k} \]

Con el objetivo de resumir la magnitud de las calificaciones obtenidas por de los expertos, y para hacer un test de hipótesis específicas con respecto a los valores obtenidos para la población. En este caso \(\bar{X}\) representa la media de las calificaciones de los jueces. Y \(k\) representa el rango de valores posibles en la escala de calificación.

Para realizar la interpretación de la V de Aiken, Oksaviona,Islami y Nasir (2023), retoman la propuesta criterios de rangos de Azwar (2012) como:

Table 1.1: Interpretación de la V de Aiken
Score.Average.Interval Criteria
\(0.80 < V \leq 1.00\) Very High
\(0.60 < V \leq 0.80\) High
\(0.40 < V \leq 0.60\) Enough
\(0.20 < V \leq 0.40\) Low
\(0.00 < V \leq 0.20\) Very Low

Note: aOksaviona, Islami y Nasir con base en Azwar (2012).

Y aunque la V de Aiken provee un marco útil para hacer interpretaciones sobre el nivel de relevancia de contenido de un reactivo (ítem), el proceso inferencial para hacer conclusiones tiene desventajas. Primero, es que el valor crítico de V (\(V_p\)) es 0.5, un valor que resulta arbitrario, debido a que usar valores más altos pudiera ser de mayor interés para incluirlos en la escala. En segundo lugar, el cálculo binomial para hacer la prueba de hipótesis sobre la cola de probabilidad puede ser intensivo, por lo que se debe realizar a mano o con la ayuda de software. En tercero, la naturaleza discreta de los datos presenta dificultades para hacer conclusiones inferenciales cuando el número de evaluadores es pequeño, debido a que no corresponden de manera precisa con el error Tipo I, por lo que las conclusiones pueden ser inexactas. Cuarto, el resultado dice poco sobre la el valor de \(V_p\). En quinto lugar, la prueba de hipótesis no aporta información sobre el error de \(V\) como estimación de \(V_p\).

2 Intervalo de confianza para la V de Aiken

La construcción de un intervalo de confianza para \(V_p\) radica en que \(V\) no se encuentra normalmente distribuida. Las Propiedades del intervalo de confianza es que sea asimétrica y no dependa de una distribución normal en la proporción de la muestra. Se requiere que sea efectiva y precisa, cuando el tamaño de la muestra es pequeño y la proporción de la población es extrema, como muestra Penfield y Giacobbi (2004) con base en Newcombe (1998)) y Wilson (1927).

Penfield y Giacobbi (2004), propone que utilizar marcador del intervalo de confianza como un método para construir el intervalo de confianza para \(V_p\) que considera como una mejora en los métodos inferenciales disponibles para la interpretación de la evaluación de la relevancia de contenido de un ítem.

El límite inferior (L) y el mayor (U) se pueden calcular con un valor \(C\%\) para un \(V_p\) que se puede obtener la siguiente formula desarrollada originalmente por Wilson (1927):

\[ L= \frac{2nkV+z^2 - z \sqrt{4nkV(1-V)+z^2}}{2(nk+z^2)} \]

Y de manera complementaria, para el límite superior:

\[ U= \frac{2nkV+z^2 + z \sqrt{4nkV(1-V)+z^2}}{2(nk+z^2)} \]

En las dos ecuaciones anteriores, \(z\) corresponde a un valor de la distribución normal tal como \(C\%\) en donde el área de de la distribución se encuentra entre \(-z\) y \(z\) (Por ejemplo, para un 95% se utiliza un intervalo de confianza de 1.96 y para el 90% el de 1.645). La simplificación de la derivación de las ecuaciones para el límite inferior y superior se presentan como:

\[ L= \frac{A - B}{C} \]

Y por \[ U= \frac{A + B}{C} \]

Dónde

\[ A = 2nkV+z^2 \]

\[ B = z \sqrt{4nkV(1-V)+z^2} \]

\[ C = 2(nk+z^2) \]

La calificación del intervalo de confianza tiene la propiedad deseable de ue sea asimétrico sobre V. Si V es mayor que 0.5, entonces el intervalo de confianza se extenderá más por debajo de V que por encima de V. Y su es menor que 0.5, entonces el valor del intervalo se extenderá más por encima de V que por debajo de V. Adicionalmente, los límites no se pueden extender por debajo de 0 o por encima de 1.0, y resuelve un problema de los límites de intervalo de confianza cuando se aplica el intervalo de Wald a variables limitadas. (Penfield y Giacobbi 2004)

A diferencia de la prueba de hipótesis propuesta por Aiken (1980, 1985), el uso de intervalos de confianza permite permite a los investigadores establecer criterios de revisión de ítems más estrictos o flexibles según sus necesidades. Por ejemplo, puede utilizar la hipótesis nula de que \(V_p = 0.75\), lo que se asocia con una calificación promedio de 4 en una escala de 5 puntos. Aunque el criterio de 0.75 puede ser demasiado estricto en la práctica, y sugieren que los investigadores pueden optar por valores de criterio más flexibles (p. ej., V0 = 0,4) o tasas de error de tipo I más altas (p. ej., \(\alpha = 0.10\)), especialmente cuando el número de evaluadores expertos es reducido.

3 Función en R para calcular la V de Aiken

En el Bloque siguiente, se crea en R el objeto de función que permite calcular la V de Aiken general con medias de todos Ítems que se presenten en el set de datos y cada un o de los límites correspondientes de su Intervalo de Confianza (CI). Es decir, calcula el valor de V para cada Ítem y el limite Inferior (I) y superior (U) de su IC.

v_aiken <- function(
    x, # Es un data frame donde cada fila es un ítem y cada columna contiene las calificaciones que cada evaluador asignó.
    lo, # Es el valor mínimo (lowest) posible en la escala.
    hi, # Es el valor máximo (highest) posible en la escala.
    p) { # Es la proporción del nivel de confianza.
  n <- ncol(x) # Devuelve el número de columnas, es decir, el número de evaluadores.
  i <- nrow(x) # Devuelve el número de filas y representa el número de ítems.
  k <- (hi - lo) # Es la distancia desde "lo" hasta "hi". Es el rango de posibles elecciones discretas.
  z <- qnorm((1 - (p)) / 2, mean = 0, sd = 1, lower.tail = FALSE) # Encuentra el valor z (en unidades de desviación estándar) que corresponde a una probabilidad acumulada dada.
  S <- rowSums(x - lo) # "S" resta elemento por elemento el valor de lo y suma los valores resultantes en cada fila.
  V <- S / (n * k) # "Es el valor de la V de Aiken calculado por la fórmula.
  # Cálculo del IC por medio de la simplificación de la derivación de las ecuaciones para el límite inferior y superior
  A <- (2 * n * k * V) + (z^2) # Cálculo de A
  B <- (z * (sqrt(4 * n * k * V * (1 - V) + (z^2)))) # Cálculo de B
  C <- (2 * ((n * k) + (z^2))) # Cálculo de C
  # Cálculo del límite del intervalo de confianza inferior (Lower)
  L <- (A - B) / C
  # Cálculo del límite del intervalo de confianza superior (Upper).
  U <- (A + B) / C
  # Crear el data frame "df".
  df <- data.frame(
    cbind(
      "V" =  V,
      "CI_L" = L,
      "CI_U" = U
    )
  )
  # Crear la tabla con nombres con  "Ítem_#".
  rownames(df) <- paste0("Ítem_", 1:i) # Crea el nombre de la fila correspondiente al número de cada "Ítem" como se encuentra en el marco de datos x.
  means_list <- list() # Crea la lista llamada "means_list".
  for (col_name in names(df)) {
    # Aplicar la función mean a la columna actual.
    mean_value <- mean(df[[col_name]])
    # Almacenar el resultado en la lista con el nombre de la columna.
    means_list[[col_name]] <- mean_value
  }
  # Crear un data frame llamado "Medias" a partir de la lista "means_list".
  means_df <- data.frame(Medias = unlist(means_list))
  v_list <- list()
  v_list[["v_ci"]] <- df
  v_list[["means_v"]] <- means_df
  # Crea una lista vacía llamada "parameters"
  parameters <- list()
  # Definir los nombres de los objetos a copiar.
  noms_par <- c("n", "k", "p", "z", "lo", "hi", "i")
  # Loop para copiar los objetos a la lista "parameters".
  for (e in 1:length(noms_par)) {
    nombre_actual <- noms_par[e]
    parameters[[nombre_actual]] <- get(nombre_actual)
  }
  v_list[["parameters"]] <- parameters
  return(v_list)
}

Por lo anterior, los argumentos que requiere esta función son los siguientes:

v_aiken(x, lo, hi, p)

Para encontrar el valor z (en unidades de desviación estándar) que corresponde a una probabilidad acumulada dada se emplea la función qnorm().

qnorm((1 - (p)) / 2, mean = 0, sd = 1, lower.tail = FALSE)

3.1 Cálculo de la V de Aiken

Para el siguiente ejercicio, se han retomado los datos de Penfield y Giacobbi(2004), y se han construido en la forma que requiere x y se le ha nombrado test_v, como se muestra en el el siguiente bloque de texto. La tabla con estos datos se puede observar en el Cuadro 3.1.

test_v <- data.frame(cbind(
  "r1" = c(2, 2, 2, 2, 3, 3, 3, 1, 1, 1, 4, 4, 2, 1, 4, 4, 3, 3, 3, 3),
  "r2" = c(5, 2, 3, 2, 3, 4, 3, 2, 2, 3, 4, 4, 3, 2, 5, 4, 4, 3, 4, 4),
  "r3" = c(5, 3, 4, 3, 4, 4, 4, 3, 3, 5, 4, 5, 4, 3, 5, 5, 4, 3, 4, 4),
  "r4" = c(5, 3, 4, 4, 5, 5, 4, 3, 3, 5, 4, 5, 4, 4, 5, 5, 4, 4, 5, 4),
  "r5" = c(5, 3, 4, 5, 5, 5, 4, 4, 3, 5, 4, 5, 4, 4, 5, 5, 4, 4, 5, 5),
  "r6" = c(5, 4, 5, 5, 5, 5, 4, 5, 4, 5, 5, 5, 5, 4, 5, 5, 5, 4, 5, 5),
  "r7" = c(5, 4, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 4, 5, 5, 5, 4, 5, 5)
))
Table 3.1: Tabla de evaluación por siete Jueces (r) a veinte Ítems
r1 r2 r3 r4 r5 r6 r7
1 2 5 5 5 5 5 5
2 2 2 3 3 3 4 4
3 2 3 4 4 4 5 5
4 2 2 3 4 5 5 5
5 3 3 4 5 5 5 5
6 3 4 4 5 5 5 5
7 3 3 4 4 4 4 5
8 1 2 3 3 4 5 5
9 1 2 3 3 3 4 5
10 1 3 5 5 5 5 5
11 4 4 4 4 4 5 5
12 4 4 5 5 5 5 5
13 2 3 4 4 4 5 5
14 1 2 3 4 4 4 4
15 4 5 5 5 5 5 5
16 4 4 5 5 5 5 5
17 3 4 4 4 4 5 5
18 3 3 3 4 4 4 4
19 3 4 4 5 5 5 5
20 3 4 4 4 5 5 5

Note: aElaboración propia con base en Penfield y Giacobbi (2004)

En este caso la categoría mínima es 1 (lo = 1), la máxima es 5 (hi = 5) y la proporción de valor del nivel de confianza deseado es \(0.95\) (p = .95), es decir un nivel de significancia de \(\alpha = 0.05\). En el Código siguiente:

aiken_vals1 <- v_aiken(
  x = test_v, # La tabla con los datos.
  lo = 1, # El valor mínimo posible en la escala.
  hi = 5, # El valor máximo en la escala.
  p = 0.95
) # El nivel de significación. En este caso "0.95".

Como se mencionó más arriba se puede también utilizar un \(\alpha = 0.10\), si se coloca una probabilidad acumulada de “0.90”.

El objeto que se obtiene, en este caso es aiken_vals1, designado arriba, es una lista que contiene los objetos means_v, parameters y v_ci. El primero contiene la columna Mediascon V, CI_L y CI_L, que corresponden al cálculo de la media para todo el set de datos proporcionado para la V de Aiken, y los límites inferior (L) y superior (U) del intervalo de confianza (CI). El segundo objeto, contiene los parámetros utilizados en la fórmula: n para el número de evaluadores; k para el número de clases, p el nivel de confianza expresado en proporción; z el valor en unidades de desviaciones estándar que corresponde a p; lo el valor mínimo que puede aparecer en la escala; hi corresponde al valor más alto posible; finalmente, i corresponde al número de ítems.

3.2 Resultados a 0.95 de nivel de confianza y V mayor que 0.5

En el Cuadro 3.2, se muestran las medias de V, el límite inferior y el límite superior para todo el set de datos calculados con \(p=.95\).

Table 3.2: Medias de evaluación de la calificación para todo el instrumento por los siete jueces
Medias
V 0.752
CI_L 0.578
CI_U 0.865

Por otro lado, en el Cuadro 3.3, se muestran las medias para cada ítem en particular.

Table 3.3: Tabla de evaluación por siete jueces para un p=90
V CI_L CI_U
Ítem_1 0.893 0.728 0.963
Ítem_2 0.500 0.326 0.674
Ítem_3 0.714 0.529 0.847
Ítem_4 0.679 0.493 0.821
Ítem_5 0.821 0.644 0.921
Ítem_6 0.857 0.685 0.943
Ítem_7 0.714 0.529 0.847
Ítem_8 0.571 0.391 0.735
Ítem_9 0.500 0.326 0.674
Ítem_10 0.786 0.605 0.898
Ítem_11 0.821 0.644 0.921
Ítem_12 0.929 0.774 0.980
Ítem_13 0.714 0.529 0.847
Ítem_14 0.536 0.358 0.705
Ítem_15 0.964 0.823 0.994
Ítem_16 0.929 0.774 0.980
Ítem_17 0.786 0.605 0.898
Ítem_18 0.643 0.458 0.793
Ítem_19 0.857 0.685 0.943
Ítem_20 0.821 0.644 0.921

En el gráfico de la Figura 3.1, se muestran de barras para la media de evaluaciones obtenidas para cada ítem, con barras de error para cada intervalo de confianza. También, se presenta una linea punteada en el eje horizontal, para marcar el criterio por el cual se pueden poner en revisión los ítems cuyo límite inferior sea menor al criterio seleccionado, en este caso \(CI_L < 0.5\).

# Preparar
library("ggplot2")
library("tibble")
# Calcular
g1 <- aiken_vals1[["v_ci"]] %>%
  rownames_to_column(var = "Items") %>%
  ggplot(aes(
    x = reorder(Items, V, decreasing = FALSE),
    y = V,
    ymin = CI_L,
    ymax = CI_U
  )) +
  geom_col(fill = "lightblue") +
  geom_errorbar(width = 0.5) +
  ylim(0, 1) +
  geom_hline(
    yintercept = 0.5, # La altura a la que se dibuja la linea horizontal.
    linetype = "dashed",
    color = "red"
  ) +
  theme(
    plot.background = element_rect(fill = "transparent", color = NA)
  ) +
  coord_flip() +
  ylab("V") +
  xlab("Ítem") +
  labs(
    title = "Gráfico de V de Aiken por Ítem",
    subtitle = "CI en barras de error con p = 0.95"
  )
# Imprimir
print(g1)
Gráfico de barras para la media del V de Aiken por cada Ítem y barras de error para su IC con línea de exclusión en el nivel 0.5

Figure 3.1: Gráfico de barras para la media del V de Aiken por cada Ítem y barras de error para su IC con línea de exclusión en el nivel 0.5

En el caso de la figura 3.1, se han ordenado el eje de los Ítems por la media obtenida de V y se puede observar que los ítems 4, 8, 18, 14, 9 y 2, requieren ser revisados si se sigue el criterio de mencionado más arriba.

4 Interpretación de otros valores

Un valor de V = 0.75 que se asocia con una calificación promedio de 4 en una escala de 5 puntos con opciones de respuesta que van del 1 al 5, sería un buen ajuste al constructo deseado. En este caso, la determinación de los ítems para los cuales se plantea la hipótesis nula de \(V_p = 0.75\) y se ha optado por utilizar una tasa de error de tipo I de \(0.1\). Para realizar lo anterior, se pueden establecer los ítems para los cuales el intervalo de confianza del 90% contiene \(0.75\). Aunque el valor de criterio de \(0.75\) puede resultar demasiado estricto en la práctica, Penfield y Giacobbi (2004) lo presentan con fines estrictamente didácticos para ilustrar la flexibilidad del intervalo de confianza de la puntuación en la prueba de hipótesis propuesta por Aiken (1980, 1985). Y han advertido que los investigadores que se encuentran en las etapas iniciales del desarrollo de la escala pueden optar por un valor de criterio más flexible (p. ej., \(V_0 = 0.4\)) o utilizar una tasa de error de tipo I más alta (p. ej., \(\alpha = 0.1\) o visto desde su complemento \(p = 0.9\)), especialmente si el número de evaluadores expertos es reducido.

4.1 Resultados a 0.9 de nivel de confianza y V mayor que 0.75

Para ilustrar este ejercicio, se produce el aiken_vals2 inicialmente el objeto y se coloca \(p = 0.9\).

aiken_vals2 <- v_aiken(
  x = test_v, # La tabla con los datos.
  lo = 1, # El valor mínimo posible en la escala.
  hi = 5, # El valor máximo en la escala.
  p = 0.9
) # El nivel de significación. En este caso "0.9".

En el Cuadro 4.1, se muestran las medias de V, el límite inferior y el límite superior para todo el set de datos calculados con \(p=0.9\).

Table 4.1: Medias de evaluación para todo el instrumento por los siete jueces con p = 0.9
Medias
V 0.752
CI_L 0.608
CI_U 0.851

Por otro lado, en el Cuadro 4.2, se muestran las medias para cada ítem en particular.

Table 4.2: Tabla de evaluación por siete jueces para un p= 0.9
V CI_L CI_U
Ítem_1 0.893 0.760 0.956
Ítem_2 0.500 0.352 0.648
Ítem_3 0.714 0.560 0.831
Ítem_4 0.679 0.523 0.802
Ítem_5 0.821 0.676 0.910
Ítem_6 0.857 0.717 0.934
Ítem_7 0.714 0.560 0.831
Ítem_8 0.571 0.418 0.712
Ítem_9 0.500 0.352 0.648
Ítem_10 0.786 0.636 0.885
Ítem_11 0.821 0.676 0.910
Ítem_12 0.929 0.806 0.976
Ítem_13 0.714 0.560 0.831
Ítem_14 0.536 0.384 0.681
Ítem_15 0.964 0.855 0.992
Ítem_16 0.929 0.806 0.976
Ítem_17 0.786 0.636 0.885
Ítem_18 0.643 0.487 0.773
Ítem_19 0.857 0.717 0.934
Ítem_20 0.821 0.676 0.910

En el gráfico de la Figura 4.1, se muestran de barras para la media de evaluaciones obtenidas para cada ítem, con barras de error para cada intervalo de confianza. También, se presenta una linea punteada en el eje horizontal, para marcar el criterio por el cual se pueden poner en revisión los ítems cuyo límite inferior sea menor al criterio seleccionado, en este caso \(CI_L < 0.75\) que se especifica en el argumento yintercept = 0.75.

# Preparar
library("ggplot2")
library("tibble")
# Calcular
g2 <- aiken_vals2[["v_ci"]] %>%
  rownames_to_column(var = "Items") %>%
  ggplot(aes(
    x = reorder(Items, V, decreasing = FALSE),
    y = V,
    ymin = CI_L,
    ymax = CI_U
  )) +
  geom_col(fill = "lightblue") +
  geom_errorbar(width = 0.5) +
  ylim(0, 1) +
  geom_hline(
    yintercept = 0.75, # La altura a la que se dibuja la linea horizontal.
    linetype = "dashed",
    color = "red"
  ) +
  theme(
    plot.background = element_rect(fill = "transparent", color = NA)
  ) +
  coord_flip() +
  ylab("V") +
  xlab("Ítem") +
  labs(
    title = "Gráfico de V de Aiken por Ítem",
    subtitle = "CI en barras de error con p = 0.90"
  )
# Imprimir
print(g2)
Gráfico de barras para la media del V de Aiken por cada Ítem y barras de error para su IC con línea de exclusión en el nivel 0.75

Figure 4.1: Gráfico de barras para la media del V de Aiken por cada Ítem y barras de error para su IC con línea de exclusión en el nivel 0.75

4.2 Interpretación

A pesar de lo que se observa en el Cuadro 4.1 una \(V_p = 0.752\) lo que pareciera confirmar que el valor es superior a 75%, al observar el límite inferior (CI_L) del intervalor de confianza, éste resulta ser igual a 0.608. Por lo tanto se debe tomar la hipótesis de que V es igual o menor que 0.75. Ahora bien, si revisamos cada uno de los ítems en el Cuadro 4.2 y la Figuara 4.1 que ordena los resultados, se hace evidente que, para este caso requieren ser revisados todos los ítems excepto 15, 16, 12 y 1, ordenados de mayor a menor valor inverior de su IC. A continuación se hacer algunas anotaciones para presentar estos resultados a través de la Interfaz Gráfica del Usuario (GUI) RKWard.

5 Presentar en RKWard

Presentar la media general y la tabla por cada Ítem, con el siguiente código, para obtener la salida en HTML.

local({
  rk.header(
    title = "V de Aiken", # Asigna el texto contenido en el título.
    parameters = aiken_vals1[["parameters"]]
  ) # Presenta los elementos contenidos en la lista "parameters".
  rk.results(aiken_vals1[["means_v"]]) # Imprime la tabla contenida en el objeto "means_v."
  rk.header("Valores de la V de Aiken con intervalo de confianza (CI) para cada ítem", level = 2) # Presenta el subtítulo para el CI calculado para cada ítem.
  rk.results(aiken_vals1[["v_ci"]], print.rownames = TRUE) # Imprime la tabla contenida en el marco de datos "v_ci".
})

Por otro lado, el gráfico se puede visualizar en la ventada de salida de RKWard con;

rk.header(
  title = "Gráfico de barras para la media del V de Aiken por cada Ítem y barras de error para su IC con línea de exclusión en el nivel 0.5",
  parameters = aiken_vals[["parameters"]]
)
rk.graph.on(
  device.type = "PNG", # Establece el tipo de dispositivo salida, además está disponible "JPEG" y "SVG, este último sólo se recomienda cuando se envía desde el cuadro de dialogo de exportación ya que no es compatible con la vista de salida de HTML. Para acceder al cuadro de exportación sólo ejecute "print(g)" y cliquee "Dispositivo -> Exportar..." .
  width = 1024,
  height = 720,
  pointsize = 10.0,
  res = 150,
  bg = "transparent"
)
try({
  print(g1) # "g1" presenta el gráfico con p=0.95 y V_p = 0.5. Para presentar p=0.9 y V_p = 0.75 se puede colocar "g2".
})
rk.graph.off()

Primeramente se ingresa el título en HTML con la función rk.header(), se inicia el dispositivo gráfico con rk.graph.on(), con los argumentos de tipo “PNG”, aunque también se encuentra diponible “JPEG”, el ancho de la imagen en 2024 por alto en 720 pixeles; Un tamaño de punto de 10, con una resolución de 150 pixeles por pulga cuadrada (ppi por sus siglas en inglés) y fondo transparente. Para imprimir el resultado se usa el envoltorio try({}), para aplicar la función print() y finalmente se cierra el dispositivo gráfico con rk.graph.off ().

6 En síntesis

Este documento presenta un flujo de trabajo completo y robusto para el análisis de la validez de contenido mediante la V de Aiken. El aporte principal radica en trascender la simple estimación puntual del coeficiente, promoviendo en su lugar el uso de intervalos de confianza para una toma de decisiones más matizada y estadísticamente rigurosa.

Las contribuciones clave de esta guía son:

En conjunto, estos elementos empoderan al investigador con las herramientas teóricas y prácticas necesarias para pasar del cálculo a la interpretación y presentación informada de la validez de contenido de un instrumento. Al integrar estos componentes en la interfaz gráfica de RKWard, se cierra el ciclo, ofreciendo una solución completa que hace accesible este riguroso análisis a un público más amplio.

Referencias Bibliográficas

Aiken, Lewis R. 1980. “Content Validity and Reliability of Single Items or Questionnaires”. Educational and Psychological Measurement 40 (4): 955–59. https://doi.org/10.1177/001316448004000419.
———. 1985. “Three Coefficients for Analyzing the Reliability and Validity of Ratings”. Educational and Psychological Measurement 45 (1): 131–42. https://doi.org/10.1177/0013164485451012.
Newcombe, Robert G. 1998. “Two‐sided confidence intervals for the single proportion: comparison of seven methods”. STATISTICS IN MEDICINE, núm. 17: 857–72. https://wiley.bibliotecabuap.elogim.com/doi/10.1002/(SICI)1097-0258(19980430)17:8<857::AID-SIM777>3.0.CO;2-E.
Oksaviona, Vebby, Nur Islami, y Muhammad Nasir. 2023. “Development of PBL-Based Sound Wave Interactive Multimedia Using Lumi for Class XI High School Students”. Jurnal Penelitian Pendidikan IPA 9 (10): 8008–15. https://doi.org/10.29303/jppipa.v9i10.4426.
Penfield, Randall D., y Peter R. Giacobbi Jr. 2004. “Applying a Score Confidence Interval to Aiken’s Item Content-Relevance Index”. Measurement in Physical Education and Exercise Science 8 (4): 213–25. https://doi.org/10.1207/s15327841mpee0804_3.
Wilson, Edwin B. 1927. “Probable Inference, the Law of Succession, and Statistical Inference”. Journal of the American Statistical Association 22 (158): 209–12. https://www.jstor.org/stable/2276774.