La validez predictiva implica probar a un grupo de sujetos para un determinado constructo y luego compararlos con los resultados obtenidos en algún momento posterior.
Esta validez es un subtipo importante de la validez de criterio y es considerada un bastión de la ciencia del comportamiento, la educación y la psicología.
La mayoría de las pruebas educativas y laborales son hechas para predecir el rendimiento futuro. Por esta razón, la validez predictiva es considerada esencial en estos campos.
Validez predictiva y selección universitaria
El uso más común de la validez predictiva es inherente al proceso de selección de estudiantes para la universidad. La mayoría de las universidades utiliza un promedio de calificaciones de la escuela secundaria para decidir qué estudiantes aceptar, para encontrar a los estudiantes más brillantes y estudiosos.
En este proceso, la hipótesis básica es que un alumno secundario con un promedio de calificaciones alto tendrá calificaciones altas en la universidad.
Literalmente, se han hecho cientos de estudios que prueban la validez predictiva de este enfoque. Para lograr esto, un investigador toma las calificaciones obtenidas después del primer año de estudios y las compara con los promedios de calificaciones de la escuela secundaria.
Una correlación alta indica que el proceso de selección funcionó a la perfección, mientras que una correlación baja significa que hay algo mal en el enfoque.
La mayoría de los estudios muestra que existe una correlación fuerte entre las dos y la validez predictiva del método es elevada, aunque no perfecta.
Intuitivamente, esto parece lógico: estudiantes que antes eran excelentes pueden extrañar su casa o pasar el primer año bebiendo cerveza.
Por otro lado, estudiantes a los que antes no les iba bien, ahora pueden ser estudiosos y esforzarse mucho porque se sienten cómodos con la libertad del ambiente universitario.
Debilidades de la validez predictiva
La validez predictiva es considerada una medida muy fuerte de validez estadística, pero contiene algunos puntos débiles que los estadísticos e investigadores deben tener en cuenta.
La validez predictiva no evalúa todos los datos disponibles y los individuos que no son seleccionados no pueden, por definición, producir un resultado en ese criterio determinado.
En el ejemplo de la selección universitaria, este enfoque no prueba a los alumnos que no pudieron asistir a la universidad debido a notas bajas, preferencias personales o problemas económicos. Esto produce un agujero en los datos y la validez predictiva se basa en este conjunto de datos incompleto, por lo que los investigadores siempre deben hacer algunas suposiciones.
Si los alumnos con los promedios de calificación más altos elevan sus calificaciones después de su primer año en la universidad y los estudiantes que apenas aprobaron obtienen las calificaciones más bajas, los investigadores suponen que los que no asistieron obtendrían calificaciones aún más bajas. Esta extrapolación hacia abajo podría ser incorrecta, pero la validez predictiva debe hacer estas suposiciones.
A pesar de esta debilidad, la validez predictiva sigue siendo considerada una medida extremadamente potente para la precisión estadística.
En muchos campos de la investigación, es considerada la medida de calidad más importante y los investigadores constantemente están buscando maneras de mantener la validez predictiva alta.
Full reference:
Martyn Shuttleworth (Sep 23, 2009). Validez predictiva. Jan 14, 2021 Obtenido de Explorable.com: https://explorable.com/es/validez-predictiva
You Are Allowed To Copy The Text
The text in this article is licensed under the Creative Commons-License Attribution 4.0 International (CC BY 4.0).
This means you're free to copy, share and adapt any parts (or all) of the text in the article, as long as you give appropriate credit and provide a link/reference to this page.
That is it. You don't need our permission to copy the article; just include a link/reference back to this page. You can use it freely (with some kind of link), and we're also okay with people reprinting in publications like books, blogs, newsletters, course-material, papers, wikipedia and presentations (with clear attribution).
