¿Qué hace que un test de evaluación sea válido y fiable?
¿Cuándo es válida y fiable una prueba de evaluación? Validez por tipo de prueba, el error de medida explicado y una checklist para elegir proveedor.
Door Ingmar van Maurik · Founder & CEO, Making Moves
Respuesta breve
Una prueba de evaluación es válida cuando mide lo que dice medir y predice de forma demostrable el desempeño laboral. Es fiable cuando ofrece resultados consistentes al aplicarse varias veces. Para decisiones de selección, busque una fiabilidad de al menos 0,80 y una validez demostrada de 0,30 o superior para un puesto comparable.
Este artículo forma parte de nuestra guía completa sobre pruebas de selección de personal.
Por qué importa
Una evaluación solo aporta valor si mide lo que promete y ofrece resultados consistentes. Parece obvio, pero muchas organizaciones utilizan pruebas sin saber si realmente predicen el desempeño.
La consecuencia: decisiones basadas en ruido. Usted cree que contrata con datos, pero utiliza un instrumento que apenas predice mejor que el azar. Peor aún, da una falsa sensación de seguridad.
En este artículo verá qué significan exactamente la validez y la fiabilidad, cómo puntúan los tipos de prueba más comunes, cómo leer correctamente una puntuación y qué preguntas hacer a su proveedor. Terminamos con cómo validar una evaluación con sus propios datos.
Validez: ¿mide lo que quiere medir?
La validez responde a una pregunta: ¿esta prueba predice realmente el desempeño laboral? Hay cuatro formas que conviene conocer.
Validez predictiva
Es el estándar de referencia. Se comparan las puntuaciones de la prueba con el desempeño posterior en el puesto:
La validez predictiva se expresa como coeficiente de correlación (r). Referencias habituales en selección de personal:
|---|---|
Puede parecer modesto, pero en selección una r = 0,30 ya es valiosa: a lo largo de cientos de decisiones mejora notablemente la tasa de acierto.
Validez de constructo: validez convergente y divergente
¿Mide la prueba el constructo correcto? Una prueba de razonamiento analítico debe medir razonamiento analítico, no comprensión lectora ni memoria de trabajo. Se comprueba de dos maneras:
Además, el análisis factorial muestra si los ítems se agrupan como se pretendía.
Validez de criterio
¿Qué tipo de éxito quiere predecir? Productividad, permanencia, satisfacción del cliente, ritmo de desarrollo o aportación al equipo son criterios distintos, y criterios distintos requieren predictores distintos. Una prueba que predice productividad no predice automáticamente la rotación. Defina primero qué es el éxito en el puesto y elija después la prueba.
Validez de contenido
¿Cubre la prueba lo que el puesto realmente exige? Se establece mediante un análisis del puesto: ¿qué tareas, situaciones y competencias determinan el éxito? Una evaluación para un guardia de seguridad, por ejemplo, mide atención, integridad y criterio ante incidentes, no reconocimiento abstracto de patrones sin relación con el trabajo.
Fiabilidad: ¿es consistente?
La fiabilidad responde a la pregunta: ¿ofrece la prueba resultados similares al repetirse?
Fiabilidad test-retest
¿Obtiene la misma persona una puntuación similar en dos momentos? Referencia: por encima de 0,80 es buena, de 0,70 a 0,80 aceptable, y por debajo de 0,70 la prueba contiene demasiado ruido para decisiones individuales de selección.
Consistencia interna (alfa de Cronbach)
¿Miden todos los ítems de una escala lo mismo? Referencia: α por encima de 0,80 es buena, de 0,70 a 0,80 aceptable, por debajo de 0,70 dudosa. Atención: en una prueba de juicio situacional (SJT) el alfa suele ser más bajo porque cada situación evalúa algo distinto. Ahí el test-retest es más informativo.
Fiabilidad entre evaluadores
En entrevistas, assessment centers y muestras de trabajo: ¿llegan distintos evaluadores al mismo juicio? Si el acuerdo es bajo, ayudan las rúbricas estructuradas con anclajes conductuales y la formación de los evaluadores.
Por qué una prueba poco fiable nunca puede ser válida
La fiabilidad pone un techo a la validez. La relación entre una prueba y el desempeño nunca puede superar la raíz cuadrada de la fiabilidad de la prueba multiplicada por la fiabilidad de la evaluación del desempeño. Una prueba con fiabilidad 0,60 y una evaluación con 0,50 alcanzan como máximo r = 0,55, y en la práctica mucho menos.
Lo contrario no se cumple: una prueba fiable no es automáticamente válida. Puede medir lo equivocado de forma muy consistente. Más ejemplos en validez y fiabilidad: la diferencia.
El error típico de medida: ¿cuándo una diferencia es real?
Toda puntuación contiene error de medida. El error típico de medida indica cuánto: desviación típica × √(1 − fiabilidad).
Ejemplo: una prueba de aptitudes cognitivas con una desviación típica de 15 y una fiabilidad de 0,90 tiene un error de medida de unos 4,7 puntos. El intervalo del 95% alrededor de una puntuación abarca entonces más de 9 puntos hacia arriba y hacia abajo. El candidato A con 108 y el candidato B con 103 no se diferencian de forma demostrable.
Consecuencia práctica: trabaje con bandas de puntuación en lugar de un punto de corte rígido, y no deje nunca que pequeñas diferencias decidan.
¿Qué tan válidos y fiables son los tipos de prueba más comunes?
El metaanálisis amplio más reciente (Sackett, Zhang, Berry y Lievens, 2022) recalculó el valor predictivo de los métodos de selección. Validez media corregida, con una indicación de la fiabilidad habitual:
|---|---|---|
Las cifras de fiabilidad son orientativas y varían mucho según la prueba concreta. Dos lecciones de estos datos:
¿Qué tan fiable es una prueba de aptitudes?
Las pruebas de aptitudes cognitivas están entre los instrumentos más fiables (a menudo 0,85 o más) y predicen bien la capacidad de aprendizaje y el desempeño en puestos complejos. A tener en cuenta: pueden tener impacto adverso sobre ciertos grupos y no dicen nada sobre motivación o conducta. Compruebe siempre las diferencias entre grupos en su propia base de candidatos.
¿Qué tan fiable es una prueba de competencias?
"Prueba de competencias" es un término amplio que va desde cuestionarios de autoinforme hasta SJT y assessment centers. La fiabilidad depende por completo del formato. El autoinforme es sensible a las respuestas socialmente deseables; los formatos conductuales (SJT, entrevista estructurada, muestra de trabajo) predicen mejor. Pregunte siempre: ¿cómo se mide la competencia y dónde se ha estudiado? Más información en pruebas de competencias en la selección.
¿Y las pruebas de personalidad?
Los cuestionarios de personalidad son razonablemente fiables, pero por sí solos predicen el desempeño de forma moderada; la responsabilidad es el factor más fuerte. Su valor está en un uso adecuado: como complemento, centrados en rasgos demostrablemente relevantes para el puesto y nunca como criterio eliminatorio por sí mismos.
¿Y las pruebas de integridad?
Las pruebas de integridad predicen bastante bien las conductas contraproducentes (como robo, absentismo e incumplimiento de normas) y el desempeño, con una validez media de 0,31. Hay dos variantes: pruebas abiertas, que preguntan directamente por actitudes y conductas, y pruebas basadas en la personalidad, que miden rasgos como la responsabilidad y la fiabilidad personal. Son especialmente valiosas en puestos con responsabilidad sobre dinero, mercancías o seguridad. Combínelas siempre con otra información y explique con transparencia su finalidad a los candidatos.
Checklist: 8 preguntas para su proveedor de evaluaciones
Si un proveedor no puede responder con concreción a las tres primeras preguntas, en realidad no sabe qué está midiendo.
Por qué las pruebas genéricas se quedan cortas
Las evaluaciones comerciales suelen validarse con poblaciones amplias. Eso genera tres problemas:
Lea también por qué las evaluaciones genéricas no funcionan y cómo diseñar evaluaciones específicas para su empresa.
Validar por su cuenta: cómo abordarlo
Con un sistema de evaluación propio puede demostrar qué funciona en su organización.
Paso 1: empiece por el análisis del puesto
Documente qué tareas y conductas determinan el éxito. Eso le da validez de contenido desde el primer día, incluso antes de tener datos.
Paso 2: construya sus propios grupos normativos
Compare a los candidatos con sus empleados de éxito en cada puesto, no con el mercado. Más información en cómo construir su propio grupo normativo.
Paso 3: vincule las puntuaciones con el desempeño
Correlacione las puntuaciones con las evaluaciones a los 6 y 12 meses, la permanencia y otros criterios. Así verá qué componentes predicen y cuáles son ruido, y podrá ajustar la ponderación.
Paso 4: sea honesto con los tamaños de muestra
La validación local requiere datos. Con 60 contrataciones, una correlación observada de 0,35 sigue siendo estadísticamente incierta: el intervalo del 95% va aproximadamente de 0,11 a 0,55. Cuente con al menos 100 a 150 contrataciones por familia de puestos para conclusiones estables. Hasta entonces, combine sus propios datos con la investigación existente y un análisis del puesto sólido.
Paso 5: siga calibrando y supervise los sesgos
Repita el análisis después de cada cohorte de contratación y compruebe por subgrupo si la prueba predice igual de bien y no perjudica injustamente a nadie. Así su sistema se vuelve más inteligente con el tiempo, algo que una prueba estándar no puede hacer por definición.
La diferencia en la práctica
|---|---|---|
Preguntas frecuentes
¿Cuál es la diferencia entre validez y fiabilidad?
La fiabilidad se refiere a la consistencia: ¿obtiene la misma puntuación al repetir la prueba? La validez se refiere a la exactitud: ¿mide la prueba lo que debe medir y predice el desempeño laboral? Una prueba tiene que ser fiable para poder ser válida.
¿Cuándo es suficientemente fiable una evaluación?
Para decisiones individuales de selección se suele exigir una fiabilidad de 0,80 o superior. Entre 0,70 y 0,80 es útil como información complementaria, no como único criterio.
¿Qué es una buena validez para una prueba de evaluación?
Una validez media de 0,30 o superior es fuerte en selección de personal. Los valores por encima de 0,40 son poco frecuentes; desconfíe de promesas más altas sin estudios que las respalden.
¿Qué es la validez divergente?
La validez divergente (o discriminante) muestra que una prueba no correlaciona fuertemente con pruebas que miden otra cosa. Así se demuestra que la prueba mide un constructo propio y bien delimitado.
¿Cuántos candidatos se necesitan para validar una prueba?
Para una validación local estable, cuente con al menos 100 a 150 contrataciones por familia de puestos. Con cifras menores, apóyese en un análisis del puesto riguroso y en la investigación existente sobre puestos comparables.
¿Puedo usar sin más una prueba traducida?
Mejor no sin comprobarlo. Una traducción puede cambiar el significado de los ítems. Verifique si la versión idiomática se ha estudiado por separado y si existen normas para su país y su grupo objetivo.
Resumen
¿Quiere saber qué tan válidas son sus evaluaciones actuales, o desarrollar una evaluación que prediga de forma demostrable quién tendrá éxito? Vea cómo desarrollamos evaluaciones a medida, descubra cómo nuestro sistema AI Hiring integra la validación en el proceso, o contáctenos.