¿Existe el alfa estratificado?

Un coeficiente real de 1965, sus cifras sobre la escala del video y los dos escenarios donde falla

Autor/a

Dr. José Ventura-León

Fecha de publicación

22 de agosto de 2026

De dónde viene esta pregunta. Tras publicar el video El alfa y el número de ítems, me escribieron esto: “Existen menciones hacia el alfa estratificado como alternativa, ¿existe este coeficiente?”. El video no lo menciona, así que la duda es legítima. La respuesta corta es que sí existe, tiene sesenta años y apellidos ilustres. La respuesta larga, que es la que importa, es este reporte.

1 La pregunta y la respuesta corta

Sí, el alfa estratificado (stratified alpha) existe. No es una variante improvisada ni un nombre de blog: lo formularon Cronbach et al. (1965) en Educational and Psychological Measurement, con el trabajo hermano de Rajaratnam et al. (1965) en Psychometrika sobre la generalizabilidad de los tests estratificado-paralelos. Décadas después, Osburn (2000) lo situó dentro de la familia de coeficientes de consistencia interna, y Rae (2007, 2008) documentó con precisión sus límites.

Lo que este reporte añade a esa respuesta son tres cosas que no suelen ir juntas:

  1. Qué cifra devuelve sobre exactamente la misma escala del video, para poder compararla con el \(\alpha\) que allí se critica.
  2. Por qué mejora al alfa cuando la escala es multidimensional, mostrado sobre la matriz de correlaciones.
  3. Dónde se rompe, con los dos escenarios que lo hacen subestimar y sobreestimar la fiabilidad real. Esos dos escenarios no son una sospecha mía: son la reproducción numérica del teorema de Rae (2007).

2 Qué es y cómo se define

El alfa ordinario trata todas las correlaciones entre ítems como si vinieran de una sola fuente y las promedia en un solo número, \(\bar{r}\). Ese es justamente el problema que denuncia el video, y que Cortina (1993) ya había demostrado calculando el coeficiente sobre tests hipotéticos con distinto número de ítems, distinto número de dimensiones ortogonales y distinta correlación media entre ítems: si la escala tiene dos dimensiones, el promedio mezcla correlaciones altas (dentro de una dimensión) con correlaciones bajas (entre dimensiones), y el resultado no describe bien a ninguna de las dos.

El alfa estratificado hace algo distinto. Primero reconoce los bloques, calcula el alfa dentro de cada uno, y solo después recompone la fiabilidad del puntaje total (Cronbach et al., 1965):

\[ \alpha_{\text{estratificado}} \;=\; 1 \;-\; \frac{\displaystyle\sum_{j=1}^{J} \sigma^{2}_{j}\,\bigl(1 - \alpha_{j}\bigr)}{\sigma^{2}_{X}} \]

donde \(j\) recorre los estratos (las subescalas o dimensiones), \(\sigma^{2}_{j}\) es la varianza del puntaje de cada estrato, \(\alpha_{j}\) es el alfa calculado dentro de ese estrato, y \(\sigma^{2}_{X}\) es la varianza del puntaje total.

La lectura es directa: el numerador acumula la varianza de error de cada bloque, es decir, la parte de cada subescala que su propio alfa no logra explicar. El denominador es todo lo que varía en el puntaje total. La razón entre ambos es la proporción de error del compuesto, y uno menos esa proporción es la fiabilidad.

La condición que casi nunca se dice en voz alta. El coeficiente exige que los estratos estén definidos de antemano. Alguien tiene que decidir qué ítems forman cada bloque, y esa decisión debería venir de un modelo de medida, no de la intuición. Es exactamente lo que reclamaba Raykov (1998) al mostrar que el alfa puede sobreestimar o subestimar la fiabilidad de un compuesto de partes no homogéneas: antes de estimar hay que examinar la estructura latente del conjunto de ítems. Este punto vuelve en la conclusión, porque es lo que determina si conviene usarlo.

3 La escala del video, vista por dentro

Todo lo que sigue usa la misma población del video: dos factores correlacionados, cargas de \(.70\) en todos los ítems, correlación entre factores \(\varphi = .50\). Ese modelo implica dos correlaciones y nada más:

  • entre ítems del mismo factor: \(\lambda^{2} = .70^{2} = .49\)
  • entre ítems de factores distintos: \(\lambda \cdot \varphi \cdot \lambda = .70 \times .50 \times .70 = .245\)

Conviene notar que esta es, casi literalmente, la condición en la que Osburn (2000) encontró que el alfa estratificado funcionaba bien: componentes agrupados en dos subconjuntos, cada uno midiendo un factor distinto.

Ver las funciones del modelo poblacional y los tres coeficientes 
lam <- .70   # carga factorial de todos los items
phi <- .50   # correlacion entre los dos factores

w <- lam^2           # correlacion DENTRO del factor  = .49
b <- lam * phi * lam # correlacion ENTRE factores     = .245

# Matriz de correlaciones poblacional: k items, mitad en cada factor
R_pob <- function(k) {
  h <- k / 2
  R <- matrix(b, k, k)
  R[1:h, 1:h] <- w
  R[(h + 1):k, (h + 1):k] <- w
  diag(R) <- 1
  R
}

# Alfa estandarizado: k * r_promedio / (1 + (k-1) * r_promedio)
alpha_std <- function(R) {
  k  <- nrow(R)
  rb <- mean(R[upper.tri(R)])
  k * rb / (1 + (k - 1) * rb)
}

# Alfa estratificado (Cronbach, Schonemann & McKie, 1965)
alpha_strat <- function(R, estrato) {
  error_por_estrato <- sapply(unique(estrato), function(s) {
    Rs <- R[estrato == s, estrato == s, drop = FALSE]
    sum(Rs) * (1 - alpha_std(Rs))     # sum(Rs) es la varianza del estrato
  })
  1 - sum(error_por_estrato) / sum(R) # sum(R) es la varianza del total
}

# Omega multidimensional del puntaje total: varianza comun / varianza total
omega_tot <- function(k) {
  h <- k / 2
  L <- matrix(0, k, 2)
  L[1:h, 1] <- lam
  L[(h + 1):k, 2] <- lam
  P  <- matrix(c(1, phi, phi, 1), 2, 2)
  vc <- sum(L %*% P %*% t(L))          # varianza comun del compuesto
  vc / (vc + k * (1 - lam^2))          # + varianza de error
}

3.1 La matriz que el alfa promedia y el alfa estratificado respeta

Ver el código que produce este resultado 
R6 <- R_pob(6)
d <- expand.grid(fila = 1:6, col = 1:6)
d$r <- as.vector(R6)
d$tipo <- ifelse(d$fila == d$col, "Diagonal",
          ifelse((d$fila <= 3) == (d$col <= 3), "Dentro del factor", "Entre factores"))
d$etq <- ifelse(d$fila == d$col, "1", fmt3(d$r))

ggplot(d, aes(x = col, y = -fila)) +
  geom_tile(aes(fill = tipo), colour = "white", linewidth = 1.6) +
  geom_text(aes(label = etq), colour = "white", fontface = "bold", size = 4.3) +
  annotate("rect", xmin = 0.5, xmax = 3.5, ymin = -3.5, ymax = -0.5,
           fill = NA, colour = COL$navy, linewidth = 1.5) +
  annotate("rect", xmin = 3.5, xmax = 6.5, ymin = -6.5, ymax = -3.5,
           fill = NA, colour = COL$navy, linewidth = 1.5) +
  annotate("text", x = 2, y = -0.27, label = "ESTRATO 1", colour = COL$navy,
           fontface = "bold", size = 3.6) +
  annotate("text", x = 5, y = -6.76, label = "ESTRATO 2", colour = COL$navy,
           fontface = "bold", size = 3.6) +
  scale_fill_manual(values = c("Dentro del factor" = COL$cyan,
                               "Entre factores"    = "#a9c6dd",
                               "Diagonal"          = COL$viol)) +
  scale_x_continuous(breaks = 1:6, labels = paste0("i", 1:6), position = "top",
                     expand = expansion(add = c(0.1, 0.1))) +
  scale_y_continuous(breaks = -(1:6), labels = paste0("i", 1:6),
                     expand = expansion(add = c(0.62, 0.42))) +
  labs(title = "Dos bloques que el alfa vuelve un solo promedio",
       subtitle = "Correlaciones del modelo: .49 dentro del factor, .245 entre factores",
       x = NULL, y = NULL) +
  coord_equal() +
  theme(panel.grid = element_blank(),
        axis.text = element_text(face = "bold", colour = COL$navy))
Figura 1: Matriz de correlaciones poblacional de la escala de seis ítems. El alfa ordinario promedia las 15 celdas de fuera de la diagonal en un solo valor (\(\bar{r} = .343\)), mezclando el .49 de los bloques con el .245 de las esquinas. El alfa estratificado calcula primero el alfa dentro de cada bloque y recompone después.

3.2 Los tres coeficientes, lado a lado

Ver el código que produce este resultado 
ks <- c(4, 6, 10, 20, 40)

tab <- do.call(rbind, lapply(ks, function(k) {
  R <- R_pob(k)
  e <- rep(1:2, each = k / 2)
  data.frame(
    k      = k,
    items  = paste0(k / 2, " + ", k / 2),
    rbar   = mean(R[upper.tri(R)]),
    alfa   = alpha_std(R),
    strat  = alpha_strat(R, e),
    omega  = omega_tot(k)
  )
}))
tab$brecha <- tab$strat - tab$alfa

tab |>
  gt() |>
  cols_label(k = md("**k**"), items = md("**Ítems por estrato**"),
             rbar = md("**r̄**"), alfa = md("**α**"),
             strat = md("**α estratificado**"), omega = md("**ω multidimensional**"),
             brecha = md("**Lo que el α deja fuera**")) |>
  fmt(columns = c(rbar, alfa, strat, omega, brecha), fns = fmt3) |>
  cols_align("center", columns = everything()) |>
  tab_style(style = cell_text(weight = "bold", color = COL$cyan),
            locations = cells_body(columns = strat)) |>
  tab_style(style = cell_text(color = COL$alert),
            locations = cells_body(columns = alfa)) |>
  tab_style(style = cell_text(color = COL$gray, size = "small"),
            locations = cells_body(columns = brecha)) |>
  tab_style(style = cell_fill(color = "#eef4fb"),
            locations = cells_body(rows = k == 6)) |>
  tab_source_note(md("*Población: dos factores, cargas .70, φ = .50. La fila resaltada es la escala de seis ítems del video.*")) |>
  tab_options(table.font.size = "94%", column_labels.background.color = COL$navy,
              column_labels.font.weight = "bold", table.border.top.style = "none")
Tabla 1: Los tres coeficientes sobre la misma población, al alargar la escala. El alfa estratificado recupera exactamente el omega multidimensional en todos los valores de k.
k Ítems por estrato r̄ α α estratificado ω multidimensional Lo que el α deja fuera
4 2 + 2 .327 .660 .742 .742 .082
6 3 + 3 .343 .758 .812 .812 .054
10 5 + 5 .354 .846 .878 .878 .033
20 10 + 10 .361 .919 .935 .935 .016
40 20 + 20 .364 .958 .966 .966 .008
Población: dos factores, cargas .70, φ = .50. La fila resaltada es la escala de seis ítems del video.

Con seis ítems, el alfa del video da \(.758\) y el alfa estratificado da \(.812\). La diferencia, \(.054\), es fiabilidad que el alfa ordinario simplemente descarta por no reconocer la estructura.

Y hay algo más notable: en esta población el alfa estratificado coincide con el omega multidimensional en los cinco valores de k, hasta el tercer decimal. No es casualidad, y la Sección 4 explica por qué y en qué condiciones deja de ocurrir.

Ver el código que produce este resultado 
kk <- seq(4, 40, by = 2)
curvas <- do.call(rbind, lapply(kk, function(k) {
  R <- R_pob(k); e <- rep(1:2, each = k / 2)
  data.frame(k = k, alfa = alpha_std(R), strat = alpha_strat(R, e), omega = omega_tot(k))
}))

ggplot(curvas, aes(x = k)) +
  geom_ribbon(aes(ymin = alfa, ymax = strat), fill = COL$alert, alpha = 0.13) +
  geom_line(aes(y = omega, colour = "ω multidimensional"), linewidth = 3.2, alpha = 0.35) +
  geom_line(aes(y = strat, colour = "α estratificado"), linewidth = 1.15, linetype = "22") +
  geom_line(aes(y = alfa,  colour = "α ordinario"), linewidth = 1.5) +
  geom_point(data = subset(curvas, k %in% ks), aes(y = alfa), colour = COL$alert, size = 2.6) +
  geom_point(data = subset(curvas, k %in% ks), aes(y = strat), colour = COL$cyan, size = 2.6) +
  annotate("segment", x = 6, xend = 6,
           y = curvas$alfa[curvas$k == 6], yend = curvas$strat[curvas$k == 6],
           colour = COL$navy, linewidth = 0.7,
           arrow = arrow(ends = "both", length = unit(0.14, "cm"), type = "closed")) +
  annotate("label", x = 9.4, y = 0.772, hjust = 0, size = 3.4, label.size = 0,
           colour = COL$navy, fill = "white",
           label = "k = 6 : α = .758 frente a .812\nla estructura vale .054 de fiabilidad") +
  annotate("text", x = 34, y = 0.897, hjust = 1, size = 3.3, colour = COL$gray,
           label = "Al alargar la escala la brecha se cierra,\npero por dilución, no porque el α acierte") +
  scale_colour_manual(values = c("α ordinario"         = COL$alert,
                                 "α estratificado"     = COL$cyan,
                                 "ω multidimensional"  = COL$navy),
                      breaks = c("α ordinario", "α estratificado", "ω multidimensional")) +
  scale_x_continuous(breaks = c(4, 6, 10, 20, 30, 40)) +
  scale_y_continuous(limits = c(0.63, 0.99), breaks = seq(0.65, 0.95, 0.05),
                     labels = function(x) fmt3(x)) +
  labs(title = "Tres formas de estimar la misma fiabilidad",
       subtitle = "Población fija (dos factores, cargas .70, φ = .50); solo cambia el número de ítems",
       x = "Número de ítems (k)", y = "Coeficiente",
       caption = "Cálculo propio sobre la matriz poblacional del video, verificado con sirt::stratified.cronbach.alpha().")
Figura 2: El alargamiento de la escala visto por los tres coeficientes. Las curvas del alfa estratificado y del omega se superponen exactamente, por eso la línea punteada cyan corre encima de la banda azul. La zona sombreada naranja es la fiabilidad que el alfa ordinario pierde por promediar los dos bloques.

4 Dónde se rompe

La coincidencia perfecta entre alfa estratificado y omega de la sección anterior no es una propiedad general del coeficiente, y conviene decirlo antes de que alguien la generalice. Rae (2007) demostró matemáticamente cuál es la diferencia entre ambos: cuando hay equivalencia congenérica dentro de los estratos, esa diferencia es función de la varianza de las cargas dentro de cada estrato. Si los ítems de un estrato son esencialmente tau-equivalentes, esa varianza es cero, los dos coeficientes se igualan, y todo esto vale siempre que los errores de medición no estén correlacionados. Si los errores están positivamente correlacionados, en cambio, el alfa estratificado sobreestima la fiabilidad.

La población de la sección anterior cumple las dos condiciones a la vez: cargas idénticas de \(.70\) dentro de cada estrato y errores independientes. Por eso salía exacta. Los tres escenarios que siguen rompen una condición cada vez y son, en la práctica, una comprobación numérica del teorema.

Ver la construcción de los tres escenarios 
# Modelo general: cargas libres, dos factores, error correlacionado opcional
armar <- function(cargas, phi = .50, ec = NULL) {
  k <- length(cargas); h <- k / 2
  L <- matrix(0, k, 2)
  L[1:h, 1] <- cargas[1:h]
  L[(h + 1):k, 2] <- cargas[(h + 1):k]
  P  <- matrix(c(1, phi, phi, 1), 2, 2)
  TH <- diag(1 - cargas^2)
  if (!is.null(ec)) TH[ec[1], ec[2]] <- TH[ec[2], ec[1]] <- ec[3]
  comun <- L %*% P %*% t(L)
  S <- comun + TH
  list(S = S, fiab_real = sum(comun) / sum(S))  # omega: varianza comun / total
}

e6 <- rep(1:2, each = 3)
escenarios <- list(
  "Ideal: cargas iguales (.70)"                = armar(rep(.70, 6)),
  "Cargas desiguales dentro del estrato"       = armar(c(.40, .70, .90, .40, .70, .90)),
  "Cargas iguales + error correlacionado .25"  = armar(rep(.70, 6), ec = c(1, 2, .25))
)

res <- do.call(rbind, lapply(names(escenarios), function(nm) {
  S <- escenarios[[nm]]$S
  D <- diag(1 / sqrt(diag(S)))
  R <- D %*% S %*% D
  data.frame(escenario = nm,
             alfa  = alpha_std(R),
             strat = alpha_strat(R, e6),
             real  = escenarios[[nm]]$fiab_real)
}))
res$sesgo <- res$strat - res$real
res$veredicto <- c("Exacto", "Subestima", "Sobreestima")
Ver el código que produce este resultado 
res |>
  select(escenario, alfa, strat, real, sesgo, veredicto) |>
  gt() |>
  cols_label(escenario = md("**Población**"), alfa = md("**α**"),
             strat = md("**α estratificado**"), real = md("**Fiabilidad real**"),
             sesgo = md("**Sesgo**"), veredicto = md("**Veredicto**")) |>
  fmt(columns = c(alfa, strat, real, sesgo), fns = fmt3) |>
  cols_align("center", columns = c(alfa, strat, real, sesgo, veredicto)) |>
  cols_align("left", columns = escenario) |>
  tab_style(style = cell_text(weight = "bold"), locations = cells_body(columns = strat)) |>
  tab_style(style = list(cell_fill(color = "#e3f2e6"), cell_text(color = "#1f7a3a", weight = "bold")),
            locations = cells_body(columns = veredicto, rows = veredicto == "Exacto")) |>
  tab_style(style = list(cell_fill(color = "#fdf1dc"), cell_text(color = "#9a6a10", weight = "bold")),
            locations = cells_body(columns = veredicto, rows = veredicto == "Subestima")) |>
  tab_style(style = list(cell_fill(color = "#fbe4dc"), cell_text(color = "#a8431f", weight = "bold")),
            locations = cells_body(columns = veredicto, rows = veredicto == "Sobreestima")) |>
  tab_source_note(md("*El error correlacionado se introdujo entre los ítems 1 y 2, ambos del mismo estrato, con covarianza .25.*")) |>
  tab_options(table.font.size = "92%", column_labels.background.color = COL$navy,
              column_labels.font.weight = "bold", table.border.top.style = "none")
Tabla 2: Comportamiento del alfa estratificado en tres poblaciones de seis ítems. La columna crítica es el sesgo: cuando es positivo, el coeficiente promete más fiabilidad de la que hay.
Población α α estratificado Fiabilidad real Sesgo Veredicto
Ideal: cargas iguales (.70) .758 .812 .812 .000 Exacto
Cargas desiguales dentro del estrato .723 .771 .796 -.025 Subestima
Cargas iguales + error correlacionado .25 .771 .833 .788 .045 Sobreestima
El error correlacionado se introdujo entre los ítems 1 y 2, ambos del mismo estrato, con covarianza .25.
Ver el código que produce este resultado 
orden <- c("Ideal\n(cargas iguales)", "Cargas\ndesiguales", "Error\ncorrelacionado")

lg <- res |>
  mutate(etq_corta = factor(orden, levels = orden)) |>
  select(etq_corta, alfa, strat, real) |>
  pivot_longer(c(alfa, strat), names_to = "coef", values_to = "valor") |>
  mutate(coef = factor(coef, levels = c("alfa", "strat"),
                       labels = c("α ordinario", "α estratificado")))

ggplot(lg, aes(x = etq_corta, y = valor, fill = coef)) +
  geom_col(position = position_dodge(width = 0.68), width = 0.6) +
  geom_text(aes(label = fmt3(valor)), position = position_dodge(width = 0.68),
            vjust = -0.55, size = 3.6, colour = COL$navy, fontface = "bold") +
  geom_point(aes(y = real), shape = 23, size = 4.4, fill = "black", colour = "black",
             stroke = 0, show.legend = FALSE) +
  geom_hline(yintercept = 0, colour = COL$gray) +
  annotate("text", x = 3.42, y = res$real[3], hjust = 0, size = 3.2, colour = "black",
           label = "fiabilidad\nreal") +
  scale_fill_manual(values = c("α ordinario" = COL$alert, "α estratificado" = COL$cyan)) +
  scale_y_continuous(limits = c(0, 0.96), breaks = seq(0, 0.9, 0.15),
                     labels = function(x) fmt3(x), expand = expansion(mult = c(0, 0.02))) +
  coord_cartesian(xlim = c(0.6, 3.85), clip = "off") +
  labs(title = "El alfa estratificado mejora al alfa, salvo cuando lo empeora",
       subtitle = "Tres poblaciones de seis ítems con dos estratos; el rombo marca la fiabilidad a recuperar",
       x = NULL, y = "Coeficiente",
       caption = "El tercer escenario reproduce el resultado de Rae (2007): con errores correlacionados el coeficiente deja de ser cota inferior.") +
  theme(plot.margin = margin(10, 55, 8, 10))
Figura 3: El rombo negro marca la fiabilidad real de cada población. Mientras las barras se queden por debajo del rombo, el coeficiente es una cota inferior y errar resulta prudente. En el tercer escenario el alfa estratificado se pasa de largo: promete .833 cuando la fiabilidad real es .788.

4.1 Los dos modos de fallo, en palabras

Subestima con cargas desiguales. Si dentro de un mismo estrato conviven ítems de carga \(.40\) y de carga \(.90\), el alfa interno de ese bloque hereda el problema clásico del alfa: la tau-equivalencia no se cumple y el coeficiente se queda corto. El resultado es \(.771\) frente a una fiabilidad real de \(.796\). Sigue siendo mucho mejor que el alfa ordinario (\(.723\)), pero ya no es exacto, y la magnitud del desvío es precisamente la varianza de las cargas dentro del estrato que anticipa Rae (2007).

Sobreestima con errores correlacionados. Este es el caso serio. Basta con que dos ítems del mismo estrato compartan algo ajeno al constructo, una redacción casi idéntica, un mismo formato de respuesta, para que su covarianza espuria entre en el alfa del estrato como si fuera varianza verdadera. El coeficiente devuelve \(.833\) cuando la fiabilidad real es \(.788\): .045 de fiabilidad que no existe. Aquí el alfa estratificado deja de ser una cota inferior, y un coeficiente que puede inflar es más peligroso que uno que se queda corto. Es el motivo por el que Rae (2007) pidió explícitamente que los estudios previos sobre alfa estratificado se interpretaran con cautela.

Conviene añadir un tercer aviso, menos conocido. Cuando los estratos no son subescalas sino parcelas de ítems construidas antes de un análisis factorial confirmatorio, Rae (2008) mostró que el alfa calculado sobre las parcelas solo supera al alfa de los ítems completos bajo una condición concreta, y que el alfa estratificado es mejor cota inferior que ambos únicamente si los errores no están correlacionados. La condición vuelve a ser la misma, y vuelve a ser la que nadie comprueba.

5 Cómo se calcula en R

El coeficiente está implementado en CRAN. La vía más directa es sirt::stratified.cronbach.alpha(), que pide los datos y una tabla que asigne cada ítem a su estrato:

set.seed(2026)
X <- MASS::mvrnorm(n = 200000, mu = rep(0, 6), Sigma = R_pob(6), empirical = TRUE)

sirt::stratified.cronbach.alpha(
  data       = as.data.frame(X),
  itemstrata = data.frame(item = 1:6, stratum = rep(1:2, each = 3))
)
  scale I alpha mean.tot var.tot alpha.stratified
1 total 6 0.758        0   16.29            0.812
2     1 3 0.742        0    5.94               NA
3     2 3 0.742        0    5.94               NA

La primera fila da el total: alfa ordinario \(.758\) y alfa estratificado \(.812\), los mismos valores de la Tabla 1. Las filas siguientes muestran el alfa de cada estrato por separado, \(.742\) en ambos, que es la pieza que la fórmula necesita.

La alternativa es subscore::subscore.corr(), que devuelve el alfa estratificado junto con las correlaciones desatenuadas entre subescalas y el total. Y si se prefiere no depender de ningún paquete, la función alpha_strat() de este reporte ocupa cuatro líneas y opera directamente sobre la matriz de correlaciones o de covarianzas.

6 Conclusión

Existe, y es un puente honesto entre el alfa y el omega

El alfa estratificado es un coeficiente real, con sesenta años de literatura detrás (Cronbach et al., 1965; Rajaratnam et al., 1965), y mejora sustancialmente al alfa cuando la escala es multidimensional. En la escala del video pasa de \(.758\) a \(.812\), y recupera exactamente la fiabilidad del compuesto cuando se cumplen las condiciones ideales. Quien lo mencione como alternativa al alfa no está inventando nada, y de hecho Rae (2007) recomienda calcular de rutina ambos coeficientes cuando el test está estratificado.

Dicho eso, mi recomendación no cambia, y la razón es de economía, no de desprecio:

Exige lo mismo que el omega y ofrece menos. Para calcularlo hay que saber de antemano cuáles son los estratos, y esa información solo puede venir de un modelo de medida, que es justo lo que reclamaba Raykov (1998). Pero si uno ya ajustó el modelo factorial para definir los bloques, entonces \(\omega\) del total sale prácticamente gratis del mismo ajuste, y trae tres cosas que el alfa estratificado no da: separa la varianza general de la específica, admite intervalos de confianza por bootstrap sin acrobacias, y no se descompone ante errores correlacionados.

Y falla justo donde más duele. El escenario del error correlacionado no es exótico: dos ítems con redacción casi idéntica bastan. Ahí el alfa estratificado deja de ser cota inferior y sobreestima la fiabilidad en \(.045\). Un coeficiente que se queda corto invita a mejorar la escala; uno que se pasa invita a publicarla.

Entonces, ¿cuándo sí? Cuando se está reanalizando un instrumento del que solo se dispone de la matriz de correlaciones y las subescalas ya publicadas, sin datos crudos para ajustar un modelo. Ahí el alfa estratificado es claramente preferible a reportar un alfa total que se sabe sesgado, y las simulaciones de Osburn (2000) respaldan esa elección. Como estimador de primera elección en un estudio propio, con los datos en la mano, sigue ganando el omega.

Lo que no cambia el video. Nada de esto contradice el punto original: el alfa sube al alargar la escala y un alfa alto no acredita unidimensionalidad (Cortina, 1993). El alfa estratificado no arregla ese problema, lo evita, porque asume desde el principio que la escala no es unidimensional. Quien lo usa ya aceptó que hay dimensiones; la discusión pasa a ser cómo estimar bien la fiabilidad del total, no si la escala es unidimensional.

Referencias

Las siete referencias fueron verificadas en Crossref y contrastadas con los resúmenes indexados en OpenAlex; los DOI son enlaces activos. Cada una está citada en el texto.

Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78(1), 98-104. https://doi.org/10.1037/0021-9010.78.1.98
Cronbach, L. J., Schönemann, P., & McKie, D. (1965). Alpha coefficients for stratified-parallel tests. Educational and Psychological Measurement, 25(2), 291-312. https://doi.org/10.1177/001316446502500201
Osburn, H. G. (2000). Coefficient alpha and related internal consistency reliability coefficients. Psychological Methods, 5(3), 343-355. https://doi.org/10.1037/1082-989X.5.3.343
Rae, G. (2007). A note on using stratified alpha to estimate the composite reliability of a test composed of interrelated nonhomogeneous items. Psychological Methods, 12(2), 177-184. https://doi.org/10.1037/1082-989X.12.2.177
Rae, G. (2008). A note on using alpha and stratified alpha to estimate the reliability of a test composed of item parcels. British Journal of Mathematical and Statistical Psychology, 61(2), 515-525. https://doi.org/10.1348/000711005X72485
Rajaratnam, N., Cronbach, L. J., & Gleser, G. C. (1965). Generalizability of stratified-parallel tests. Psychometrika, 30(1), 39-56. https://doi.org/10.1007/BF02289746
Raykov, T. (1998). Coefficient alpha and composite reliability with interrelated nonhomogeneous items. Applied Psychological Measurement, 22(4), 375-385. https://doi.org/10.1177/014662169802200407

Dr. José Ventura-León · Psicometría y análisis de datos
Reporte complementario del video El alfa y el número de ítems
Todos los cálculos son reproducibles con el código incluido en esta página.

Producido con R version 4.4.1 (2024-06-14 ucrt) · ggplot2 4.0.3 · gt 1.3.0 · sirt 4.1.15 · Quarto.