Una estudiante llega al parcial con una frase que le parece firme: «usé una escala Likert de cinco puntos». Cuando le pides que describa el instrumento, resulta que hizo una sola pregunta, con cinco casillas, y sumó las respuestas de treinta personas. Tiene un número. No tiene una escala. Esa confusión aparece en casi cada cuestionario de la carrera, y es la que este texto quiere desarmar.
Este texto entra por la construcción. Primero, qué propuso Rensis Likert en 1932 y qué se le atribuye de más. Después, la diferencia entre un ítem y una escala. Luego, el número de puntos y las etiquetas, con lo que midieron Lozano, García-Cueto y Muñiz en 2008 y lo que revisó Kusmaryono con su equipo en 2022. Al final, qué no mide una escala de este tipo, cómo se estudia para un parcial y qué preguntas se repiten en el examen.
Lo que vas a poder responder
- Qué propuso Likert y en qué se diferencia de la plantilla de cinco casillas.
- Por qué un ítem suelto es ordinal y la suma pide otro trato.
- Entre qué números de puntos se estabilizan la confiabilidad y la validez.
- Qué sesgos mete el formato y cómo se declaran.
- Qué no se puede afirmar a partir de un puntaje.
Definición corta
Una escala Likert es un conjunto de ítems que apuntan a un mismo constructo y se suman para producir un puntaje. Un ítem con cinco casillas no es, por sí solo, una escala: es un ítem con formato tipo Likert. La diferencia decide qué análisis se puede defender.
Palabras clave: escala sumativa, nivel de medición, aquiescencia, respuesta extrema, confiabilidad, validez.
1. Qué hizo Likert y qué se le atribuye de más
En 1932, Rensis Likert publicó una técnica para medir actitudes. La idea central era sumar varios ítems que apuntan al mismo constructo, en vez de pedirle a la persona una sola nota global. Cada ítem ofrece una gradación de acuerdo, y el puntaje de la escala es la suma. Sullivan y Artino (2013) lo recuerdan en un texto breve y muy citado: la escala típica hoy es de cinco o siete puntos, y sirve para que la persona ubique su grado de acuerdo con una afirmación.
La confusión tiene una consecuencia práctica. Si escribes «usé una escala Likert» y lo que hiciste fue un solo ítem con cinco opciones, nombraste mal tu instrumento. Un ítem con ese formato es un ítem tipo Likert. La escala es el conjunto de ítems que se suman. Ferrando, Morales-Vives y Casas (2025) abren su guía práctica justamente por ahí: la popularidad del formato hizo que se perdiera de vista el procedimiento de construcción, y proponen quince recomendaciones para recuperarlo.
Para el examen, la frase que separa las dos cosas cabe en una línea. Likert propuso un procedimiento de suma. La plantilla de cinco casillas vino después, cuando el formato se volvió tan común que se confundió con el método.
2. Ítem y escala: la diferencia que decide el análisis
Un ítem pregunta una cosa. Una escala agrupa varios ítems que se supone que miden lo mismo, y el puntaje sale de sumarlos o promediarlos. Esa diferencia cambia lo que puedes hacer con el número.
Un ítem suelto de cinco puntos es una respuesta ordinal: se puede ordenar, y la distancia entre «a veces» y «seguido» no está asegurada. Sullivan y Artino (2013) lo dicen con una comparación clara. En una escala de intervalo, un 3 significa tres de algo, como tres procedimientos realizados. En una respuesta ordinal, el 3 es una etiqueta, y la distancia hasta el 4 no tiene que ser igual a la distancia entre el 1 y el 2.
Cuando sumas varios ítems bien construidos, el puntaje total se comporta de otra manera. Ahí entra el debate de si se pueden usar pruebas paramétricas. Sullivan y Artino (2013) resumen el estado de esa discusión: muchos autores aceptan el uso de pruebas paramétricas sobre el puntaje sumado, y al mismo tiempo advierten que la media, por sí sola, describe mal la distribución si no es simétrica. Reportar la media con dos decimales sobre cinco casillas suele decir menos que una tabla de frecuencias.
Para estudiar esto, separa las dos preguntas. Una es qué nivel de medición tiene cada ítem. La otra es qué se puede hacer con la suma. Mezclarlas es el error típico: tratar cada casilla como si fuera un centímetro.
La media de una escala Likert describe el centro solo cuando la distribución es simétrica. Si la mayoría respondió en los extremos, la media esconde lo que la tabla de frecuencias muestra de inmediato.
3. Cuántos puntos y cómo se etiquetan
El número de puntos no es un detalle de diseño. Cambia cómo responde la gente, y cambia las propiedades del instrumento.
Lozano, García-Cueto y Muñiz (2008) lo estudiaron con datos simulados por el método de Monte Carlo. Generaron respuestas a 30 ítems, con correlaciones entre 0,2 y 0,9, y probaron cuatro tamaños de muestra: 50, 100, 200 y 500 casos. El número de opciones fue de dos a nueve. El resultado tiene una forma que conviene memorizar, y conviene memorizarla con el diseño al lado, porque el diseño es lo que le da peso. A medida que aumentan las alternativas, suben la confiabilidad y la validez. El óptimo queda entre cuatro y siete. Por debajo de cuatro, las dos propiedades bajan. De siete en adelante, apenas crecen. Como los datos son simulados, el estudio controla lo que un estudio con personas reales no puede controlar: la correlación verdadera entre los ítems. Eso lo hace limpio para la pregunta que se hace, y lo deja corto para otras. No dice cómo se comporta una muestra cansada, ni cómo se leen las etiquetas en otro idioma. Dice qué pasa con las propiedades cuando solo cambia el número de casillas.
Imagina que aplicas la misma escala de satisfacción con la tutoría en dos versiones, una de tres puntos y otra de seis, a dos grupos parecidos. En la de tres, casi todo el mundo cae en el medio o en un extremo, y el alfa sale bajo porque hay poca varianza que repartir. En la de seis, las respuestas se abren y el alfa sube. La tentación es concluir que la de seis mide con más precisión. Lozano y su equipo dicen que parte de esa subida es real, y Chang dice que otra parte es varianza de método. Las dos cosas pueden ser ciertas a la vez, y por eso se reportan las dos propiedades y no solo el alfa.
Kusmaryono, Wijayanti y Maharani (2022) revisaron 60 artículos publicados entre 2012 y 2021, con el método PRISMA. El 90 % de los estudios usaba un número impar de opciones, y el más popular era el de cinco. Su conclusión matiza la de Lozano: una escala impar de más de cinco puntos, sobre todo la de siete, rinde en confiabilidad y validez. Y agregan una condición. Si el investigador quiere empujar a la persona hacia un lado, una escala par de seis puntos puede convenir más, porque no ofrece un punto medio donde refugiarse.
Chang (1994) había mostrado antes el costo de ese empujón. Comparó escalas de cuatro y de seis puntos con un diseño de rasgos múltiples y métodos múltiples. Al separar la varianza del método de la varianza del rasgo, la escala de seis puntos perdía más confiabilidad que la de cuatro. La validez de criterio no cambiaba con el número de puntos. La lectura práctica es incómoda y útil: agregar puntos puede inflar la consistencia interna sin mejorar lo que la escala predice.
Dos decisiones se separan ahí. La primera es cuántas categorías ofrecer, y si el número es par o impar. Un número impar deja un punto medio, y ese punto medio junta a quien está genuinamente en el centro con quien no sabe o no quiere contestar. Un número par obliga a inclinarse, y esa obligación también distorsiona. La segunda decisión es si se nombra cada categoría o solo los extremos.
Weijters, Cabooter y Schillewaert (2010) compararon formatos de uso común y midieron tres sesgos de respuesta: la aquiescencia neta, la respuesta extrema y la respuesta errónea a ítems invertidos. Su punto de partida es que la investigación usa formatos distintos, de cinco puntos con cada casilla nombrada a siete puntos etiquetados solo en los extremos, y que esa variedad pone en riesgo la comparación entre estudios.
No hay un número mágico. Lo que sí hay es una regla de reporte: dices cuántos puntos usaste, si etiquetaste cada casilla o solo los extremos, y por qué. Un cuestionario que no declara eso no se puede comparar con otro.
La confiabilidad de una escala depende de esto más de lo que parece. Un formato que empuja a los extremos infla la varianza y puede subir un alfa sin que el constructo quede mejor medido.
4. Qué se revisa antes de usar la suma
Construir la escala tiene un orden, y saltarse un paso no se arregla al final con estadística.
Primero se define el constructo, en una frase que diga qué incluye y qué deja afuera. Después se escribe un banco de ítems más grande que la escala final. Cada ítem tiene que ser una afirmación sobre el constructo, no una pregunta de conocimiento ni una frase de doble sentido. Luego se elige el formato: puntos y etiquetas. Se pilotea con gente parecida a quien va a responder. Y recién ahí se calcula la consistencia interna y se revisa qué ítems no aportan.
Rickards, Magee y Artino (2012), citados por Sullivan y Artino (2013), lo resumen en una frase que vale para el parcial: no se arregla en el análisis lo que se echó a perder en el diseño. Un alfa bajo después de aplicar el cuestionario a 200 personas dice que el problema estaba en los ítems, y reaplicar no lo corrige.
Ferrando, Morales-Vives y Casas (2025) ordenan el mismo recorrido en su revisión de guías: definición operacional del constructo, formulación de ítems, elección del número de categorías, análisis de las respuestas, recolección de evidencia de validez, calibración de ítems e interpretación de puntajes. La lista es larga a propósito. Cada paso que se salta aparece después como un número que no se puede defender.
La validez se revisa aparte de la consistencia. Una escala puede ser muy consistente y medir otra cosa. El alfa dice si los ítems se parecen entre sí. No dice si se parecen al constructo que anunciaste.
Hay una escena de corrección que se repite. Un estudiante entrega un trabajo con un alfa de 0,89 y escribe que su escala «quedó validada». El número es real y la frase es falsa. Lo que demostró es que sus ítems covarían. Para decir que miden satisfacción con la tutoría, y no deseabilidad social ni simpatía con el tutor, necesita otra evidencia: una correlación con un criterio externo, un grupo que debería puntuar distinto y puntúa distinto, o un análisis que separe el constructo de otros vecinos. Ferrando, Morales-Vives y Casas (2025) ponen la recolección de evidencia de validez como un paso propio, después del análisis de las respuestas, precisamente para que no se confunda con el alfa.
Esa confusión tiene un costo en la práctica. Una institución aplica una escala de clima laboral, obtiene un alfa alto y toma decisiones de personal con el puntaje. Si la escala mide en realidad el miedo a quedar mal con quien la reparte, las decisiones se apoyan en un número consistente y equivocado. La consistencia hizo el número estable. No lo hizo verdadero.
Un alfa alto dice que los ítems se parecen. No dice que midan lo que el título de la escala promete. Esa diferencia es la que separa la consistencia de la validez, y es la que el examen quiere que nombres.
5. Los sesgos que mete el formato
El formato no es neutro. Empuja las respuestas en direcciones conocidas, y esas direcciones tienen nombre.
La aquiescencia es la tendencia a estar de acuerdo, sin importar el contenido. La respuesta extrema es la tendencia a usar las casillas de las puntas. El punto medio es el refugio de quien no sabe, de quien no quiere contestar y de quien está genuinamente en el centro: los tres quedan en la misma casilla y no hay forma de separarlos después. Kusmaryono, Wijayanti y Maharani (2022) señalan que el sesgo de respuesta y la tendencia central afectan la validez y la confiabilidad del instrumento, y que ignorarlos produce coeficientes que se ven bien y miden con menos fidelidad.
Weijters, Cabooter y Schillewaert (2010) agregan el tercer sesgo: la respuesta errónea a ítems invertidos. Una persona que lee rápido responde el ítem invertido como si estuviera en la misma dirección que los demás, y esa respuesta contamina la suma. Por eso un ítem invertido sirve para detectar lectura descuidada, y por eso también puede bajar el alfa si la muestra lee con prisa.
En la práctica latinoamericana esto pesa doble. Muchos cuestionarios se traducen de un instrumento en inglés y se aplican sin piloteo local. Las etiquetas «de acuerdo» y «muy de acuerdo» no significan lo mismo en cada región, y la distancia percibida entre ellas cambia. Declarar el piloteo, o declarar que no se hizo, es parte del reporte.
Piensa en una escala de estilos de crianza traducida del inglés y aplicada en tres ciudades. En una, «de acuerdo» se lee como cortesía y casi ninguna persona marca «muy en desacuerdo», aunque disienta. En otra, las mismas casillas se usan sin esa reserva. El alfa puede salir parecido en las dos y la escala no estar midiendo lo mismo. Weijters, Cabooter y Schillewaert (2010) mostraron que el formato cambia la distribución de las respuestas. La traducción agrega una segunda fuente de cambio, y las dos se confunden si no se pilotea.
Por eso el piloteo no es un trámite. Es el momento en que te enteras de que un ítem se lee de dos maneras, de que una etiqueta no se entiende, o de que el ítem invertido hace que la gente se detenga y pregunte. Esas tres cosas, descubiertas con treinta personas parecidas a la muestra, ahorran un estudio entero aplicado sobre un instrumento roto.
6. Qué no mide
Una escala Likert no mide la intensidad con la precisión de un instrumento físico. Decir que alguien «está en 4,2 de acuerdo» trata una etiqueta como si fuera una magnitud continua. Sullivan y Artino (2013) advierten justo contra eso: presentar la media hasta el centésimo suele confundir más que aclarar.
Tampoco mide un rasgo estable por el solo hecho de sumar. La suma es un puntaje de ocasión. Cambia con el día, con el ánimo y con cómo se leyó la instrucción. Por eso una sola aplicación no alcanza para hablar de un rasgo, y por eso la confiabilidad test-retest existe como pregunta distinta de la consistencia interna.
Y no mide lo que la persona haría. Mide lo que declara sobre una frase, en un formato que empuja hacia ciertas respuestas. Weijters, Cabooter y Schillewaert (2010) muestran que el formato mismo produce aquiescencia y respuesta extrema. Si tu conclusión ignora eso, estás leyendo el formato como si fuera el constructo.
Hay un cuarto límite que conviene decir en voz alta. La escala no diagnostica. Un puntaje alto en una escala de ánimo deprimido no es un diagnóstico de depresión, y tratarlo como tal cruza una frontera que el instrumento no tiene autoridad para cruzar. La diferencia entre depresión y tristeza vive en otro texto de este sitio, y la razón de enlazarlo aquí es concreta: un cuestionario no reemplaza una evaluación.
El caso que lo muestra es sencillo. Una persona marca cuatro de cinco en una escala de ánimo bajo durante una semana de duelo. El puntaje es alto y la lectura clínica puede ser equivocada si se detiene ahí. El duelo esperable produce puntajes altos en esas escalas, y el puntaje no distingue el duelo de un episodio depresivo. Para esa distinción hacen falta el tiempo, el contexto y una entrevista. La escala aportó un número. La evaluación aporta el significado.
Este límite también protege a quien investiga. Reportar que «el 40 % de la muestra tiene depresión» porque cruzó un punto de corte en una escala autoaplicada es afirmar más de lo que el instrumento da. Lo correcto es decir que el 40 % superó el punto de corte, y dejar el diagnóstico para quien tiene autoridad y datos para hacerlo. La cautela aquí no es estilo: es la diferencia entre un dato y una etiqueta clínica.
7. Dos tablas para el parcial
| Pregunta | Lo que se responde | Lo que se confunde | Dónde se apoya |
|---|---|---|---|
| ¿Ítem o escala? | El ítem es uno. La escala suma varios. | Llamar escala a un solo ítem. | Likert, 1932 |
| ¿Qué nivel de medición? | El ítem es ordinal. La suma se trata con más cuidado. | Decir que cada casilla es un intervalo. | Sullivan y Artino, 2013 |
| ¿Cuántos puntos? | Entre cuatro y siete se estabiliza. | Creer que cinco es la norma. | Lozano et al., 2008 |
| ¿Qué sesgo mete el formato? | Aquiescencia, extremo, ítems invertidos. | Leer el puntaje como conducta. | Weijters et al., 2010 |
| Paso | Qué se hace | Qué falla si se salta |
|---|---|---|
| Definir el constructo | Una frase con borde. | Los ítems miden cosas distintas. |
| Escribir el banco | Más ítems que la versión final. | No hay con qué reemplazar los malos. |
| Elegir formato | Puntos y etiquetas, declarados. | No se puede comparar con otros estudios. |
| Pilotear | Con gente parecida a la muestra. | El fallo aparece cuando ya no hay tiempo. |
| Revisar | Consistencia y aporte de cada ítem. | Se reporta un alfa que no se entiende. |
8. Cómo se estudia
Para un parcial, tres frases alcanzan si están en orden. Likert propuso sumar ítems de actitud, no una plantilla de cinco puntos. El ítem suelto es ordinal y la suma pide otro trato. El formato cambia las respuestas, así que se declara y se justifica.
Si te piden un ejemplo, constrúyelo con un constructo chico. «Satisfacción con la tutoría» se puede partir en cuatro ítems: claridad de las explicaciones, tiempo de respuesta, respeto en la corrección y utilidad de los comentarios. Cinco puntos, cada etiqueta escrita, y un ítem invertido para ver si la persona lee. Eso es una escala. Un solo ítem que pregunte «¿qué tan satisfecho estás?» es otra cosa, y nombrarlo igual es el error que el examen quiere cazar.
La población y la muestra entran aquí por una razón concreta: el piloteo se hace con gente parecida a quien va a responder. Pilotar con compañeros de semestre y aplicar en un hospital cambia el significado de las casillas. Los instrumentos de recolección tratan la confiabilidad y la validez como propiedades que se demuestran, no que se declaran, y esa es la puerta por donde sale este tema hacia la psicometría general.
Una última trampa merece su propio párrafo, porque es la que más puntos quita. El estudiante memoriza «Likert es de cinco puntos» y responde eso aunque la pregunta pida otra cosa. La pregunta puede pedir el procedimiento, el nivel de medición o el sesgo del formato. Las tres respuestas son distintas y ninguna es «cinco». Si lees la pregunta antes de soltar el número, ya tienes la mitad del puntaje. La otra mitad está en citar a quien midió lo que afirmas, no a quien lo repitió en un manual.
Preguntas frecuentes
¿Cuántos puntos tiene que tener una escala Likert?
No hay un número obligatorio. Lozano, García-Cueto y Muñiz (2008) encontraron que la confiabilidad y la validez se estabilizan entre cuatro y siete puntos, y que por debajo de cuatro bajan. Kusmaryono, Wijayanti y Maharani (2022) vieron que la de cinco es la más usada y que la de siete rinde bien. Lo que el examen pide es que declares cuántos usaste y por qué, no que recites un número.
¿Se puede sacar la media de una escala Likert?
Del puntaje sumado, con cuidado. Sullivan y Artino (2013) recogen el consenso de que las pruebas paramétricas se pueden usar sobre la suma, y advierten que la media describe mal una distribución que no es simétrica. De un ítem suelto, la media dice poco: las casillas son etiquetas ordenadas, no magnitudes.
¿Qué diferencia hay entre un ítem y una escala?
El ítem es una sola afirmación con su formato de respuesta. La escala es el conjunto de ítems que apuntan al mismo constructo y se suman. Llamar escala a un ítem suelto es el error más común en los reportes de estudiantes, y es el que un parcial bien escrito quiere detectar.
¿El alfa de Cronbach alcanza para decir que la escala es válida?
No. El alfa dice si los ítems se parecen entre sí. La validez pregunta si se parecen al constructo que anunciaste. Chang (1994) mostró que agregar puntos puede subir la consistencia sin que mejore la validez de criterio. Las dos propiedades se reportan por separado.
¿Qué sesgos produce el formato?
Tres tienen nombre. La aquiescencia, que es estar de acuerdo sin leer. La respuesta extrema, que es usar las casillas de las puntas. Y la respuesta errónea a ítems invertidos, que contamina la suma. Weijters, Cabooter y Schillewaert (2010) los midieron y mostraron que cambian con el número de puntos y con cómo se etiquetan.
¿Una escala Likert puede diagnosticar?
No. Produce un puntaje de ocasión sobre lo que la persona declara. Un puntaje alto en ánimo deprimido no es un diagnóstico de depresión, y tratarlo como tal le atribuye al instrumento una autoridad que no tiene. El diagnóstico pide una evaluación, no una suma.
Una idea para llevarte
La escala Likert vale por la suma de ítems que apuntan a un mismo constructo, y se debilita cuando el formato se confunde con la medición. Declarar los puntos, las etiquetas y el borde del constructo dice más que el número que sale al final. Si vas a construir una, empieza por la frase que dice qué mides y qué dejas afuera: sin esa frase, el resto es aritmética sobre casillas. Y si vas a leer una que otro construyó, pide esa misma frase antes de mirar el puntaje. Una escala sin borde declarado no se interpreta: se supone.
Referencias
Carifio, J. y Perla, R. (2008). Resolving the 50-year debate around using and misusing Likert scales. Medical Education, 42(12), 1150-1152. 10.1111/j.1365-2923.2008.03172.x
Chang, L. (1994). A psychometric evaluation of 4-point and 6-point Likert-type scales in relation to reliability and validity. Applied Psychological Measurement, 18(3), 205-215. 10.1177/014662169401800302
Ferrando, P. J., Morales-Vives, F. y Casas, J. M. (2025). Likert scales: A practical guide to design, construction and use. Psicothema, 37(3). 10.70478/psicothema.2025.37.24
Kusmaryono, I., Wijayanti, D. y Maharani, H. R. (2022). Number of response options, reliability, validity, and potential bias in the use of the Likert scale. International Journal of Educational Methodology, 8(4), 625-637. 10.12973/ijem.8.4.625
Jamieson, S. (2004). Likert scales: how to (ab)use them. Medical Education, 38(12), 1217-1218. 10.1111/j.1365-2929.2004.02012.x
Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22(140), 55.
Lozano, L. M., García-Cueto, E. y Muñiz, J. (2008). Effect of the number of response categories on the reliability and validity of rating scales. Methodology, 4(2), 73-79. 10.1027/1614-2241.4.2.73
Rickards, G., Magee, C. y Artino, A. R. (2012). You can’t fix by analysis what you’ve spoiled by design: Developing survey instruments and collecting validity evidence. Journal of Graduate Medical Education, 4(4), 407-410.
Sullivan, G. M. y Artino, A. R. (2013). Analyzing and interpreting data from Likert-type scales. Journal of Graduate Medical Education, 5(4), 541-542. 10.4300/JGME-5-4-18
Weijters, B., Cabooter, E. y Schillewaert, N. (2010). The effect of rating scale format on response styles: The number of response categories and response category labels. International Journal of Research in Marketing, 27(3), 236-247. 10.1016/j.ijresmar.2010.02.004