La matriz multirrasgo-multimétodo ( MTMM ) es un enfoque para examinar la validez de constructo desarrollado por Campbell y Fiske (1959). [1] Organiza evidencia de validez convergente y discriminante para comparar cómo una medida se relaciona con otras medidas. El enfoque conceptual ha influido en el diseño experimental y la teoría de la medición en psicología, incluidas aplicaciones en modelos de ecuaciones estructurales.
En este enfoque se utilizan múltiples rasgos para examinar (a) rasgos similares o (b) diferentes ( constructos ), con el fin de establecer una validez convergente y discriminante entre rasgos. De manera similar, en este enfoque se utilizan múltiples métodos para examinar los efectos diferenciales (o la falta de ellos) causados por la variación específica del método. Las puntuaciones podrían estar correlacionadas porque miden rasgos similares, o porque se basan en métodos similares, o ambas cosas. Cuando las variables que se supone que miden diferentes constructos muestran una alta correlación porque se basan en métodos similares, esto a veces se describe como un problema de "varianza molesta" o "sesgo del método". [2]
Hay seis consideraciones principales al examinar la validez de un constructo a través de la matriz MTMM, que son las siguientes:
El siguiente ejemplo proporciona una matriz prototípica y lo que significan las correlaciones entre medidas. La línea diagonal normalmente se completa con un coeficiente de confiabilidad de la medida (por ejemplo, coeficiente alfa). Las descripciones entre paréntesis [] indican lo que se espera cuando la validez del constructo (por ejemplo, depresión o ansiedad) y las validezes de las medidas son todas altas.
En este ejemplo, la primera fila enumera el rasgo que se está evaluando (es decir, depresión o ansiedad), así como el método para evaluar este rasgo (es decir, cuestionario autoinformado versus una entrevista). El término heterométodo indica que esta celda informa la correlación entre dos métodos separados. Monométodo indica que en su lugar se utiliza el mismo método (por ejemplo, entrevista y entrevista). Heterotrait indica que la célula se refiere a dos rasgos supuestamente diferentes. Monorasgo indica el mismo rasgo que se supone debe medirse.
Este marco deja claro que existen al menos dos fuentes de varianza que pueden influir en las puntuaciones observadas en una medida: no sólo el rasgo subyacente (que suele ser el objetivo al recopilar la medida en primer lugar), sino también el método utilizado para recoger la medida. La matriz MTMM utiliza dos o más medidas de cada rasgo y dos o más métodos para comenzar a separar las contribuciones de diferentes factores. El primer cuadro de la figura animada muestra cómo se emparejan las cuatro mediciones de la tabla en términos de centrarse en los "rasgos" de la depresión (BDI y HDRS) y la ansiedad (BAI y CGI-A). El segundo muestra que también están emparejados en términos del método fuente: dos utilizan cuestionarios de autoinforme (a menudo denominados "encuestas") y dos se basan en entrevistas (que pueden incorporar observación directa de la comunicación y el comportamiento no verbal, así como como respuesta del entrevistado).
_example.gif/1280px-Multi-Trait,_Multi-Method_(MTMM)_example.gif)
Con los datos observados, es posible examinar la proporción de varianza compartida entre rasgos y métodos para tener una idea de cuánta varianza específica del método es inducida por el método de medición, así como dar una idea de qué tan distinto es el rasgo, así como comparado con otro rasgo.
Idealmente, el rasgo debería importar más que el método específico elegido para la medición. Por ejemplo, si una medida mide a una persona como muy deprimida, entonces otra medida de depresión también debería arrojar puntuaciones altas. Por otro lado, las personas que parecen muy deprimidas en el Inventario de Depresión de Beck no necesariamente deberían obtener puntuaciones altas de ansiedad en el Inventario de Ansiedad de Beck , ya que se supone que miden constructos diferentes. Dado que los inventarios fueron escritos por la misma persona y son similares en estilo, podría haber alguna correlación, pero esta similitud en el método no debería afectar mucho las puntuaciones, por lo que las correlaciones entre estas medidas de diferentes rasgos deberían ser bajas.
Se han utilizado diversos enfoques estadísticos para analizar los datos de la matriz MTMM. El método estándar de Campbell y Fiske se puede implementar utilizando el programa MTMM.EXE disponible en: https://web.archive.org/web/20160304173400/http://gim.med.ucla.edu/FacultyPages/Hays/utils / También se puede utilizar el análisis factorial confirmatorio [4] debido a la complejidad de considerar todos los datos de la matriz. Sin embargo , la prueba Sawilowsky I [5] [6] considera todos los datos de la matriz con una prueba estadística de tendencia sin distribución.
La prueba se realiza reduciendo los triángulos heterorasgo-heterométodo y heterorasgo-monométodo, y las diagonales de validez y confiabilidad, en una matriz de cuatro niveles. Cada nivel consta del valor mínimo, mediano y máximo. La hipótesis nula es que estos valores están desordenados, lo que se compara con la hipótesis alternativa de una tendencia ordenada creciente. El estadístico de prueba se encuentra contando el número de inversiones (I). El valor crítico para alfa = 0,05 es 10 y para alfa = 0,01 es 14.
Uno de los modelos más utilizados para analizar datos MTMM es el modelo True Score propuesto por Saris y Andrews ( [7] ). El modelo True Score se puede expresar utilizando las siguientes ecuaciones estandarizadas:
1) Y ij = r ij TS ij + e ij * donde: Y ij es la variable observada estandarizada medida con el i ésimo rasgo y el j ésimo método. r ij es el coeficiente de confiabilidad, que es igual a: r ij = σ Y ij / σ TS ij TS ij es la variable de puntaje verdadero estandarizado e ij * es el error aleatorio, que es igual a: e ij * = e ij / σ Y ij Como consecuencia: r ij 2 = 1 - σ 2 (e ij *) donde: r ij 2 es la confiabilidad
2) TS ij = v ij F i + m ij M j donde: v ij es el coeficiente de validez, que es igual a: v ij = σ F i / σ TS ij F i es el factor latente estandarizado para la i ésima variable de interés (o rasgo) m ij es el efecto del método, que es igual a: m ij = σ M j / σ TS ij M j es el factor latente estandarizado para la reacción al j ésimo método Como consecuencia: v ij 2 = 1 - m ij 2 donde: v ij 2 es la validez
3) Y ij = q ij F i + r ij m ij M j + e* donde: q ij es el coeficiente de calidad, que es igual a: q ij = r ij • v ij Como consecuencia: q ij 2 = r ij 2 • v ij 2 = σ 2 F i / σ 2 Y ij donde: q ij 2 es la calidad
Los supuestos son los siguientes:
* Los errores son aleatorios, por lo tanto la media de los errores es cero: µ e = E (e) = 0 * Los errores aleatorios no están correlacionados entre sí: cov (e i , e j ) = E (e i e j ) = 0 * Los errores aleatorios no están correlacionados con las variables independientes: cov (TS, e) = E (TS e) = 0 , cov (F, e) = E (F e) = 0 y cov (M, e) = E (M e) = 0 * Se supone que los factores del método no están correlacionados entre sí ni con los factores de rasgo: cov (F, M) = E (FM) = 0
Normalmente, el encuestado debe responder al menos a tres medidas diferentes (es decir, rasgos) medidas utilizando al menos tres métodos diferentes. Este modelo se ha utilizado para estimar la calidad de miles de preguntas de encuestas, en particular en el marco de la Encuesta Social Europea .