Escalas de Likert: construcción y análisis

1 · Definición

Una escala de Likert presenta afirmaciones y pide indicar el grado de acuerdo con cada una, en una serie ordenada de opciones.

2 · Cómo se construye

Las afirmaciones. Cortas, en una sola oración, con una sola idea cada una. Mitad redactadas en sentido positivo y mitad en negativo, para detectar a quien responde todo igual sin leer — recordando invertir las negativas antes de sumar.

Cuántas. Para que la escala sea evaluable hacen falta al menos tres o cuatro ítems por dimensión: con menos no se puede estimar la consistencia interna ni darse el lujo de descartar uno que funcione mal. Y si el concepto tiene varias dimensiones, cada una necesita su propio grupo.

Las opciones. Cinco o siete puntos, con etiquetas en todas —no solo en los extremos— y equilibradas: la misma cantidad de opciones a cada lado del centro.

1 · Muy en desacuerdo
2 · En desacuerdo
3 · Ni de acuerdo ni en desacuerdo
4 · De acuerdo
5 · Muy de acuerdo

¿Punto medio o no? Con punto medio (impar) se permite la indiferencia genuina, y se acumulan respuestas evasivas. Sin punto medio (par) se fuerza a definirse, y se pierde a quien realmente no tiene posición. No hay consenso; hay que elegir y declarar.

“No sabe / no corresponde” va aparte, nunca en el medio de la escala: no es un punto intermedio de acuerdo.

3 · Los sesgos de respuesta

Una escala de acuerdo no mide solo lo que pregunta: mide también cómo usa la gente las escalas. Hay cuatro patrones conocidos, y conviene diseñar contra ellos:

Patrón	En qué consiste	Qué lo atenúa
Aquiescencia	Tendencia a acordar con lo que se afirme	Ítems redactados en los dos sentidos
Respuesta extrema	Usar solo los puntos de los extremos	Nada lo elimina; se detecta al describir
Tendencia central	Refugiarse en el punto medio	Escala par, o etiquetas intermedias claras
Deseabilidad social	Contestar lo que está bien visto	Autoadministrado y anonimato real

4 · La discusión: ¿se puede promediar?

Es el debate más viejo de la metodología aplicada, y conviene entender los dos lados.

No se puede, dice la posición estricta. Es una variable ordinal: sabemos que 4 es más que 3, pero no que la distancia entre 3 y 4 sea igual a la que hay entre 4 y 5. Promediar exige distancias iguales. Corresponden mediana, modo y frecuencias.

Se puede en la práctica, dice la posición aplicada. Cuando se suman varios ítems que miden lo mismo, el puntaje total se comporta razonablemente como una variable de intervalo, y los estudios de simulación muestran que la prueba t y el ANOVA aguantan bien esa violación: con muestras parecidas en tamaño, las conclusiones casi no cambian respecto de las alternativas no paramétricas.

5 · Qué hacer en la práctica

Para un ítem suelto:

• Tabla de frecuencias con porcentajes por categoría. Es lo más informativo y lo que menos se usa.
• Mediana y modo.
• Para comparar grupos: chi-cuadrado, Mann-Whitney o Kruskal-Wallis.

Para una escala sumada:

• Revisar primero la dimensionalidad: que los ítems que se van a sumar midan una sola cosa, con análisis factorial o al menos con la matriz de correlaciones.
• Verificar la confiabilidad antes de sumar nada.
• Invertir los ítems negativos.
• Sumar o promediar los ítems.
• Tratar el puntaje como cuantitativo, con media, desvío y pruebas paramétricas.
• Declarar que se hizo así.

Qué se analiza	Comparar dos grupos	Comparar varios	Relacionar con otra variable
Ítem suelto	Mann-Whitney	Kruskal-Wallis	Spearman
Ítem suelto, con covariables	Regresión ordinal	Regresión ordinal	Regresión ordinal
Escala sumada	Prueba t	ANOVA	Pearson o regresión

La fila del medio es la opción técnicamente más correcta para ítems sueltos y la menos usada: un modelo ordinal respeta que la variable es ordinal, permite ajustar por otras variables y devuelve resultados interpretables. Vale la pena cuando el ítem es el resultado principal del trabajo.

6 · Cómo se muestran

La media de una escala esconde justo lo que interesa: dos grupos con la misma media pueden tener uno todo concentrado en el centro y el otro partido en los dos extremos.

Por eso los ítems tipo Likert se muestran con barras apiladas, una por ítem, con la composición completa de respuestas. Y la variante que mejor funciona es la de barras divergentes: el gráfico se centra en el punto medio, con los desacuerdos creciendo hacia la izquierda y los acuerdos hacia la derecha. Así el ojo compara de un vistazo qué ítems inclinan para cada lado, sin tener que sumar mentalmente.

7 · La trampa de la dicotomización

Una práctica muy extendida: agrupar “de acuerdo” y “muy de acuerdo” en una sola categoría y reportar “el 68 % está de acuerdo”.

Es legítimo para comunicar y tiene dos costos que conviene conocer: pierde información —no distingue el acuerdo tibio del entusiasta— y depende del corte, que muchas veces se elige después de ver los datos.

Si se dicotomiza, va el criterio declarado de antemano y, además, la tabla completa.

8 · Errores frecuentes

• Promediar un ítem suelto sin aclararlo. Si lo hacés, decilo, e informá también la mediana.
• Olvidar invertir los ítems negativos. Es el error de procesamiento más común y arruina la escala entera: los ítems inversos se cancelan con los directos.
• Sumar ítems sin verificar que midan lo mismo. Para eso están el análisis de dimensionalidad y el alfa de Cronbach. Sumar cosas heterogéneas produce un puntaje sin significado.
• Poner “no sabe” en el medio de la escala. No es un punto intermedio.
• Etiquetar solo los extremos. Sin etiquetas intermedias, cada persona interpreta distinto los puntos del medio.
• Mezclar escalas de 5 y de 7 puntos en el mismo instrumento.
• Una sola pregunta para un concepto complejo. Con un ítem no hay escala, no hay confiabilidad y no hay forma de saber si se midió lo que se quería.
• Informar solo la media. Dos distribuciones muy distintas pueden tener la misma media: una concentrada en el centro y otra polarizada en los extremos. El gráfico de barras divergentes lo muestra; la media lo esconde.

9 · En el software

# R — invertir un ítem negativo en escala de 1 a 5
datos$item3_inv <- 6 - datos$item3

# Puntaje total y confiabilidad
datos$escala <- rowSums(datos[, c("item1", "item2", "item3_inv")])
psych::alpha(datos[, c("item1", "item2", "item3_inv")])

# Frecuencias por ítem
sapply(datos[items], table)

# Modelo ordinal para un ítem suelto
MASS::polr(factor(item1) ~ grupo + edad, data = datos, Hess = TRUE)

# Python
datos["item3_inv"] = 6 - datos["item3"]
datos["escala"] = datos[["item1", "item2", "item3_inv"]].sum(axis=1)
datos[items].apply(pd.Series.value_counts)

# Modelo ordinal
from statsmodels.miscmodels.ordinal_model import OrderedModel

SPSS:     Transformar › Recodificar en distintas variables  (para invertir)
          Analizar › Escala › Análisis de fiabilidad
          Analizar › Regresión › Ordinal  (PLUM)

@misc{estadistica_ar_escalas_de_likert,
  author       = {Montivero, Jorge Luis},
  title        = {{Escalas de Likert: construcción y análisis}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/escalas-de-likert}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-18}
}