¿Son precisos los tests de personalidad? Fiabilidad, resultados al repetirlos y el efecto Barnum

Qué significa «preciso» en un test de personalidad

Los psicólogos dividen la precisión en dos preguntas:

• Fiabilidad: ¿mide el test de forma consistente? ¿Coinciden entre sí los ítems pensados para captar el mismo rasgo (consistencia interna) y obtienes una puntuación parecida si lo repites (fiabilidad test-retest)?
• Validez: ¿mide lo que debe? ¿Coinciden las puntuaciones con otras pruebas sobre ti, como las valoraciones de personas que te conocen, y predicen la conducta y los resultados en la vida?

Un test puede ser fiable sin ser válido (una báscula de baño que siempre marca dos kilos de más), pero no puede ser válido sin ser fiable.

Fiabilidad: ¿son consistentes las puntuaciones?

La consistencia interna suele expresarse con el alfa de Cronbach (α), de 0 a 1. Los valores de alrededor de .80 o más se consideran en general buenos para escalas de investigación. Las escalas IPIP de dominio público que usa 64 Types tienen α entre .79 y .89 en nuestras muestras normativas de unas 20 000 personas cada una; las cifras completas están en nuestra página de ciencia. Los estudios publicados con el MBTI también indican, en general, una consistencia interna sólida para sus cuatro escalas, aunque los valores varían de un estudio a otro.^[8]

La estabilidad test-retest a lo largo de los años es alta, pero está lejos de ser perfecta. En 152 estudios longitudinales, la correlación entre puntuaciones de personalidad medidas con unos 6,7 años de diferencia subía de .31 en la infancia a alrededor de .74 entre los 50 y los 70 años.^[9] Parte de esa inestabilidad es cambio real: los niveles medios de los rasgos se desplazan a lo largo de la adultez.^[10] Consulta ¿Puede cambiar tu tipo de personalidad?

Por qué los resultados por tipos parecen poco fiables

Si las escalas son fiables, ¿por qué tanta gente obtiene otro tipo al repetir el test? Por lo que pasa cerca del punto de corte. Las puntuaciones de personalidad se concentran en el centro, con la mayoría de la gente cerca de la mitad, y no se dividen en dos jorobas.^[4][11] Cualquiera cerca del punto medio puede invertir una letra por una fluctuación pequeña y normal. Con cuatro letras, la probabilidad de que al menos una se invierta se va sumando. Las revisiones del MBTI han señalado esta inestabilidad de la clasificación como un motivo clave de cautela.^[5]

Una ilustración sencilla. Por definición, el 20 % de las personas está entre el percentil 40 y el 60 en cualquier rasgo. Si los seis rasgos de un código de 64 tipos fueran completamente independientes, la proporción de personas sin ningún rasgo en esa zona sería 0,8⁶, alrededor del 26 %, así que aproximadamente tres de cada cuatro tendrían al menos una letra en el límite. (Los rasgos están algo correlacionados, así que la cifra real varía un poco, pero la idea se mantiene.)

Validez: ¿te ven los demás de la misma manera?

Una comprobación sólida es si las personas que te conocen te valoran de forma parecida. Una serie de metaanálisis que abarcaba a 44 178 personas valoradas en 263 muestras examinó hasta qué punto coinciden las valoraciones de los observadores entre sí y con las autovaloraciones. La precisión mejoraba a medida que el evaluador era más cercano a la persona, sobre todo en rasgos menos visibles como la estabilidad emocional. Las valoraciones de otros también predecían el rendimiento académico y laboral bastante mejor que las autovaloraciones, y añadían información a estas.^[1]

Tanto uno mismo como los demás tienen puntos ciegos. En un estudio que comparó las valoraciones propias, de amigos y de desconocidos con medidas conductuales, uno mismo era el mejor juez de los rasgos relacionados con el neuroticismo, los amigos eran los mejores en los rasgos relacionados con el intelecto y todos acertaban más o menos igual al juzgar la extraversión.^[12]

Validez: ¿predicen las puntuaciones la vida real?

Los rasgos de los Cinco Grandes predicen la mortalidad, el divorcio y el logro ocupacional aproximadamente tan bien como el nivel socioeconómico y la capacidad cognitiva.^[2] La responsabilidad predice el rendimiento laboral en todas las ocupaciones,^[13] el neuroticismo predice los trastornos de ansiedad y depresivos^[14] y la personalidad predice muchos otros resultados.^[15]

Esos hallazgos se sostienen. Un proyecto prerregistrado volvió a poner a prueba 78 vínculos publicados entre rasgos y resultados con muestras grandes y encontró que el 87 % se replicaba, aunque los efectos solían tener alrededor del 77 % de la fuerza indicada originalmente.^[3] Así que el resumen correcto es «reales, consistentes, modestos»: las correlaciones entre rasgos y resultados de los grandes metaanálisis están en su mayoría aproximadamente entre .10 y .30, por ejemplo .11 entre la responsabilidad y la longevidad y .31 entre la extraversión y el liderazgo.^[16][17] Eso es útil para entender tendencias en mucha gente y mucho menos para predecir lo que hará una persona concreta.

El efecto Barnum: por qué todo resultado parece acertado

En 1949, el psicólogo Bertram Forer aplicó un test de personalidad a sus estudiantes y, una semana después, les entregó lo que cada uno creía que era un perfil personal. En realidad, todos recibieron el mismo texto, compuesto en gran parte a partir de un libro de astrología de quiosco, con frases como «tienes una gran necesidad de que los demás te aprecien y te admiren». En promedio, los estudiantes lo valoraron como una descripción muy precisa de sí mismos.^[6]

Una revisión posterior de décadas de estudios de seguimiento encontró que la gente tiende más a aceptar este tipo de retroalimentación cuando es favorable, cuando es lo bastante general como para encajar con casi cualquiera y cuando cree que se ha elaborado específicamente para ella.^[7]

Las descripciones de tipos suelen cumplir los tres requisitos. Eso no las vuelve inútiles, pero significa que «esto me describe a la perfección» no permite distinguir un test válido de un horóscopo. Las comprobaciones anteriores, consistencia, acuerdo con los demás y predicción, sí lo permiten.

Una lista de verificación para juzgar cualquier test de personalidad

1. ¿Dice de dónde salen sus preguntas? Los tests de investigación usan conjuntos de ítems publicados, como el IPIP, de dominio público.^[18]
2. ¿Te compara con personas reales? Los percentiles basados en una muestra normativa declarada significan más que «alto» o «bajo» en una escala arbitraria.
3. ¿Informa de su fiabilidad? Busca cifras como el α de Cronbach.
4. ¿Muestra puntuaciones y no solo una etiqueta? Las puntuaciones continuas reflejan cómo se distribuyen realmente los rasgos.^[11]
5. ¿Te avisa cuando estás cerca de la mitad? Los resultados en el límite son la principal causa de los cambios de tipo.^[4]
6. ¿Cita evidencia para lo que afirma sobre el trabajo o las relaciones? ¿Y presenta con honestidad el tamaño de los efectos?
7. ¿Declara sus límites? Un test de autoinforme no es un diagnóstico clínico ni una herramienta de selección de personal.

Cómo cumple 64 Types esta lista

Construimos 64 Types en torno a esta lista: 62 ítems IPIP de dominio público, percentiles frente a unas 20 000 respuestas reales por escala, fiabilidades publicadas, avisos de caso límite con códigos alternativos y afirmaciones citadas en todo momento. Sus limitaciones también se declaran con claridad: las muestras normativas son voluntarios en línea, más bien jóvenes y angloparlantes. Detalles en Cómo funciona el test 64 Types y en nuestra página de ciencia.

Preguntas frecuentes