Constructos de Psicología
Tu espacio de lecturaIngreso

Rasgo latente y respuesta al ítem: qué supone el modelo de Rasch

Cómo relaciona Rasch un rasgo específico y la dificultad de un ítem, por qué su igualdad implica0,50 y qué límites tiene hablar de invariancia.

Dos personas adultas conversan sobre tarjetas sin texto y un cuaderno en una mesa de estudio.

¿Qué relacionamos al hablar de dificultad y rasgo?

Una escena ficticia para pensar qué relación propone un modelo de medida.

Imaginemos tres tareas sin enunciados reales. Las llamaremos A,B y C. En un ejercicio de lectura de modelos les asignamos dificultades distintas y preguntamos qué probabilidad de respuesta correcta tendría una posición concreta del rasgo. No estamos examinando personas ni construyendo un test: queremos comprender qué relación propone una ecuación.

El modelo de Rasch, desarrollado por Georg Rasch y situado entre los modelos de respuesta al ítem, formula esa relación en términos probabilísticos. Boone (2016) destaca que pensar la medida exige especificar primero qué variable interesa estudiar. Una fórmula no convierte una colección de preguntas en una medida de cualquier atributo que elijamos nombrar.

Sección 2

Tres conceptos que cumplen funciones distintas

En el caso dicotómico, X=1 representa una respuesta correcta y X=0 una incorrecta. El modelo relaciona un parámetro de persona y otro de ítem sobre la misma escala. Planinic y colaboradores (2019) subrayan que el parámetro de persona se refiere al rasgo investigado, no necesariamente a inteligencia general.

Llamaremos θ al primero y b al segundo. Son símbolos para leer una relación, no puntuaciones que se obtengan de estas páginas. En una aplicación harían falta datos, una definición defendible del rasgo y evidencia sobre el funcionamiento de la medida.

Rasgo específico · θ

Ubicación de la persona en la variable que se investiga. No es una etiqueta total de su capacidad ni una descripción de su valor personal.

Dificultad del ítem · b

Ubicación del ítem en esa misma escala. En el ejemplo es un número elegido; no se ha estimado la dificultad de ninguna tarea real.

Probabilidad · P(X=1)

Predicción condicional de respuesta correcta para esa combinación de parámetros. No anticipa con certeza qué ocurrirá en una respuesta individual.

Sección 3

La diferencia entre θ y b organiza la curva

Para el modelo dicotómico usamos esta expresión: P(X=1 | θ, b) = 1 / (1 + exp(−(θ − b))). La función convierte la diferencia θ−b en una probabilidad entre0 y1. La ecuación1 de Planinic y colaboradores (2019) utiliza símbolos distintos para la misma relación.

Nuestras curvas mantienen la misma forma y cambian b entre−1,0 y+1. Para una posición fija θ=0, un ítem con b=−1 da una probabilidad aproximada de0,731; con b=0,0,500; y con b=+1,0,269. Calculamos estos números a partir de la ecuación: no son porcentajes observados ni resultados de una muestra.

Si mantenemos b fijo y aumentamos θ, la probabilidad sube. Si mantenemos θ fijo y aumentamos b, baja. Es una propiedad de la función representada; comprobar si describe respuestas de un instrumento concreto es otra tarea.

Tres curvas logísticas de Rasch para dificultades−1,0 y+1. Cada una pasa por probabilidad0,50 cuando θ coincide con su dificultad. Ejes: rasgo específico en logits y probabilidad de respuesta correcta.
Curvas teóricas calculadas con parámetros sintéticos. No son datos observados ni una calibración.
Sección 4

Cuando los parámetros coinciden, la probabilidad es0,50

Si θ=b, la diferencia vale0 y la expresión se reduce a1/(1+exp(0))=1/2. El informe técnico de CAL/WIDA (2012), en su explicación del modelo dicotómico, señala precisamente esa igualdad entre ubicación de persona y dificultad de ítem. Es una probabilidad condicional del modelo, no una promesa de acertar exactamente la mitad de una prueba.

En nuestra tabla fijamos θ=0 y obtenemos0,500 para el ítem B. Después escribimos dos secuencias ficticias: A=(1,0,1) y B=(0,1,0), en el orden de los tres ítems. Ambas son compatibles como posibilidades con probabilidades que no son0 ni1; no afirmamos que sean igual de probables. Las inventamos manualmente: no son datos ni una simulación aleatoria.

La primera secuencia incluye un error en el ítem de probabilidad0,500 y un acierto en el de0,269. Eso no contradice una predicción probabilística. Tampoco demuestra que un test real ajuste a Rasch: el ejemplo sólo impide confundir una probabilidad con una respuesta garantizada.

Sección 5

La invariancia no es una garantía automática

La invariancia de los parámetros es una propiedad importante del marco. Su aplicación exige examinar si los datos se comportan de manera compatible con el modelo y con la variable que se pretende medir. Planinic y colaboradores (2019) describen comprobaciones de dimensionalidad y comparaciones de estimaciones entre subgrupos o formas. Dibujar una curva suave no realiza esas comprobaciones.

Nuestro ejercicio fija los parámetros de antemano. Por eso no puede mostrar ajuste, ausencia de funcionamiento diferencial, precisión de estimaciones o validez para tomar decisiones. Tampoco traslada automáticamente la regla del0,50 a respuestas con varias categorías o a modelos con parámetros adicionales.

La pregunta conceptual se mantiene antes y después del cálculo: ¿qué atributo se propone medir y qué justificaría interpretar sus estimaciones de esa manera? Una misma notación matemática no vuelve equivalentes el conocimiento de un contenido, una actitud y una capacidad general.

Sección 6

Qué hace visible el ejemplo y qué deja sin probar

Con los tres ítems sintéticos podemos desplazar mentalmente una curva y explicar qué cambia en la probabilidad. Podemos mantener θ=b y comprobar que el resultado sigue siendo0,50. También podemos identificar cuándo alguien empieza a tratar un número elegido como si fuese una estimación empírica.

Lo que no podemos hacer es atribuir esas curvas a una persona real o decidir que una puntuación es adecuada para un diagnóstico. En este ejercicio no hay participantes, respuestas a tareas administradas ni un criterio externo con el que contrastar interpretaciones. Esa ausencia es parte del diseño educativo, no un detalle que la ecuación complete por nosotros.

Sección 7

Curvas y tabla editable para estudiar la relación

El recurso «Modelo de Rasch: rasgo, dificultad y probabilidad» reúne las tres curvas propias, los valores de θ y b y la tabla de probabilidades con dos secuencias inventadas. El PDF y el Word editable distinguen lo calculado, lo elegido y lo que exigiría datos.

Úsalo para explicar por qué0,50 no equivale a una mitad de aciertos garantizada, o para justificar el cambio de probabilidad al variar una dificultad. No contiene enunciados de pruebas protegidas, baremos ni un procedimiento para puntuar personas.

Descarga el mapa y las curvas

El mismo recurso en PDF de cuatro páginas y Word editable.

Descargar PDF

Modelo de Rasch: rasgo, dificultad y probabilidad · mapa conceptual · versión 1.0 · cuatro páginas.

Descargar PDF

Descargar Word editable

Modelo de Rasch: rasgo, dificultad y probabilidad · versión editable 1.0.

Descargar Word

Curvas con parámetros y respuestas sintéticos. Sin puntuaciones, baremos o resultados de personas.

Ampliar el marco con Muñiz

Introducción a la Psicometría. Teoría clásica y TRI, de José Muñiz Fernández, permite situar esta discusión dentro del campo de la medida psicológica. La ficha editorial de la primera edición de 2018, ISBN 9788436839326, incluye teoría de respuesta a los ítems junto a fiabilidad, validez y otros fundamentos. Es una lectura complementaria en español; el recurso sintético no sustituye el estudio de esos fundamentos.

Enlace de afiliación: Constructos de Psicología puede recibir una comisión si compras a través de este enlace, sin costo adicional para ti.

Preguntas frecuentes

Se refiere al rasgo específico investigado. Su interpretación necesita una definición del atributo y evidencia de medida; no equivale por defecto a inteligencia general.

Fuentes para continuar la lectura

Modelo dicotómico, significado del rasgo y límites de invariancia en aplicaciones.

Planinic, M., Boone, W. J., Susac, A., y Ivanjek, L. (2019). Rasch analysis in physics education research: Why measurement mattersPhysical Review Physics Education Research,15,020111. DOI10.1103/PhysRevPhysEducRes.15.020111.
Center for Applied Linguistics / WIDA (2012). Technical Report: Development and Field Test of MODEL, Grades1–2 and3–5Informe fechado31mayo2012. PDFpp.41–42: modelo dicotómico y probabilidad0,50 cuando coinciden los parámetros.
Boone, W. J. (2016). Rasch Analysis for Instrument Development: Why, When, and How?CBE—Life Sciences Education,15(4),rm4. DOI10.1187/cbe.16-04-0148.
Ediciones Pirámide (2018). Introducción a la Psicometría — ficha e índice editorialJosé Muñiz Fernández. Primera edición, papel, ISBN9788436839326,376p. Incluye teoría de respuesta a los ítems.

Las fuentes sustentan afirmaciones delimitadas. No validan el mapa educativo ni convierten las escenas ficticias en datos experimentales.

Seguir explorando en Constructos

Otras lecturas para ampliar esta conversación.

Buscando otras lecturas…