Las pruebas psicométricas que se usan en reclutamiento se clasifican de tres maneras distintas y no equivalentes: por el constructo que miden, por el método con el que lo miden y por la decisión que informan. Ninguna de las tres es la clasificación correcta; son cortes diferentes del mismo conjunto, y una misma prueba ocupa una casilla distinta en cada uno. La consecuencia práctica es que dos listas de "tipos de pruebas psicométricas" pueden no coincidir en nada y ser ambas defendibles, siempre que declaren su eje.
Casi ningún material del mercado lo declara. La mayoría organiza por constructo —inteligencia, personalidad, aptitudes, intereses— y presenta esa lista como si fuera la taxonomía, no como una entre varias. Eso deja a quien decide sin la información que realmente necesita, porque el eje que mejor predice el desempeño no es el del constructo. Es el del método.
Este artículo nombra los tres ejes, desarrolla el del método con la evidencia más reciente, e incluye las familias de respaldo débil etiquetadas como lo que son.
Un mismo instrumento se puede clasificar simultáneamente en los tres ejes sin contradicción, porque cada eje responde una pregunta distinta.
Por constructo: ¿qué atributo pretende medir? Aptitud cognitiva, razonamiento específico, rasgos de personalidad, intereses, integridad, competencias, inteligencia emocional, motivación. Es el eje dominante en materiales comerciales porque coincide con el vocabulario del comprador.
Por método: ¿cómo obtiene la información? Autorreporte, ejecución máxima, juicio situacional, muestra de conducta, historial biográfico. Es el eje que la investigación reciente muestra más asociado a las diferencias reales de poder predictivo.
Por decisión: ¿para qué momento del proceso sirve? Descarte inicial de alto volumen, ajuste al perfil, identificación de riesgo, insumo para desarrollo posterior. Es el más útil para diseñar un proceso y el que casi nunca aparece publicado.
Un ejemplo muestra su independencia. Una prueba de habilidades comerciales evaluadas mediante escenarios es, por constructo, de competencias; por método, de juicio situacional; por decisión, de ajuste al perfil. Quien la clasifique por un solo eje dará una respuesta distinta a "de qué tipo es", y ninguno estará equivocado.
Porque la evidencia acumulada indica que los predictores más fuertes se distinguen entre sí por cómo obtienen la información, no por el atributo que dicen medir.
Sackett, Zhang, Berry y Lievens (2022) revisaron las estimaciones metaanalíticas clásicas de validez en selección de personal y encontraron un problema en cómo se venían aplicando las correcciones por restricción de rango. Al corregirlo, las estimaciones de validez operativa bajaron de forma generalizada y, más importante, cambió el orden relativo de los métodos. En su lectura aplicada posterior (Sackett et al., 2023), los autores señalan que los predictores que quedan arriba son los específicos del puesto: entrevistas estructuradas, pruebas de conocimiento del puesto, muestras de trabajo, historial biográfico con clave empírica y centros de evaluación. Los que quedan más abajo son las medidas generales de constructos psicológicos.
Eso reactiva una distinción vieja y muy útil, la de signo y muestra (Wernimont & Campbell, 1968). Una prueba puede funcionar como signo —mide un atributo que se supone relacionado con el desempeño— o como muestra —reproduce, aunque sea parcialmente, la conducta que el puesto exige—. La evidencia favorece la estrategia de muestra. No porque los constructos sean irrelevantes, sino porque el camino entre un rasgo general y una conducta laboral concreta tiene más eslabones donde perder precisión.
Para quien arma una batería, la implicación es directa: preguntar "qué mide" es insuficiente. La pregunta que discrimina es "cómo lo mide, y qué tan cerca está eso de la conducta que voy a necesitar".
Son los instrumentos en los que la persona evaluada describe sus propias características, preferencias o conductas habituales, típicamente respondiendo a afirmaciones o eligiendo entre alternativas. Aquí caen los inventarios de personalidad, los de intereses y buena parte de las medidas de integridad.
Su validez operativa frente al desempeño laboral global es moderada y muy dependiente de cómo se construyó la medida. En la revisión de Sackett et al. (2022), la escrupulosidad medida de forma general alcanza .21, mientras que la escrupulosidad contextualizada —es decir, formulada respecto del comportamiento en el trabajo y no en la vida en general— alcanza .25. Los demás rasgos del modelo de cinco factores quedan por debajo, con la extraversión general en .11 y la apertura general en .06. Los intereses, cuando se miden como ajuste entre las preferencias de la persona y las demandas específicas del puesto, llegan a .24.
El dato más interesante de esa familia no es la media sino la estabilidad. La escrupulosidad contextualizada tiene una desviación estándar cercana a cero entre estudios, lo que significa que su desempeño como predictor es notablemente consistente de un contexto a otro. La versión general tiene una desviación de .15. Dicho de otro modo: dentro de una misma familia y un mismo constructo, contextualizar los reactivos cambia tanto la magnitud como la confiabilidad de la predicción. Es una diferencia de método, no de constructo.
Su debilidad estructural es conocida: depende de que la persona pueda y quiera describirse con precisión, lo que la expone a deseabilidad social y a distorsión deliberada. Cómo se abordó ese riesgo en la construcción del instrumento es una pregunta legítima para el proveedor.
Son las pruebas con respuestas correctas e incorrectas, en las que la persona intenta rendir lo mejor posible dentro de un tiempo definido. Incluyen las de aptitud cognitiva general, las de razonamiento verbal, numérico y abstracto, y las de conocimiento del puesto.
Las pruebas de conocimiento del puesto alcanzan .40 de validez operativa, el segundo lugar de la lista. La aptitud cognitiva general queda en .31, bastante por debajo del .51 que reportaban Schmidt y Hunter (1998). Y hay un dato posterior que conviene tener presente: Griebie et al. (2022) analizaron 113 estudios de validez del siglo XXI y encontraron una media corregida de .23, más baja aún. Los autores lo atribuyen al menor peso del trabajo manufacturero y al mayor peso del trabajo en equipo, que amplían la noción de desempeño hacia componentes menos cargados cognitivamente.
Esta familia arrastra una consideración que ninguna clasificación por constructo hace visible: es la que produce las mayores diferencias promedio entre subgrupos. En los datos que reportan Sackett et al. (2022), la aptitud cognitiva general presenta la diferencia más grande de todo el conjunto de predictores examinados.
Con una advertencia específicamente nuestra: esas diferencias se estimaron sobre subgrupos raciales de población estadounidense y no se trasladan a la estructura social mexicana, que no se organiza en esas categorías. Lo que sí se traslada es el principio: cualquier instrumento puede producir diferencias sistemáticas entre grupos, y verificarlo en la propia población sigue siendo obligación, como ocurre con los baremos que no corresponden a la población evaluada.
Presentan una situación laboral y una serie de respuestas posibles, y la persona indica qué haría o evalúa la eficacia de cada opción, con una clave construida por consenso de expertos o de forma empírica.
Sackett et al. (2022) las separan en dos variantes según lo que la clave premia. Las de conocimiento —qué debería hacerse— alcanzan .26. Las de tendencia conductual —qué haría la persona— alcanzan también .26. La coincidencia es útil de citar porque desarma una discusión frecuente sobre cuál de las dos formulaciones es superior en términos de predicción de desempeño global.
Ocupan un lugar intermedio: se aplican en línea y a volumen, como el autorreporte, pero incorporan contenido específico del puesto, como las muestras de conducta. Su límite es que todo depende de la calidad de los escenarios y de la clave, que no se ven desde fuera.
Piden a la persona ejecutar una tarea representativa del trabajo, y se evalúa el producto o el proceso observado. Las muestras de trabajo y los centros de evaluación son sus dos formas principales.
Las muestras de trabajo alcanzan .33. Los centros de evaluación quedaron inicialmente en .29, pero Sackett et al. (2023) revisaron ese valor a .33 al usar una estimación de confiabilidad del criterio propia de puestos gerenciales, que es donde los centros de evaluación se emplean predominantemente. Con esa corrección, ambos comparten el cuarto lugar de la lista, lo cual tiene sentido conceptual: un centro de evaluación es una forma particular de muestra de trabajo.
Es la familia que mejor encarna la estrategia de muestra y la más costosa de aplicar. Su calidad varía según la implementación: en Gaugler, Rosenthal, Thornton y Bentson (1987), la validez fue más alta cuando el equipo evaluador combinaba psicólogos y directivos que cuando lo integraban solo unos u otros.
Recogen información verificable sobre la trayectoria de la persona —formación, experiencias, logros, patrones de conducta pasada— y la puntúan con una clave derivada estadísticamente de su relación con el desempeño en ese puesto.
Con clave empírica alcanzan .38, el tercer lugar. Con clave racional, es decir cuando los pesos se asignan por juicio experto en lugar de derivarse de datos, caen a .22. Es una brecha de dieciséis centésimas dentro de la misma familia, producida únicamente por cómo se construyó la clave.
El contraste vale más que la cifra: dos instrumentos que recogen el mismo tipo de información, dirigidos al mismo constructo, difieren en poder predictivo por un detalle de construcción que ninguna etiqueta de catálogo comunica. Su límite operativo es que la clave empírica exige muestras de validación grandes y desarrollo por puesto, lo que la vuelve poco viable en vacantes de bajo volumen.
Esta familia existe en el mercado y merece estar en cualquier clasificación honesta, etiquetada por lo que la evidencia dice de ella.
La grafología. Schmidt y Hunter (1998) le asignaron .02, prácticamente indistinguible de cero. Es el caso más claro de un método que se sigue usando sin ningún respaldo.
Las tipologías que clasifican en categorías fijas. Perfiles, colores, cuadrantes. Fueron concebidas para describir estilos de interacción, no para predecir desempeño, y rara vez publican validez predictiva contra criterios laborales. Además, clasificar en una de cuatro o dieciséis casillas descarta información que una escala continua conserva. El problema no es el instrumento: es pedirle una respuesta para la que no fue construido. Un razonamiento equivalente aplica a los instrumentos clásicos usados sin recalibración.
Todos los coeficientes siguientes son estimaciones de validez operativa frente a desempeño laboral global, no frente a resultados específicos como cuota de venta o rotación. Provienen de Sackett et al. (2022), con las actualizaciones de Sackett et al. (2023), salvo donde se indica.
Primera: la media sola engaña. Sackett et al. (2022) reportan también la variabilidad entre estudios, y en algunos predictores es enorme. La entrevista estructurada tiene la media más alta, .42, con un intervalo de credibilidad del 80 % que va de .18 a .66; los autores proponen leerlo como ".42 más o menos .24". Los intereses tienen media de .24 y desviación de .25, con el extremo inferior en territorio negativo. Un predictor con media alta y variabilidad alta puede rendir excelente o casi nada según la implementación, así que conviene preguntar por el extremo bajo, no solo por el promedio.
Segunda: el criterio importa tanto como el método. Todas esas cifras predicen desempeño global. Si la decisión es otra —rotación temprana, conducta contraproducente, cuota de venta—, los coeficientes cambian y a veces se invierten, como ocurre en la evaluación de candidatos a puestos de ventas. Un instrumento con buena evidencia de validez para un criterio no la tiene automáticamente para otro. Por eso el eje de la decisión no es un adorno conceptual: conecta la elección del instrumento con lo que la empresa quiere predecir.
No hay una lista canónica de tipos de pruebas psicométricas, y quien la ofrezca está eligiendo un eje sin decirlo. Hay tres cortes legítimos, y para decidir qué aplicar en una vacante concreta el más informativo es el del método: los instrumentos que se acercan a la conducta del puesto predicen mejor que los que miden atributos generales.
Lo que se sigue es menos una recomendación de compra que un cambio de pregunta. En lugar de pedir el catálogo de tipos, pedir por cada instrumento cómo obtiene la información, contra qué criterio se validó, con qué variabilidad y sobre qué población se construyeron sus normas.
Para profundizar: ¿qué son las pruebas psicométricas y para qué sirven en la selección de personal? cubre las definiciones básicas, y ¿cuál es la mejor prueba psicométrica para reclutamiento en México? revisa los criterios de decisión.
Para verlo aplicado: solicita una demostración en psicotest.mx y revisa cómo se documenta, para cada instrumento, qué mide, con qué método y sobre qué población está estandarizado.
¿Cuántos tipos de pruebas psicométricas existen? No hay un número fijo: depende del eje. Por método suelen distinguirse cinco familias con respaldo —autorreporte, ejecución máxima, juicio situacional, muestra de conducta e historial biográfico— más una de métodos sin respaldo suficiente. Por constructo el número varía según el detalle con que se desglosen los atributos.
¿Cuál es la diferencia entre una prueba de aptitud y una de personalidad? La de aptitud tiene respuestas correctas e incorrectas y mide rendimiento máximo bajo esfuerzo; la de personalidad no tiene respuestas correctas y describe conducta habitual. Son familias distintas en el eje del método, y por eso una es vulnerable al entrenamiento previo y la otra a la distorsión deliberada.
¿Qué es una prueba de juicio situacional? Es un instrumento que presenta situaciones laborales con opciones de respuesta y las puntúa contra una clave de eficacia. Existen en dos variantes: preguntar qué debería hacerse, que mide conocimiento, o qué haría la persona, que mide tendencia conductual. Ambas alcanzan .26 de validez operativa frente a desempeño global.
¿Qué tipo de prueba psicométrica genera menos diferencias entre grupos? En los datos disponibles, las medidas de integridad y de personalidad presentan diferencias promedio entre subgrupos bastante menores que las de aptitud cognitiva. Esos datos son de población estadounidense y no se trasladan a la estructura social mexicana, así que la verificación en la propia población sigue siendo necesaria.
¿Cuántas pruebas debe incluir una batería de selección? Las que aporten información distinta. Cada instrumento adicional se justifica si suma predicción que los otros no dan, o si corrobora un hallazgo por un método diferente. Dos que miden lo mismo con el mismo método no hacen ninguna de las dos.
¿Una misma prueba puede pertenecer a más de un tipo? Sí, y es lo normal. Una prueba de competencias comerciales evaluadas mediante escenarios es de competencias por constructo, de juicio situacional por método y de ajuste al perfil por decisión. Las tres clasificaciones son correctas y describen aspectos distintos del mismo instrumento.
Psicotest es una empresa mexicana de psicometría laboral con 15 años de operación especializada y 25 años de trayectoria del grupo. Ha aplicado más de 20 millones de evaluaciones en más de 25 países en habla hispana, con instrumentos estandarizados para el contexto cultural latinoamericano. Su trabajo combina rigor científico, cumplimiento normativo integral y reportes claros para decisores humanos. Evalúa con ciencia.
Referencias
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
Gaugler, B. B., Rosenthal, D. B., Thornton, G. C., & Bentson, C. (1987). Meta-analysis of assessment center validity. Journal of Applied Psychology, 72(3), 493–511. https://doi.org/10.1037/0021-9010.72.3.493
Griebie, A., Bazian, I., Demeke, S., Priest, R., Sackett, P. R., & Kuncel, N. R. (2022). A contemporary look at the relationship between cognitive ability and job performance [Póster]. Society for Industrial and Organizational Psychology Annual Conference, Seattle, WA.
Lievens, F., & Sackett, P. R. (2017). The effects of predictor method factors on selection outcomes: A modular approach to personnel selection procedures. Journal of Applied Psychology, 102(1), 43–66. https://doi.org/10.1037/apl0000160
Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology, 107(11), 2040–2068. https://doi.org/10.1037/apl0000994
Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2023). Revisiting the design of selection systems in light of new findings regarding the validity of widely used predictors. Industrial and Organizational Psychology, 16(3), 283–300. https://doi.org/10.1017/iop.2023.24
Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124(2), 262–274. https://doi.org/10.1037/0033-2909.124.2.262
Van Iddekinge, C. H., Roth, P. L., Raymark, P. H., & Odle-Dusseau, H. N. (2012). The criterion-related validity of integrity tests: An updated meta-analysis. Journal of Applied Psychology, 97(3), 499–530. https://doi.org/10.1037/a0021196
Wernimont, P. F., & Campbell, J. P. (1968). Signs, samples, and criteria. Journal of Applied Psychology, 52(5), 372–376. https://doi.org/10.1037/h0026244
