1  Validade em Testes Psicológicos: Fontes de Evidência

O que significa dizer que um teste apresenta evidências de validade? De onde vêm os conceitos de validade em psicologia? Como podemos buscar evidências de validade para nossos instrumentos? Neste capítulo, responderemos a essas perguntas.

1.1 Construtos, Comportamentos e Traços

Na física, em geral dispomos de um instrumento que existe fisicamente e mede propriedades físicas. Por exemplo, um instrumento que mede comprimento utiliza essa propriedade (isto é, o comprimento) para medir o comprimento de outro objeto. Portanto, não é necessário demonstrar que essa propriedade é congruente com a mesma propriedade do objeto que está sendo medido.

Entretanto, há situações em que isso não é tão claro. Por exemplo, se estivermos medindo velocidade por meio do efeito Doppler (um fenômeno físico de ondas que ocorre quando existe aproximação ou afastamento relativo entre uma fonte de ondas e um observador), a aproximação ou o afastamento das linhas espectrais da luz de uma galáxia funciona como instrumento. Nesse caso, surge o problema da validade do instrumento, pois precisamos saber se é de fato verdadeiro que a distância entre as linhas espectrais está relacionada à velocidade. Para isso, é necessário demonstrá-lo empiricamente. Questões de validade são comuns em áreas do conhecimento que utilizam medidas indiretas ou derivadas. O que ocorre com o efeito Doppler também é muito comum nas ciências comportamentais e psicológicas (por exemplo, psicologia e educação), especialmente quando utilizamos o conceito de construto (por exemplo, felicidade, ansiedade ou atração).

Como argumenta Maraun & Peters (2005), na pesquisa científica, conceitos são ferramentas essenciais para identificar e organizar fenômenos. Produtos científicos — como observações, hipóteses e teorias — são expressos por meio da linguagem, que, por sua vez, pode afetar a reprodutibilidade dos resultados científicos (Schmalz et al., 2024). Para estudar esses conceitos, pesquisadores em psicologia vêm buscando desenvolver formas de quantificar a mente humana e suas medidas relacionadas (Michell, 2014). A mensuração, como método científico fundamental, fornece um meio de determinar, com diferentes graus de acurácia e precisão, o nível de um atributo presente no objeto (ou nos objetos) estudado. Na psicologia e nas ciências sociais, também investigamos a validade das medidas (a extensão em que refletem um conceito) e sua precisão ou confiabilidade (o grau em que produzem resultados consistentes), tornando explícita a forte dependência dessas perspectivas de mensuração em relação a teorias prévias (Michell, 2001).

Essa forte dependência de teorias prévias faz com que a mensuração em psicologia se baseie, em grande parte, na definição de construtos que explicam ou descrevem diferenças individuais (Trendler, 2013). Um construto é definido como “um sistema conceitual que se refere a um conjunto de entidades — os referentes do construto — consideradas significativamente relacionadas de alguma maneira ou para alguma finalidade, embora nunca ocorram todas de uma só vez e, por isso, sejam consideradas apenas em níveis mais abstratos como uma entidade conjunta” (Uher, 2022). Essa definição pode ser resumida em três características de um construto (Cronbach & Meehl, 1955): (i) ele não é definido por um único referente observável; (ii) não pode ser observado diretamente; e (iii) seus referentes observáveis não são exaustivos. Como a mensuração e a teoria psicológicas, compreendidas em grande parte por meio das práticas psicométricas, geralmente são formalizadas em relação a entidades não observáveis, dependem de uma série de pressupostos qualitativos que não são diretamente testáveis (Franco et al., 2022). E, como esses pressupostos são, em alguma medida, não testáveis, tem-se argumentado que a mensuração científica propriamente dita em psicologia constitui uma impossibilidade empírica (Trendler, 2013).

Naturalmente, existem muitas formas de medir construtos. Uma forma comum é por meio de questionários, nos quais as pessoas respondem a cada item em uma escala de 1 (concordo totalmente) a 5 (discordo totalmente), por exemplo. Suponha que desejemos medir autoeficácia no trabalho. Desenvolvemos os itens com base na definição de autoeficácia — e depois? Como podemos saber o que significam os resultados do nosso teste? A autoeficácia é um fenômeno único ou pode ser dividida em diferentes aspectos? É nesse ponto que entra a busca por evidências de validade.

A necessidade de medidas válidas parece bastante evidente, pois, para testar teorias que relacionam construtos teóricos (por exemplo, o construto A influencia o construto B para indivíduos provenientes da população P sob as condições C), é necessário dispor de medidas válidas desses construtos. Assim, mesmo testes bem-sucedidos e replicáveis de uma teoria podem levar a conclusões falsas se as medidas não apresentarem validade de construto; isto é, se não medirem aquilo que os pesquisadores pressupõem estar medindo (Schimmack, 2021).

1.2 Psicometria em uma Encruzilhada: Enfrentando a Crise de Mensuração da Psicologia

A replicabilidade de afirmações científicas é um princípio central do progresso científico (Lakatos & Musgrave, 1970). Nos últimos anos, a psicologia tornou-se cada vez mais consciente de um desafio importante — aquilo que atualmente é reconhecido como uma crise de replicação (Schimmack, 2021). Desde 2012, tornou-se evidente que muitos achados psicológicos publicados não se replicam quando submetidos a testes rigorosos (Schimmack, 2021). Em razão de preocupações como essas, entre outros fatores, diversos cientistas sugeriram que práticas questionáveis de pesquisa (como p-hacking e HARKing) contribuem de maneira importante para o aumento de achados “falso-positivos”, reduzindo, assim, as taxas de replicação (Nosek et al., 2012). Em resposta, defensores de reformas científicas promoveram novas práticas de “ciência aberta” destinadas a tornar visíveis e mitigar essas práticas questionáveis (Munafò et al., 2017).

Entretanto, a crise de replicação não é o único problema enfrentado pela ciência psicológica. Um resultado pode ser simultaneamente reproduzível, robusto e replicável e, ainda assim, inválido, pois essas propriedades não asseguram que as intervenções tenham funcionado conforme o pretendido, que as medidas tenham capturado com precisão os desfechos desejados ou que as interpretações estejam alinhadas às evidências produzidas (Nosek et al., 2022). Assim, uma mensuração robusta, juntamente com um delineamento adequado do estudo e competência em modelagem estatística, ocupa papel central no processo científico. Se as medidas utilizadas em um estudo não apresentarem validade ou precisão, as conclusões derivadas dele podem ser questionáveis (Flake et al., 2017). Schimmack (2021) argumenta que a psicologia enfrenta uma crise de validade, particularmente no que se refere à validade dos instrumentos psicológicos.

Cronbach & Meehl (1955) já manifestavam ceticismo em relação à validade de construto de muitas medidas psicológicas. Eles enfatizaram a ausência de critérios adequados para validar testes destinados a medir construtos psicológicos, observando que muitos desses testes permanecem sem validação ou são sustentados apenas por uma rede de racionalizações que não constitui validação propriamente dita. Apesar dos avanços na mensuração psicológica, as preocupações levantadas por Schimmack (2021) sugerem que muitas das críticas de Cronbach e Meehl continuam sem solução. Essa questão também é destacada, por exemplo, por Flake et al. (2017), que revisaram práticas contemporâneas e constataram que a precisão é frequentemente o único critério utilizado para reivindicar validade de construto. Contudo, a precisão é uma condição necessária, mas não suficiente, para a validade.

Em razão dessas limitações, tem-se argumentado que muitos estudos não fornecem evidências robustas de validade de construto (Flake & Fried, 2020). Mesmo quando se afirma que uma medida é válida, permanece pouco claro em que grau ela o é. Esse problema contínuo torna-se ainda mais evidente pelo uso persistente de medidas desenvolvidas há décadas, sem validação quantitativa que confirme sua validade ao longo do tempo. Por exemplo, a escala de autoestima de Rosenberg (Rosenberg, 1965) continua sendo a medida de autoestima mais amplamente utilizada (Bosson et al., 2000; Schimmack, 2021), embora sua validade de construto nunca tenha sido plenamente quantificada, deixando incerto se ela apresenta desempenho superior ao de outras medidas de autoestima (Schimmack, 2021).

Embora haja amplo reconhecimento das limitações inerentes às práticas psicométricas tradicionais (Kane, 2017; Maul, 2017; Schmittmann et al., 2013), não existe consenso sobre a melhor forma de enfrentar a crise de validação. Alguns autores questionam se práticas psicométricas convencionais podem sustentar as fortes afirmações de mensuração quantitativa frequentemente feitas por psicólogos, enfatizando limitações conceituais e causais das abordagens tradicionais (Maul, 2017; Trendler, 2009). Outros se concentram em modificar os modelos utilizados para representar fenômenos psicológicos — por exemplo, modelos de rede tratam os indicadores como componentes potencialmente interativos de um sistema, em vez de pressupor que suas associações necessariamente resultam de uma única causa latente comum (Schmittmann et al., 2013).

Apesar dos diferentes caminhos possíveis, é razoável inferir que o avanço da ciência psicológica requer um esforço articulado para desenvolver uma agenda de pesquisa robusta, centrada na mensuração e em suas ressalvas. Essa agenda deve priorizar a avaliação contínua da validade dos instrumentos psicológicos, assegurando que as medidas utilizadas na pesquisa realmente reflitam os construtos que pretendem avaliar. Além disso, deve-se dedicar atenção cuidadosa aos pressupostos subjacentes que fundamentam esses instrumentos. Sem um exame rigoroso dessas bases psicométricas, a validade das avaliações psicológicas permanece questionável, e quaisquer conclusões derivadas dessas medidas podem estar fundamentalmente equivocadas. Portanto, avançar a área exige não apenas práticas robustas de validação, mas também uma preocupação profunda e contínua com os pressupostos psicométricos que sustentam essas práticas.

1.3 Uma Breve Nota sobre a História da Validade

A. 1900–1950: A hegemonia da validade de conteúdo

Naquele período, as teorias da personalidade estavam em ascensão. A maioria das teorias (como a psicanalítica, a Gestalt e a fenomenologia) geralmente apresentava pouca fundamentação empírica. Nesse contexto, testes de traços de personalidade eram considerados válidos na medida em que o conteúdo do teste correspondia ao conteúdo dos traços definidos teoricamente.

B. 1950–1970: Predominância da validade de critério

O behaviorismo exerceu grande influência sobre a Psicologia e, naturalmente, sobre a Psicometria. Os testes eram compostos por uma amostra de comportamentos que se esperava que predissessem outros comportamentos ou comportamentos futuros. Esses testes eram considerados válidos se predissessem com precisão o comportamento no futuro (ou em outro momento), estabelecendo um novo caminho para a validade, denominado validade de critério. Não importava por que o teste predizia o comportamento; desde que o predissesse, isso era considerado suficiente para sua validade. Como podemos imaginar, houve uma mudança do pensamento teórico para um foco na estatística. Em vez de construir um teste para medir um construto, selecionavam-se itens de um conjunto que aparentemente se referia ao que se desejava medir, utilizando essencialmente a análise estatística para resolver o problema.

C. 1970–Hoje: A ascensão da validade de construto

Após o artigo de Cronbach e Meehl de 1955 sobre um modelo trinitário de validade (conteúdo, critério e construto), houve uma mudança na forma de pensar a validade. A teoria voltou a ocupar papel central em razão de fatores como:

  1. A necessidade de desenvolver, sobre bases empíricas, uma teoria da personalidade e da inteligência, utilizando análise fatorial.

  2. Estudos dos processos cognitivos.

  3. Estudos dos processos de informação.

  4. Insatisfação com os resultados da utilização de testes em contextos educacionais e de trabalho.

  5. O impacto da Teoria de Resposta ao Item.

Cronbach & Meehl (1955) observam que a validação de construto é necessária

sempre que um teste deve ser interpretado como uma medida de algum atributo ou qualidade que não esteja “operacionalmente definida” (p. 282).

Essa definição deixa claro que existem outros tipos de validade (por exemplo, validade de critério) e que nem todas as medidas exigem validade de construto. Entretanto, estudos de teorias psicológicas que relacionam construtos requerem medidas válidas desses construtos para que as teorias possam ser testadas. Assim, a validade de construto corresponde à relação entre a variação nos escores observados de uma medida (por exemplo, escores em uma escala Likert) e uma variável latente que reflete a variação correspondente em um construto teórico (por exemplo, Extroversão; isto é, pessoas que se sentem mais energizadas por interações sociais).

O problema da validade de construto pode ser ilustrado pelo desenvolvimento de testes de QI (Schimmack, 2021). Escores de QI podem apresentar validade preditiva (por exemplo, desempenho na pós-graduação) sem que se faça qualquer afirmação sobre o construto medido (testes de QI medem aquilo que medem, e aquilo que medem prediz desfechos importantes). Entretanto, testes de QI são frequentemente tratados como medidas de inteligência. Para que testes de QI sejam medidas válidas de inteligência, é necessário definir o construto inteligência e demonstrar que os escores de QI observados estão relacionados à variação não observada em inteligência. Assim, a validação de construto requer definições claras de construtos que sejam independentes das medidas em processo de validação. Sem uma definição clara dos construtos, o significado de uma medida essencialmente retorna a “qualquer coisa que a medida esteja medindo”, como no antigo adágio “Inteligência é aquilo que os testes de QI medem” (Schimmack, 2021).

1.4 O que É Validade?

Um ponto de partida útil é deixar de perguntar se um teste em si é válido. A teoria contemporânea da validade pergunta se uma determinada interpretação e uso dos escores de um teste são suficientemente sustentados por teoria e evidências empíricas (American Educational Research Association et al., 2014; Baptista & Villemor-Amaral, 2019). Um teste pode, portanto, apresentar forte sustentação para uma interpretação, população ou finalidade e sustentação muito mais fraca para outra. A validade não é uma certificação permanente anexada ao instrumento; é um argumento que precisa ser sustentado, questionado e atualizado à medida que as evidências se acumulam.

Essa perspectiva também modifica a forma como falamos dos conhecidos “tipos de validade”. Conteúdo, processos de resposta, estrutura interna, relações com outras variáveis e consequências são mais adequadamente compreendidos como fontes de evidência de validade, e não como tipos independentes de validade que um teste possui ou não possui. Essas fontes se complementam. Uma estrutura fatorial convincente, por exemplo, não compensa itens que os respondentes compreendem sistematicamente de maneira equivocada, assim como itens claramente redigidos não demonstram, por si só, que os escores se relacionam a variáveis externas de formas teoricamente esperadas.

DicaPense em evidências, não em caixas de verificação

O objetivo da validação não é coletar um resultado de cada categoria e declarar que um teste é “válido”. O objetivo é construir um argumento coerente mostrando que a interpretação e o uso propostos para os escores permanecem plausíveis quando examinados a partir de diferentes perspectivas.

1.5 Fontes de Evidência de Validade

1.5.1 Evidências Baseadas no Conteúdo do Teste

Evidências baseadas no conteúdo do teste perguntam se os itens representam adequadamente o domínio do construto que o escore pretende refletir. Isso exige mais do que verificar se os itens apenas parecem relacionados ao construto. Pesquisadores devem definir o construto e seus limites, identificar facetas ou comportamentos relevantes e examinar se o conjunto de itens é suficientemente representativo sem ser contaminado por conteúdo irrelevante.

Fontes comuns de evidência de conteúdo incluem literatura teórica e empírica, matrizes ou tabelas de especificação do teste, julgamentos de especialistas no conteúdo e feedback de membros da população-alvo. Resumos quantitativos, como porcentagens de concordância, índices de validade de conteúdo ou coeficientes kappa, podem ajudar a organizar os julgamentos, mas não substituem o raciocínio conceitual que relaciona cada item ao construto pretendido.

Bastos et al. (2022) fornece um exemplo útil. Ao desenvolver a Escala de Autopercepção de Preconceito e Discriminação, os autores primeiro definiram preconceito e discriminação autopercebidos, revisaram medidas existentes, desenvolveram itens para diferentes grupos sociais e submeteram os itens à avaliação de especialistas. A seleção final dos itens foi, portanto, informada por uma definição explícita do construto e por julgamentos sobre a relevância dos itens, e não apenas pelo desempenho estatístico.

1.5.2 Evidências Baseadas nos Processos de Resposta

Evidências baseadas nos processos de resposta dizem respeito à compatibilidade entre os processos psicológicos e comportamentais utilizados para responder a um item e os processos pressupostos pela interpretação pretendida do escore. Duas pessoas podem escolher a mesma opção de resposta por motivos muito diferentes; inversamente, respondentes podem compreender um item de uma maneira que nunca foi pretendida por seus autores. Dados de respostas fechadas, por si só, geralmente não revelam por que determinada opção foi selecionada.

Estudos de processos de resposta investigam, portanto, como os respondentes compreendem o item, recuperam informações relevantes, formam um julgamento e mapeiam esse julgamento para as opções de resposta disponíveis. Os métodos podem incluir entrevistas cognitivas, protocolos de pensar em voz alta, sondagens verbais ou escritas, observação e outros dados de processo. Por exemplo, Noble et al. (2014) examinaram estudantes do quinto ano aprendizes de língua inglesa ao responderem itens de uma prova de ciências. Os dados das entrevistas mostraram que características linguísticas às vezes levavam os estudantes a interpretações diferentes daquelas pretendidas pelos desenvolvedores do teste, produzindo respostas incorretas mesmo quando os estudantes demonstravam conhecimento científico relevante. Esse é precisamente o tipo de problema que uma análise fatorial dos escores dos itens dificilmente diagnosticaria.

1.5.2.1 O Método de Avaliação do Processo de Resposta

Wolf et al. (2025) oferece uma estrutura particularmente útil para coletar esse tipo de evidência. Wolf e colegas argumentam que evidências de processo de resposta são frequentemente negligenciadas em favor de análises quantitativas, apesar de coeficientes favoráveis de precisão, modelos fatoriais ou correlações não poderem estabelecer que os respondentes interpretaram os itens conforme o pretendido. Seu método de avaliação do processo de resposta (RPE, response-process-evaluation) transforma o pré-teste de itens em um procedimento iterativo e documentado de validação (Wolf et al., 2025).

O fluxo do RPE pode ser resumido da seguinte forma:

  1. Especificar o significado pretendido. Antes de avaliar um item, os pesquisadores documentam sua interpretação pretendida, seu uso pretendido e a população-alvo.
  2. Investigar o processo de resposta. Os participantes respondem ao item e, em seguida, a perguntas de sondagem direcionadas. Dependendo do item, essas perguntas podem examinar compreensão, paráfrase, seleção ou rejeição de categorias, interpretações específicas, relevância experiencial e feedback adicional.
  3. Avaliar as respostas de forma holística. Vários avaliadores treinados examinam o conjunto completo de sondagens, em vez de depender de uma única resposta, e classificam se o item foi compreendido conforme o pretendido.
  4. Revisar e testar novamente. Interpretações equivocadas são tratadas como informações sobre o item, e não como erros cometidos pelos participantes. Itens ou sondagens problemáticos são revisados e testados com novos respondentes.
  5. Avaliar a versão final. Wolf e colegas recomendam, de forma provisória, avaliar a versão final de um item com cerca de 20 respondentes e considerar pelo menos 80% de itens compreendidos ou provavelmente compreendidos como um parâmetro prático, observando que amostras maiores ou limiares mais rigorosos podem ser apropriados para alguns usos (Wolf et al., 2025).
  6. Documentar as evidências. O relatório final de validação do item registra sua redação, interpretação e uso pretendidos, população-alvo, proporção compreendida conforme o pretendido, exemplos de interpretações e interpretações equivocadas comuns (Wolf et al., 2025).

O valor da abordagem iterativa é visível no exemplo do item de compaixão apresentado no artigo. O item foi revisado repetidamente depois que os respondentes revelaram interpretações diferentes das intenções dos pesquisadores. Na sexta e última iteração, 19 dos 20 participantes (95%) compreenderam o item conforme o pretendido; os autores observam que uma versão anterior teria deixado aproximadamente um quarto dos respondentes compreendendo o item de maneira equivocada (Wolf et al., 2025). Esse exemplo ilustra um princípio importante: evidências de processo de resposta podem modificar o próprio item, em vez de apenas fornecer mais uma estatística após a conclusão da coleta de dados.

O método RPE não substitui entrevistas cognitivas em todos os contextos. Ele troca parte da flexibilidade das perguntas de acompanhamento em tempo real por maior padronização e administração mais simples em amostras maiores. Wolf e colegas também enfatizam que várias sondagens costumam ser necessárias, pois uma única sondagem pode não fornecer informação suficiente para reconstruir como um respondente compreendeu e respondeu a um item (Wolf et al., 2025).

1.5.3 Evidências Baseadas na Estrutura Interna

Evidências baseadas na estrutura interna perguntam se as relações entre os itens e os componentes do teste são consistentes com a estrutura implicada pela definição do construto e pelo modelo de escore proposto. Se uma escala é interpretada como unidimensional, por exemplo, sua estrutura interna deve sustentar o tratamento dos itens como indicadores de uma dimensão comum. Se um teste propõe várias subescalas distintas, porém relacionadas, a estrutura observada deve ser compatível com essas distinções.

Análise fatorial exploratória (AFE), análise fatorial confirmatória (AFC) e modelos de teoria de resposta ao item (TRI) são ferramentas comuns para investigar a estrutura interna. Dependendo da teoria e do delineamento do teste, os pesquisadores também podem examinar dependência local, correlações fatoriais, discriminação dos itens, dimensionalidade, invariância de mensuração ou outras características. É importante observar que bom ajuste do modelo não equivale a validade: ele responde a uma questão estrutural sobre as respostas, mas não estabelece que o construto tenha sido adequadamente representado nem que os respondentes tenham interpretado os itens conforme o pretendido.

Selau et al. (2020) ilustra essa fonte de evidência com a Escala de Funcionamento Adaptativo para Deficiência Intelectual (EFA-DI), desenvolvida para crianças de 7 a 15 anos. Os autores investigaram se as respostas observadas aos itens sustentavam a estrutura proposta de funcionamento adaptativo utilizando AFC e TRI, juntamente com evidências envolvendo variáveis externas.

1.5.4 Evidências Baseadas nas Relações com Outras Variáveis

Evidências baseadas nas relações com outras variáveis perguntam se os escores do teste se relacionam a medidas externas de formas previstas pela teoria. O ponto importante não é simplesmente saber se uma correlação é estatisticamente significativa, mas se sua direção e magnitude são compatíveis com a rede nomológica que circunda o construto.

Padrões comuns incluem:

  1. Evidência convergente: os escores devem se relacionar de maneira relativamente forte a medidas confiáveis do mesmo construto ou de construtos estreitamente relacionados.
  2. Evidência discriminante: os escores devem apresentar relações mais fracas com medidas de construtos teoricamente distintos.
  3. Evidência relacionada a critério: os escores devem se relacionar a comportamentos, desfechos, classificações ou critérios relevantes. Quando o critério é medido aproximadamente no mesmo momento, isso costuma ser descrito como evidência concorrente; quando os escores são utilizados para antecipar um desfecho posterior, costuma ser descrito como evidência preditiva.
  4. Evidência nomológica: um padrão mais amplo de associações deve corresponder à rede teórica na qual o construto está inserido. Isso pode incluir associações positivas e negativas e, de modo importante, relações próximas de zero quando teoricamente esperadas.

Essas expectativas devem ser especificadas a partir da teoria, e não decididas após a inspeção das correlações. Por exemplo, Beymer et al. (2022) examinaram uma medida das percepções de custo de estudantes universitários e testaram se suas relações com variáveis de expectativa e valor seguiam padrões teoricamente esperados.

1.5.5 Evidências Relativas às Consequências da Testagem

Evidências relativas às consequências da testagem examinam o que acontece quando os escores são interpretados e utilizados na prática. Isso inclui benefícios pretendidos, bem como resultados não intencionais para indivíduos, grupos, instituições ou sistemas de decisão. A questão central não é simplesmente se um teste apresenta consequências sociais boas ou ruins. Um resultado indesejável não invalida automaticamente uma interpretação de escore, assim como um resultado desejável não estabelece validade.

As consequências tornam-se especialmente relevantes para um argumento de validade quando revelam problemas como sub-representação do construto, variância irrelevante ao construto, barreiras sistemáticas para determinados grupos ou decisões que ultrapassam a interpretação e o uso para os quais foram estabelecidas evidências (American Educational Research Association et al., 2014). Em aplicações de alto impacto, os pesquisadores devem, portanto, perguntar não apenas se os escores são psicometricamente defensáveis, mas também se a regra de decisão construída sobre esses escores é justificada para a população e a finalidade pretendidas.

Essa distinção é útil porque separa duas perguntas frequentemente confundidas: O escore sustenta a interpretação pretendida? e O uso proposto desse escore é apropriado e suficientemente sustentado? Um programa responsável de validação considera ambas.

1.6 Considerações Finais

A validade não é uma propriedade que um teste adquire uma vez e mantém indefinidamente. Em vez disso, a validação é um processo contínuo de construção e avaliação de um argumento sobre o que os escores de um teste significam e se seus usos propostos são justificados. Essa distinção é particularmente importante na psicologia, em que os atributos de interesse frequentemente são construtos teóricos que não podem ser observados diretamente. Um instrumento com bom comportamento estatístico ainda pode oferecer uma representação inadequada do construto que foi desenvolvido para medir.

Por essa razão, nenhuma análise isolada pode estabelecer validade. Evidências baseadas no conteúdo do teste, nos processos de resposta, na estrutura interna, nas relações com outras variáveis e nas consequências da testagem respondem a diferentes perguntas sobre a interpretação proposta dos escores. Essas fontes devem ser consideradas complementares, e não tratadas como caixas independentes a serem marcadas. Análise fatorial, estimativas de precisão ou correlações com variáveis externas podem fornecer informações importantes, mas resultados quantitativos favoráveis não compensam construtos mal definidos ou itens que os respondentes interpretam sistematicamente de maneira diferente daquela pretendida pelos pesquisadores (Flake et al., 2017; Wolf et al., 2025).

Talvez a implicação mais importante seja que a mensuração deve ser tratada como parte da teoria substantiva, e não como uma etapa técnica preliminar que antecede a pesquisa “de verdade”. Teorias psicológicas são testadas por meio de observações produzidas por procedimentos de mensuração; portanto, a incerteza sobre o que essas observações representam necessariamente se transforma em incerteza sobre as teorias construídas a partir delas. As preocupações levantadas por Cronbach & Meehl (1955) há mais de meio século, consequentemente, continuam relevantes: a validação de construtos exige confrontar continuamente nossas interpretações com evidências empíricas, em vez de depender de convenções, conveniência estatística ou popularidade histórica de um instrumento.

Ao longo do restante deste livro, esse princípio servirá como um tema recorrente. Os métodos psicométricos apresentados nos capítulos seguintes — teoria clássica dos testes, modelos de variáveis latentes, análise fatorial, modelos de resposta ao item, invariância de mensuração e outras abordagens — não devem ser vistos apenas como técnicas para produzir coeficientes ou alcançar ajuste aceitável do modelo. Eles são ferramentas para formular perguntas cada vez mais precisas sobre mensuração. Seu valor depende, em última instância, de quão efetivamente nos ajudam a compreender o que nossos escores representam, por que se comportam como se comportam e se as conclusões que extraímos deles são cientificamente defensáveis.