Apunte 26 — Inclusión percibida: medición, brechas e interacciones

Analítica de Personas · Semestre otoño 2026 · Semana 10 · Prof. René Gempp

1. ¿Qué es la inclusión organizacional?

La definición más citada es la de Shore, Randel, Chung, Dean, Holcombe Ehrhart y Singh (2011, p. 1265): la inclusión es "el grado en que un empleado percibe que es un miembro valorado del grupo de trabajo a través de un trato que satisface sus necesidades de pertenencia y singularidad".

Basándose en la optimal distinctiveness theory de Brewer (1991), Shore et al. proponen un framework 2×2:

	Baja singularidad valorada	Alta singularidad valorada
Alta pertenencia	Asimilación: "Te aceptamos si te adaptas"	Inclusión: "Eres parte del grupo Y valoramos tus diferencias"
Baja pertenencia	Exclusión: "No perteneces ni te escuchamos"	Diferenciación: "Eres diferente, pero no eres de los nuestros"

La inclusión genuina requiere ambas dimensiones simultáneamente. Un grupo donde todos se sienten aceptados pero no pueden expresar sus diferencias es asimilación, no inclusión.

2. Escalas de inclusión: Nishii (2013)

Lisa Nishii (2013) desarrolló una escala de Clima de Inclusión con 31 ítems en tres dimensiones:

Prácticas laborales equitativas (9 ítems): justicia en evaluaciones, compensaciones, desarrollo.
Integración de diferencias (11 ítems): las diferencias personales son respetadas y valoradas.
Inclusión en la toma de decisiones (11 ítems): el input de todos es solicitado y utilizado.

Su hallazgo principal: en equipos diversos, un clima de inclusión alto reduce significativamente el conflicto relacional. La diversidad sola puede generar conflicto; la inclusión lo transforma en ventaja.

Versiones abreviadas. En la práctica corporativa, 31 ítems es largo. La encuesta de InnovaCo usa 10 ítems que capturan las tres dimensiones más un componente global. Esto es una simplificación didáctica, no un estándar psicométrico. El apunte lo declara; el rigor lo exige.

3. Ítems reversos: por qué existen y cómo recodificar

Los ítems reversos (formulados en dirección negativa) se incluyen para detectar respuestas por aquiescencia y para capturar matices que los ítems positivos no capturan. Los reconoces porque una persona con alta inclusión estaría en desacuerdo con ellos.

# Recodificar: 6 menos el puntaje original
# Escala 1–5: 1→5, 2→4, 3→3, 4→2, 5→1
datos <- datos |>
  mutate(
    incl_05_r = 6L - incl_05,
    incl_07_r = 6L - incl_07
  )

Lección de la Clase 6. ¿Recuerdas qué pasaba con el alpha de Cronbach si olvidabas recodificar los ítems reversos del engagement? Caía de 0,84 a 0,31. Lo mismo pasa aquí. Siempre recodifica antes de calcular promedios o alpha.

4. Puntaje global e ítems por dimensión

# Puntaje global = promedio de los 10 ítems (reversos ya corregidos)
datos <- datos |>
  mutate(
    inclusion_global = rowMeans(
      pick(incl_01, incl_02, incl_03, incl_04, incl_05_r,
           incl_06, incl_07_r, incl_08, incl_09, incl_10),
      na.rm = TRUE
    )
  )

Usamos la media (no la suma) porque mantiene la escala original (1–5) y facilita la interpretación: "una persona con inclusión global de 3,8 tiene, en promedio, un nivel de acuerdo moderado-alto con las afirmaciones de inclusión".

5. Análisis de brechas

Descriptivos por subgrupo

datos |>
  group_by(genero) |>
  summarise(
    n     = n(),
    media = mean(inclusion_global),
    sd    = sd(inclusion_global)
  )

Tests de significancia

# t-test para dos grupos
t.test(inclusion_global ~ genero, data = datos)

# ANOVA para más de dos grupos
aov(inclusion_global ~ departamento, data = datos) |> summary()

Tamaño del efecto: d de Cohen

Un t-test significativo no te dice cuán grande es la diferencia. La d de Cohen sí:

$d = \frac{\bar{x}_1 - \bar{x}_2}{SD_{\text{pooled}}}$

Criterios convencionales: d = 0,20 (pequeño), 0,50 (mediano), 0,80 (grande). Una brecha de d = 0,30 entre hombres y mujeres en inclusión es pequeña-moderada: existe, se detecta con un n suficiente, pero no es un abismo.

Visualización de brechas

# Dot plot de brechas: efectivo para mostrar dónde se abren
brechas |>
  ggplot(aes(x = media, y = nivel, color = genero)) +
  geom_point(size = 5) +
  geom_line(aes(group = nivel), color = "grey60")

6. Interacciones en regresión lineal

Una interacción significa que el efecto de una variable sobre el outcome depende del valor de otra variable. En el contexto de DEI: el efecto del género sobre la inclusión depende del nivel jerárquico.

Sintaxis en R

# Estas dos expresiones son equivalentes:
lm(y ~ x1 * x2)
lm(y ~ x1 + x2 + x1:x2)

# x1 * x2 se expande automáticamente a x1 + x2 + x1:x2

Los dos modelos que compararás

# Modelo 1: efectos principales (sin interacción)
modelo_1 <- lm(inclusion_global ~ genero + nivel_jerarquico +
              departamento + antiguedad_anios, data = datos)

# Modelo 2: con interacción género × nivel
modelo_2 <- lm(inclusion_global ~ genero * nivel_jerarquico +
              departamento + antiguedad_anios, data = datos)

7. Interpretar coeficientes de interacción

Este es el punto más difícil conceptualmente. Supongamos que el output del Modelo 2 incluye:

Término	β	Interpretación
`generoMujer`	−0,02	Diferencia H-M en la categoría de referencia de nivel (Gerencia)
`nivel_jerarquicoJefatura`	−0,15	Diferencia Jefatura vs. Gerencia para el grupo de referencia de género (Hombres)
`generoMujer:nivel_jerarquicoJefatura`	−0,25	La brecha de género se amplía en 0,25 puntos al pasar de Gerencia a Jefatura

Error clásico. El coeficiente de generoMujer:nivelJefatura NO es el efecto de ser mujer, ni el efecto de estar en Jefatura. Es la modificación del efecto de ser mujer cuando estás en Jefatura comparado con la referencia. Los efectos principales ya están capturados por los otros coeficientes.

Regla práctica. Si el coeficiente de interacción tiene el mismo signo que el efecto principal del género (ambos negativos), la brecha se agranda en ese nivel. Si tiene signo opuesto, la brecha se reduce.

8. Visualizar la interacción

La forma más clara de comunicar una interacción es un gráfico con líneas separadas por grupo:

# 1. Crear grilla de combinaciones
nuevos <- expand_grid(
  genero           = c("Hombre", "Mujer"),
  nivel_jerarquico = c("Operativo", "Profesional", "Jefatura", "Gerencia"),
  departamento     = "Desarrollo de Software",  # fijar controles
  antiguedad_anios = mean(datos$antiguedad_anios)
)

# 2. Predecir
nuevos$pred <- predict(modelo_2, newdata = nuevos)

# 3. Graficar
ggplot(nuevos, aes(x = nivel_jerarquico, y = pred,
                     color = genero, group = genero)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 4)

Lectura del gráfico: si las líneas son paralelas, no hay interacción (el efecto del género es constante en todos los niveles). Si las líneas divergen, la interacción es real: la brecha cambia según el nivel.

9. Comparar modelos con y sin interacción

# F-test de restricción (H₀: coeficientes de interacción = 0)
anova(modelo_1, modelo_2)
# Si p < 0.05 → la interacción mejora significativamente el modelo

# AIC (menor = mejor)
AIC(modelo_1, modelo_2)

Criterio para incluir la interacción. No basta con que sea significativa. Debe tener (1) razón teórica (la literatura sugiere que el efecto del género varía por nivel) Y (2) evidencia empírica (el p-valor y la mejora en AIC lo confirman). Incluir interacciones "por si acaso" infla el modelo y dificulta la interpretación.

10. Ética de la analítica de diversidad

La misma herramienta que diagnostica puede vigilar. Cinco principios para la práctica responsable:

Finalidad declarada y acotada: los datos se usan para diagnóstico grupal, no para decisiones individuales.
Nivel de análisis grupal: nunca identificar personas por su grupo demográfico.
Consentimiento informado: los empleados saben que sus datos se usarán para un diagnóstico agregado.
Tamaños mínimos: no reportar celdas con n < 5 para evitar re-identificación.
Temporalidad: un diagnóstico, no un rastreo permanente de la identidad.

Marco legal chileno

Ley 19.628: datos sensibles incluyen origen racial, opiniones políticas, vida sexual.
Ley 21.719 (vigente 1 dic 2026): principios de finalidad, proporcionalidad y minimización, más cercanos al GDPR.
Ley 20.609 (Ley Zamudio): no discriminación por múltiples motivos incluyendo sexo, orientación sexual, identidad de género, edad, apariencia.

11. Errores frecuentes

Error	Corrección
Olvidar recodificar ítems reversos antes del puntaje global	Siempre verificar: si el alpha es inusualmente bajo, probablemente olvidaste recodificar
Interpretar la interacción como efecto principal	El coeficiente de `genero:nivel` es una modificación, no un efecto directo
Usar datos de diversidad para decisiones individuales	Los datos son para diagnóstico grupal. Nunca para decidir quién promueves
Reportar celdas interseccionales con n < 5	Agrupa o no reportes para proteger la privacidad
Confundir significancia estadística con relevancia práctica	Calcula siempre la d de Cohen. Un p < 0,001 con d = 0,05 no es relevante
Incluir `nivel_educacion` en el modelo	Colineal con `nivel_jerarquico` (Clases 5 y 9). Ya deberías tener este reflejo

Referencias

Brewer, M. B. (1991). The social self: On being the same and different at the same time. Personality and Social Psychology Bulletin, 17(5), 475–482.
Chung, B. G., Ehrhart, K. H., Shore, L. M., Randel, A. E., Dean, M. A., & Kedharnath, U. (2020). Work group inclusion: Test of a scale and model. Group & Organization Management, 45(1), 75–102.
Else-Quest, N. M., & Hyde, J. S. (2016). Intersectionality in quantitative psychological research. Psychology of Women Quarterly, 40(3), 319–336.
Nishii, L. H. (2013). The benefits of climate for inclusion for gender-diverse groups. Academy of Management Journal, 56(6), 1754–1774.
Shore, L. M., et al. (2011). Inclusion and diversity in work groups: A review and model for future research. Journal of Management, 37(4), 1262–1289.