Tesis. El análisis cuantitativo es una forma disciplinada de responder preguntas sobre la vida social: convierte en datos los hechos que observa, elige indicadores que se puedan medir, aplica procedimientos de cálculo y llega a conclusiones cuyo alcance se puede sostener con la evidencia disponible. La cantidad de números por sí sola no garantiza nada: lo que vuelve confiable el procedimiento es que cada número se pueda rastrear hasta una fuente, cada indicador se pueda definir con reglas claras y cada conclusión se ajuste a lo que los datos permiten afirmar.
En una frase: transformar observaciones en datos medibles, analizarlos con procedimientos explícitos y limitar la conclusión a lo que la evidencia sostiene.
1. Qué es el análisis cuantitativo
Cuando en una clase de metodología se dice que un trabajo es cuantitativo, se está describiendo el camino que sigue la evidencia y no el tema que se estudia. Un estudio sobre ausentismo laboral, sobre confianza entre vecinos o sobre el uso del tiempo es cuantitativo si sus datos son números y si las decisiones se toman sobre el cálculo. Ese mismo tema puede abordarse de otra manera si lo que se analiza es el discurso de las personas entrevistadas. La diferencia está en la forma en que se responde a la pregunta.
En términos operativos, el análisis cuantitativo se apoya en tres decisiones que el investigador toma de manera explícita. La primera es qué se va a medir: cada concepto del que se quiere hablar en el problema se traduce a una variable, es decir, a una característica que puede tomar distintos valores y que queda definida por el procedimiento concreto de recolección. La segunda es con qué reglas se agrupan los datos: la variable medida se clasifica según su nivel de medición, y esa clasificación decide qué cálculos tienen sentido y cuáles no. La tercera es cómo se sostiene la conclusión: la relación que se observa entre variables se contrasta con un procedimiento de inferencia que permite decidir si el resultado observado se sostiene o se atribuye al azar de la muestra.
Kerlinger (1986) insiste en un punto que suele pasarse por alto en los trabajos de estudiante: la investigación es un proceso de resolver problemas con datos, y los conceptos que aparecen en el problema no son las cosas mismas, sino construcciones que se definen de forma explícita para poder ser medidas. De ahí que el documento metodológico tenga que leerse como una cadena continua: concepto, definición, variable, indicador, dato. Si se corta un eslabón, el resultado pierde sentido aunque el análisis estadístico se haya hecho sin errores de cálculo.
Tarjeta de memoria. Para recordar la cadena íntegra, apóyate en los cuatro pasos de la ficha: cada concepto se define, cada definición se traduce a una variable, cada variable recibe un nivel de medición y cada nivel de medición abre un menú distinto de estadísticas. Si falta uno de los cuatro, la conclusión queda sin base.
2. Cuantitativo y cualitativo: dos lógicas de conocimiento
La comparación con el enfoque cualitativo ayuda a fijar el alcance del cuantitativo, porque los dos se diferencian en casi cada momento del proceso y no solo en la etapa final del cálculo. Ambos responden preguntas sobre lo social, ambos exigen decisiones sobre el muestreo y ambos terminan con una interpretación. Lo que cambia es el tipo de evidencia que se considera admisible y el tipo de conclusión que esa evidencia permite.
| Momento de la investigación | Lógica cuantitativa | Lógica cualitativa |
|---|---|---|
| Naturaleza del dato | Números que registran una característica medida con reglas declaradas | Texto, discurso, imagen o registro de campo interpretable |
| Pregunta guía | Cuánto, con qué frecuencia, en qué medida, entre qué grupos | Cómo, por qué, qué significados se construyen en un proceso |
| Muestra | Grupo delimitado con regla de selección conocida, orientado a representatividad | Grupo acotado por decisión deliberada sobre el contexto |
| Procedimiento central | Operacionalización, niveles de medición, estadística descriptiva e inferencial | Transcripción, codificación, categorías y lectura interpretativa |
| Criterio de calidad | Fiabilidad del instrumento, control de variables extrañas, precisión del cálculo | Rigurosidad del registro, saturación, coherencia interna del análisis |
| Forma de la conclusión | Grado de respaldo de la relación medida, con alcance limitado a la población y al diseño | Lectura del sentido que la evidencia cualitativa construye |
Conviene evitar dos extremos. El primero es tratar el enfoque cuantitativo como una forma simple de contar: el cálculo es la última etapa de una cadena de decisiones que empieza en la definición del problema, y cada eslabón condiciona a los siguientes. El segundo es suponer que un dato numérico habla por sí mismo: las cifras describen relaciones dentro de los datos medidos y necesitan una lectura que las conecte con el contexto en que se produjeron.
Los dos enfoques pueden convivir en un mismo proyecto. Un trabajo puede medir la frecuencia de una conducta con una escala ordinal y luego usar entrevistas para entender por qué esa conducta se concentra en determinado grupo. En esa combinación, la parte cuantitativa delimita la magnitud del fenómeno y la parte cualitativa explica su sentido; al escribirlas en el mismo informe conviene indicar el papel de cada una y evitar que una analice datos que la otra construyó.
3. Variables: la pieza que se mide
Una variable es una característica que puede adoptar distintos valores. En la investigación social, casi todo lo que se estudia de cerca termina siendo una variable: la edad, el nivel de ingresos, el tiempo de permanencia en el puesto, la pertenencia a un grupo, la frecuencia con la que se recurre a una estrategia de afrontamiento. La idea que organiza el concepto es que la característica puede cambiar de valor, porque una característica que se mantiene fija en cada caso no aporta variación y, en consecuencia, no permite explicar nada.
Las variables se clasifican por su rol en la relación que se estudia y por su forma de tomar valores. Por rol, se distinguen la variable independiente, que es la que el investigador manipula o considera como posible causa; la dependiente, que es el resultado que se espera observar; la interviniente o extraña, que son características de los participantes o del contexto que podrían alterar la relación y que hay que controlar o medir; y las variables de control, que se incluyen de forma deliberada para mantener estables las condiciones del estudio. Por forma de tomar valores, se distinguen las categorías nominales, las ordinales y las numéricas, y dentro de las numéricas las de intervalo y las de razón.
Kerlinger (1986) introduce además una distinción que resuelve muchos malentendidos en los trabajos de estudiante: entre variables manifiestas y variables latentes. La edad es manifiesta, porque se observa y se registra directamente; la ansiedad ante un examen es latente, porque lo que se observa es una respuesta que se supone relacionada con ella. Toda variable latente necesita un indicador, es decir, un procedimiento mediante el cual el constructo se vuelve observable. Esa traducción se llama operacionalización y es el punto donde la teoría se encuentra con el dato.
Trampa de parcial: confundir la variable con el constructo. La variable es la característica medida y registrada; el constructo es la idea que la variable intenta aproximar. Si se escribe “medimos la ansiedad” sin explicar mediante qué reactivos o mediante qué escala se alcanzó ese valor, la operacionalización queda sin hacer y el procedimiento no puede repetirse ni evaluarse.
4. Niveles de medición: qué operaciones admite cada variable
Stevens (1946) propuso clasificar las variables según el tipo de relaciones que se pueden establecer entre sus valores, y esa clasificación se convirtió en el marco de referencia para decidir qué estadísticas son admisibles. La idea central es sencilla de enunciar y exigente de aplicar: cada nivel de medición autoriza un conjunto distinto de operaciones, y pedirle a un dato una operación que no tiene produce resultados sin interpretación posible.
| Nivel | Ejemplo en ciencias sociales | Operaciones admisibles | Estadística que se puede usar |
|---|---|---|---|
| Nominal | Modalidad de estudio, zona de residencia, tipo de trabajo | Identidad: decir si dos valores son el mismo o distintos | Frecuencias, proporciones, moda |
| Ordinal | Nivel de acuerdo en una escala Likert, rango en una clasificación de desempeño | Identidad y orden: saber cuál valor está antes o después | Mediana, rangos, porcentajes acumulados |
| Intervalo | Temperatura en grados Celsius, puntaje de una escala de inteligencia | Identidad, orden y distancia: las diferencias entre valores son interpretables | Media, desviación, coeficientes de correlación |
| Razón | Peso, edad, número de hijos, ingresos, tiempo de reacción | Las anteriores, más proporción: el cero es un cero absoluto | La estadística en su conjunto, incluida razón y coeficientes de variación |
Definición clave: el nivel de medición de una variable es el conjunto de operaciones que su escala permite (identificar, ordenar, medir diferencias, establecer proporciones). Ese conjunto, y no la forma de los datos, decide qué statistic puede usarse y cómo se debe leer el resultado.
El detalle que más se examina es la diferencia entre intervalo y razón, porque depende de una sola característica del cero. En una escala de intervalo, el cero indica la posición del valor en la escala y no la ausencia de la magnitud medida; por eso tiene sentido restar y comparar diferencias, mientras que no tiene sentido afirmar que 20 grados Celsius son el doble de 10 grados Celsius. En una escala de razón, el cero representa la ausencia absoluta de lo medido, de modo que la proporción entre valores también se puede interpretar: 40 años son el doble de 20 años.
El nivel de medición va más allá del detalle administrativo de la tabla de datos: es el criterio que gobierna la elección del análisis. Calcular la media de una escala de satisfacción cuando las respuestas son categorías ordinales no informa nada sobre la distribución real, y un índice construido sumando etiquetas nominales carece de sentido aritmético. Cuando un trabajo utiliza una escala ordinal como si fuera de intervalo, debe justificar la decisión con argumentos sobre la distribución de las respuestas y avisar que las medias se leen con cautela; si omite ese paso, la elección queda sin sustento.
Trampa de parcial: creer que una escala Likert es numérica por llevar números. Si los valores de la escala son etiquetas ordenadas, el nivel es ordinal y la media no resume la respuesta. En la duda, presenta la distribución de frecuencias de cada ítem y usa medidas que respeten el orden.
5. Población y muestra
La población es el conjunto de elementos que comparten las características que el estudio se propone describir: el conjunto de estudiantes de una universidad, el conjunto de familias de un municipio, el conjunto de personas que viven en un barrio. La muestra es el subconjunto que efectivamente se observa. En la práctica, rara vez se puede estudiar la población entera, y esa limitación es la razón de ser del muestreo.
La pregunta metodológica central es cómo se seleccionó la muestra, porque de esa selección depende lo que se puede afirmar al final. En el muestreo probabilístico, cada elemento de la población tiene una probabilidad conocida de entrar en la muestra y el azar interviene en la selección: son los procedimientos aleatorio simple, sistemático, por grupos o por estratos. En el muestreo no probabilístico, la selección depende del criterio del investigador y no hay base para calcular el error de muestreo; en estos casos el informe suele aludir a la representatividad de lo observado, aunque ese término describe una aspiración y no una propiedad demostrada.
Los conceptos asociados permiten discutir el diseño con precisión. El error de muestreo es la diferencia posible entre el valor obtenido en la muestra y el valor real de la población, y su tamaño depende del tamaño de la muestra y de la homogeneidad de la variable medida: a mayor cantidad de casos y menor dispersión, menor error. El sesgo de selección aparece cuando el procedimiento favorece a ciertos elementos del conjunto, por ejemplo cuando se administra el instrumento en el propio lugar de trabajo, donde la presión social del grupo modifica las respuestas. La no respuesta también sesga: las personas que no responden suelen diferir de las que sí lo hacen en la variable que motivó el estudio.
- Definir la población con criterios de inclusión y exclusión, de modo que cada persona pueda decir si pertenece o no.
- Estimar el tamaño necesario a partir del margen de error aceptable y del nivel de confianza previsto, y justificar la estimación.
- Elegir el método de muestreo y verificar que la muestra resultante guarda proporción con la población en las variables sociodemográficas conocidas.
- Registrar las pérdidas (sucesos sin respuesta, participantes que no llenaron el instrumento) y analizarlas en lugar de borrarlas.
- Describir la muestra en el informe con sus características centrales antes de presentar los resultados del análisis.
Trampa de parcial: presentar como generalización de la población una conclusión que se apoya en una muestra de conveniencia, sin indicar cómo se seleccionó. La redacción que se sostiene dice “en la muestra estudiada se observó…”, y solo amplía el alcance cuando el diseño y el muestreo permiten sostenerlo.
Definición clave: la hipótesis es una proposición sobre la relación entre variables que se pone a prueba con los datos; la operacionalización es el procedimiento que traduce cada constructo en un indicador observable. La primera dice qué se espera; la segunda dice cómo se comprueba.
6. Hipótesis y operacionalización
Una hipótesis es una afirmación que se puede poner a prueba con los datos disponibles. Su función dentro del diseño es formalizar la relación que se espera entre variables: especifica qué se predice, con qué dirección y para qué grupo de casos. Sin una hipótesis operativa, el análisis queda abierto a todo resultado y la conclusión pierde capacidad de distinguir.
La formulación más común en estudios de ciencias sociales es la hipótesis nula, que afirma que no hay relación entre las variables de interés o que la diferencia observada entre grupos se debe al azar, junto con una hipótesis alternativa, que afirma lo contrario y que puede formularse en una dirección prevista o en ambas direcciones. El procedimiento de inferencia se ocupa de los datos en función de la nula: cuando el resultado observado resulta difícil de explicar bajo ese supuesto, la evidencia pesa en contra y la nula se rechaza; cuando resulta compatible, los datos no permiten apartarse de ella. La decisión se apoya en el criterio de significación fijado de antemano, que funciona como regla de decisión y no como medida de la importancia práctica del efecto.
Antes de llegar a esa etapa, la hipótesis tiene que traducirse a algo medible. Ahí entra la operacionalización, entendida como el procedimiento mediante el cual cada constructo del que habla la hipótesis se define en términos de las operaciones de medición que lo hacen observable. Una operacionalización bien hecha responde tres preguntas: qué se mide exactamente, con qué instrumento o procedimiento se registra y en qué escala o unidad se expresa. Un ejemplo trabajado: si la hipótesis sostiene que el estilo de supervisión afecta la satisfacción del equipo, entonces el constructo “estilo de supervisión” necesita un indicador claro (por ejemplo, la dimensión de empatía del instrumento de liderazgo que se aplique) y “satisfacción del equipo” necesita su propio indicador, con escala y puntos de corte declarados.
7. El flujo de datos a conclusión
Un estudio cuantitativo se puede leer como una secuencia de decisiones encadenadas, en la que cada paso entrega un insumo al siguiente y omitir uno se paga en la interpretación final. El diagrama resume el recorrido habitual.
Pregunta → Constructo y operacionalización → Variables y niveles → Muestra y medición → Datos y análisis → Inferencia → Conclusión delimitada
- Pregunta de investigación. Se formula como un interrogante con variables identificables y un alcance delimitado en cuanto a población.
- Del constructo a la variable. Se define qué se mide, con qué procedimiento y en qué escala, mediante la operacionalización.
- Nivel de medición. Se clasifica cada variable, lo que fija el conjunto de estadísticas admisibles.
- Muestra. Se define la población, el método de muestreo y el tamaño, y se documentan las pérdidas.
- Medición. Se administra el instrumento, se revisa la calidad de los casos y se codifican las respuestas a valores analizables.
- Descripción. Se calculan frecuencias, porcentajes y medidas de tendencia central y de dispersión, con la lectura de la distribución antes que del promedio aislado.
- Inferencia. Se contrasta la hipótesis con el procedimiento que corresponda al diseño y se reportan el estadístico, el criterio de significación y el tamaño del efecto.
- Conclusión delimitada. Se responde a la pregunta original con el alcance que el diseño soporta, se señalan las limitaciones y se propone el siguiente paso.
El paso que más se descuida es la revisión de los datos antes de analizarlos. Casos con valores ausentes, respuestas que se contradicen, valores extremos declarados y códigos mal capturados alteran el resultado sin que el cálculo lo señale. Revisar es parte del análisis y no un trámite previo.
8. Errores frecuentes en el parcial
1. Nombrar la escala como intervalo porque los ítems están numerados. La numeración de las respuestas es una convención del instrumento; si el orden es real y las distancias entre categorías no son comparables, el nivel es ordinal.
2. Confundir significación estadística con importancia. Un resultado con criterio de significación bajo indica que el dato es difícil de explicar por azar, no que el efecto sea grande en la vida real. Por eso se reporta también el tamaño del efecto.
3. Interpretar el porcentaje de variación explicado como proporción causal. Un modelo que explica buena parte de la variación de un resultado no demuestra que las variables del modelo lo produzcan.
4. Extender el resultado fuera de la población estudiada. Si la muestra es de conveniencia o de alcance local, la conclusión se limita a los casos observados.
9. Para el parcial
Para el parcial
Lo que con probabilidad te van a preguntar y con qué grado de detalle conviene responder:
- Qué distingue el enfoque cuantitativo del cualitativo: el tipo de dato admisible, el lugar del muestreo, el procedimiento de análisis y el alcance de la conclusión.
- Los cuatro niveles de medición de Stevens (1946) y su operación característica: identidad, orden, distancia y proporción. Conviene agregar un ejemplo propio de cada nivel.
- La diferencia entre intervalo y razón: el significado del cero, con un ejemplo donde el cero es absoluto y otro donde no lo es.
- Población, muestra y muestreo: definición de cada uno, tipos de muestreo y cómo se reportan el error y el sesgo.
- Hipótesis nula y alternativa: qué afirma cada una, cómo se formula en un estudio de comparación entre grupos y qué decisión se toma con el criterio de significación.
- El flujo de datos a conclusión: los pasos del diagrama y el criterio que limita cada conclusión al alcance del diseño.
- La operacionalización: cómo se traduce un constructo en variable medible, con un ejemplo.
10. Preguntas de autoevaluación
Un ítem de Likert de cinco opciones, registrado con los números del 1 al 5, ¿qué nivel de medición tiene y qué consecuencia tiene?
Es ordinal: los valores ordenan respuestas, pero las distancias entre categorías no son comparables entre sí. La consecuencia práctica es que la media de los puntajes no resume la distribución, y el informe debe mostrar las frecuencias de cada opción, con la mediana o los porcentajes acumulados como medidas de tendencia central. Si el trabajo usa la media, debe justificarla y avisar que se lee con cautela.
¿Por qué Stevens (1946) organiza las escalas de esa manera y qué se pierde al saltarse la clasificación?
Stevens ordena las escalas según las operaciones que se pueden realizar con sus valores: identidad, orden, distancia y proporción. Al saltarse la clasificación se pide al dato una operación que no admite, como calcular un promedio sobre categorías nominales o afirmar que una cantidad es el doble de otra en una escala sin cero absoluto. El resultado numérico sale igual, pero no admite interpretación.
Diferencia con precisión entre error de muestreo y sesgo de selección.
El error de muestreo es la variación que se produce entre muestras distintas de la misma población, aun cuando el procedimiento sea correcto; se reduce aumentando el tamaño de la muestra. El sesgo de selección es un desvío sistemático en la forma de elegir los casos, que empuja los resultados en una dirección conocida; no se reduce con más casos, se corrige cambiando el procedimiento de selección.
Explica la diferencia entre una hipótesis y su operacionalización, con un ejemplo propio.
La hipótesis es la afirmación sobre la relación esperada entre constructos, por ejemplo que la autonomía percibida en el trabajo se asocia con menor agotamiento. La operacionalización es el procedimiento que hace medible esa afirmación: define qué se registra, con qué instrumento, en qué escala y bajo qué criterio de puntuación. Sin operacionalización, la hipótesis no se puede contrastar con los datos disponibles.