Qué prueba estadística usar en tu tesis: guía práctica

Tienes la base de datos lista, abres SPSS y aparecen muchas opciones: t de Student, ANOVA, chi-cuadrado, Pearson, Spearman, regresión…

Entonces surge la pregunta: ¿cuál debo usar?

Elegir qué prueba estadística usar no consiste en probar varias hasta encontrar una que produzca un resultado significativo. La elección debe responder a tu objetivo, al tipo de variables que tienes, a la forma en que están organizados los datos y a las condiciones del análisis.

En otras palabras: la prueba no la elige SPSS. La justifica tu investigación.

Antes de elegir la prueba, revisa tu objetivo

Muchas veces el problema no está en la estadística, sino en que el objetivo no expresa con claridad qué se quiere analizar.

No es lo mismo decir:

Analizar la satisfacción laboral de los trabajadores.

que:

Comparar la satisfacción laboral entre trabajadores de planta y contratistas.

El primer objetivo puede requerir principalmente estadística descriptiva. El segundo plantea una comparación entre dos grupos.

Lo mismo sucede con verbos como relacionar, asociar, comparar o predecir: cada uno conduce hacia análisis diferentes.

Por eso, antes de preguntarte qué prueba estadística usar, pregúntate primero:

¿Qué quiero responder con estos datos?

Cuatro preguntas para orientar la elección

No necesitas memorizar todas las pruebas estadísticas. Necesitas identificar correctamente tu problema.

1. ¿Qué quieres hacer?

Define si tu objetivo busca:

• Describir una variable.
• Comparar grupos o momentos.
• Relacionar variables.
• Analizar asociaciones entre categorías.
• Predecir un resultado.

Ese es el primer filtro.

2. ¿Qué tipo de variables tienes?

También necesitas saber con qué información estás trabajando.

No se analiza igual una variable cuantitativa, como edad o puntaje, que una variable categórica, como carrera, tipo de contrato o respuesta sí/no.

Además, las variables ordinales —como algunos ítems de escalas tipo Likert— requieren considerar cómo fueron medidas y cómo serán utilizadas en el análisis.

3. ¿Los grupos son independientes o relacionados?

Supongamos que quieres comparar dos resultados.

No es lo mismo comparar:

Grupo A vs. Grupo B, cuando son personas diferentes,

que comparar:

antes vs. después, cuando son las mismas personas medidas dos veces.

Aunque en ambos casos estés comparando dos resultados, el diseño cambia y también puede cambiar la prueba.

4. ¿Se cumplen las condiciones del análisis?

Una vez definido qué quieres responder y cómo están organizados tus datos, debes revisar los supuestos de la prueba que estás considerando.

Dependiendo del procedimiento, pueden ser relevantes aspectos como normalidad, independencia, homogeneidad de varianzas o linealidad.

No deberías escoger una prueba únicamente porque tu variable es numérica o porque un test de normalidad produjo determinado valor de p.

Una guía rápida para orientarte

Sin convertir esto en una tabla interminable, puedes pensar así:

• Si quieres comparar dos grupos independientes, podrías encontrarte frente a una t de Student para muestras independientes o, según las características de los datos, frente a una alternativa como Mann-Whitney.
• Si comparas a las mismas personas antes y después, puedes considerar una t para muestras relacionadas o Wilcoxon.
• Si comparas tres o más grupos, podrías necesitar ANOVA o una alternativa como Kruskal-Wallis.
• Si quieres estudiar la relación entre dos variables cuantitativas, pueden aparecer opciones como Pearson o Spearman.
• Si quieres analizar la asociación entre dos variables categóricas, una prueba frecuente es chi-cuadrado.
• Si quieres predecir una variable cuantitativa, puedes encontrarte frente a una regresión lineal; si el resultado tiene dos categorías, puede corresponder una regresión logística.

Esta orientación sirve para reducir las posibilidades, pero la elección final depende de las características concretas de tu investigación.

La normalidad no debería decidirlo todo

Una práctica frecuente es aplicar una prueba de normalidad y concluir automáticamente:

p > ,05 = prueba paramétrica.
p < ,05 = prueba no paramétrica.

El análisis requiere más criterio.

Las pruebas de normalidad pueden aportar información, pero su interpretación también depende del tamaño de la muestra. Por eso es conveniente acompañarlas con la revisión gráfica de la distribución y con los demás supuestos del procedimiento utilizado (Ghasemi & Zahediasl, 2012).

Además, un valor p mayor de ,05 no demuestra que los datos sean perfectamente normales. Significa que no se encontró evidencia suficiente para rechazar ese supuesto mediante la prueba utilizada.

La pregunta importante no es solamente:

“¿Mis datos pasaron normalidad?”

Sino:

“¿La prueba que estoy proponiendo es adecuada para estos datos y este diseño?”

¿Qué pasa con las escalas Likert?

Este punto genera muchas dudas porque suele simplificarse demasiado.

Un ítem Likert individual tiene naturaleza ordinal. Sin embargo, cuando varios ítems forman una puntuación total o una dimensión, el tratamiento estadístico puede ser diferente y existen contextos en los que se utilizan procedimientos paramétricos de manera defendible (Norman, 2010).

Por eso, no basta con decir:

“Mi escala es de 1 a 5, entonces debo usar Spearman”.

Primero debes identificar qué estás analizando realmente: un ítem individual, una dimensión construida con varios ítems o una puntuación total.

La decisión debe justificarse metodológicamente.

No interpretes únicamente el valor p

Otro error frecuente es concentrar todo el análisis en saber si:

p < ,05

Un resultado estadísticamente significativo no indica por sí solo que la diferencia o relación encontrada sea importante.

El valor p no informa directamente sobre la magnitud del efecto (Wasserstein & Lazar, 2016).

Por eso, cuando corresponda, también debes considerar el tamaño del efecto y los intervalos de confianza.

No es lo mismo afirmar:

Existe una diferencia estadísticamente significativa.

que poder explicar:

Existe una diferencia, cuál es su magnitud y qué puede significar dentro del problema estudiado.

Ese segundo nivel de interpretación es mucho más útil en una tesis.

Tres errores que conviene evitar

Elegir la prueba después de conocer los resultados.
No deberías probar diferentes análisis hasta encontrar uno que resulte significativo.

Aplicar una prueba solo porque “es la que siempre se usa”.
Pearson, ANOVA o t de Student no son opciones automáticas. Deben corresponder al objetivo, las variables y el diseño.

Confundir correlación con causalidad.
Encontrar una relación estadística entre dos variables no demuestra que una sea la causa de la otra.

¿Cómo justificar la prueba en la tesis?

Evita escribir únicamente:

Se utilizó la correlación de Pearson.

Es mejor explicar brevemente por qué fue adecuada.

Por ejemplo:

Para analizar la relación entre X e Y se utilizó el coeficiente de correlación de Pearson, considerando el nivel de medición de las variables, las características de la relación y el cumplimiento de los supuestos correspondientes.

La redacción definitiva dependerá de tu análisis.

La idea es que el lector pueda responder tres preguntas:

¿Qué prueba utilizaste? ¿Por qué esa prueba? ¿Qué condiciones revisaste antes de aplicarla?

Elegir una prueba es una decisión metodológica

Saber qué prueba estadística usar no significa memorizar un catálogo de nombres.

Significa conectar:

tu objetivo + tus variables + tu diseño + las condiciones del análisis.

Cuando esos cuatro elementos están claros, SPSS deja de decidir por ti y se convierte en lo que realmente es: una herramienta para ejecutar una decisión metodológica que ya puedes justificar.

¿Tienes tus datos, pero todavía no sabes qué análisis corresponde a tus objetivos?

En AL Asesoría y Edición de Tesis te acompañamos en la revisión de la coherencia entre objetivos, variables, diseño y análisis estadístico, así como en la interpretación y presentación de los resultados.

No hacemos tu tesis por ti. Te orientamos para que puedas comprender y defender cada decisión metodológica con criterio.

Referencias

Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489.

Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in Health Sciences Education, 15, 625–632.

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133.