Sampieri analis estadistico

CAPÍTULO

8
ANÁLISIS ESTADÍSTICO:
SEGUNDA PARTE

INTRODUCCIÓN

Con este capítulo se complementa el 10 de Metodología de la investigación, 5ª edición,
además de que se actualizó su contenido. Se presentan primero las hipótesis
estadísticas, las puntuaciones z, cálculos inferenciales o estimaciones de parámetros y
luego el cálculo del coeficiente alfa‐Cronbach y el sustento del análisis de varianza
unidireccional. Finalmente los análisis multivariados y algunas fórmulas, así como una
secuencia de análisis en Minitab y otra en SPSS. Los autores asumimos que se revisó
previamente el capítulo en cuestión.

HIPÓTESIS ESTADÍSTICAS

En el capítulo 10 se señaló que cada prueba estadística obedece a un tipo de hipótesis
de investigación e hipótesis estadística distinta. Las hipótesis estadísticas son la

transformación de las hipótesis de investigación, nulas y alternativas en símbolos
estadísticos. Algunas revistas académicas solicitan que se incluyan estas hipótesis y
ayudan a conceptualizar ciertas pruebas revisadas en el capítulo 10 del texto impreso.
En ocasiones, el investigador traduce su hipótesis de investigación y nula (y cuando
se formulan hipótesis alternativas, también éstas) en términos estadísticos.
Básicamente hay tres tipos de hipótesis estadísticas, que corresponden a clasificaciones
de las hipótesis de investigación y nula: 1) de estimación, 2) de correlación y 3) de
diferencias de medias. A continuación mencionaremos y daremos ejemplos de cada una
de ellas.

Hipótesis estadísticas de estimación
Corresponden a las que, al hablar de hipótesis de investigación, se les denomina
hipótesis descriptivas de un dato que se pronostica. Sirven para evaluar la suposición de
un investigador respecto del valor de alguna característica en una muestra de
individuos, otros seres vivos, sucesos u objetos, y en una población. Se fundamentan en
información previa. Supongamos que, basándose en ciertos datos, un investigador
plantea la siguiente hipótesis: “el promedio mensual de casos de trastorno
psiconeurótico caracterizados por reacción asténica, que serán atendidos en los
hospitales de la ciudad de Linderbuck, resultará mayor a 20”. Además, desea
transformar esta hipótesis de investigación en una hipótesis estadística. Lo primero que
debe hacer es analizar cuál es la estadística a que su hipótesis hace referencia (en el
ejemplo se trata de un promedio o media mensual de casos atendidos). El segundo paso
consiste en encontrar cómo se simboliza esa estadística (promedio se simboliza como

). El tercer paso consiste en traducir la hipótesis de investigación a una forma
estadística:

Hi: > 20 (“el promedio mensual de casos atendidos será mayor a 20”.)

La hipótesis estadística nula sería la negación de la hipótesis anterior:
Ho: < 20 (“el promedio mensual de casos atendidos será menor a 20”.)
y la hipótesis alternativa podría ser:
Ha: = 20 (“el promedio mensual de casos… es igual a 20”.)

Después, el investigador comparará el promedio estimado por la hipótesis con el
promedio actual de la muestra que seleccionó. La exactitud de su estimación se evalúa
con esta comparación. Y como señalan Black y Champion (1976), algunos
investigadores consideran las hipótesis estadísticas de estimación como hipótesis de
diferencia, pues en última instancia lo que se evalúa es la diferencia entre un valor
planteado en la hipótesis y un valor observado en una muestra.
La estimación de estas hipótesis no se limita a promedios, ya que puede incluirse
cualquier estadística: porcentajes, medianas, modas, etc. (Crosby et al., 2006).

Hipótesis estadísticas de correlación
Estas hipótesis tienen por objetivo traducir en términos estadísticos una correlación
entre dos o más variables. El símbolo de una correlación entre dos variables es “r”
(minúscula), y entre más de dos variables “R” (mayúscula). La siguiente hipótesis: “a
mayor cohesión en un grupo, mayor eficacia en el logro de sus metas primarias”, se
traduciría  tal como se muestra en el esquema.
Hi:                r                              x         y     ≠   0 (no es igual a cero o, lo que es lo mismo,  ambas
                                                                                      variables están correlacionadas)

       La correlación
                                  entre dos variables (cohesión y eficacia)

La hipótesis nula se traduciría:

Ho: rxy = 0 (Las dos variables no están correlacionadas; su correlación es cero.)

Otro ejemplo:

Hi: Rxyz ≠ 0 (La correlación entre las variables autonomía, variedad y motivación
intrínseca no es igual a cero. Es decir, las tres variables “x”, “y”, “z” están
asociadas).
Ho: Rxyz = 0 (No hay correlación)

Hipótesis estadísticas de la diferencia de medias u otros valores
En estas hipótesis se compara una estadística entre dos o más grupos. Supongamos que
un investigador plantea la siguiente pregunta de estudio: ¿difieren los periódicos Télex y
Noticias en cuanto al promedio de editoriales mensuales que dedicaron, durante el

último año, al tema del terrorismo internacional?1 Su hipótesis de investigación podría
ser: “existe una diferencia entre el promedio de editoriales mensuales que dedicó,
durante el último año, al tema del terrorismo internacional el diario Télex, y el que
dedicó el diario Noticias”. La estadística que se compara entre los grupos (editoriales de

Télex, un grupo, y editoriales de Noticias, otro grupo) es el promedio mensual ( ). La
hipótesis estadística se formularía así:

es diferente

Hi: 1  ≠   2 (promedio del grupo 2: editoriales de Noticias)

(promedio del grupo uno: editoriales de

Télex)
La hipótesis nula:

Ho: 1 = 2 (“No hay diferencia entre los promedios de los dos grupos de

editoriales”.)

Con otra estadística (porcentaje) y tres grupos, se obtendrían hipótesis estadísticas
como las siguientes:

Hi: %1 ≠ %2 ≠ %3 (“Los porcentajes de los tres grupos son distintos”.)
Ho: %1 = %2 = %3 (“No hay diferencias”.)

PUNTUACIONES z
Puntuación z Medida
Las puntuaciones z son transformaciones que se pueden que indica la dirección y
hacer a los valores o las puntuaciones obtenidas, con el el grado en que un valor
individual se aleja de la
propósito de analizar su distancia respecto a la media, en media, en una escala de
unidades de desviación estándar. Una puntuación z nos indica unidades de desviación
estándar.
la dirección y el grado en que un valor individual obtenido se


1  Nombres completamente ficticios

aleja de la media, en una escala de unidades de desviación estándar. Como mencionan
Nie et al. (1975), las puntuaciones z son el método más comúnmente utilizado para
estandarizar la escala de una variable medida en un nivel por intervalos.

Su fórmula es:

donde X es la puntuación o el valor a transformar, es la media de la distribución y s la
desviación estándar de ésta. El resultado z es la puntuación transformada en unidades
de desviación estándar.
Supongamos que en una distribución de frecuencias obtuvimos una media de 60 y
una desviación estándar de 10, y deseamos comparar una puntuación de “50” con el
resto de la distribución. Entonces, transformamos esta puntuación o tal valor en una
puntuación z. Tenemos que:
X = 50

= 60

s = 10

La puntuación z correspondiente a un valor de “50” es:

Podemos decir que el valor “50” se localiza a una desviación estándar por debajo de
la media de la distribución (el valor “30” está a tres desviaciones estándar por debajo de
la media).
Estandarizar los valores permite comparar puntuaciones de dos distribuciones
diferentes (la forma de medición es la misma, aunque se trata de distribuciones
distintas). Por ejemplo, podemos contrastar una distribución obtenida en una

preprueba con otra obtenida en una posprueba (en un contexto experimental).
Supongamos que se trata de un estímulo que incrementa la productividad. Un
trabajador obtuvo en la preprueba una productividad de 130 (la media del grupo fue de
122.5 y la desviación estándar de 10). Y en la posprueba obtuvo 135 (la media del grupo
fue de 140 y la desviación estándar de 9.8). ¿Mejoró la productividad del trabajador? En
apariencia, la mejoría no es considerable. Sin transformar las dos calificaciones en
puntuaciones z, no es posible asegurarlo porque los valores no pertenecen a la misma
distribución. Entonces transformamos ambos valores a puntuaciones z, los pasamos a
una escala común donde la comparación es válida. El valor de 130 en productividad en
términos de unidades de desviación estándar es igual a:

130 − 122.5
z= = 0.75
10.0

Y el valor de 135 corresponde a una puntuación z de:

135 − 140
z= = −0.51
9.8

Como observamos, en términos absolutos 135 es una mejor puntuación que 130,
pero no en términos relativos (en relación con sus respectivas distribuciones).
La distribución de puntuaciones z no cambia la forma de la distribución original,
pero sí modifica las unidades originales a “unidades de desviación estándar” (Wright,
1979). La distribución de puntuaciones z tiene una media de 0 (cero) y una desviación
estándar de 1 (uno). La figura 8.1 muestra la distribución de puntuaciones z.

Figura 8.1 Distribución de puntuaciones z

Las puntuaciones z también sirven para comparar mediciones de distintas pruebas
o escalas aplicadas a los mismos participantes (los valores obtenidos en cada escala se
transforman en puntuaciones z y se comparan) (Delbaere et al., 2007). No debe
olvidarse que los elementos de la fórmula específicamente son la media y la desviación
estándar que corresponden al valor a transformar (de su misma distribución). También,
las puntuaciones z sirven para analizar distancias entre puntuaciones de una misma
distribución y áreas de la curva que abarcan tales distancias, o para sopesar el
desempeño de un grupo de participantes en varias pruebas. Las puntuaciones z son un
elemento descriptivo adicional que se agrega para analizar nuestros datos.

ESTIMACIÓN DE PARÁMETROS:
UN EJEMPLO CON LA MEDIA POBLACIONAL

En el capítulo 10 del texto impreso se mencionó que una de las funciones de la
estadística inferencial es la estimación de parámetros, pues bien, al calcular la media de
nuestra muestra y si no estamos muy seguros de su representatividad podemos seguir
un procedimiento para ver si nuestra hipótesis respecto a la media poblacional es

aceptada o rechazada.2 Lo anterior es para responder a la siguiente pregunta: ¿qué
hacemos para ver si nuestra hipótesis sobre la media poblacional es aceptada o
rechazada? Pero antes de estudiar el procedimiento, es necesario hacer las siguientes
consideraciones:

a) La distribución muestral es una distribución normal de puntuaciones z, es
decir, la base de la curva son unidades de desviación estándar.
b) Las puntuaciones z son distancias que indican áreas bajo la distribución
normal. En este caso, áreas de probabilidad.
c)   El área de riesgo es tomada como el área de rechazo de la hipótesis; por el
contrario, el área de confianza, como el área de aceptación de la hipótesis.
d)   Se habla de una hipótesis acerca del parámetro (en este caso, media
poblacional).

Si partimos de estas consideraciones, el procedimiento es:

1.   Sobre bases firmes (revisión de la literatura e información disponible),
establecer una hipótesis acerca del parámetro poblacional. Por ejemplo: el
promedio de horas diarias que se exponen los niños de la ciudad de Valladolid
a la televisión en fin de semana es de 3.0 horas.
2.   Definir el nivel de significancia. Por ejemplo, .05.
3.   Recolectar los datos en una muestra representativa. Vamos a suponer que
obtuvimos una media de 2.9 horas y una desviación estándar de 1.2 horas; la
muestra incluyó 312 niños.
4.   Estimar la desviación estándar de la distribución muestral de la media
utilizando la siguiente fórmula:


2  En este ejemplo se utiliza la media, tal vez el caso más conocido, pero puede ser cualquier otro parámetro

poblacional.

Donde es la desviación estándar de la distribución muestral de la media, s
representa la desviación estándar de la muestra y n es el tamaño de la muestra.
En el ejemplo:

5.   Transformar la media de la muestra en una puntuación z, en el contexto de la
distribución muestral, con una variación de la fórmula ya conocida para obtener
puntuaciones z:

donde X es la media de la muestra (recordemos que la distribución muestral es de

medias y no de puntuaciones), es la media hipotética de la distribución muestral

(parámetro poblacional), es la desviación estándar de la distribución
muestral de medias. Así, tenemos:

2.9 − 3.0
z= = −1.47
0.0679

6.    En la tabla de áreas  bajo la curva normal (ver apéndice, 4 tabla 1 de este CD), buscar
aquella puntuación z que deje a 25% por encima de ella, que es 1.96. En la tabla del
apéndice 4 se presenta la distribución de puntuaciones z, sólo la mitad, pues
debemos recordar que es una distribución simétrica y se aplica igual para ambos
lados de la media. Así se incluye en los  textos de estadística. Se busca 2.5%, porque
la tabla sólo abarca la mitad de la distribución y el riesgo que estamos afrontando es
de 5% (2.5% del extremo de cada lado). La tabla mencionada contiene cuatro
columnas: la primera indica puntuaciones z, la segunda expresa la distancia de la
puntuación z a la media. La tercera, el área que está por de bajo de esa puntuación

desde el comienzo de la distribución, como se muestra en la gráfica:

 z

Y la cuarta, del área que está por encima de esa puntuación:

z    

Las áreas se expresan en proporciones. Lo que buscamos es una puntuación z
que deje por encima un área de 0.0250 o 2.5% (la encontramos en la cuarta columna
de la tabla); esta puntuación z es de 1.96. Siempre que  nuestro nivel de significancia
sea 0.05, tomamos la puntuación z de 1.96.

7. Comparar la media de la  muestra transformada a puntuación z con el valor 1.96; si
es menor, aceptar la hipótesis; si es mayor, rechazarla. Veamos el ejemplo:

Media de la muestra transformada a z      Nivel de significancia del 0.05
1.47 1.96

Decisión: Aceptar la hipótesis a un nivel de significancia de 0.05 (95% a favor y 5% de
riesgo de cometer un error).

Si la media obtenida
al transformarse en z,
Hubiera sido 3.25,

7.46 o un valor mayor  Rechazar la hipótesis

Por ejemplo :
Media de la muestra = 2.0

Desviación estándar de la muestra = 0.65
n = 700
          S = 0.0246
    z = 40.65

La media está situada a más de 40  desviaciones estándar de al media; se localiza en la
zona  crítica (más allá de 1.96 desviaciones estándar). Rechazar la hipótesis.

¿POR QUÉ ES IMPORTANTE OTRO CONCEPTOPARA LA
ESTIMACIÓN DE PARÁMETROS: EL INTERVALO DE CONFIANZA?

Se ha hablado de la distribución muestral por lo que respecta a la prueba de hipótesis,
pero otro procedimiento de la estadística inferencial es construir un intervalo donde se
localiza un parámetro (Wiersma y Jurs, 2008). Por ejemplo, en lugar de pretender
probar una hipótesis acerca de la media poblacional, puede buscarse un intervalo donde
se ubique dicha media. Lo anterior requiere un nivel de confianza, al igual que en la
prueba de hipótesis inferenciales. El nivel de confianza es al intervalo de confianza lo
que el nivel de significancia es a la prueba de hipótesis. Es decir, se trata de una
probabilidad definida de que un parámetro se va a ubicar en un determinado intervalo.
Recordemos que los niveles de confianza –expresados en porcentajes– más comunes en
la investigación son 0.95 y 0.99 (.05 y .01). Su sentido es similar al ya comentado, si es
de 0.95; quiere decir que tenemos 95% en favor de que el parámetro se localice en el
intervalo estimado, contra 5% de elegir un intervalo equivocado. El nivel de 0.99 señala
99% de probabilidad de seleccionar el intervalo adecuado. Tales niveles de confianza se
expresan en unidades de desviación estándar. Una vez más se acude a la distribución
muestral, concretamente a la tabla de áreas bajo la curva normal (apéndice 4, tabla 1 de
este CD anexo o en STATS® “Áreas bajo la curva normal”)3, y se elige la puntuación z
correspondiente al nivel de confianza seleccionado. Una vez hecho esto, se aplica la
siguiente fórmula:


3  También STATS® contiene esta tabla.

Puntuación z que Desviación estándar de
expresa el nivel de la distribución muestral
Intervalo de confianza = estadígrafo +   confianza elegido correspondiente

En la fórmula, el estadígrafo es la estadística calculada en la muestra, la puntuación
z es 1.96 con un nivel de 0.95 y de 2.58 con un nivel de 0.99, en tanto que el error
estándar depende del estadígrafo en cuestión. Veámoslo con el ejemplo de la media en
el caso de la exposición diaria a la televisión (en fin de semana) por parte de los niños
de Valladolid:

Media = 2.9 horas
s = 1.2 horas

(desviación estándar de la distribución muestral de la media).

Nivel de confianza
= 0.95 (z = 1.96)
Intervalo de confianza   = 2.9 ± (1.96) (0.0679)
= 2.9 ± (0.133)
Intervalo de confianza: la media poblacional está entre 2.767 y 3.033 horas, con
95% de probabilidades de no cometer error.

CÁLCULO DEL COEFICIENTE DE CONFIABILIDAD
(FIABILIDAD) ALFA‐CRONBACH
En los capítulos 9 y 10 se definió el coeficiente alfa de Cronbach (α), así como sus usos e
interpretación. Los programas de análisis estadístico como SPSS, Minitab, SAS y otros, lo
incluyen y calculan instantáneamente. Pero para quienes no tienen acceso a estos
programas, presentamos la forma de obtenerlos. De acuerdo con Carmines y Zeller
(1988, pp. 44 y 45), así como Corbetta (2003), existen tres procedimientos para
determinar el coeficiente “α” o alfa:

1. Sobre la base de la varianza de los ítems, con la aplicación de la siguiente
fórmula:

N
α=
⎡ N − 1⎤ ⎢
( )
⎡ 1 − ∑ s 2 Yi ⎤
⎥
⎣ ⎦ s2 x
⎢
⎣ ⎥
⎦

En donde N representa el número de ítems de la escala, ∑ s (Yi ) es igual a la
2

sumatoria de las varianzas de los ítems y “s2x” equivale a la varianza de toda la escala.

2. Sobre la base de la matriz de correlación de los ítems, el procedimiento sería:

a) Se aplica la escala.

b) Se obtienen los resultados.

c) Se calculan los coeficientes de correlación r de Pearson entre todos los ítems

(todos contra todos de par en par).

d) Se elabora la matriz de correlación con los coeficientes obtenidos. Por ejemplo:

Ítems
1 2 3 4
1 — 0.451 0.399 0.585
2 ya fue calculado — 0.489 0.501
3 ya fue calculado ya fue calculado — 0.541
4 ya fue calculado ya fue calculado ya fue calculado —

Los coeficientes que se mencionan como “ya fue calculado”, se ubican en la parte
superior de las líneas horizontales (guiones). Es decir, cada coeficiente se incluye una
sola vez y se excluyen los coeficientes que vinculan al ítem o puntuación consigo misma
(1 con 1, 2 con 2, 3 con 3 y 4 con 4).

e) Se calcula (promedio de las correlaciones).

( es la sumatoria de los valores de las correlaciones y NP el número
de correlaciones no repetidas o no excluidas).

f) Se aplica la fórmula siguiente:

Np
α=
1 + p (N − 1)

Donde N es el número de ítems y el promedio de las correlaciones entre ítems.
En el ejemplo:

α = 0.798

α = 0.80 (cerrando)

Es un coeficiente aceptable y recordemos que todos los ítems de la escala deben
estar medidos en intervalos o razón.

3. Mediante otra fórmula que se basa en la correlación promedio (Corbetta, 2003,
p. 238).

Se usa la siguiente fórmula:

nr
α=
1 + r(n − 1)

Donde n representa el número de ítems o elementos de la escala y r es su
correlación promedio.

SUSTENTO DEL ANÁLISIS DE VARIANZA UNIDIRECCIONAL
En el capítulo 10 del texto impreso, se dijo que el ANOVA unidireccional produce un
valor F, el cual se basa en una distribución muestral, conocida como distribución F, y tal
valor compara las variaciones en las puntuaciones debidas a dos diferentes fuentes:
variaciones entre los grupos que se contrastan y variaciones dentro de los grupos.
Si los grupos difieren realmente entre sí, sus puntuaciones variarán más de lo que
puedan variar las puntuaciones entre los integrantes de un mismo grupo. Veámoslo con
un ejemplo cotidiano. Si tenemos tres familias A, B y C. La familia A está integrada por
Felipe, Angélica, Elena y José Luis. La familia B está compuesta por Chester, Pilar, Íñigo,
Alonso y Carlos. Y la familia C está integrada por Rodrigo, Laura y Roberto. ¿Qué
esperamos? Pues que los integrantes de una familia se parezcan más entre sí que a los
miembros de otra familia. Esto se graficaría como en la figura 8.2.

Figura 8.2 Ejemplo de las variaciones de los grupos comparados

Es decir, esperamos homogeneidad intrafamilias y heterogeneidad interfamilias.
¿Qué sucedería si los miembros de las familias se parecieran más a los integrantes de las
otras familias que a los de la suya propia? Quiere decir que no hay diferencia entre los
grupos (en el ejemplo, familias).
Esta misma lógica se aplica a la razón F, la cual nos indica si las diferencias entre los
grupos son mayores que las diferencias intragrupos (dentro de éstos). Estas diferencias
se miden en términos de varianza. La varianza es una medida de dispersión o
variabilidad alrededor de la media y se calcula en términos de desviaciones elevadas al
cuadrado. Recuerde que la desviación estándar es un promedio de desviaciones respecto

a la media X − X y la varianza es un promedio de desviaciones respecto a la media

( ) . La varianza por eso se simboliza como S y su fórmula
2
elevadas al cuadrado X − X 2

∑( X − X )
2
es n . En consecuencia, la razón F, que es una razón de varianzas, se

expresa así:

En donde la media cuadrática implica un promedio de varianzas elevadas al
cuadrado. La media cuadrática entre los grupos se obtiene al calcular la media de las
puntuaciones de todos los grupos (media total), después se obtiene la desviación de la
media de cada grupo respecto a la media total y se eleva al cuadrado cada una de estas
desviaciones, y luego se suman. Finalmente se sopesa el número de individuos en cada
grupo y la media cuadrática se obtiene con base en los grados de libertad intergrupales
(no se calcula con base en el número de puntuaciones). La media cuadrática dentro de
los grupos se calcula obteniendo primero la desviación de cada puntuación respecto a la
media de su grupo; posteriormente esta fuente de variación se suma y combina para
obtener una media de la varianza intragrupal para todas las observaciones, tomando en
cuenta los grados de libertad totales (Wright, 1979; Doncaster y Davey, 2007).
Las fórmulas de la media cuadrática son:

º

Los grados de libertad entre grupos = (donde K es el número de grupos).

Los grados de libertad intragrupos = n − K (n es el tamaño de la muestra, la suma
de los individuos de todos los grupos, y K recordemos que es el número de grupos).
Pues bien, cuando F resulta significativa, quiere decir que los grupos difieren
“significativamente” entre sí. Es decir, se acepta la hipótesis de investigación y se
rechaza la hipótesis nula.
Cuando se efectúa el análisis de varianza por medio de un programa computacional
estadístico, se genera una tabla de resultados con los elementos de la tabla 8.1.

Tabla 8.1 Elementos para interpretar un análisis de varianza
unidireccional realizado en SPSS
Sumas de Grados de Medias
Fuente de cuadrados libertad cuadráticas Significancia
variación (Sums of (Degrees of (Mean Razón F de F
(Source) squares) freedom) squares) (F‐ratio) (F prob.)
Entre SS entre + gl entre SS entre/gl α
grupos entre
(between
groups)
Intragrupos SS intra gl intra SS intra/gl
(within intra
groups)
Total SS entre gl entre +
SS intra gl intra
En Minitab se dan los siguientes elementos:
Fuente  GL (grados     SC  (suma de    MC (media      F  (valor)  P (sig.)
            de libertad)    cuadrados)    cuadrática)

El valor alfa o probabilidad a elegir una vez más es 0.05 o 0.01. Si es menor que 0.05
es significativo en este nivel, y si es menor que 0.01 también es significativo en este
nivel. Cuando el programa o paquete estadístico no incluye la significancia se acude a la
tabla 3 del apéndice 4 (tabla de la distribución F o en STATS® a “Valores de “F” al nivel
de confianza de .05 y .01”). Esta tabla contiene una lista de razones significativas
(razones F) que debemos obtener para aceptar la hipótesis de investigación en los
niveles de confianza de 0.05 y 0.01. Al igual que en caso de la razón t, el valor exacto de
F que debemos obtener depende de sus grados de libertad asociados. Por lo tanto, la
utilización de la tabla se inicia al buscar los dos valores gl, los grados de libertad entre los
grupos y los grados de libertad intragrupos. Los grados de libertad entre grupos se
indican en la parte superior de la página, mientras que los grados de libertad
intragrupos se han colocado al lado izquierdo de la tabla. El cuerpo de la tabla de la
distribución F presenta razones F significativas en los niveles de confianza de 0.05 y
0.01.

Si F = 1.12
gl entre = 2
gl intra = 60

Este valor F se compara con el valor que aparece en la tabla de la distribución F que
es 3.15 y como el valor F calculado es menor al de dicha tabla, rechazaríamos la
hipótesis de investigación y aceptaríamos la hipótesis nula. Para que el valor F calculado
sea significativo debe ser igual o mayor al de la tabla.

ANÁLISIS MULTIVARIADO
En el capítulo 10 del libro, cuando se analizaron los principales métodos estadísticos
paramétricos, concretamente, después de revisar el ANOVA unidireccional, nos
preguntábamos: ¿pero qué ocurre cuando tenemos diversas variables independientes y
una dependiente, varias independientes y dependientes? Tal como observábamos en
diagramas como el que se muestra en la figura 8.3.

Autoestima de
la persona

Sentido
Edad de vida
de la
persona
Género

Religión

Figura 8.3 Ejemplo con cuatro variables independientes y una dependiente.

La respuesta era: entonces, requerimos de otros métodos estadísticos. Éstos son los
que revisaremos a continuación y una vez más, sobre la base de que existen
computadoras y programas como el SPSS, del mismo modo centrándonos en los

elementos fundamentales de interpretación.

¿Qué son los métodos de análisis multivariado?
Los métodos de análisis multivariado son aquellos en que se analiza la relación entre
diversas variables independientes y al menos una dependiente. Son métodos más
complejos que requieren del uso de computadoras para efectuar los cálculos necesarios
(normalmente se enseñan a nivel posgrado).

¿Qué es el análisis factorial de varianza?
ANOVA (análisis de varianza de k direcciones o varios factores)
Definición: Es una prueba estadística para evaluar el efecto de dos o más variables
independientes sobre una variable dependiente.
Responde a esquemas como el que se muestra en la figura 8.4.

X1

X2
Y

Xk

Figura 8.4 Esquema de un análisis factorial de varianza

Constituye una extensión del análisis de varianza unidireccional, solamente que incluye
más de una variable independiente. Evalúa los efectos por separado de cada variable
independiente y los efectos conjuntos de dos o más variables independientes.

Variables: dos o más variables independientes y una dependiente.

Nivel de medición de las variables: la variable dependiente (criterio) debe estar medida

en un nivel por intervalos o razón, y las variables independientes (factores) pueden

estar en cualquier nivel de medición, pero expresadas de manera categórica.

Interpretación y ejemplo

Hi: “la similitud en valores, la atracción física y el grado de realimentación positiva son
variables que inciden en la satisfacción sobre la relación en parejas de novios”.

Contexto: Muestra de parejas de adultos jóvenes (23‐29 años) de Santiago de Chile,
pertenecientes a estratos económicos altos (n = 400).

El ANOVA efectuado mediante un paquete estadístico computacional como SPSS
produce los siguientes elementos básicos:

• Fuente de la variación (source of variation). Es el factor que origina variación en la
dependiente. Si una fuente no origina variación en la dependiente, no tiene efectos.
• Efectos principales (main effects). Es el efecto de cada variable independiente por
separado; no está contaminado del efecto de otras variables independientes ni de error.
Suele proporcionarse la suma de todos los efectos principales.
• Interacciones de dos direcciones (2‐way interactions). Representa el efecto conjunto de
dos variables independientes, aislado de los demás posibles efectos de las variables
independientes (individuales o en conjuntos). Suele proporcionarse la suma de los
efectos de todas estas interacciones.
• Interacciones de tres direcciones (3‐way interactions). Constituye el efecto conjunto de
tres variables independientes, aislado de otros efectos. Suele proporcionarse la suma de
los efectos de todas estas interacciones.
• Puede haber efecto de K‐direcciones, esto depende del número de variables
independientes.

En nuestro ejemplo, tenemos los resultados que se muestran en la tabla 8.2.

Tabla 8.2 Ejemplo de resultados en el ANOVA
VARIABLE DEPENDIENTE: SATISFACCIÓN EN LA RELACIÓN
Fuente de variación Suma de Grados de Medias Razón Significancia
(SOURCE OF VARIATION) cuadrados libertad cuadráticas de F O P
(SUMS OF (DEGREES OF (MEAN
SQUARES) FREEDOM) SQUARES)
Efectos principales — — — 22.51 0.001**
   (main effects)

Similitud — — — 31.18 0.001**
Atracción — — — 21.02 0.001**
Realimentación — — — 11.84 0.004**
Interacción de dos — — —
direcciones (2‐way
interactions) 7.65 0.010*
Similitud — — — 4.32 0.040*
Atracción
Similitud — — — 2.18 0.110
Realimentación
Atracción — — — 1.56 0.190
Interacción de tres — — — 8.01 0.020*
direcciones (3‐way
interaction)
Similitud
Atracción — — —
Realimentación
—Residual — — —
—Total — — —
Nota: A los estudiantes que se inician en el ANOVA normalmente les interesa saber si las razones “F”
resultaron o no significativas; por tanto, sólo se incluyen estos valores. Por lo que es a ellos a quienes  los
autores recomiendan concentrarse en  dichos valores y evitar confusiones. Desde luego, el investigador
experimentado acostumbra estudiar todos los valores.
** Razón “F” significativa al nivel del 0.01 (p < 0.01)
*   Razón “F” significativa al nivel del 0.05 (p < 0.05)

Como podemos ver en la tabla 8.2, la similitud, la atracción y la realimentación
tienen un efecto significativo sobre la satisfacción en la relación. Respecto a los efectos
de dos variables independientes conjuntas, sólo la similitud y la atracción tienen un
efecto, hay un efecto conjunto de las tres variables independientes. La hipótesis de
investigación se acepta y la nula se rechaza. Asimismo, se recuerda al lector que en el capítulo
5 del presente disco: diseños experimentales: segunda parte: series cronológicas, factoriales y
cuasiexperimentos (en el apartado sobre diseños factoriales) se explica la noción de
interacción entre variables independientes. Cabe agregar que el ANOVA es un método
estadístico propio para los diseños experimentales factoriales.

¿Qué es el análisis de covarianza?
Definición: es un método estadístico que analiza la relación entre una variable
dependiente y dos o más independientes, con el que se elimina o controla el efecto de al
menos una de estas independientes. Similar al ANOVA, excepto que permite controlar la
influencia de una variable independiente, la cual con frecuencia es una característica
antecedente que puede variar entre los grupos (Mertens, 2005; Babbie, 2009) o influir
los resultados y afectar la claridad de las interpretaciones.
Perspectivas o usos: Wildt y Ahtola (1978, pp. 8‐9) destacan tres perspectivas para el
análisis de covarianza:

A.   Perspectiva experimental. Se aplica a aquellas situaciones en que el interés del
investigador se centra en las diferencias observadas en la variable dependiente,
por medio de las categorías de la variable independiente (o variables
independientes). Pero el experimentador asume que hay otras variables
independientes cuantitativas que contaminan la relación y cuya influencia debe
ser controlada (figura 8.5).

Variables X1
independientes X2
categóricas
Xk

Y Variable
dependiente

Variables
independientes Z 1
cuantitativas Z 2
continuas Zk

Figura 8.5 Ejemplo de variables independientes que afectan a una dependiente

Y el investigador únicamente se interesa por conocer la relación entre las
variables independientes categóricas y la variable dependiente. Desea al mismo
tiempo remover y controlar el efecto de las variables independientes cuantitativas
no categóricas (continuas). Es decir, desea tener un esquema como el de la figura
8.6.

X1

X2

Xk

Y
Remover o
Z1 controlar

Z2

Zk

Figura 8.6 Ejemplo de control de variables independientes no categóricas.

El objetivo es “purificar la relación entre las independientes categóricas y la
dependiente, mediante el control del efecto de las independientes no categóricas o
continuas”.
Ejemplos de variables independientes categóricas serían: género (masculino,
femenino), inteligencia (alta, media, baja), ingreso (menos de un salario mínimo, dos
a cuatro salarios mínimos, cinco a 10 salarios mínimos, 11 o más salarios mínimos).
Los niveles de medición nominal y ordinal son categóricos en sí mismos, mientras
que los niveles de intervalos y razón deben transformarse en categorías más
discretas. Estos últimos son en sí: cuantitativos, continuos y de categorías múltiples.
Por ejemplo, el ingreso en su “estado natural” (pesos, dólares, euros, etc.) varía de la

categoría cero hasta la categoría (K)k, ya que puede haber millones de categorías.

Variable categórica — unas cuantas categorías o un rango medio.

Variable continua — muchas categorías (a veces una infinidad).

A dichas variables independientes cuantitativas continuas, cuya influencia se
controla, se les denomina “covariables”. Una covariable se incluye en el análisis para
remover su efecto sobre la variable dependiente, e incrementar el conocimiento de
la relación entre las variables independientes categóricas de interés y la
dependiente, lo cual aumenta la precisión del análisis(Doncaster y Davey, 2007).
En esta perspectiva, el análisis de covarianza puede ser concebido primero como
un ajuste en la variable dependiente respecto a diferencias en la covariable o las
covariables y, posteriormente, como una evaluación de la relación entre las
variables independientes categóricas y los valores ajustados de la variable
dependiente (Wildt y Ahtola, 1978). En términos de Creswell (2005): el
procedimiento “ajusta” las puntuaciones en la dependiente para dar cuenta de la
covarianza (por decirlo en términos sencillos: “hace equivalentes a los grupos en
la(s) covariable(s)” y controla influencias potenciales que pueden afectar a la
variable dependiente).
B. Perspectiva de interés por la covariable. Esta perspectiva se ejemplifica con aquellas
instancias en las cuales el interés principal se centra en analizar la relación entre la
variable dependiente y la covariable (variable cuantitativa continua) o las
covariables. Aquí el enfoque es distinto; la influencia que se remueve es la de las
variables independientes categóricas. Primero se controla el efecto (en este caso
“contaminante”) de estas variables y después se analiza el efecto “purificado” de las
covariables.
C. Perspectiva de regresión. En esta tercera perspectiva, tanto las variables
independientes categóricas como las covariables resultan de interés para el
investigador, quien puede desear examinar el efecto de cada variable
independiente (covariables y no covariables, todas) y después ajustar o corregir los
efectos de las demás variables independientes.
En cualquier caso, el análisis de covarianza elimina influencias no deseadas sobre la
variable dependiente. Se puede utilizar en contextos experimentales y no

experimentales. La mayoría de las veces la función del ANCOVA es “remover” la
varianza compartida entre una o más covariables y la dependiente, de este modo,
se valora en su justa dimensión la relación causal entre la(s) variable(s)
independiente(s) de interés y la dependiente (Creswell, 2005). Veámoslo
conceptualmente pero de forma gráfica con un ejemplo simple:

EJEMPLO

Estudio: Al investigador le interesa analizar el efecto en el aprendizaje de la computación, por medio
de un nuevo método para su enseñanza a niños. La hipótesis es: “el nuevo método de enseñanza de
la computación (MA‐RH) provocará un mayor aprendizaje en los niños que un método tradicional”.
Entonces, implementa el siguiente experimento: a un grupo de infantes lo expone al nuevo
método de enseñanza de computación (MA‐RH); el otro grupo aprende con el método tradicional;
finalmente, un tercer grupo, de control, no recibe ningún tipo de enseñanza en computación.
La variable independiente es el tipo de método con tres categorías o niveles (método nuevo,
método tradicional y ausencia de método), la dependiente es el aprendizaje en computación (medida
por una prueba estandarizada a nivel de intervalos). Se tiene un esquema como el de la figura 8.7.

Tipo de método (X) Aprendizaje (Y)

El investigador sabe que el aprendizaje se puede deber a muchas razones, además del método. Es decir, el
aprendizaje varía por diversos motivos, lo cual se representa en forma de conjuntos de la siguiente manera:

Variable Variable
independiente: dependiente:
método (X) aprendizaje (Y)

Varianza del aprendizaje no
explicada (que no se debe al
Varianza en común entre
método sino a otros factores)
método y aprendizaje

Con el experimento el investigador desea conocer la varianza en común entre método y aprendizaje
(cuantificarla), la relación XY (pura). Si los niños son asignados al azar a los grupos del experimento
y tiene grupos de tamaño aceptable, por el diseño mismo, remueve la influencia de las covariables
que pudieran afectar. Pero si no es factible hacerlo y tiene un diseño cuasiexperimental (grupos
intactos), debe remover tal influencia con el análisis de covarianza (eliminar al mínimo posible la
varianza del aprendizaje no explicada), para evitar que las covariables impidan ver con claridad la
relación XY. Por ejemplo, el nivel educativo tecnológico de los padres puede influir (hace variar al
aprendizaje) y este efecto debe ser controlado, al introducirlo como covariable.

Variable
dependiente:
Variable aprendizaje (Y)
independiente:
método (X)

El nivel educativo
tecnológico de los
padres (COVARIABLE)

Varianza en común: entre
método y aprendizaje

Varianza compartida entre el nivel
educativo de los padres y el aprendizaje (la
cual se controla con el ANCOVA)

Entre más covariables se controle, más se explicará sobre la varianza común entre el método y el
aprendizaje.

Figura 8.7 Ejemplo del control de las covariables (con una covariable).

Lo que el investigador desea también se puede expresar
gráficamente así:

Tipo de método Aprendizaje

ANCOVA

Nivel educativo
tecnológico de los
padres (covariable) Controlar influencia de la covariable

Wildt y Ahtola (1978, p. 13) definen algunos usos del análisis de covarianza:

1. Incrementar la precisión en experimentos con asignación al azar.
2. Eliminar influencias extrañas o contaminantes que pueden resultar cuando las
pruebas o los individuos no son asignados al azar a las diferentes condiciones
experimentales (grupos de un experimento).
3. Eliminar efectos de variables que confundan o distorsionen la interpretación de
resultados en estudios no experimentales.

Nivel de medición de las variables: la variable dependiente siempre está medida por
intervalos o razón y las variables independientes pueden estar medidas en cualquier nivel.
Interpretación: depende de cada caso específico, ya que el análisis de covarianza
efectuado mediante un programa estadístico computacional, produce un cuadro de
resultados muy parecido al del análisis de varianza. Los elementos más comunes
pueden observarse en la tabla 8.3.

Tabla 8.3 Ejemplo de elementos comunes de un análisis de covarianza

Fuente de Sumas de Sumas de Grados de Medias Razón Significancia de
variación cuadrados cuadrados libertad cuadráticas F (F) F (Sig.)
(Source of y ajustadas (Degrees
variation) productos (Adjusted of
cruzados sum of freedom)
(Sum of squares)
squares
and cross
products)

La razón F es, igual que en el análisis de varianza, una razón de varianzas. El
razonamiento estadístico es el mismo y F se interpreta igual, incluso se utiliza el mismo
cuadro de la distribución F (tabla 3, apéndice 4 o en STATS® a “Valores de “F” al nivel de
confianza de .05 y .01”). Solamente que las inferencias y conclusiones se hacen al
considerar que las medias de la variable dependiente, a través de las categorías de las
variables independientes, se han ajustado, de este modo eliminan el efecto de la
covariable o covariables.

EJEMPLO
Diseño de investigación que utiliza el análisis de covarianza
Hi: “los trabajadores que reciban retroalimentación verbal sobre el desempeño de parte
de su supervisor mantendrán un nivel mayor de productividad que los trabajadores que
reciban retroalimentación sobre el desempeño por escrito, y más aún que los
trabajadores que no reciban ningún tipo de retroalimentación”.

Hi:   1 > 2 > 3

(verbal)                     (por escrito)            (ausencia)

El investigador plantea un diseño experimental para intentar probar su hipótesis.
Sin embargo, no puede asignar aleatoriamente a los trabajadores a los tres grupos del
experimento. El diseño sería con grupos intactos (cuasiexperimental) y se
esquematizaría así:

G1 X1
1

G2 X2

G3 —

2

Asimismo, el investigador presupone que hay un factor que puede contaminar los
resultados (actuar como fuente de invalidación interna): la motivación. Diferencias
iniciales en motivación pueden invalidar el estudio. Como la asignación al azar está
ausente, no se sabe si los resultados se ven influidos por dicho factor. Entonces, el
3
experimentador decide eliminar o controlar el efecto de la motivación sobre la
productividad para conocer los efectos de la variable independiente: tipo de
retroalimentación. La motivación se convierte en covariable. El esquema es el que se
muestra en la figura 8.8.

Retroalimentación (variable Productividad (variable
independiente categórica) dependiente)

ANCOVA
Motivación
(covariable)

Figura 8.8 Ejemplo donde la motivación es covariable

Cabe destacar que, para introducir una covariable en el análisis, de preferencia debe
medirse antes del inicio del experimento.
El análisis de covarianza “quita” a la variabilidad de la dependiente lo que se debe a la
covariable. Ajusta la varianza de la variable dependiente en las categorías de la
independiente, al basarse en la covariable. En el ejemplo, ajusta la varianza de la
productividad debida a la motivación, en las categorías experimentales (tratamientos o
grupos). El ajuste se realiza sobre la base de la correlación entre la covariable y la
dependiente. Esto se muestra esquemáticamente en la tabla 8.4.

Tabla 8.4 Ejemplo de un diseño de investigación que utiliza el análisis de covarianza como
herramienta para ajustar diferencias en motivación entre los grupos

Covariable Variable Variable
independiente dependiente
Calificación en
Puntuaciones en
motivación Tipo de
productividad ajustadas,
realimentación
tomando en cuenta la
covariable

G1 0 X1 0

G2 0 X2 0

G3 0 — 0

Una vez realizado el análisis de covarianza, se evalúa si F es o no significativa.
Cuando F resulta significativa se acepta la hipótesis de investigación.
Si el resultado fuera:

G1 = 35

G2 = 36

La correlación entre la calificación en motivación y las puntuaciones en
productividad es la base para el ajuste.

G3 = 38

Gl entre = K – 1 = 3 – 1 = 2

Gl intra = N – K = 107

F = 1.70

Comparamos con el valor de la tabla respectiva: en el nivel de 0.05 es igual a 3.07, y
nuestra razón F a 1.70 es menor a este valor. Por tanto, rechazamos la hipótesis de
investigación y aceptamos la hipótesis nula. Esto se contrasta y profundiza con las
medias ajustadas de los grupos que proporcione el análisis de covarianza (no las medias
obtenidas en el experimento por cada grupo, sino las ajustadas con base en la
covariable).
Recordemos que SPSS y Minitab nos proporcionan automáticamente la significancia
de F.

¿Qué es la regresión múltiple?
Es un método para analizar el efecto de dos o más variables independientes sobre una
dependiente. Asimismo, constituye una extensión de la regresión lineal sólo que con
mayor número de variables independientes. Es decir, sirve para predecir el valor de una
variable dependiente, cuando se conoce el valor y la influencia de las variables
independientes incluidas en el análisis. Si queremos conocer el efecto que ejercen las
variables: a) satisfacción sobre los ingresos percibidos, b) antigüedad en la empresa, c)
motivación intrínseca en el trabajo y d) percepción del crecimiento y desarrollo
personal en el trabajo; sobre la variable “permanencia en la empresa” (duración o
estancia), el modelo de regresión múltiple es el adecuado para aplicarlo a los datos
obtenidos. Otro ejemplo sería el siguiente:

VARIABLES INDEPENDIENTES

VARIABLE
DEPENDIENTE
Diseño de estrategias de

cooperación entre maestros para la

enseñanza en las clases.

Grado de utilización de la
tecnología computacional en el

aula.
Desempeño escolar
de los alumnos

Grado de involucramiento de los

padres en las estrategias de
enseñanza.

Grado de cooperación y trabajo en
equipo por parte de los alumnos
para realizar las tareas.

Figura 8.9 Esquema de un modelo con una variable dependiente y varias independientes,
donde se conoce el efecto de cada una de éstas

Es decir, el modelo de regresión múltiple nos indica:
• La relación entre cada variable independiente y la única dependiente (cómo cambios
en la independiente se vinculan con cambios en la dependiente).
• La relación entre todas las variables independientes (en conjunto) y la dependiente
(cómo cambios en las independientes se vinculan con cambios en la dependiente).
• La predicción de la dependiente a partir de las independientes.
• La correlación entre las variables independientes (colinealidad).
Las variables independientes se denominan “predictoras”4 y anteceden
temporalmente a la variable dependiente o criterio.
La información básica que proporciona la regresión múltiple es el coeficiente de
correlación múltiple (R) y la ecuación de regresión.

4 Término anglosajón.

Coeficiente de correlación múltiple (R). Señala la correlación entre la variable
dependiente y todas las variables independientes tomadas en conjunto.
El coeficiente puede variar de cero a uno; cuanto más alto sea su valor, las variables
independientes estarán más correlacionadas con la variable dependiente y explicarán
en mayor medida sus fluctuaciones (varianza); en consecuencia, son factores más
efectivos para predecir el comportamiento de esta última.
En el capítulo 10 del libro, se comentó el coeficiente de correlación de Pearson y se

mencionó que cuando el coeficiente r se eleva al cuadrado (r2), se obtiene el coeficiente
de determinación y el resultado indica la varianza de factores comunes, esto es, el
porcentaje de la variación de una variable debido a la variación de la otra y viceversa (o
cuánto explica o determina una variable la variación de la otra). Pues bien, algo similar
ocurre con el coeficiente de correlación múltiple, solamente que tenemos más variables

a considerar. Cuando el coeficiente R se eleva al cuadrado (R2), se produce el llamado
coeficiente de determinación o correlación parcial, que nos señala la varianza explicada
de la variable dependiente por todas las independientes (dicho de otra forma, el
porcentaje de variación en la dependiente es debido a las independientes consideradas).
Veámoslo gráficamente en la figura 8.10 con dos independientes y una dependiente,
a fin de que resulte menos complejo de entender.

Variable independiente Variable
1 independiente 2

R2 (expresa en
porcentaje la varianza
Variable compartida por las tres
dependiente   variables)

Figura 8.10

Esquema de un coeficiente de determinación o correlación parcial

Este coeficiente (R2) resulta útil también para determinar la cantidad de varianza
que una variable interviniente explica tanto de la variable independiente como de la
dependiente, de este modo, se puede remover la varianza compartida de la interviniente
con la variable independiente o la dependiente (Creswell, 2005; Sengupta, 2009), que es
algo similar a lo que se efectúa con el análisis de covarianza.
Tal sería el caso de una relación del siguiente tipo:

Autoestima del estudiante relación negativa Consumo de estupefacientes
(independiente) (dependiente)

Reforzamiento de los

valores del estudiante
por parte de sus tutores
(interviniente)
relación negativa

Figura 8.11 Ejemplo del coeficiente de determinación (correlación parcial)

Si resumimos lo visto en el capítulo 10 del libro sobre correlación y regresión lineal
y lo expuesto hasta aquí, tenemos los coeficientes que se resumen en la tabla 8.5.

Tabla 8.5 Resumen de coeficientes de correlación bivariada y múltiple
Coeficiente Símbolo Información producida
Pearson Grado de asociación entre dos variables
r
(oscila entre 0 y 1).
Coeficiente de Varianza de factores comunes (porcentaje
r2
determinación de la variación de una variable debido a la
variación de la otra variable y viceversa).
Oscila entre 0 y 100%.
Múltiple Correlación entre la variable dependiente
R

y todas las variables independientes
tomadas en conjunto. Oscila entre 0 y 1.
Determinación Varianza explicada de la dependiente por
R2
(correlación parcial) todas las independientes. Oscila entre
0 y 100%.

Otra información relevante producida por el análisis de regresión múltiple son los
valores “beta” (β o b) que indican el peso o la influencia que tiene cada variable
independiente sobre la dependiente, al controlar la varianza de todas las demás
independientes. Cada peso beta es un coeficiente que señala la magnitud de la
predicción de una variable independiente para una variable dependiente (criterio),
después de remover los efectos de todas las demás independientes. Los valores beta
están estandarizados, es decir, no importa que cada variable predictora esté medida en
una escala diferente (como ocurría con las puntuaciones z) y se interpretan como el
coeficiente de Pearson, de – 1.00 a + 1.00 (Creswell, 2005).
También el análisis proporciona coeficientes de correlación bivariados entre la
dependiente y cada independiente (Shaw, 2009).
Para predecir valores de la variable dependiente se aplica la ecuación de regresión
múltiple:

y = a + b1X1 + b2X2 + b3X3 + … bkXk

Donde a es una constante de regresión para el conjunto de puntuaciones obtenidas,
b1, b2, b3,…bk son los pesos “beta” de las variables independientes. Mientras que X1, X2,
X3 y …Xk son valores de las variables independientes que fija el investigador para hacer

la predicción.
La variable dependiente debe estar medida en un nivel por intervalos o de razón.
Las independientes, en cualquier nivel de medición (el modelo estandariza mediciones).
Cuando se utilizan variables categóricas (nominales u ordinales, como género, grupo
étnico, nivel jerárquico, etc.) se transforman en variables “dummy” y se introducen al
modelo como predictores. Los códigos dummy son series de números asignados para

indicar la pertenencia a un grupo en cualquier categoría exhaustiva y mutuamente
excluyente.
De acuerdo con Mertens (2005), la cantidad de varianza que cada independiente
aporta para la variable dependiente puede tener cambios con diferentes órdenes de
entrada de las variables independientes. Al respecto no hay reglas, se usa la lógica del
investigador o criterios como los siguientes:

- Ingresar las variables de acuerdo con la fuerza de su correlación con la
variable dependiente, de la más alta a la más baja.
- Seguir el orden en que se han introducido en estudios previos.
- Proceder de acuerdo con la teoría.
- Orden cronológico (tiempo en que se introducen las variables en un
experimento o al medirse, si es que su medición fue por etapas, de la
primera a la última).

Los resultados más relevantes que produce SPSS sobre la regresión múltiple se
muestran en las tablas 8.6, 8.7 y en la figura 8.12, que corresponden a un estudio para
predecir el clima laboral (criterio o dependiente) sobre la base de las siguientes
variables independientes (Hernández Sampieri, 2005):

• Normalización (formalización de políticas en documentos).
• Avance del proceso de calidad en el departamento (un nuevo esquema de
trabajo introducido en el 2004).
• Innovación departamental.
• Identificación del trabajo individual en los resultados generales de la
organización.
• Comunicación (percepción del grado en que la información relevante de la
empresa les es transmitida a los empleados de su departamento).
• Desempeño (índice de productividad del empleado).
• Motivación general.
• Antigüedad en la empresa (en meses).

• Satisfacción general en el trabajo.
• Liderazgo (percepción del superior inmediato como líder).
• Cultura (arraigo de la cultura organizacional definida por la dirección de la
empresa).
• Pago (salario).

Primero. Se presentan las variables introducidas en el modelo de regresión:

Tabla 8.6 Variables introducidas en el ejemplo de regresión múltiple
Variables introducidas /eliminadas
Modelo Variables Variables Método (b)
introducidas (a) eliminadas
Pago
Innovación
Antigüedad
Motivación
Normalización
Proceso de calidad Introducir
Cultura
Identificación
Desempeño
Liderazgo
Satisfacción
Comunicación
a. Todas las variables solicitadas introducidas
b. Variable dependiente: clima

Segundo. Se presentan resultados de varianzas (ANOVA), los cuales omitimos, y los
coeficientes beta y estadísticas de colinealidad (tabla 8.7).

Hora Nombre del participante Condición experimental
Codificador Fecha
Categoría Subcategoría 0’ 10’’ 20’’ 30’’ 40’’ 50’’ 1’ 10’’ 20’’ 30’’ 40’’ 50’’ 2’ 10’’ 20’’ 30’’ 40’’ 50’’ 3’
Distancia Alejamiento (0)
física Acercamiento (2)
Estático (1)
Movimientos Tensión (0)
corporales Relajación (2)
Ninguno (1)
Conducta Al sujeto (1)
visual
A otra parte (0)
Conducta F. completas (1)
verbal F. dicótomas (0)
Silencios (0)
Nota: Se agregaron las subcategorías “estático” en la categoría “distancia física” y “ninguno” en la categoría “movimientos corporales”.

Figura 7.11 Primer ejemplo de un formato de registro o codificación

66

Figura 7.12 Segundo ejemplo de un formato de registro o codificación

El ejemplo de la figura
7.12 es un formato para registrar conductas inapropiadas en la clase y analizar
cuáles son las que se presentan con mayor frecuencia y el número de estudiantes
involucrados (Creswell, 2005).
Los números (columnas) representan episodios de conducta inapropiada en la
clase (cada vez que ocurre). Se coloca en la fila “CI” (conducta inapropiada) la letra
inicial de la conducta (ejemplo: O, ofensa verbal; H, hablar en clase…), y “1” si son otras.
Asimismo, en la fila “N” se indica el número de estudiantes involucrados en el episodio.

67

La hoja de codificación, formato o guía debe acompañarse de las instrucciones
para su llenado o registros y la mención de las unidades de observación, así como el
tiempo que durará ésta. Debe evitarse un instrumento que sea tan complejo que sea
difícil de codificar y utilizarse en la realidad.

7. Determinar el papel de los observadores. ¿Qué tan cercanos deben estar el
observador y los observados? A este respecto mucho se ha escrito y los roles
varían desde una distancia prudentemente lejana, hasta una cercanía completa.
Anastas (2005) y también Polster y Collins (2007) plantean dos roles
fundamentales de la relación observador‐observados: a) participante (donde hay
relación entre el observador y las personas observadas) y b) no participante (la
relación es mínima —simplemente por el hecho de que los individuos saben que
están siendo observados— o puede ser nula, si los individuos no saben que están
siendo observados).
La ética de la investigación marca que siempre que va a observarse a un ser
humano, se debe obtener su consentimiento; asimismo, no se deben invadir sus
esferas privadas (baños, recámaras, etc.). Anastas (2005) está de acuerdo con esta
consideración, aunque marca una excepción: cuando se observan conductas
inocuas que pudieran ocurrir de manera natural en situaciones públicas y cuando
las personas observadas no son identificadas o afectadas por los observadores. En
última instancia, si el investigador busca evitar la “reactividad” en el proceso (que
la presencia de los observadores provoque reacciones poco o nada naturales en
los participantes), una vez que se efectúan las observaciones, debe solicitársele a
cada sujeto su autorización, mantener su nombre en el anonimato, nunca mostrar
las filmaciones o registros y respetar su negativa, si es el caso.
Jorgensen (1989) sugiere tres actuaciones: a) participante activo, el
observador interactúa plenamente con los observados, tiene un papel de
miembro, es uno más de ellos (por ejemplo, si se trata de observar el compromiso
de trabajadores en los grupos de calidad, el observador es un miembro del grupo
con funciones específicas), b) participante privilegiado, no es un miembro del
grupo, pero tiene acceso a información amplia y privada, los observados lo
conocen y le tienen confianza y c) observador limitado, no tiene más que el papel

68

de observador externo. Rogers y Bouey (2005) los clasifican en el siguiente
continuo:

Participante completo: Participante Observador Observador
total interacción, su observador: su rol participante: su rol completo: nula
primario es participar, primario es observar, participación, se
rol primario es
participar y generar la pero casi a la par aunque tiene ciertas limita a observar

interacción. observa. participaciones.

Patton (2001) sugiere que el observador debe ubicarse en varios continuos para
establecer su papel (que es una ubicación aproximada y no exacta):

Sin que de ninguna manera sea una norma, cuando la observación
cuantitativa trabaja con personas, regularmente es no participante, encubierta o

69

intermedia, de corta estancia y enfocada. Mientras que la observación cualitativa
es participante, abierta, prolongada y general.

8. Seleccionar a los observadorescodificadores. Puesto que son las personas que
habrán de codificar la conducta, deben conocer las variables, categorías y
subcategorías. Las habilidades más importantes de un buen observador son:

• Selectividad para registrar lo que observa, de acuerdo con reglas.
• Uso de todos los sentidos, particularmente ante lo que no se esperaba
encontrar.
• Capacidad para seguir el sistema de registro que involucra el
procesamiento de información.

9. Proporcionar entrenamiento a observadorescodificadores (en las variables,
categorías, subcategorías, unidades de análisis y el procedimiento para codificar,
así como sobre las diferentes maneras como puede manifestarse una categoría o
subcategoría de conducta). Debido a que, en algún grado, la observación
involucra hacer juicios, el entrenamiento debe apoyar la estandarización de
procedimientos y, por ende, la objetividad.

10. Efectuar la prueba piloto y calcular la confiabilidad de los observadores
(intraobservador e interobservadores). En la prueba piloto se evalúa todo lo
relativo al proceso de observación. Desde la iluminación en el ambiente
(ejemplo, cámara de Gesell), el sonido y los equipos de filmación; hasta el lugar
donde se coloquen los observadores, las instrucciones y la guía de observación o
registro.
Gracias a la prueba piloto nos podemos dar cuenta de problemas
potenciales y corregirlos (por ejemplo, si vamos a observar conductas agresivas
en niños y nada más hemos trabajado con adultos, nos percataremos de que la
agresión no se manifiesta igual en adultos que en niños o adolescentes. De este
modo, durante la prueba piloto podemos registrar comportamientos agresivos
no contemplados, que se agregarán como subcategorías en el instrumento de
observación definitivo). Esto se hace con una muestra del repertorio de
conductas o actos a considerar. Con respecto a la confiabilidad, recordemos que
debe demostrarse y no asumirse y se determina para evaluar si los

70

observadores están registrando coherentemente (confiabilidad individual) y si
están registrando entre sí de manera similar los mismos eventos o conductas
(confiabilidad interobservadores). Los procedimientos y las fórmulas pueden
ser las mismas que las vistas en el apartado sobre el análisis de contenido; lo
único que cambia es la palabra “codificadores”, “codificación”, “codificadas”, por
“observadores”, “observación”, “observadas”. Por ejemplo:

Haynes (1978, p. 160) proporciona otra fórmula para calcular la
confiabilidad entre observadores o el grado de acuerdo interobservadores (Ao).

Donde Ia es el número total de acuerdos entre observadores, e Id es el
número total de desacuerdos entre observadores. Un “acuerdo” se define como la
codificación de una unidad de análisis en una misma categoría por distintos
observadores. Se interpreta como cualquier coeficiente de confiabilidad (0 a l).
Es muy importante al establecer la confiabilidad, evitar que los
observadores “copien” o vean el trabajo de sus compañeros, ya que esto puede
ocurrir.
Anastas (2005) y Grinnell, Williams y Unrau (2009) consideran como una
confiabilidad interobservadores mínima aceptable 0.85 u 85%. Si se elige un
instrumento ya desarrollado, al igual que en otros métodos de medición, debe
demostrarse que en los estudios donde se aplicó resultó válido y confiable, y
adaptarse a las condiciones de nuestra investigación.

71

Para establecer la validez de contenido, se analiza el dominio de nuestras
categorías y subcategorías contra el universo de posibles conductas que pueden
manifestarse. La validez de criterio muchas veces se establece usando otra técnica
(por ejemplo, la hostilidad, que se infiere de observar actos agresivos, puede
validarse mediante una escala que mida tal variable).

2. Llevar a cabo la codificación por observación.

3. Vaciar los datos de las hojas o formatos de codificación y obtener totales para cada
categoría.

4. Realizar los análisis apropiados.

CODIFICACIÓN EN EL ANÁLISIS DE CONTENIDO Y LA OBSERVACIÓN

Una vez recolectados los datos del análisis de contenido y/o la observación, también
éstos deben codificarse, es decir, asignar códigos (generalmente numéricos) a las
categorías y/o subcategorías. Por ejemplo, en el caso del estudio de Naves y Poplawsky
(1984), la codificación es la que se muestra en la tabla 7.10 (que corresponde al primer
ejemplo de un formato de registro o codificación, figura 7. 11).

Tabla 7.10 Ejemplo de codificación en el caso del estudio de Naves y Poplawsky

Variable Categorías Subcategorías Códigos Columnas
– Tratamiento – Grupo cultural 1 1
experimental – Grupo sociopsicológico 2
– Conducta
– Distancia física – Alejamiento   0
2
– Acercamiento   2

– Estático   1

– Movimientos corporales – Tensión 0 3

– Relajación   2

– Ninguno   1
– Codificador

– Conducta visual – Al sujeto    1 4
– A otra parte 0
– Conducta verbal – Frases completas 1 5
– Frases dicótomas o 0
silencios

72

– LRE ― 1 6
– MRM 2
– APY 3
Desde luego, Naves y Poplawsky (1984) para las categorías de “conducta de evitación” obtenían esta
codificación cada 10 segundos (cada unidad de análisis), y sumaban el número de 2 (dos) y 1 (uno) y
lo transformaban en porcentaje. Aquí suponemos que toda la interacción con el supuesto deficiente
mental puede categorizarse y subcategorizarse. Recordemos que eran 30 participantes.

Y la matriz de SPSS o equivalente sería la de la figura 7.13 (desde luego, solamente
se incluyen 10 casos a manera de ejemplo).

Figura 7.13 Matriz o vista de los datos para la codificación de la tabla 7.10 (Naves y
Poplawsky)

RECOPILACIÓN Y ANÁLISIS DE DATOS SECUNDARIOS

La recopilación y análisis de datos secundarios se fundamenta en información
disponible recolectada por otras personas distintas al investigador. Esta técnica para
recabar los datos puede subdividirse en: a) datos estadísticos provenientes de fuentes
oficiales y b) datos para metaanálisis. En ambos casos se acude a bases de información
que pueden encontrarse en una o varias fuentes y que son útiles para los propósitos del
estudio. La diferencia entre estos dos tipos estriba en que los primeros recogen

73

estadísticas (tasas de defunción o mortalidad y nacimiento, número de hectáreas de
riego, cifras de egreso en los distintos niveles del sistema escolar, número de camas de
los hospitales, número de monumentos históricos, producto interno bruto, número de
instalaciones deportivas y clases, así como número de cada una y tamaño en metros
cuadrados, extensión de la red de alcantarillado, índice de inflación, monto de la deuda
externa pública y privada, etc.). En cambio, el metaanálisis recopila estudios efectuados
por otros sobre el planteamiento del problema, los evalúa y puede volver a analizar sus
datos e integrarlos en una base mayor de información; o bien, adicionarlos y
compararlos.
Krysik (2005) considera tres tipos de datos secundarios: datos obtenidos del nivel
“micro”, datos agregados y datos cualitativos micro.

a)   Datos obtenidos del nivel “micro”: derivados de unidades de análisis individuales
como personas, organizaciones u hogares (número de habitantes por vivienda,
número de trabajadores de la empresa, preferencias electorales, satisfacción
laboral de los trabajadores, etc.). La mayoría de las veces los datos se recolectan
por medio de encuestas. Por ejemplo, los censos económicos (vistos en el capítulo
de encuestas o surveys de este CD) generan esta clase de datos, al igual que los de
población.
    La encuesta nacional de adicciones (implementada anualmente en varios
países latinoamericanos) es otro caso y recolecta —entre otros datos— los
siguientes:1

1. Personas económicamente activas en el sistema familiar.
2. Distribución del tiempo libre del estudiante.
3. Convivencia del alumno en el hogar (padres y otros parientes).
4. Estructura del sistema matrimonial de los tutores del estudiante (padres
casados, divorciados, separados, etcétera).
5. Ocupación de las personas económicamente activas en el hogar.
6. Persona(s) con quien(es) los estudiantes se comunican más dentro del
hogar.

1  Por ejemplo, en México la publica periódicamente el Consejo Nacional Contra las Adicciones (CONADIC).

74

7. Actividades deportivas del estudiante (tipos y periodicidad de cada
actividad deportiva, tiempos de dedicación, entre otros).
8. Conducta de fumar (inicio, frecuencia de la conducta de fumar, consumo
diario de cigarrillos).
9. Ingesta de alcohol (inicio, periodicidad, consumo semanal).
10. Percepción proyectiva del consumo de estupefacientes o drogas ilegales
(se responde a la pregunta: ¿A cuántos de tus compañeros de escuela has
visto consumir droga?, ¿a cuántos de tus amigos, fuera de la escuela?).
11. Conocimiento del tipo de droga que se consume (cuestionamiento: Señala
la droga que sabes consumen en este plantel… Señala la droga que sabes se
consume en tu vecindario…).
12. Preferencia de consumo en el entorno inmediato por tipo de
estupefaciente (fuera de la escuela).
13. Percepción del encuestado respecto de si es un problema el consumo de
estupefacientes.
14. Percepción respecto de si se pueden conseguir las drogas o
estupefacientes dentro de la escuela.
15. Percepción respecto de si se consume droga o sustancias ilegales dentro
de la escuela.
16. Percepción respecto de si el consumo de estupefacientes es un problema
en su entorno externo.
17. Preferencia de consumo por tipo de estupefaciente en la escuela.
18. Actitud ante el consumo de estupefacientes por una amistad.
19. Manifestación de haber consumido algún estupefaciente.
20. Edad de inicio de consumo.
21. Figura que invitó a experimentar el consumo.
22. Tipo de estupefaciente o droga consumida por primera vez.
23. Consumo de diferentes clases de estupefacientes.
24. Preferencia individual de consumo por tipo de estupefaciente.
25. Periodicidad del consumo.
26. Motivo(s) del consumo.

75

27. Acciones recomendadas por los encuestados para reducir el consumo,
evitarlo o prevenirlo.
28. Conciencia del consumo de estupefaciente.
29. Fuente más impactante de conocimiento del problema social que implica
el consumo de estupefacientes.
30. Comentarios abiertos (cualitativo).

Pero el investigador, aunque no generó estos datos, tiene acceso directo a ellos (a
la información individual y original; a los cuestionarios, registros, etc.) y, por lo tanto,
los puede volver a analizar (incluso a veces puede identificar a los encuestados o sus
perfiles).

b)  Datos agregados: Consisten en datos individuales que ya se han procesado y
conjuntado con otros en cifras estadísticas, tablas o cuadros. En éstos, las
características de las unidades de análisis no pueden ser identificadas (por
ejemplo: el investigador recibe el dato sobre el promedio de satisfacción laboral
en una escala o la tasa de desempleo y obviamente no puede reanalizar los datos,
sólo utilizarlos para los fines que convengan).
  Estos datos se pueden obtener de:

1.   Oficinas y agencias gubernamentales y oficiales (Ministerio de Educación,
Ciencia y Tecnología de Argentina; Ministerio de Educación y Ciencia de
España; Dirección de Impuestos y Aduanas Nacionales de Colombia;
Instituto Nacional de Estadística de Bolivia; Ministerio de Industria,
Turismo, Integración y Negociaciones de Perú; Banco Central de
Venezuela; etcétera).
2.   Organizaciones privadas (Cámara de Comercio de Santiago de Chile,
Consejo de Fundaciones Privadas de Guatemala, Fundación Cultural
Española para el Fomento de la Artesanía, Centro de Estudios Económicos
del Sector Privado en México, Fundación Ford, entre otras).
Algunas bases de datos privadas contienen archivos periodísticos, como
por ejemplo: U.S. News Archives on the Web (periódicos en Estados

76

Unidos), Reuters y Europrensa (Universidad Complutense de Madrid), etc.
Los periódicos más importantes del mundo generalmente poseen su
propia base de datos.
3.   Organizaciones no gubernamentales (Agencia de Cooperación en
Ingeniería Ambiental o ACIA, Pro Amazonia "Selva Para la Vida", Alianza
Cívica en México, Red 2002 de Barcelona para el apoyo de enfermos de
SIDA, y otras).
4.   Organizaciones internacionales (Comisión Económica para América Latina
y el Caribe; Organización de las Naciones Unidas para la Educación, la
Ciencia y la Cultura, UNESCO; Organización Mundial de la Salud, OMS;
Fondo de las Naciones Unidas para la Infancia, UNICEF; Fondo Monetario
Internacional, FMI; etcétera).

Las primeras tres fuentes genéricas varían en cada país, por lo que
resultaría impráctico intentar mencionarlas. Por ello, cada estudiante o
profesor debe tener en mente cuáles son y qué tipo de información pueden
proporcionar.2
De los datos resulta fundamental conocer:3

 El nombre y la filiación institucional de quien recolectó los datos.
 El periodo de recopilación de los datos.
 La muestra (método de selección, tamaño, características…).
 El método de recolección de los datos, incluyendo el
instrumento, procedimiento, confiabilidad y validez, etcétera.
 Localización (disponibilidad).

Y de ser posible:

 Procedimientos de codificación.
 Análisis practicados.
 Sugerencias para el análisis.

2
Para el caso de España recomendamos a Berganza y García (2005) y a Corbetta (2003) y la siguiente
página web:
http://www.typicallyspanish.com/html/castellano/sociedad/gobierno/organizaciones_no_gubernament
a
les/. Para las organizaciones no gubernamentales latinoamericanas, por ejemplo, en el caso del medio
ambiente, la siguiente dirección en internet incluye una gran cantidad de ellas:
http://www.ecoportal.net/content/view/
full/158
3
  Aplica también a los datos “micro”.

77

c) Datos cualitativos micro: producidos por una persona y recabados por otra. Al
investigador le llega el dato (cartas recopiladas por otros, transcripciones de
entrevistas hechas por psicólogos, grabaciones de las llamadas de pasajeros que
iban en los aviones secuestrados por terroristas en los atentados a las torres
gemelas del World Trade Center en Nueva York, etc.). Tales datos pueden volver a
ser analizados por el investigador.
Las ventajas de los datos secundarios residen en que su costo es generalmente
el más barato de todos los métodos de recolección y a veces son la única opción
para el investigador (Smith, 2008; Sieppert, McMurtry y McClelland, 2005),
además pueden replicarse estudios con base en ellos. Gran cantidad de datos
secundarios se localiza mediante internet. Sus desventajas potenciales consisten
en que a veces no son accesibles, no están estandarizados, pueden haberse
omitido variables importantes para nuestro estudio y es factible que den una falsa
impresión de ciertos subgrupos (los promedios de ingreso nacional per cápita, por
ejemplo, suelen resultar engañosos).
El proceso para utilizar datos secundarios en una investigación se resume en la
figura 7.14, adaptado de Sieppert et al. (2005) y Krysik (2005).

78

Analizar la relación entre el
planteamiento del problema y
Evaluar la calidad de los datos:
los datos secundarios:

‐ Muestra
‐ ¿Son pertinentes para el
‐ Confiabilidad
estudio?
‐ Validez
‐ ¿Representan
‐ Método de recolección
adecuadamente una
‐ Fuente de origen
operacionalización de nuestras

variables?

En el caso de datos
estadísticos, verificarlos
Preparar los datos para su preferentemente en al menos
análisis. dos fuentes confiables
(validación cruzada).

Figura 7.14 Proceso esencial para utilizar datos secundarios

Para el manejo de archivos se recomienda consultar a Webb, Campbell y Schwartz
(2000).

El metaanálisis
Esta clase de procedimiento de recolección y análisis de los datos implica sintetizar
resultados de investigación por medio de un número de estudios que consideran el
mismo planteamiento y variables (Wiersma y Jurs, 2008).
Los pasos de un metaanálisis son muy similares a los de otros estudios, con la
salvedad de que ahora la unidad de análisis ya no es el participante o caso, sino la
investigación realizada por otro(s) investigador(es). El reto es resumir los datos a partir
de los diferentes estudios de manera muy bien estructurada, que evite errores y facilite
su ulterior análisis.
Cabe señalar que el metaanálisis será más preciso entre más homogéneos sean los
estudios que se consideran, en cuanto a la pregunta de investigación, variables, método,
instrumentos de medición y análisis estadístico. Por lo tanto, el primer paso consiste en
ponderar si es posible combinarlos (nos referimos únicamente a estudios cuantitativos).

79

Tal consideración nos puede llevar a un sinfín de opciones, desde descubrir que hay
varios estudios que son totalmente compatibles y pueden mezclarse, hasta contrastar,
aquellos que sólo tienen un ítem en sus cuestionarios que nos sea de utilidad.
Existen diferentes propuestas para conjuntar estadísticamente los resultados de
distintos estudios, destacan tres fundamentalmente, que se conocen con el nombre de
modelo de efectos fijos, modelo de efectos aleatorios y, por último, el modelo bayesiano
(Molinero, 2003).
En el modelo de efectos fijos, los estudios se combinan y se asume que no existe
heterogeneidad entre ellos, que por lo tanto todos constituyen estimaciones de un
efecto real, cuya magnitud se desea conocer. Así pues, la inferencia realizada se
condiciona a los estudios efectuados.

En el modelo de efectos aleatorios la inferencia se fundamenta en suponer que los
estudios incluidos en el análisis constituyen una muestra aleatoria del universo de
estudios posibles, y sus resultados son más conservadores al tener en cuenta una
fuente extra de variación, ya que se incluyen dos fuentes de variación potenciales: la
existente dentro de los estudios y la variación entre los estudios (Molinero, 2003, p. 3).

La utilización de modelos bayesianos requiere de modelos estadísticos complejos
de varianza.
El metaanálisis constituye un intento de resolver contradicciones entre los
resultados de diferentes investigaciones y evaluar patrones comunes en distintos
estudios. Es un método sumamente importante para generar teoría.
Como todo método inferencial, tiene sus problemas y limitaciones. Uno de los
principales problemas es que al ser un estudio que generalmente se ejecuta de forma
retrospectiva, tiene una posibilidad mayor de introducir sesgos (error sistemático).
Otros retos son los que se derivan del procedimiento de combinar datos de múltiples
estudios, entre los cuales pudiera haber diferencias en cuanto a método y muestreo
(Smith, 2008).
El procedimiento general de un metaanálisis es similar al de los datos
secundarios, pero se agregan algunos elementos como el análisis mismo (figura 7.15).

80

Evaluar si el Definir los criterios de Analizar la relación entre el
metaanálisis puede selección de los estudios planteamiento del problema y los
responder al que deben ser incluidos estudios:

planteamiento del en el análisis (criterios de
problema
inclusión y exclusión) ‐ ¿Son pertinentes los estudios para
la investigación planteada?
‐ ¿Qué tan homogéneos o
heterogéneos resultan y en qué sí
pueden conjuntarse y en qué no?

a) Elegir los aspectos, dimensiones
y/o variables en las cuales van a
conjuntarse o compararse.
Preparar los Seleccionar los estudios b) Evaluar la calidad de los estudios:

datos para su que habrán de incluirse ‐ Muestra

análisis ‐ Confiabilidad
‐ Validez
‐ Método de recolección
‐ Fuente de origen

Otros parámetros: vea el último
Analizar los capítulo del CD

datos

Figura 7.15 Proceso esencial del metaanálisis

Algunas recomendaciones para el metaanálisis las proporcionan Céspedes (1995)
y Harpe (2009):

1. Seleccionar investigadores independientes que lean, clasifiquen, codifiquen,
cuantifiquen y finalmente evalúen y elijan el grupo de estudios que serán
incluidos en el metaanálisis (MA).
2. Elaborar una guía de los datos que deben ser recolectados de los estudios
escogidos para ser procesados en el MA.
3. Combinar los resultados obtenidos y asegurar la calidad de los datos y su
procesamiento estadístico adecuado.
4. Preferentemente utilizar datos provenientes de muestras aleatorias.

81

El análisis estadístico general para el modelo de efectos fijos (no existe hetero‐
geneidad, hay homogeneidad o las investigaciones que se estiman muestran un efecto
uniforme, debido al uso de un mismo tratamiento), se utiliza el método de Mantel‐
Haentzel‐Peto.
            Si los estudios son heterogéneos al mostrar el efecto ante un tratamiento
(modelo de efectos aleatorios), se utiliza el método de Cochran‐Dersimonian‐Laird
(Céspedes, 1995).
En general, se obtiene para las estadísticas calculadas, el tamaño del efecto
(Nugent, 2009, Wiersma y Jurs, 2008, y Glass, 1976), el cual se revisó en el capítulo 10
del libro. Recordamos que es una medida de la “fuerza” de la diferencia de las medias u
otros valores considerados (Creswell, 2005). Resulta ser una medida en unidades de
desviación estándar. Su cálculo fue ejemplificado con la prueba t.
Existen diversos programas computacionales para el metaanálisis, entre los cuales
se encuentran los siguientes:

‐ Easy MA [M. Cucherat]. Lyon, France:
University of Lyon. http://www.spc.univ‐lyon1.fr/~mcu/easyma
‐ RevMan®: The Cochrane Collaboration’s Review Manager. The Cochrane
Collaboration: http://www.cc‐ims.net/RevMan
‐ BUGS y WinBUGS: http://www.mrc‐bsu.cam.ac.uk/bugs
‐ SAS® (programa ya comentado, en su página existe un programa para
metaanálisis). http://www.sas.com
‐ STATA ®. http://www.stata.com
‐ Meta Win: http://www.metawinsoft.com

Y otros muchos que puede buscar vía disparador (o motor de búsqueda) en
internet. Recuerde que las direcciones electrónicas pueden cambiar en cualquier
momento.

82

EJEMPLOS DE ESTUDIOS
BASADOS EN DATOS SECUNDARIOS

Shu‐li et al. (2008) efectuaron una investigación para desarrollar un modelo que
predijera la permanencia de personas ancianas en su hogar (en lugar de acudir a asilos,
por ejemplo), utilizando datos secundarios de 9 879 individuos de la base de datos
pública de Estados Unidos: “The National Home and Hospice Care Survey 2000 (NHHCS
2000)”. Descubrieron que el principal predictor de la permanencia es que la persona
viva con familiares. Asimismo, Smith (2009) se fundamentó en análisis de datos
secundarios para estudiar las inequidades en la educación británica, específicamente la
exclusión de escuelas.
Hernández Sampieri et al. (2008) realizaron un estudio de mercado utilizando
datos secundarios con la finalidad de indagar sobre la conveniencia de abrir clínicas de
cirugía estética y plástica en México. Buscando en diversas fuentes de internet, medios
impresos (revistas y diarios de circulación nacional) y bases de datos, lograron ubicar a
las principales clínicas que operaban a nivel nacional y en las regiones y ciudades más
pobladas del país (Ciudad de México, Monterrey, Guadalajara, Tijuana, Puebla),
establecer los precios de sus servicios, determinar el mercado potencial y sus
características (por ejemplo, número de cirugías que se practicaron durante el último
año, interés por practicarse una cirugía plástica, preocupación por la estética
personal…), evaluar las apelaciones de su publicidad y otras cuestiones. Haber realizado
una encuesta hubiera sido más preciso, pero también más costoso, de tal modo que se
hizo una investigación de acuerdo con el presupuesto del inversionista español. Incluso
le proveyeron de un análisis del marco jurídico mexicano para abrir y operar tales
clínicas.

Estudio para el diagnóstico municipal
En las anteriores ediciones de esta obra, se integraba un ejemplo para diagnosticar y
caracterizar a un municipio, con el fin último de elaborar su plan de desarrollo.
Regularmente estos diagnósticos son estudios mixtos, pero una parte muy importante
de sus insumos lo constituyen los datos secundarios, que se generan con base en
indicadores, los cuales se han desarrollado por diferentes organizaciones dedicadas a la

83

investigación municipal (por ejemplo: el Instituto Vasco de Estadística; el Centro de
Investigación y Desarrollo Económico de México (CIDE); el Instituto de Estadística de la
Comunidad de Madrid; el Sistema Nacional de Indicadores Municipales (SINIM) de la
Unidad de Información Municipal del Gobierno de Chile; el Instituto Nacional de
Estadística, Geografía e Informática en México (INEGI); el Instituto Brasileiro de
Geografia e Estadística; el Sistema Nacional de Información Municipal, CEDEMUN, de la
Secretaría de Gobernación de México; la Federación Nacional de Departamentos de
Colombia; el Departamento de Estadística del Ayuntamiento de Barcelona; etcétera).
Algunos indicadores se aplican a cualquier municipio y son relevantes para todas
las entidades poblacionales (número de habitantes, ingreso per cápita, ingresos totales
del municipio, gasto total del municipio, inversión total, etc.), mientras que otros
indicadores resultan importantes sólo para ciertos municipios (por ejemplo, los
indicadores relativos a la producción agrícola son irrelevantes para un municipio
completamente urbano). Por ello, en cada diagnóstico municipal deben elegirse los
indicadores (datos secundarios) significativos para la entidad en cuestión.
También, cada provincia, departamento, región o estado genera indicadores a su
nivel; lo mismo que las naciones.
En este CD: Material complementario→ Documentos→ Documento 1:
“Indicadores”, se incluyen ejemplos de indicadores secundarios municipales que
pudieran recolectarse para un diagnóstico de un municipio, con el fin de que los
estudiantes que apenas comienzan en estos menesteres de la metodología de la
investigación los puedan comprender sin mayores complicaciones (se cubren unas
cuantas áreas, pero desde luego, no en su totalidad ni mucho menos). No son los únicos,
ya que hay miles de ellos. Están agrupados por áreas generales (las cuales también
pueden fluctuar según el autor u otros criterios). Determinados indicadores pueden
formar parte de dos o más áreas. Sin polemizar (porque cuando se sopesan pueden
generar discusiones severas), se presentan a continuación como muestras de datos
secundarios y fueron en particular desarrollados para un municipio del Estado de
México, México. Sería interesante como ejercicio que en cada institución se propusieran
los que serían los más adecuados para su municipio.

84

Errores en las mediciones
Esta parte se escribe porque es una pregunta que se nos ha hecho constantemente
sobre los tipos de errores en la medición.
En cualquier instrumento de medición se tiene un grado de error (recordemos lo
señalado en el capítulo 9 del libro y al inicio de este capítulo).
Imaginemos que realizamos la evaluación de la autoestima en un grupo de
estudiantes. Si la mido un día y la vuelvo a medir al día siguiente, y posteriormente a la
semana; podemos esperar que las puntuaciones sean las mismas en las tres mediciones.
La autoestima como otros atributos no varían a través del tiempo, a menos que “algo”
los haga variar (un estímulo, la maduración de la persona, un suceso de vida, entre
otros). Es decir, si los estudiantes obtuvieron puntuaciones diferentes en las pruebas, su
desempeño se debió a la influencia de otro motivo distinto a su propia autoestima. Estas
otras razones provocan error. El grado en que un instrumento se encuentra libre de
error indica su confiabilidad. Entre más fiable resulta un instrumento, el investigador
puede acercarse a una verdadera estimación del atributo considerado. Tal “exactitud” se
obtiene al minimizar las fuentes de error en la medida de lo posible y con la estimación
del grado de error que permanece. Pues bien, hay dos tipos de errores que pueden
ocurrir: sistemáticos y no sistemáticos. Los primeros maximizan o minimizan el
desempeño de un instrumento y afectan a la validez (Mertens, 2005). En el ejemplo de
la autoestima, un método para desarrollarla o fortalecerla (por ejemplo, motivacional o
terapéutico) puede ser visto como una influencia sistemática en la variable o atributo. El
efecto del error sistemático en las respuestas es constante y puede predecirse. Pero los
errores no sistemáticos (que conciernen a los investigadores) varían de situación en
situación (aplicaciones distintas) y en consecuencia no pueden predecirse (o es
sumamente complejo), pero sí prevenirse.
Estos errores pueden caer en tres categorías: a) personales (dependen de cada
individuo, como el estrés, el cansancio o la motivación), b) condiciones de
administración del instrumento (instrucciones distintas a los respondientes,
temperatura ambiental, lenguaje, etc.) y c) modificaciones en los instrumentos o tareas
(por ejemplo, cambios en ítems o las conductas a observar). Normalmente, la
confiabilidad es calculada mediante una estadística que compara el desempeño de los
mismos individuos en tiempos diferentes o partes distintas del instrumento y que oscila

85

entre cero y uno, su fin es precisamente ayudar al investigador a identificar el grado de
error que se presenta en la medición, en su consistencia interna; mediante la fiabilidad y
un análisis del investigador se deben hacer transparentes las fuentes de error.

BIBLIOGRAFÍA

Gall , M. D., Gall, J. P. y Borg, W. R. (2003). Educational research: An introduction (7a.
Ed.). Boston, MA, EE. UU.: Allyn and Bacon.
Lopez S. J. y Snyder, C. R. (2003). Positive psychological assessment : A handbook of
models and measures. Washington, DC, EE. UU. : American Psychological Association.
Roid, G. H. (2003). StanfordBinet intelligence scales (5a. Ed.). Itasca, IL, EE. UU.:
Riverside Publishing.
Weller, S. C. y Romney, A. (1990). Metric scaling: correspondence analysis. Thousand
Oaks, CA, EE. UU.: Sage.

86

Sampieri analis estadistico

Más contenido relacionado

La actualidad más candente (20)

Destacado (8)

Similar a Sampieri analis estadistico (20)

Más de YAS Arias (15)

Sampieri analis estadistico