Ya sabes qué objetivos persigues con tus datos.
También tienes claras las preguntas o hipótesis de investigación que quieres responder.
Ahora llega el momento de transformar los datos en resultados.
Y aparecen las dudas:
- ¿Qué técnica debo aplicar?
- ¿Qué pasos necesito seguir?
- ¿Necesito describir, comparar, explicar o predecir?
Elegir una técnica estadística no siempre es fácil. Para hacerlo con criterio, primero necesitas comprender qué tipo de pregunta quieres responder y en qué nivel se encuentra tu proyecto.
En este artículo te presentaré una visión práctica basada en tres niveles de análisis:
- Descriptivo.
- Inferencial.
- Predictivo y reconocimiento de patrones.
Estos niveles te ayudarán a definir una estrategia progresiva y a evitar un error muy habitual: empezar por la técnica más compleja antes de comprender los datos.
Dos grandes ramas de la estadística aplicada
La estadística es una herramienta para transformar datos en información y conocimiento.
No necesitas verla únicamente como una rama de las matemáticas llena de fórmulas. Puedes entenderla como un conjunto de métodos que te ayudan a describir lo observado, cuantificar la incertidumbre y responder preguntas con datos.
Para empezar, conviene distinguir dos grandes ramas.
Estadística descriptiva
La estadística descriptiva resume y representa la información que contiene una tabla de datos.
Utiliza:
- tablas de frecuencias;
- medias, medianas y percentiles;
- medidas de dispersión, como la desviación estándar o el rango intercuartílico;
- gráficos de barras, histogramas, boxplots o diagramas de dispersión.
Su objetivo es ayudarte a comprender qué ocurre en los datos observados: cómo se distribuyen las variables, qué diferencias aparecen entre grupos y qué patrones merece la pena investigar.
Estadística inferencial
En muchas investigaciones no podemos observar a toda la población que nos interesa. Trabajamos con una muestra y utilizamos la estadística inferencial para extraer conclusiones sobre una población, cuantificando la incertidumbre de esas conclusiones.
Por ejemplo, si quieres estudiar cómo crece una especie de lechuga con diferentes estrategias de cultivo, puedes seleccionar una muestra, aplicar los tratamientos y analizar si las diferencias observadas son compatibles con un efecto más general.
La estadística inferencial utiliza herramientas como:
- intervalos de confianza;
- contrastes de hipótesis;
- modelos de regresión;
- y otros métodos para estimar relaciones y cuantificar su incertidumbre.
No todas las tablas son necesariamente una muestra aleatoria de una población. La capacidad para generalizar dependerá de cómo se hayan seleccionado los casos, del diseño del estudio y de la calidad de los datos.
En resumen:
- La estadística descriptiva resume lo observado.
- La estadística inferencial permite estimar y contrastar, cuantificando la incertidumbre.
La pirámide del análisis de datos: tres niveles investigativos
Para diseñar un buen plan de análisis necesitas comprender qué posibilidades ofrecen tus datos y qué nivel de complejidad requiere cada pregunta.
Podemos organizar el trabajo en tres niveles:
- Nivel I: descriptivo.
- Nivel II: inferencial.
- Nivel III: predictivo y reconocimiento de patrones.
No significa que todos los proyectos deban llegar al tercer nivel. Un análisis descriptivo o inferencial bien planteado puede responder perfectamente al objetivo de una investigación.
Ejemplo de investigación: datos relacionados con glaucoma
Imagina un estudio oftalmológico que compara personas sin glaucoma con pacientes diagnosticados de glaucoma.
El glaucoma engloba un grupo de enfermedades que producen daño progresivo del nervio óptico y pueden provocar pérdida del campo visual.
En un proyecto de investigación podríamos disponer de mediciones de la cabeza del nervio óptico, de la capa de fibras nerviosas de la retina, de la presión intraocular, del campo visual y de otras características clínicas.
Con estos datos podríamos:
- describir diferencias entre grupos;
- estudiar asociaciones entre mediciones y diagnóstico;
- construir y validar modelos de predicción de riesgo;
- o explorar si existen perfiles de pacientes con características similares.
Este ejemplo nos permitirá entender los tres niveles sin confundir asociación, predicción y causalidad.
Nivel I: análisis descriptivo
El nivel descriptivo utiliza gráficos y resúmenes numéricos para comprender los datos recogidos.
El objetivo es detectar patrones, diferencias aparentes, posibles errores y preguntas que merecen un análisis posterior.
En el ejemplo del glaucoma podríamos:
- describir la distribución de las mediciones del nervio óptico;
- comparar visualmente pacientes con y sin glaucoma;
- estratificar los gráficos por edad o sexo;
- examinar datos faltantes y valores atípicos;
- y observar la relación entre variables mediante diagramas de dispersión.
En esta fase todavía no generalizamos a una población ni demostramos hipótesis. Estamos comprendiendo lo que ocurre en la muestra analizada.
Nivel II: análisis inferencial
El nivel inferencial permite responder preguntas de investigación y cuantificar la incertidumbre de los resultados.
Podemos plantear tres tipos frecuentes de preguntas.
A. Preguntas relacionales
Buscan estudiar la asociación entre variables.
Por ejemplo: ¿existe relación entre la edad y el grosor de la capa de fibras nerviosas de la retina?
B. Preguntas comparativas
Buscan comparar grupos, condiciones o momentos.
Por ejemplo: ¿existen diferencias en determinadas mediciones entre pacientes con y sin diagnóstico de glaucoma?
Además del p-valor, conviene presentar el tamaño de la diferencia, su intervalo de confianza y la relevancia clínica del resultado.
C. Modelos explicativos o asociativos
Permiten estudiar cómo diferentes variables se relacionan con una respuesta, ajustando por otros factores.
Por ejemplo, podríamos analizar cómo la edad, la presión intraocular y determinadas mediciones oculares se asocian con la probabilidad de presentar glaucoma.
En este modelo:
- la variable respuesta podría ser el diagnóstico de glaucoma;
- y las variables explicativas podrían incluir edad, presión intraocular y mediciones estructurales o funcionales.
Un modelo estadístico no demuestra por sí solo una relación de causa y efecto.
Para interpretar causalidad necesitas un diseño adecuado, una secuencia temporal clara, control de variables de confusión y supuestos adicionales. En muchos estudios observacionales, la interpretación correcta será hablar de asociación.
Nivel III: predicción y reconocimiento de patrones
El tercer nivel busca crear modelos o herramientas que puedan aplicarse a nuevos casos, o descubrir estructuras que no estaban definidas previamente.
A. Modelos predictivos
Un modelo predictivo aprende patrones a partir de datos históricos para estimar un resultado en observaciones nuevas.
En el ejemplo podríamos construir un modelo que estime el riesgo de glaucoma a partir de variables clínicas y mediciones oculares.
Para saber si la herramienta es útil no basta con que funcione bien en los datos con los que se ha creado. Debemos evaluar su rendimiento en datos no utilizados durante el entrenamiento y, cuando sea posible, validarlo en otras poblaciones o centros.
También debemos valorar sensibilidad, especificidad, calibración, utilidad clínica y posibles sesgos.
Un modelo predictivo puede apoyar una decisión clínica, pero no sustituye por sí solo el diagnóstico profesional.
B. Reconocimiento de patrones y segmentación
Las técnicas de clustering o segmentación buscan grupos de observaciones con características similares sin utilizar necesariamente una etiqueta previa.
Por ejemplo, podríamos explorar si aparecen perfiles de pacientes diferentes según sus mediciones oculares y características clínicas.
Sin embargo, los grupos encontrados por un algoritmo no representan automáticamente niveles clínicos de gravedad.
Para interpretar un grupo como «leve», «moderado» o «grave» necesitaríamos compararlo con criterios clínicos externos, evaluar su estabilidad y validar que la segmentación tiene utilidad real.
C. Combinar segmentación y predicción
También podemos combinar ambos enfoques.
Primero podríamos identificar perfiles mediante segmentación y después estudiar si esos perfiles se relacionan con resultados clínicos relevantes.
Si los grupos están bien definidos y validados, podríamos crear posteriormente un clasificador que asigne nuevos casos a uno de esos perfiles.
La clave es no confundir una agrupación matemática con una clasificación clínica válida.
Los tres niveles también se aplican al análisis de datos en empresa
Esta pirámide no es exclusiva de la investigación académica o sanitaria.
En una empresa podríamos:
- Describir: analizar ventas, costes, incidencias o comportamiento de clientes.
- Inferir: comparar campañas, estudiar relaciones entre indicadores o estimar el efecto de una intervención con un diseño adecuado.
- Predecir: estimar demanda, riesgo, abandono o probabilidad de compra.
- Segmentar: identificar perfiles de clientes, productos o procesos.
La lógica es la misma: primero comprender, después responder preguntas y, solo cuando aporta valor, construir herramientas más avanzadas.
¿En qué nivel se encuentra tu proyecto?
Antes de elegir una técnica, pregúntate:
- ¿Necesito describir qué está ocurriendo?
- ¿Quiero comparar grupos o estudiar relaciones?
- ¿Quiero explicar un resultado ajustando por otros factores?
- ¿Necesito predecir qué ocurrirá en nuevos casos?
- ¿Quiero descubrir grupos o patrones todavía no definidos?
Tu respuesta te ayudará a construir una estrategia más clara y a evitar aplicar técnicas complejas que no responden a tu objetivo.
Aprende a convertir tus preguntas en un plan de análisis
Si tienes los datos de una tesis, un TFM, un artículo científico o un proyecto profesional y no sabes qué técnica utilizar, he preparado un training gratuito para ayudarte.
En esta clase aprenderás a:
- definir preguntas que puedas responder con datos;
- identificar el nivel de análisis que necesita tu proyecto;
- relacionar objetivos, variables y técnicas estadísticas;
- interpretar los resultados sin depender únicamente del p-valor;
- y construir conclusiones claras y defendibles.
No necesitas empezar por el modelo más complejo. Necesitas saber qué pregunta estás intentando responder.
Acceso gratuito · Estadística aplicada · Método paso a paso
¿Te ha resultado útil este artículo?
Compártelo con alguien que esté intentando decidir qué tipo de análisis necesita su proyecto.
Y si quieres aprender a transformar tus preguntas en una estrategia estadística, te espero dentro del training gratuito de Analiza tus Datos.
Un abrazo,
Jordi
Jordi, no deja de maravillarme tu dedicación, claridad y generosidad para compartir estos materiales. Para mi y mi educación son muy valiosos.
¡Genial Alberto!
Espero que te ayude mucho 🙂
Me abre la visión de expandir mis conocimientos en como utilizar la estadística, y realizar cosas geniales.
Te comento que soy estadístico de profesión y lamento decirte que hasta ahora no había visto todo lo que se puede investigar con las herramientas de la estadística, todo este conocimiento que acabo de leer voy a ponerlo en practica, y me siento entusiasmado de empezar ahora y mejorar mis proyectos modestos que se basaban solo en lo descriptivo.
Mil gracias por estos aportes, y me alegro de haberlo conocido.
Gracias Jordi.