La estadística de una tesis doctoral empieza mucho antes de abrir SPSS, R o cualquier otro programa. El análisis debe formar parte de una cadena lógica: pregunta de investigación, objetivos, diseño, variables, calidad de los datos, método estadístico e interpretación. Cuando una de esas piezas no encaja, pueden aparecer resultados técnicamente correctos que, sin embargo, no responden a la pregunta principal.
1. Coherencia entre objetivos, hipótesis y análisis
El primer paso consiste en traducir cada objetivo en una pregunta estadística concreta. “Analizar la relación entre variables” no es suficiente: hay que especificar qué variable actúa como resultado, cuáles son los posibles factores explicativos, cómo se han medido y en qué momento. También debe quedar claro si se pretende describir, comparar, explicar, predecir o estimar un efecto.
Una tabla que vincule cada objetivo con sus variables y su análisis previsto ayuda a detectar objetivos sin respuesta, pruebas repetidas sin necesidad o análisis que aparecen en resultados pero no estaban justificados. Esta correspondencia también facilita redactar el apartado de métodos y defender las decisiones ante el tribunal.
¿Cada tabla, figura y modelo responde a un objetivo explícito de la tesis?
2. Revisión y preparación de la base de datos
Antes de analizar es necesario comprobar la estructura de la base. Esto incluye identificar duplicados, valores imposibles, formatos inconsistentes, variables mal codificadas y patrones de datos perdidos. También conviene disponer de un diccionario que recoja el nombre de cada variable, su significado, unidad de medida, categorías y códigos especiales.
Los datos perdidos no deben sustituirse de forma automática por cero ni eliminarse sin estudiar su alcance. La estrategia depende de cuánto falta, por qué puede faltar y qué análisis se realizará. En estudios longitudinales, además, debe revisarse la correspondencia entre participantes, visitas y momentos de medida.
Esta fase debe quedar documentada. Las transformaciones, exclusiones y variables derivadas forman parte del método y necesitan una justificación reproducible.
3. Descripción de participantes y variables
El análisis descriptivo permite entender la muestra antes de realizar comparaciones o modelos. Para variables cuantitativas se presentan medidas adecuadas de posición y dispersión, como media y desviación estándar o mediana y rango intercuartílico. Para variables cualitativas se utilizan frecuencias y porcentajes, indicando siempre el denominador cuando existan datos perdidos.
También conviene describir el flujo de participantes: personas evaluadas, incluidas, excluidas, perdidas durante el seguimiento y finalmente analizadas. Si existen grupos, su comparabilidad inicial debe presentarse con criterio y sin convertir cada característica basal en una competición de valores p.
4. Análisis inferencial y modelos
La elección de una prueba no depende únicamente de si una variable sigue una distribución normal. Debe considerar el diseño, el tipo de variable resultado, la independencia o repetición de las observaciones, el número de grupos, el tamaño muestral y la posible presencia de factores de confusión.
Cuando el objetivo lo requiera, pueden utilizarse modelos de regresión, análisis de supervivencia, modelos mixtos, análisis psicométricos u otras técnicas. Un modelo multivariable necesita una estrategia previa: selección razonada de covariables, comprobación de colinealidad, evaluación de supuestos, estudio del ajuste y presentación de estimaciones comprensibles.
Los resultados deberían incluir tamaños del efecto e intervalos de confianza, no solo valores p. La significación estadística no indica por sí misma relevancia clínica, precisión ni importancia práctica.
5. Tablas, figuras y redacción de resultados
Las tablas deben poder entenderse sin volver continuamente al texto. Necesitan títulos informativos, unidades, denominadores, abreviaturas explicadas y una cantidad razonable de decimales. Las figuras deben mostrar información que realmente se beneficie de una representación visual y no duplicar una tabla sin aportar claridad.
El texto de resultados selecciona y explica los hallazgos principales; no debe recitar cada número de una tabla. Conviene presentar primero el resultado correspondiente al objetivo principal y después los análisis secundarios, exploratorios o de sensibilidad.
6. Interpretación y límites de las conclusiones
Interpretar no significa repetir que una asociación fue “significativa”. Implica explicar su dirección, magnitud, precisión y relevancia dentro del contexto del estudio. También exige distinguir asociación de causalidad y reconocer las limitaciones que afectan al análisis: tamaño muestral, sesgo de selección, medición, confusión residual o multiplicidad de comparaciones.
Una buena tesis muestra qué puede concluirse y qué no. Esa prudencia no debilita el trabajo; demuestra comprensión metodológica y facilita una defensa sólida.
Lista de comprobación antes de cerrar el análisis
- Cada objetivo tiene variables y análisis claramente identificados.
- La base ha sido revisada y las decisiones de limpieza están documentadas.
- Los datos perdidos se describen y se tratan de forma justificada.
- Las técnicas elegidas respetan el diseño y los supuestos.
- Se presentan estimaciones, tamaños del efecto e intervalos de confianza cuando corresponde.
- Tablas, figuras, métodos y texto utilizan los mismos datos y denominadores.
- Las conclusiones no exceden lo permitido por el diseño.
- Puedes explicar por qué se realizó cada análisis y qué significa.
Si todavía no sabes en qué punto está tu tesis, puedes realizar el diagnóstico gratuito de tres minutos. Si ya necesitas revisar la base o construir el plan de análisis, cuéntame el objetivo y el estado actual del proyecto.
“Gracias a Vanesa terminé un proyecto que tenía parado desde hace años.”