Within the scientific or inquiry branch, it is well known that “scientific research” is any study carried out with the intention of revealing a phenomenon, solving a problem, or finding out the reason for things.¹ Its purpose is to be able to have valid and reliable information on a particular topic. For this, a standardized and reliable protocol is followed, which is used by the researcher, but within this protocol there is the verification section, which is a process of analysis of the data collected from the studied anomaly.² This verification is subject to the resolution of an objective that has been previously set within the study or, failing that, there is a hypothesis that is desired to be accepted or refuted according to the statement that has been made.^3,4

That is where statistical analysis comes into play. This approach within research is divided into two areas of work: descriptive statistics and inferential statistics.⁵ The first helps to perform a summary analysis of the collected data, that is, it compiles all the information and presents it in a more synthesized and easily understandable way. The descriptive results are categorized into three main forms of presentation. First, there are frequency tables; then there are measures of central tendency and, finally, measures of variability.⁶

The second method is inferential statistics, which allows predicting behaviors or validating assumptions based on various tests, and are executed on the data collection that is carried out, with the aim of establishing the probability of a conclusion, analyzing a trend, or generalizing a result within a given population. All this based on the observation of a representative sample.⁷

However, choosing an appropriate inferential statistical test for each research always represents a challenge for any researcher or aspiring student to carry out a study. This is because there is always doubt about which statistical test is the correct one or the one that should be used to test the objective or hypothesis that has been raised.⁸ This is because there are various inferential tests that branch out and generate a result consistent with the information that has been collected or, failing that, adapts to the objective or question raised. This is how they are grouped into two focuses: parametric and non-parametric tests, and whose choice still generates confusion within the field of research.^9,10

This is no stranger within the Peruvian context, due to the fact that there is a problem in higher education for those professions that are not directly linked to a statistics career, and that are not effectively managing the teaching of statistics as a course,¹¹ because the statistics course is taken as a pure subject, teaching the formulas and theory of each statistical test, but not its application within the research field, much less do they teach how to use statistical programs, such as SPSS, Jamovi, R, JASP, among others, that can help the faster and more precise execution of each statistical analysis,^12-14

This raises questions from students, who later when they have to carry out their projects and final thesis reports have no idea what tests to use, which causes many of them to abandon the idea of continuing to investigate after the completion of their university research work.¹⁵ This impacts the level of research, as reported by media outlets in 2014, where they categorize Peru as one of the countries with fewer scientific publications and it was in penultimate place in Latin America as one of the countries that carried out the least research. Although this figure has been increasing until 2022, we still carry out less research than Colombia, Argentina, and Chile.¹⁶

Thus, the objective of this work was: to create a map of the tests that can be implemented according to the research within the field of social, economic, educational, health, engineering, and similar sciences.

Starting point for choosing the statistical test

For the development of the map, the work carried out by Flores et al.¹⁷ will be taken as a basis, which proposed as a theory that a test should be chosen taking into account three key aspects within the research: the design, the number of measurements, and the measurement scale.

Regarding the first aspect is the study design. Flores et al.¹⁷ indicated that this plays an important role in the formulation of a research study. This is because here the objective of the study is fixed jointly with the number of groups that will be analyzed, but additionally, it must be taken as a parameter whether the study will be carried out in an experimental or non-experimental way and, in turn, taking into account whether it has one, two, three, or more variables. This will allow knowing whether they should only be managed descriptively, in which data could be presented using frequency tables or graphs such as histograms, bars, or circular charts, but there are also descriptive measurements that include measures of central tendency, position, and dispersion that will allow knowing trends, averages, and the way in which the variable(s) analyzed are dispersed.

Likewise, there are studies that are proposed as comparative, association, influence, or correlation, where inferential aspects would have to be used as axes for the solution of the proposed hypotheses. Therefore, it is essential to distinguish between the following concepts, since their improper use can lead to erroneous interpretations:

• Association: Would indicate that two variables vary jointly and systematically, but without being able to directly affirm that one causes the other. For example: educational level is associated with the type of employment.
• Correlation: Generally applied to variables that are quantitative, this not only measures the topic of relationship, but also the strength and direction. It should be noted that this does not imply causality.
• Prediction: Consists of estimating the value of one variable (dependent) from one or more others (independent), using a statistical model. Prediction does not require causality to exist; only a consistent association is necessary.
• Causality: Implies that changes in one variable directly produce changes in another. Demonstrating it requires experimental designs (pre-experimental or quasi-experimental).

This section is more complex because the test must be chosen according to the depth of the study (or also called the level of research), and according to this, various tests are managed, which must be selected according to the normality result they obtain. This is where the tests are divided into parametric and non-parametric.

On the other hand, there is the choice according to the number of measurements. Flores et al.¹⁷ commented that another point that must be taken into account when choosing the correct test for the study is the number of times the intervention or collection of information will be carried out. Jointly, it must be taken into account whether there will be one sample, which will be intervened before and after (related sample). There are also independent samples studies that have a control sample and others that will be manipulated. And, finally, there are research studies with repeated measures designs. Although they are not so common to carry out, it is good to keep them in mind. In them, distinct groups are not being compared, but rather the effect of the treatments on the same sample or subject is being evaluated, thus showing the impact they are suffering in each intervention. It should be noted that it would be classified as a related sample study (Figura 1).

It is clarified that the aforementioned applies to experimental studies and to those that are not experimental, in which the tendency is a single application, but there are also studies with this design that collect information, but at different time periods. This is with the purpose of showing whether the variable or unit of analysis has undergone any change over time, but without the direct intervention of the researcher(s). A clear example would be the academic performance of a group of students from the first year of secondary school to the fifth year, where the high or low grades that a group of students may have would be shown, and where it would be analyzed what factors would be affecting their performance. Finally, there is the measurement scale in which Flores et al.¹⁷ expressed the importance of knowing the nature of the data and how they should be interpreted and analyzed statistically. Thus, the first thing to take into account is to categorize whether the information obtained is a quality or quantity; that is where the first general classification is to know if the variable or data is qualitative or quantitative.

From a purely statistical approach, a data is qualitative (or also called categorical) when it describes qualities, attributes, or categories. They are not expressed numerically, even if they are coded with numbers. In turn, they are classified into two types. In the first instance are nominal, which are categories that do not have an inherent order or hierarchy. Examples include a person’s sex (male or female) or their marital status (married, single, cohabiting, married, separated, or widowed). On the other hand, there are ordinal qualitative, which differ because they do follow an established order or hierarchy. An example would be a person’s educational level (primary, secondary, technical, undergraduate, and postgraduate) or the level of pain a patient may have (mild, moderate, or severe).

Likewise, a variable or information is quantitative when it is represented by numerical values, which allows the performance of exact measurements through the application of arithmetic operations. These are expressed in two ways: discrete and continuous. The first only deals with integer values, not admitting intermediate numbers. An example would be the number of children a couple may have, while the continuous one does allow the inclusion of decimals. Examples of this would be a person’s weight, height, among others.

Under this premise, the way of measuring a quantitative data is the interval and ratio scale. The interval scale are numerical data with equal intervals, that is, there is a logical order where the difference between values is constant and zero does not mean the absence of the value, but rather forms part of the interval (as a starting or intermediate point). An example would be temperature, while the ratio scale shows a more complete reading and is characterized by having equal intervals between its values. In this, zero is absolute, meaning it indicates the total absence of the measured property. Examples include age, weight, salary, among others.

En la Figura 2 se establece un esquema de lectura más apropiado de las escalas de medición que se debe tener en cuenta al reconocer un dato o variable.

It should be noted that the reading carried out up to this point is based on a merely statistical approach. The intention of this work is to recognize the available information and classify it in the most coherent way with statistical theory. In this protocol, it is proposed that data analysis does not start directly from the application of complex statistical tests according to the nature of each variable or collected data, but from an interpretive reading based on basic statistical fundamentals.

In this sense, the intention is that statistics are not used mechanically, but as an orienting tool. From this, the aim is to determine which statistical tests are most appropriate depending on the intention, objectives, or hypothesis to be contrasted in the field of social, educational, medical, engineering, and related sciences.

Parametric and non-parametric tests

As detailed previously, within the inferential analysis there are various statistical tests that can be chosen and verify the objective that the research is looking for, but the question arises: And how do I know which test I should choose?

That is where the normality test comes in. This test allows knowing whether the data that have been collected show a normal distribution (bell curve) or not, being of utmost importance when deciding whether parametric or non-parametric methods should be applied in data analysis (Figura 3).

An example would be having a database with the price of the dollar during the last 10 years and when performing the normality test it is evident that the data meets the normality assumption or also indicates that it shows a normal distribution, so it would be recommended to use parametric tests. On the other hand, we have a base that contains the inflation of Peru between the years 2000 to 2020 and when applying the normality test it results in the data not meeting the normality assumption or not having a normal distribution and it is determined that the variable “inflation” is non-parametric.

Once this is clarified, it is decided which test to choose. If the variable shows to meet the normality assumption (follow a normal distribution), a parametric statistical test will have to be chosen, but, otherwise, if it does not meet the normality assumption (does not show a normal distribution), a non-parametric inferential test is chosen.

Now, once this part is understood, the next thing is to be able to know the normality tests that should be used to find out the distribution of the data that has been collected. Statistical theory mentions various tests such as Anderson-Darling, skewness and kurtosis, or graphic methods such as Q-Q figures, histograms and/or box plots. But of all the range of normality tests, the most common ones used in national studies in the field of social, medical, and engineering sciences are the Kolmogorov-Smirnov test (KS - n≥50) and the Shapiro-Wilk test (SK- n < 50).

These two tests will give reliable results and with them, you will be able to reliably determine whether the data has a normal distribution or not (it is also indicated whether or not it complies with the normality assumption). The use of both tests has some parameters that must be followed, and it is in the amount of sample to be analyzed. Such is the case of the Kolmogorov-Smirnov test (n≥50) which is used for large samples, specifically for bases that contain data equal to or greater than 50 observations to be analyzed. A clear example would be to find out the normality of the ages of a record of 14,000 prehospital medical care performed during 2024, by having such a large base that far exceeds the barrier of 50 data, the Kolmogorov-Smirnov test would be the correct choice to apply.

On the other hand, the Shapiro-Wilk test (n<50) is the opposite case. Its use is ideal when handling bases of less than 50 data to review. It is considered a robust and reliable statistical method for determining normality in small samples. An example would be that you want to know the academic performance in mathematics (grades) of the students of a section that has a total of 35 enrolled students. Being a small sample, the Shapiro test would be ideal to know if the grades follow a normal distribution or not. The decision rule, which is applicable for both tests, is the following: If the p-value ≥ 0.05, it is determined that the variable follows a normal distribution, but if the p-value < 0.05, the normality of the data is rejected and it is established that the variable is non-parametric or does not comply with the normality assumption.

Choosing the statistical test

The scheme for selecting statistical tests indicates which ones should be chosen according to the objective or hypothesis raised in the research, but taking into account the normality of the data. This result will show whether a parametric or non-parametric inferential test should be used. However, it is important to specify that this seeks to mainly show the way in which the variable can be treated and interpreted according to the approach of the study. In this sense, the interpretive nature of statistics is highlighted, since the choice of tests does not respond solely to mechanical rules, but also to the understanding of the nature of the data. In some cases, the reading will be direct according to statistical theory; however, in others, it will be necessary to adopt a more analytical interpretation that allows identifying possible analysis approaches and selecting the most appropriate tests.

Finally, this scheme aims to guide the researcher in making statistical decisions, avoiding the development of the study being limited by ignorance of the tests to be used and thus facilitating the achievement of the objectives set.

Descriptive analysis

When it comes to variables, which will be analyzed descriptively, the data must be analyzed in two specific ways.

First, there are variables that are categorized as qualitative and that can be nominal or ordinal. Descriptive processing can be done through the use of frequency and cross tables, which show the numerical frequency of the processed information, as well as the percentage that a data may have over the total analyzed. Examples of nominal qualitative variables are gender, people’s eye color, marital status, professions, country of birth, blood type, among others; as ordinal qualitative variables would be variables such as the level of satisfaction (low, medium, and high), educational level, job positions (operational, administrative, managerial), degree of stress (null, severe, and critical), work performance (low, acceptable, optimal), etc.

Although, during data processing, variables can be numerically coded; this would not imply that they automatically become quantitative variables. The assignment of numerical values corresponds only to an operational purpose that facilitates statistical analysis within programs such as SPSS, Jamovi, or R. In this sense, it is possible to establish a scale in which the lowest level adopts a lower number (for example 0 or 1) and the highest level would be assigned according to the number of ranges that the variable is desired to be classified. An example would be:

Degree of stress:

• Null = 1
• Severe = 2
• Critical = 3

There are also quantitative variables, whose nature is measurable numbers (discrete or continuous) that allow arithmetic operations to be performed. They are classified in two ways: Ratio or interval scale. In both, the processing can be done through the use of descriptive measures such as measures of central tendency (mean, median, mode), position (quartiles, deciles, percentiles), and dispersion (range, variance, standard deviation, and coefficient of variation). In both methods, various graphs can be used according to the information being managed. It should be noted that the purpose of descriptive analysis is to be able to simplify large volumes of information, which facilitates its interpretation, but nothing could be inferred yet from those results.

Correlational tests between two variables

There are different tests when it comes to wanting to relate two variables, but the most used in research are Pearson’s correlation and Spearman’s Rho. These statistical tests measure the strength and direction of the relationship of numerical variables expressed in a result that ranges between -1 and 1. In order to indicate that there is correlation between two variables, the main decision rule based on the p-value < 0.05 must be taken into account.

Having two potential tests, initially it is not known which of them could be worked with. That is where the normality test comes in. This test will indicate whether the variables are parametric or not, which will allow choosing the appropriate test according to the distribution of each variable. In other words, if a normal distribution is obtained in the normality test of a variable, Pearson’s parametric correlation test will be used. Otherwise, if the result indicates that the variable does not comply with the normality assumption, the non-parametric correlation test Spearman’s Rho must be used.

Now, statistical theory establishes that these correlational tests should only be applied when the variables are quantitative/numerical.^18,19 From this, the question arises as to how to proceed with those research studies that seek to analyze the correlation between two variables whose nature is not strictly numerical. An example would be that an organizational psychology specialist wants to find out if there is a correlation between workers’ productivity and the level of work stress, all measured under a three-level or cutoff point value scale. The case shows a clear objective and intention to understand a detected problem, even when the variables are not originally quantitative.

In this context, it is proposed that the researcher does not limit their analysis solely by the initial nature of the variables, but rather considers the application of any of the two correlational tests to verify the objectives and hypotheses raised, but following the explained choice protocols, which involve normality tests and the correct choice according to the parametric or non-parametric distribution of the data.

In this way, as already detailed previously, the coding of qualitative variables numerically does not mean that they automatically become numbers or are pure quantitative, but rather would correspond more to a treatment that will help statistical programs to effectively execute the inferential tests. Consequently, the application of these tests would favor answering the objective and verifying the hypothesis raised, maintaining coherence between the theoretical-statistical approach and the empirical analysis.

Correlation test when the sample is small

Pearson’s and Spearman’s correlation tests are recommended for samples that could be called large, but if the study handles a small sample, the recommended test is Kendall’s Tau. Arndt et al.²⁰ exposed that this test is ideal and better than Spearman when the units of analysis are less than or equal to 30 data, because it presents better precision and less bias, with a more stable distribution in this type of sample.²¹

The study by Puth et al.²² measured the effective use of this test with small samples of 10, 20, 40, and 80 data to process, showing that there is no rigid point where a specific number with which the Kendall test can be worked is indicated. However, methodological and simulation studies have shown that the test performs well with small samples.^23,24 In this way, if a research is within the small sample ranges, as previously indicated by Arndt et al.²⁰ and Puth et al.²², its use would be theoretically justified.

Now, this test handles two approaches, Kendall’s Tau B and Tau C, which differ in their use according to the ties of levels that the variable may have. On the one hand, Kendall’s Tau B analyzes the correlation between two ordinal variables that have the same number of levels, thus having a squared relationship adjustment. An example would be that it is desired to correlate the quality of service and the level of customer satisfaction of the ABC store:

• Value scale for each variable:

◦ Service quality: Good (3) – Regular (2) – Bad (1)

◦ Satisfaction level: Dissatisfied (3) - Moderately satisfied (2) - Very satisfied (1)

In this case, it can be seen that both variables will be measured on a three-cut scale, being concordant pairs that manage the same range order.

Kendall’s Tau c analyzes the same, but adjusts better when the number of scales differs between the variables, thus forming a rectangle in its structure. An example would be that it is desired to correlate the degree of adherence to treatment and disease control in hypertensive patients:

• Value scale for each variable:

◦ Adherence to treatment: Low (1) – Medium (2) – High (3)

◦ Satisfaction level: Uncontrolled (1) - Partially controlled (2) – Controlled (3) – Optimal (4)

Tests to compare 2 means or compare groups ≥ 3

When two means are to be compared, it is necessary for the variables to be purely quantitative, due to the very nature of the data needed to perform the comparisons. In the first place, there is the case of those variables whose sample is related and that show a normal distribution, which would have to apply the Student’s T-test, but the same test would also apply if the samples were independent.

To differentiate both cases, an example of related samples would be measuring the effect on math grades of a group of students when a new teaching method is applied, with the initial sample being the same one with which the impact of the method will be measured. While an example of independent samples would be that an engineer wants to investigate whether two nail manufacturing machines (A and B) are producing the product with the same weight. For this, he takes 20 nails from machine A and 20 nails from machine B and compares them.

Now, if the variables do not meet the normality assumption, there are two tests that are still appropriate according to the samples that the research may present. In the assumption that the samples were related, Wilcoxon’s would have to be used, and for independent samples studies, the U Mann Whitney test would have to be applied.

When the research aims to compare 3 or more groups, the analysis of variance (ANOVA) by way must be used, this only if the sample is related and the variables have a normal distribution. In the context of them being independent, the parametric one-way ANOVA test would have to be used, but in cases where the variables are non-parametric and from a related sample, the Friedman test will have to be used; for independent samples studies, the Kruskal-Wallis test will have to be used.

Examples of comparing three or more groups include studies whose sample is related, such as one that wants to show the effect of three different diets (A, B, and C) applied to a group of overweight patients. Each patient will follow the three diets each week and at the end of the period, they must measure the glucose level they have week after week.

There are also independent samples research studies, such as the case of a pharmaceutical chemist who wants to find out the impact that the application of three antihypertensive drugs will have on three groups of people. Each group will be subjected to a particular drug, that is, each group will be subjected to a single treatment without repetitions. At the end of the test, the results of the systolic blood pressure (mmHg) will be obtained, thus discovering which drug had the greatest effect.

Non-parametric tests to compare 2 groups or groups with more than 3 qualitative variables

Within the various statistical tests that exist, there are those that can be used when samples are to be compared, even when the variables are nominal or ordinal qualitative. At this point, it is necessary to indicate that comparing should not be assimilated, equated, or confused with correlating, since they are two distinct objectives. In previous sections, it was detailed that, under certain statistical and methodological criteria, it is possible to use parametric or non-parametric correlation tests in qualitative variables that have been operationalized using ordinal scales and numerically coded. However, this flexibility should not be interpreted inversely when the variable is qualitative in nature.

In this way, when intending to compare 2 groups with qualitative variables, specific tests such as McNemar’s must be used, whose use is ideal when the research sample is related, but if they have independent samples, they must use the χ2 test. In the latter, a clarification must be made. When applying the test, it is taken out jointly with a contingency table, but if any of the frequencies were observed to be less than 5, the result of χ2 would have to be ignored and work with what was obtained in Fisher’s test.

And in the case of inquiries that want to compare 3 or more groups, they can use Cochran’s Q if the study sample is related. Otherwise, if they have independent samples, they will have to use the χ2 test. As an additional point, all the tests in this section are classified as non-parametric due to the nature of the variables^23,24.

Additional tests

Within non-experimental research in fields such as social, economic, health, industrial engineering, among others, published cases of studies whose objectives propose to determine the association between two variables or, also, measure the level of influence that may exist between variables have been observed. When observing the statistics, many of them fall into the application of correlational or only descriptive tests, which would show a non-compliance with the objective and the hypothesis that has been raised within the study. This is how, in this section, two potential tests will be proposed that could be used for these studies, this with the purpose of obtaining a statistical result consistent with the intention of the research.

One of these tests is the χ2, which Mendivelso and Rodríguez expose measures whether two categorical variables are related (associated) or whether they are independent (they have no relationship). In other words, whether the values of one variable depend on the values of the other. Its application can be done in qualitative variables of a nominal and ordinal nature.

As an example, the authors Mendivelso and Rodríguez²⁵ propose in their study whether the physical activity patterns of a group of people were associated with the consumption of sugary drinks, classifying the variables as follows:

• Value scale for each variable:

◦ Physical Activity: Low – Medium – High

◦ Sugary drinks: No - Yes

On the other hand, as a test to measure the effect between two variables, binary logistic regression could be used. This is a multivariate technique that allows predicting the probability of an event occurring, based on one or more independent variables. Thus, the prediction is made based on a dichotomous event model, meaning it codes the potential results based on two possible values (“1” or “0”): True or false, yes or no, success or failure, etc.^26,27

In this context, the test is presented as a pertinent methodological alternative, due to the fact that it allows modeling the probability of estimating the probability effect that one or more independent variables may have on the dependent variable. Although its application in research would not allow definitive causal relationships to be established, it would generate the possibility of identifying a statistical result that allows those studies that are proposed as non-experimental with an explanatory scope.^28-30 As a recommendation for this test, an adequate coding should always be performed so that statistical programs can effectively execute the formula.

As an example of the test, it could be that it is desired to determine whether the educational level is affecting the probability that people may have informal employment.

• Value scale for each variable:

◦ Informal employment: Yes (1) - No (0)

◦ Educational level: Primary – Secondary - Higher

Another example would be that it is desired to establish whether the monthly income of a group of people affects access to bank loans.

• Value scale for each variable:

◦ Access to bank loan: Accesses Yes (1) – Accesses No (0)

◦ Monthly income: Low - Medium – High

It is important to note that, in observational studies like the one proposed, it is not appropriate to speak of “effect” or “influence” in a causal sense. Instead, logistic regression allows quantifying changes in the probability of the dependent variable associated with variations in the independent variable. For example, it can be estimated whether a person with a higher educational level has a lower probability of having informal employment, compared to someone with less schooling, keeping other variables constant.

In this way, binary logistic regression is presented as a methodologically pertinent option for non-experimental studies with an explanatory scope, provided that causal interpretations are avoided and precise language focused on association and conditional probability is used.

And, finally, there is the simple linear regression test, which is a statistical test that demonstrates the relationship between two quantitative variables. Usually, its management is carried out based on an independent variable (X) and a dependent variable (Y). Its purpose is to be able to predict or estimate the behavior of Y (which is what you want to forecast) as a function of X (which is the factor used to predict Y). An example would be being able to predict a person’s salary based on the years of experience they have.

It is concluded that statistical analysis should not be conceived as a technical and rigorous stage to follow, but also, it can be used as an interpretive process that allows the researcher to make suitable decisions for the type of research they want to carry out, avoiding statistical errors and ensuring that the study fulfills its scientific purpose. In this way, the intention is to strengthen methodological and statistical rigor and facilitate obtaining valid conclusions relevant to the objectives set.

Likewise, this work attempts to encourage students or people in general who have an interest in researching, who, on many occasions, feel stuck or limited by not understanding the selection and application of statistical tests. This difficulty often generates stagnation in the development of studies, affecting the continuity of the investigative process.

In response to this, the purpose was to provide clear and accessible guidance on the use of statistical tools, thus facilitating starting or concluding their project, thesis, or investigative work with greater statistical security and criteria.

Because the generation of research constitutes a significant contribution, regardless of its scope or size, it can be a starting point for understanding a problem, which can be potentially improved through the use of better tools, methodological, statistical, and technological focuses.

STATEMENTS

Funding sources

The work was financed and carried out entirely by the authors of this manuscript.

Authors’ contribution

EDMR: Conceptualization, Research, Methodology, Project administration, Supervision, Validation, Visualization, Writing – original draft and Writing – review and editing. VLEC: Research, Methodology, Validation, Visualization, Writing – original draft and Writing – review and editing. DAEV: Research, Methodology, Validation, Visualization, Writing – original draft and Writing – review and editing

Dentro de la rama científica o de indagación, se conoce bien que la “investigación científica” es todo aquel estudio que se realiza con la intención de dar a conocer un fenómeno, resolver un problema o averiguar el porqué de las cosas.¹ Su finalidad es poder tener información válida y confiable sobre un tema en particular. Para ello, se sigue un protocolo estandarizado y fiable que es utilizado por el investigador, pero dentro de dicho protocolo se encuentra el apartado de comprobación, el cual es un proceso de análisis de los datos que se recogen de la anomalía estudiada.² Dicha comprobación está sujeta a la resolución de un objetivo que se ha planteado previamente dentro del estudio o, en su defecto, existe una hipótesis que se desea aceptar o refutar de acuerdo con el planteamiento que se ha realizado.^3,4

Es ahí donde entra a tallar el análisis estadístico. Este enfoque dentro de la investigación se encuentra dividido en dos focos de trabajo: la estadística descriptiva y la inferencial.⁵

La primera ayuda a realizar un análisis en resumen sobre los datos recolectados, es decir, realiza una recopilación de toda la información y la presenta de una manera más sintetizada y de fácil comprensión. Los resultados descriptivos se encuentran categorizados en tres principales formas de presentación. En primer lugar, están las tablas de frecuencia; luego están las medidas de tendencia central y, por último, las medidas de variabilidad.⁶

Como segundo método está la estadística inferencial, que permite predecir comportamientos o validar supuestos a partir de diversas pruebas, y son ejecutadas a la recolección de datos que se realiza, con el objetivo de establecer la probabilidad de una conclusión, analizar una tendencia o la generalización de un resultado dentro de una población determinada. Todo ello a partir de la observación de una muestra representativa.⁷

Sin embargo, la elección de una prueba estadística inferencial apropiada para cada investigación siempre representa un reto para todo aquel investigador o aspirante a realizar un estudio. Esto debido a que siempre queda la duda de qué prueba estadística es la correcta o la que debería utilizarse para poder comprobar el objetivo o hipótesis que se ha planteado⁸. Esto debido a que existen diversas pruebas inferenciales que se ramifican y generan un resultado acorde a la información que se ha recolectado o, en su defecto, se adapta al objetivo o interrogante planteada. Es así como estas se agrupan dentro de dos focos que son las pruebas paramétricas y no paramétricas, y cuya elección aún genera confusión dentro del campo de investigación.^9,10

Esto no termina siendo ajeno dentro del ámbito peruano, debido a que existe un problema en la educación superior de aquellas profesiones que no están directamente ligadas a la carrera de estadística, y que no están gestionando de forma efectiva la enseñanza de estadística como curso,¹¹ porque se lleva el curso de estadística como asignatura pura, enseñando las fórmulas y teoría de cada prueba estadística, pero no su aplicación dentro del campo investigativo, ni mucho menos enseñan cómo utilizar programas estadísticos, tales como el SPSS, Jamovi, R, JASP, entre otros, y que pueden ayudar a la ejecución más rápida y precisa de cada análisis estadístico.^12-14

Hecho que genera cuestionamientos por parte de los alumnos, que posteriormente, cuando tengan que realizar sus proyectos e informes finales de tesis, no tienen idea de qué pruebas utilizar, lo que provoca que muchos de ellos deserten de la idea de seguir investigando posterior a la finalización de su trabajo de investigación universitario.¹⁵ Hecho que impacta en el nivel de investigación, tal como lo han reportado medios en el 2014, donde catalogan al Perú como uno de los países con menos publicaciones científicas y estuvo en penúltimo puesto en América Latina como uno de los países que menos investigaciones realizaban. Si bien esta cifra ha ido aumentando hasta el 2022, aún realizamos menos investigaciones que Colombia, Argentina y Chile.¹⁶

Es así como el objetivo de este trabajo fue realizar un mapa de las pruebas que pueden implementarse según las investigaciones dentro del ámbito de las ciencias sociales, económicas, educativas, salud, ingenierías y similares.

Para el desarrollo del mapa se tendrá como base lo realizado por Flores et al.¹⁷ que planteó como teoría que una prueba debía ser elegida teniendo en cuenta tres aspectos claves dentro de la investigación: el diseño, el número de mediciones y la escala de medición.

Concerniente al primer aspecto, está el diseño del estudio. Flores et al.¹⁷ indicaron que este tiene un papel importante dentro del planteamiento de una investigación. Esto porque acá se fija el objetivo del estudio de forma conjunta con la cantidad de grupos que se analizará, pero adicional a ello se debe tener como parámetro si el estudio será realizado de forma experimental o no experimental y, a su vez, teniendo en cuenta si este cuenta con una, dos, tres o más variables. Ello permitirá conocer si deben ser gestionados solo de forma descriptiva, en los que se podrían exponer datos mediante tablas de frecuencia o gráficos como histogramas, barras o circulares, pero también están las mediciones descriptivas en las que están englobadas las medidas de tendencia central, de posición y de dispersión, que permitirán conocer tendencias, promedios y la forma en que se encuentran dispersas la o las variables analizadas.

Asimismo, están los estudios que se plantean como comparativos, de asociación, de influencia o de correlación, donde se tendría que utilizar aspectos inferenciales como ejes de solución de las hipótesis planteadas. Por ello es fundamental distinguir entre los siguientes conceptos, ya que su uso inadecuado puede llevar a interpretaciones erróneas:

Este apartado es más complejo porque se debe elegir la prueba según la profundidad del estudio (o también denominada nivel de investigación), y acorde a ello se manejan diversas pruebas, las cuales deberán ser seleccionadas según el resultado de normalidad que obtengan. Es ahí donde se dividen las pruebas en paramétricas y no paramétricas.

Por otro lado, está la elección según la cantidad de mediciones. Flores et al.¹⁷ comentaron que otro punto que se debe tener en cuenta al momento de elegir la prueba correcta para el estudio es la cantidad de veces que se realizará la intervención o recojo de información. De forma conjunta, se debe tener en cuenta si se tendrá una muestra, la cual será intervenida antes y después (muestra relacionada). También están los estudios de muestras independientes que poseen una muestra control y otras que serán manipuladas. Y, por último, están las investigaciones de diseños de medidas repetidas. Si bien no son tan comunes de realizar, es bueno tenerlo en cuenta. En ellas no se está comparando grupos distintos, sino que se está evaluando el efecto de los tratamientos sobre la misma muestra o sujeto, evidenciando así el impacto que va sufriendo en cada intervención. Cabe destacar que se clasificaría como un estudio de muestra relacionada (Figura 1).

Se aclara que lo anteriormente mencionado aplica para los estudios experimentales y para aquellos que no son experimentales, en los cuales su tendencia es de una sola aplicación, pero también existen estudios con este diseño que recogen información, pero en diferentes periodos de tiempo. Esto con la finalidad de evidenciar si la variable o unidad de análisis ha sufrido algún cambio a lo largo del tiempo, pero sin la intervención directa del o los investigadores. Un ejemplo claro sería el desempeño académico de un grupo de alumnos desde el primer año de secundaria hasta el quinto año, donde se evidenciarían las altas o bajas notas que pueda poseer un grupo de estudiantes, y donde se analizaría qué factores estarían afectando su desempeño. Por último, está la escala de medición en la que Flores et al.¹⁷ expresaron la importancia de conocer la naturaleza de los datos y cómo deben ser interpretados y analizados estadísticamente. Es así que lo primero para tener en cuenta es categorizar si la información obtenida es una cualidad o cantidad; es ahí que la primera clasificación general es conocer si la variable o dato es cualitativa o cuantitativa.

Desde un enfoque puramente estadístico, un dato es cualitativo (o también denominado categórico) cuando este describe cualidades, atributos o categorías. No se expresan numéricamente, aunque se codifiquen con números. A su vez, se clasifican en dos tipos. En primera instancia están las nominales, las cuales son categorías que no tienen un orden o jerarquía inherente. Como ejemplos está el sexo de una persona (masculino o femenino) o su estado civil (casado, soltero, conviviente, casado, separado o viudo). Por otro lado, están las cualitativas ordinales, que se diferencian porque esta sí sigue un orden o jerarquía establecido. Un ejemplo sería el nivel educativo de una persona (primaria, secundaria, técnico, pregrado y posgrado) o el nivel de dolor que puede tener un paciente (leve, moderado o severo).

Asimismo, una variable o información es cuantitativa cuando es representada por valores numéricos, lo que permite la realización de mediciones exactas mediante la aplicación de operaciones aritméticas. Estas son expresadas de dos formas: en discretas y continuas. La primera solo se maneja con valores enteros, no admitiendo números intermedios. Un ejemplo sería el número de hijos que puede tener una pareja, mientras que en la continua sí permite la inclusión de decimales. Ejemplos de ello serían el peso de una persona, su talla, entre otros.

Bajo dicha premisa, la forma de medición de un dato cuantitativo es la escala de intervalo y de razón. La escala de intervalo son datos numéricos con intervalos iguales, es decir, existe un orden lógico donde la diferencia entre valores es constante y el cero no significa la ausencia del valor, sino que forma parte del intervalo (como punto de partida o intermedio). Un ejemplo sería la temperatura, mientras que la escala de razón muestra una lectura más completa y se caracteriza por poseer intervalos iguales entre sus valores. En esta, el cero es absoluto, es decir, indica la ausencia total de la propiedad medida. Como ejemplos están la edad, el peso, el salario, entre otros.

En la Figura 2 se establece un esquema de lectura más apropiado de las escalas de medición que se debe tener en cuenta al reconocer un dato o variable.

Cabe señalar que la lectura realizada hasta este punto se fundamenta en un enfoque meramente estadístico. La intención del presente trabajo es reconocer la información disponible y clasificarla de la manera más coherente con la teoría estadística. En este protocolo se plantea que el análisis de los datos no parte directamente de la aplicación de pruebas estadísticas complejas según la naturaleza de cada variable o dato recolectado, sino de una lectura interpretativa basada en fundamentos estadísticos básicos.

En ese sentido, la intención es que la estadística no sea utilizada de forma mecánica, sino como una herramienta orientadora. A partir de ello, se busca determinar qué pruebas estadísticas resultan más apropiadas en función de la intención, los objetivos o la hipótesis que se desea contrastar en el ámbito de las ciencias sociales, educativas, médicas, de ingeniería y afines.

Como se ha detallado previamente, dentro del análisis inferencial existen diversas pruebas estadísticas que pueden elegir y comprobar el objetivo que está buscando la investigación, pero nace la consulta: ¿Y cómo sé cuál prueba debo elegir?

Es ahí donde entra a tallar la prueba de normalidad. Esta prueba permite conocer si los datos que se han recolectado están mostrando o no una distribución normal (campana de Gauss), siendo de suma importancia al momento de decidir si se deben aplicar métodos paramétricos o no paramétricos en el análisis de datos (Figura 3).

Un ejemplo sería que se tenga una base de datos con el precio del dólar durante los últimos 10 años y, al hacerle la prueba de normalidad, se evidencia que los datos cumplen con el supuesto de normalidad o también indicar que muestra una distribución normal, por lo que se recomendaría utilizar pruebas paramétricas. Por otra parte, tenemos una base que contiene la inflación del Perú entre los años 2000 y 2020 y, al aplicarle la prueba de normalidad, da como resultado que los datos no cumplen con el supuesto de normalidad o no tienen una distribución normal y se determina que la variable “inflación” es no paramétrica.

Una vez aclarado esto, es que se decide qué prueba elegir. Si la variable muestra cumplir el supuesto de normalidad (seguir una distribución normal), se tendrá que elegir una prueba estadística paramétrica, pero, en caso contrario, de no cumplir con el supuesto de normalidad (no muestra una distribución normal), se elige una prueba inferencial no paramétrica.

Ahora, ya una vez entendida esta parte, lo siguiente es poder conocer las pruebas de normalidad que se deben utilizar para averiguar la distribución de los datos que se han recolectado. La teoría en estadística menciona diversas pruebas como la de Anderson-Darling, sesgo y curtosis, o métodos gráficos como las figuras Q-Q, histogramas y/o diagramas de caja. Pero de toda la gama de pruebas de normalidad, las más comunes que se utilizan dentro de los estudios a nivel nacional en el campo de las ciencias sociales, médicas e ingenierías son la prueba de Kolmogorov-Smirnov (KS - n≥50) y la de Shapiro-Wilk (SK - n < 50).

Estas dos pruebas darán resultados fiables y con los que podrán determinar de forma confiable si la data tiene o no una distribución normal (también se indica si cumple o no con el supuesto de normalidad). El uso de ambas pruebas tiene algunos parámetros que deben seguir, y es en la cantidad de muestra que se va a analizar. Tal es el caso de la prueba de Kolmogorov-Smirnov (n≥50), que se utiliza para muestras grandes, específicamente para bases que contengan datos igual o mayor a las 50 observaciones por analizar. Un claro ejemplo sería averiguar la normalidad de las edades de un registro de 14 000 atenciones médicas prehospitalarias realizadas durante el 2024, al tener una base tan grande y que supera con creces la valla de los 50 datos, la prueba Kolmogorov-Smirnov sería la elección correcta por aplicar.

Por otro lado, la prueba de Shapiro-Wilk (n<50) es un caso contrario. Su uso es ideal cuando se manejan bases menores a los 50 datos por revisar. Es considerado un método estadístico robusto y fiable para determinar la normalidad en muestras pequeñas. Un ejemplo sería que se desea conocer el rendimiento académico en matemática (notas) de los alumnos de una sección que posee un total de 35 alumnos inscritos. Al ser una muestra pequeña, la prueba de Shapiro sería la ideal para conocer si las notas siguen o no una distribución normal. La regla de decisión, la cual es aplicable para ambas pruebas, es la siguiente: Si el p-valor ≥ 0,05, se determina que la variable sigue una distribución normal, pero si el p-valor < 0,05, se rechaza la normalidad de los datos y se establece que la variable es no paramétrica o no cumple con el supuesto de normalidad.

En el Cuadro 1 se realiza un esquema de selección de pruebas estadísticas, las cuales indican cuáles deben elegir según el objetivo o hipótesis que se plantea en la investigación, pero teniendo en cuenta la normalidad de los datos. Dicho resultado evidenciará si se debe utilizar una prueba inferencial paramétrica o no paramétrica. No obstante, es importante precisar que el Cuadro 1 busca evidenciar principalmente la forma en que la variable puede ser tratada e interpretada de acuerdo con el enfoque del estudio. En ese sentido, se resalta el carácter interpretativo de la estadística, ya que la elección de las pruebas no responde únicamente a reglas mecánicas, sino también a la comprensión de la naturaleza de los datos. En algunos casos, la lectura será directa conforme a la teoría estadística; sin embargo, en otros, será necesario adoptar una interpretación más analítica que permita identificar posibles enfoques de análisis y seleccionar las pruebas más adecuadas.

Finalmente, este esquema tiene como propósito orientar al investigador en la toma de decisiones estadísticas, evitando que el desarrollo del estudio se vea limitado por el desconocimiento de las pruebas a emplear y facilitando así el logro de los objetivos planteados.

Cuando se trata de variables, las cuales serán analizadas de forma descriptiva, los datos deben de ser analizados de dos formas puntuales, tal como se evidencia en el Cuadro 1.

Primero, están las variables que son categorizadas como cualitativas y que pueden ser nominales u ordinales. El procesamiento descriptivo puede hacerse mediante el uso de tablas de frecuencia y cruzadas, donde se evidencia la frecuencia numérica de la información procesada, así como el porcentaje que pueda tener una data sobre el total analizado. Como ejemplos de variables cualitativas nominales están el género, el color de ojos de las personas, estado civil, profesiones, país de nacimiento, tipo de sangre, entre otros; como cualitativas ordinales estarían variables como el nivel de satisfacción (bajo, medio y alto), el nivel educativo, puestos de trabajo (operativo, administrativo, gerencial), grado de estrés (nulo, severo y crítico), rendimiento laboral (bajo, aceptable, óptimo), etc.

Si bien, durante el procesamiento de datos, las variables pueden codificarse de forma numérica, ello no implicaría que se conviertan automáticamente en variables cuantitativas. La asignación de valores numéricos corresponde solo a una finalidad operativa que facilita el análisis estadístico dentro de los programas como el SPSS, Jamovi o R. En ese sentido, es posible que se establezca una escala en la que el nivel más bajo adopte un número inferior (por ejemplo, 0 o 1) y el nivel más alto sería asignado acorde a la cantidad de rangos en los que se desee clasificar a la variable. Un ejemplo sería:

Grado de estrés:

También se encuentran las variables cuantitativas, cuya naturaleza son números medibles (discreta o continua) que permiten realizar operaciones aritméticas. Están clasificados de dos formas: Escala de razón o de intervalo. En ambos, el procesamiento puede hacerse mediante el uso de medidas descriptivas tales como las medidas de tendencia central (promedio, mediana, moda), de posición (cuartiles, deciles, percentiles) y de dispersión (rango, varianza, desviación estándar y coeficiente de variación). En ambos métodos se pueden utilizar diversos gráficos acordes a la información que se maneje. Cabe resaltar que la finalidad del análisis descriptivo es poder simplificar grandes volúmenes de información, lo que facilita su interpretación; mas no se podría inferir nada aún a partir de dichos resultados.

Existen distintas pruebas al momento de querer relacionar dos variables, pero las más utilizadas dentro de la investigación son la correlación de Pearson y el rho de Spearman. Estas pruebas estadísticas miden la fuerza y dirección de la relación de variables numéricas expresadas en un resultado que oscila entre -1 y 1. Para poder indicar que existe correlación entre dos variables, se debe tener en cuenta la regla de decisión principal que se basa en el p-valor < 0.05.

Al tener dos potenciales pruebas, de forma inicial no se sabe con cuál de ellas se podría trabajar. Es ahí donde entra a tallar la prueba de normalidad. Esta prueba indicará si las variables son o no son paramétricas, lo que permitirá escoger la prueba adecuada según la distribución de cada variable. En otras palabras, si en la prueba de normalidad se obtiene que la distribución es normal de una variable, se utilizará la prueba de correlación paramétrica de Pearson. En caso contrario, si el resultado indica que la variable no cumple en el supuesto de normalidad, se debe usar la prueba de correlación no paramétrica rho de Spearman, tal como se muestra en el Cuadro 1.

Ahora, la teoría estadística establece que estas pruebas correlacionales solo deben ser aplicadas cuando las variables son cuantitativas/numéricas.^18,19 A partir de ello, surge la interrogante sobre cómo proceder con aquellas investigaciones que buscan analizar la correlación entre dos variables cuya naturaleza no es estrictamente numérica. Un ejemplo sería que un especialista de psicología organizacional desea averiguar si existe correlación entre la productividad de los trabajadores y el nivel de estrés laboral, todo ello medido bajo una escala valorativa de tres niveles o puntos de corte. El caso evidencia un objetivo claro y de intención de comprender una problemática detectada, aun cuando las variables no sean originalmente cuantitativas.

Bajo este contexto, se propone que el investigador no limite su análisis únicamente por la naturaleza inicial de las variables, sino que considere la aplicación de cualquiera de las dos pruebas correlacionales para comprobar los objetivos e hipótesis planteados, pero siguiendo los protocolos de elección explicados, los cuales involucran las pruebas de normalidad y la elección correcta acorde a la distribución paramétrica o no paramétrica de los datos.

De este modo, como ya se detalló anteriormente, la codificación de variables cualitativas de forma numérica no genera que estas se conviertan automáticamente en números o sean cuantitativas puras, sino que correspondería más a un tratamiento que ayudará a que los programas estadísticos puedan ejecutar de forma efectiva las pruebas inferenciales. En consecuencia, la aplicación de estas pruebas favorecería dar respuesta al objetivo y a la comprobación de la hipótesis planteada, manteniendo coherencia entre el enfoque teórico-estadístico y el análisis empírico.

Las pruebas correlacionales de Pearson y Spearman son recomendadas para muestras que se podrían denominar grandes, pero de ser el caso que el estudio maneje una muestra pequeña, lo recomendado es utilizar la prueba tau de Kendall. Arndt et al.²⁰ expusieron que esta prueba es ideal y mejor que Spearman cuando las unidades de análisis son menores o iguales a 30 datos, debido a que presenta mejor precisión y menor sesgo, con una distribución más estable en este tipo de muestras.²¹

El estudio de Puth et al.²² midió el uso eficaz de esta prueba con muestras pequeñas de 10, 20, 40 y 80 datos por procesar, evidenciando que no existe un punto rígido donde se indique un número determinado con el que se pueda trabajar la prueba de Kendall. Sin embargo, estudios metodológicos y de simulaciones han demostrado que la prueba muestra un buen desempeño con muestras pequeñas.^23,24 De esta forma, si una investigación se encuentra dentro de los rangos de muestras pequeñas, como lo indicado previamente por Arndt et al.²⁰ y Puth et al.²², su uso se encontraría teóricamente justificado.

Ahora, esta prueba maneja dos enfoques, la Tau B y la Tau C de Kendall, las cuales se diferencian en su uso acorde a los empates de niveles que pueda tener la variable. Por un lado, la Tau B de Kendall analiza la correlación entre dos variables ordinales que tienen igual número de niveles, teniendo así un ajuste cuadrado de relación. Un ejemplo sería que se desea correlacionar la calidad de servicio y el nivel de satisfacción de clientes de la bodega ABC:

• Escala valorativa de cada variable:

◦ Calidad de servicio: Bueno (3) – Regular (2) – Malo (1)

◦ Nivel de satisfacción: Insatisfecho (3) - Medianamente satisfecho (2) - Muy satisfecho (1)

En este caso se puede evidenciar que ambas variables serán medidas en una escala de tres cortes, siendo pares concordantes que manejan un mismo orden de rango.

La tau c de Kendall analiza lo mismo, pero se ajusta mejor cuando el número de escalas difiere entre las variables, formando así un rectángulo en su estructura. Un ejemplo sería que se desea correlacionar el grado de adherencia al tratamiento y el control de la enfermedad en pacientes hipertensos:

• Escala valorativa de cada variable:

◦ Adherencia al tratamiento: Baja (1) – Media (2) – Alta (3)

◦ Nivel de satisfacción: No controlado (1) - Parcialmente controlado (2) – Controlado (3) – Óptimo (4)

Cuando se desea comparar dos promedios sí es necesario que las variables sean netamente cuantitativas, debido a la naturaleza misma de los datos que se necesita para realizar las comparaciones. En primer lugar, está el caso de aquellas variables cuya muestra se encuentra relacionada y que evidencian tener una distribución normal, por lo que tendría que aplicarse la prueba T de Student, pero también se aplicaría la misma prueba si las muestras fueran independientes.

Para diferenciar ambos casos, un ejemplo de muestras relacionadas sería medir el efecto en las notas en matemáticas de un grupo de estudiantes al aplicarse un nuevo método de enseñanza, siendo la muestra inicial la misma con la que se medirá el impacto del método. Mientras que un ejemplo de muestras independientes sería que un ingeniero desea investigar si dos maquinarias (A y B) de fabricación de clavos están produciendo el producto con el mismo peso. Para ello, toma 20 clavos de la máquina A y 20 clavos de la máquina B y los compara.

Ahora, de ser el caso que las variables no cumplan con el supuesto de normalidad, de igual forma existen dos pruebas acordes a las muestras que pueda presentar la investigación. En el supuesto de que la muestras fueran relacionadas, se tendría que utilizar a Wilcoxon, y para los estudios de muestras independientes tendrían que aplicar la prueba de U Mann Whitney.

Cuando la investigación tiene por objetivo comparar 3 grupos o más, debe utilizarse el análisis de varianza (ANOVA) de vías, esto siempre y cuando la muestra sea relacionada y que las variables posean una distribución normal. En el contexto de que sean independientes, tendría que utilizar la prueba paramétrica ANOVA de una vía, pero en los casos en que las variables sean no paramétricas y de muestra relacionada, tendrá que utilizar la prueba de Friedman; para los estudios de muestras independientes, tendrá que utilizarse la prueba de Kruskal-Wallis.

Como ejemplos de comparación de tres grupos o más se encuentran los estudios cuya muestra se encuentra relacionada con aquella que desea evidenciar el efecto de tres dietas (A, B y C) distintas aplicadas a un grupo de pacientes con sobrepeso. Cada paciente seguirá las tres dietas cada semana y, al término del periodo, deberá medir el nivel de glucosa que posee semana tras semana.

También se encuentran las investigaciones de muestras independientes, como el caso de un químico farmacéutico que desea averiguar el impacto que tendrá la aplicación de tres fármacos antihipertensivos a tres grupos de personas. Cada grupo será sometido a un fármaco en particular, es decir, cada grupo será sometido a un solo tratamiento sin repeticiones. Al final de la prueba, se obtendrán los resultados de la presión arterial sistólica (mmHg), descubriendo así cuál fue el fármaco con mayor efecto.

Dentro de las diversas pruebas estadísticas que existen, hay aquellas pueden ser utilizadas cuando se desean comparar muestras, incluso cuando las variables son cualitativas nominales u ordinales. En este punto, es preciso indicar que comparar no debe ser asimilada, equiparada o confundible con correlacionar, ya que se trata de dos objetivos distintos. En secciones previas se detalló que, bajo ciertos criterios estadísticos y metodológicos, es posible emplear pruebas paramétricas o no paramétricas de correlación en variables cualitativas que han sido operacionalizadas mediante escalas ordinales y codificadas numéricamente. No obstante, esta flexibilidad no debe ser interpretada de forma inversa cuando la variable es por naturaleza cualitativa.

De esta forma, cuando se pretende comparar 2 grupos con variables cualitativas, deberán emplearse pruebas específicas como la de McNemar, cuyo uso es ideal cuando la muestra de la investigación es relacionada, pero de tener muestras independientes, deberán emplear la prueba de χ². En esta última, se debe hacer una aclaración. Al aplicar la prueba, se saca de forma conjunta con una tabla de contingencia, pero de observarse que alguna de las frecuencias saliera menor a 5, se tendría que obviar el resultado de χ² y trabajar con lo obtenido en la prueba de Fisher.

Y en el caso de las indagaciones que deseen comparar 3 grupos o más, pueden hacer uso de Q de Cochran si la muestra de estudio es relacionada. Caso contrario, de poseer muestras independientes, tendrán que utilizar la prueba de χ². Como punto adicional, todas las pruebas de esta sección son clasificadas como no paramétricas debido a la naturaleza de las variables^23,24.

Dentro de las investigaciones no experimentales en campos como las ciencias sociales, económicas, en salud, ingeniería industrial, entre otros, se han observado casos publicados de estudios cuyos objetivos plantean determinar la asociación entre dos variables o, también, medir el nivel de influencia que pueda existir entre variables. Al observar la estadística, muchos de ellos recaen en la aplicación de pruebas correlacionales o solo descriptivas, lo que evidenciaría un no cumplimiento del objetivo y la hipótesis que se ha planteado dentro del estudio. Es así como, en esta sección, se plantearán dos potenciales pruebas que podrían ser utilizadas para estos estudios, esto con la finalidad de obtener un resultado estadístico acorde a la intención de la investigación.

Una de estas pruebas es la de χ², que Mendivelso y Rodríguez exponen que mide si dos variables categóricas están relacionadas (asociadas) o si son independientes (no tienen relación). En otras palabras, si los valores de una variable dependen de los valores de la otra. Su aplicación se puede hacer en variables cualitativas de índole nominal y ordinal.

Como ejemplo, los autores Mendivelso y Rodríguez²⁵ plantean en su estudio si los patrones de actividad física de un grupo de personas se encontraban asociados al consumo de bebidas azucaradas, clasificando las variables de la siguiente manera:

• Escala valorativa de cada variable:

◦ Actividad física: Baja – Media – Alta

◦ Bebidas azucaradas: No – Si

Por otra parte, como prueba para medir el efecto entre dos variables, se podría utilizar la regresión logística binaria. Esta es una técnica multivariante que permite predecir la probabilidad de ocurrencia de un evento, teniendo como base una o más variables independientes. Es así que la predicción se realiza en base a un modelo de suceso dicotómico, es decir codifica los potenciales resultados en base a dos posibles valores (“1” o “0”): Verdadero o falso, sí o no, éxito o fracaso, etc.^26,27

En este contexto, la prueba se presenta como una alternativa metodológica pertinente, debido a que permite modelar la probabilidad de la estimación de la probabilidad efecto que puedan tener una o más variables independientes sobre la variable dependiente. Si bien su aplicación en investigaciones no permitiría que se establezcan relaciones causales definitivas, sí generaría la posibilidad de identificar un resultado estadístico que permita a aquellos estudios que son planteados como no experimentales de alcance explicativo.^28-30 Como recomendación para esta prueba, siempre se debe realizar una codificación adecuada para que los programas estadísticos puedan ejecutar de forma efectiva la fórmula.

Como ejemplo de la prueba, podría ser que se desee determinar si el nivel educativo está afectando la probabilidad de que las personas puedan tener un empleo informal.

• Escala valorativa de cada variable:

◦ Empleo informal: Sí (1) - No (0)

◦ Nivel educativo: Primaria – Secundaria - Superior

Otro ejemplo sería que se quiera establecer si los ingresos mensuales de un grupo de personas afectan el acceso a créditos bancarios.

• Escala valorativa de cada variable:

◦ Acceso a crédito bancario: Sí accede (1) – No accede (0)

◦ Ingreso mensual: Bajo - Medio – Alto

Es importante señalar que, en estudios observacionales como el propuesto, no es apropiado hablar de “efecto” o “influencia” en sentido causal. En su lugar, la regresión logística permite cuantificar cambios en la probabilidad de la variable dependiente asociados a variaciones en la independiente. Por ejemplo, puede estimarse si una persona con mayor nivel educativo tiene una menor probabilidad de tener empleo informal, comparada con una de menor escolaridad, manteniendo constantes otras variables.

De este modo, la regresión logística binaria se presenta como una opción metodológicamente pertinente para estudios no experimentales con alcance explicativo, siempre que se eviten interpretaciones causales y se utilice un lenguaje preciso centrado en la asociación y la probabilidad condicional.

Y, por último, está la prueba de regresión lineal simple, que es una prueba estadística que demuestra la relación entre dos variables cuantitativas. Usualmente, su manejo se realiza en base a una variable independiente (X) y una variable dependiente (Y). Su finalidad es que puedan predecir o estimar el comportamiento de Y (que es lo que deseas pronosticar) en función de X (es el factor que se utiliza para predecir a Y). Un ejemplo sería poder predecir el salario de una persona en base a los años de experiencia que este tenga.

Se concluye que el análisis estadístico no debe ser concebido como una etapa técnica y rigurosa a seguir, sino, también, puede utilizarse como un proceso interpretativo que permite al investigador tomar decisiones idóneas al tipo de investigación que quiere realizar, evitando errores estadísticos y asegurando que el estudio cumpla con su propósito científico. De esta manera, la intención es fortalecer la rigurosidad metodológica, estadística y facilitar la obtención de conclusiones válidas y pertinentes a los objetivos planteados.

Asimismo, el presente trabajo intenta alentar a estudiantes o personas en general que tengan el interés de investigar, quienes, en muchas ocasiones, se sienten estancados o limitados por no entender sobre la selección y aplicación de pruebas estadísticas. Esta dificultad suele generar un estancamiento en el desarrollo de estudios, afectando la continuidad del proceso investigativo.

En respuesta a ello, el propósito fue brindar una orientación clara y accesible sobre el uso de herramientas estadísticas, facilitando así comenzar o concluir su proyecto, tesis o trabajo investigativo con mayor seguridad y criterio estadístico.

Debido a que la generación de una investigación constituye un aporte significativo, independientemente de su alcance o tamaño, puede ser un punto de partida para la comprensión de una problemática, la cual puede mejorarse potencialmente mediante el uso de mejores herramientas, focos metodológicos, estadísticos y tecnológicos.