Estudios Cuantitativos de Nivel Relacional en la Investigación Socio-

educativa*.
Javier Villar Maluenda**
*Ponencia presentada en “Segundo Seminario Internacional de Investigación en Educación,
Segundo Seminario Internacional de Investigación en Educación ( Virtual)”,organizado por
la Universidad Adventista de Chile, 26 de mayo 2021.
**Docente Tutor de Estadística con SPSS. Centro de Formación Continua. Universidad
Peruana de los Andes ( UPLA-Huancayo-Perú)

El objetivo de esta breve reseña es analizar el diseño metodológico de los estudios

científicos cuantitativos de tipo bivariado-relacional, relacional-comparativo y bivariado-
correlacional.
Cuando un investigador necesita contrastar relaciones estadísticas entre dos variables, se
debe posicionar en un nivel metodológico de tipo “bivariado-relacional”.
Supo , J.,y Zacarías, H.(2020) señalan que los estudios científicos cuantitativos de nivel
relacional son aquellos que: “… plantean relación entre las variables, independientemente
de la naturaleza de las mismas, y no pretenden demostrar relaciones de causalidad, sino
solamente el descubrimiento de la relación misma, y de encontrarse tal relación puede
establecerse una hipótesis de causalidad” (Supo ,J. y Zacarías, H, p. 17)
Por lo general, los estudios bivariado-relacionales miden una probable “asociación
estadística” entre una variable sociodemográfica (variable de segmentación en un
instrumento de medición social) y otra variable que contenga categorías de respuestas a un
cuestionario de encuesta (ítem o reactivo). Por ejemplo, el vínculo entre la variable sexo o
género de cada docente encuestado y su correspondiente valoración de la educación en
línea. Para saber si estas variables están vinculadas o asociadas en términos estadísticos
debemos proceder al contraste mediante pruebas de hipótesis.
Dagnino (2014 a) define una hipótesis como “... una proposición que puede, o no, ser
verdadera pero que se adopta provisionalmente hasta recabar información que sugiera lo
contrario. Si hay inconsistencia, se rechaza la hipótesis. Las pruebas de hipótesis se usan
precisamente para evaluar el grado de esa inconsistencia” (Dagnino, 2014a, p. 125).
En términos sencillos, con una prueba de hipótesis podemos usar un criterio de base
estadística para afirmar, con una cierta probabilidad (significancia), si una proposición es o
no estadísticamente cierta.
Retomando el ejemplo anterior, para poder vincular el sexo de cada docente encuestado con
su correspondiente valoración de la educación en línea, es necesario realizar los siguientes
procedimientos metodológicos:
a) Transformar las puntuaciones los ítems de la escala ordinal original a una escala
numérica.
b) Verificar que tales valores numéricos se acomoden a una distribución normal.
(Prueba de Hipótesis para la Normalidad en una Muestra).
c) Si en nuestro ejemplo, en que la variable de segmentación es sexo, las valoraciones
de docentes hombres y mujeres siguen una distribución normal, la prueba de
hipótesis t de Student será usada para evaluar la hipótesis nula de que los promedios
de las puntuaciones de hombres y de mujeres sean iguales.
d) Si son distintos, se podrá asumir que existe un vínculo entre el sexo del encuestado
y su valoración.
En el marco de los estudios de tipo bivariado-relacional, podemos profundizar el alcance de
nuestro análisis, incorporando un nivel “relacional-comparativo”. Salgado-Lévano (2018)
explica que los estudios comparativos siguen una lógica bivariada si al menos uno de sus
objetivos específicos es “comparar” actitudes o comportamiento de dos o más grupos que
se diferencian entre sí.
Volviendo a nuestro ejemplo anterior, continuamos con un análisis bivariado que incluye
un componente comparativo. Contrastaremos las valoraciones de docentes universitarios de
la utilidad de la educación en línea con la macro-zona de residencia del encuestado. En este
ejemplo la idea de “comparar” ayuda a definir un objetivo de investigación especifico que
vincula nuestro “objeto de estudio” con la variable de segmentación “macro-zona
geográfica”. Aquí podremos estudiar dos o más grupos de encuestados residentes en
espacios geográficos distintos.
Si tenemos, por ejemplo, docentes universitarios que viven en el norte, centro y sur de un
país o ciudad, podemos analizar si sus valoraciones están asociadas con sus macro-zonas de
residencia. Si asumimos que sus valoraciones están distribuidas normalmente (asumiendo
normalidad para cada una de las zonas norte, centro y sur), entonces aplicaremos una
prueba de hipótesis ANOVA para contrastar si existen o no diferencias significativas de las
valoraciones de los docentes entre las distintas macro-zonas.
Por último, podemos incluir un más alto nivel de especificidad, el nivel bivariado-
correlacional, consistente en evaluar el grado de correlación estadística entre dos variables.
Supo , J.,y Zacarías, H.(2020) señalan que las correlaciones son un tipo de asociación entre
dos variables numéricas de las que se conoce la intensidad y dirección de la asociación. Un
ejemplo es, el vínculo entre consumo de calorías diarias y el aumento del Índice de Masa
Corporal (IMC). Una mayor ingesta diaria de calorías está asociada a un mayor valor del
aumento del IMC.
El coeficiente de correlación r mide también la intensidad de esta asociación pudiendo
asumir valores entre -1 y 1. Un valor absoluto cercano a 1 indica un vínculo fuerte,
mientras que un valor absoluto cercano a cero indica un vínculo débil. Si bien el coeficiente
de correlación mide la probable asociación entre dos variables, es necesario evaluar la
hipótesis nula de que esta correlación no sea significativa. Según Dagnino (2014b ) esta
prueba de hipótesis considera un intervalo de confianza asociado a un r igual a cero y un
valor r-crítico distribuido siguiendo la distribución t de Student. Las colas a la izquierda y
derecha de dicho intervalo muestran las regiones en que el r-computado (siempre que sea
mayor en valor absoluto que el r-crítico) servirá para rechazar la hipótesis nula de que el
valor real de r pueda ser cero. Siendo que las colas fuera del intervalo son simétricas
respecto al centro de éste (en que r es cero), cada cola representa una probabilidad de 2.5%
(la mitad de 5%) de que la hipótesis nula no se verifique. Se entiende que, si el valor
absoluto del r computado es mayor al r teórico, entonces podrá rechazarse la hipótesis nula
de ausencia de correlación (la probabilidad de que r fuera cero sería entonces menor a 5% y
el r-computado caería en una de las dos colas). Se afirmará en este caso que existe
correlación estadísticamente significativa entre las variables bajo estudio.
A modo de conclusión, queremos resaltar que cada prueba estadística tributa a un objetivo
de investigación cuantitativo, en que las pruebas de hipótesis nos presentan un grado de
confiabilidad matemática para suponer la existencia de vínculos entre variables, lo que nos
permitirá, basados en evidencia científica, tomar decisiones en nuestro entorno académico o
profesional.
Referencias
Dagnino, J.(2014a). Inferencia Estadística: Pruebas de Hipótesis. Revista Chilena de
Anestesiología, 43, 125-128.
Dagnino, J.(2014b). Correlación. Revista Chilena de Anestesiología, 43, 150-153.
Salgado-Lévano,C. (2018).Teoría y práctica para hacer la tesis según la metodología
cuantitativa. Lima, Perú: Fondo Editorial de la Universidad Marcelino Champagnat
Supo , J.,y Zacarías, H.(2020) Metodología de la Investigación Científica. Arequipa, Perú:
Bioestadístico EEDU EIRL.