INTRODUCCIÓN AL análisis de datos cuantitativos

INTRODUCCIÓN AL análisis de datos cuantitativos

Contenido

1. Introducción 2. Importancia del análisis de datos cuantitativos 3. ¿Qué es el análisis de datos cuantitativos? 4. Convirtiendo los Datos en Información 5. Tipos de Análisis 6. Programas para analizar los datos 7. Tablas y Gráficas que representan la información 8. Interpretación de los Datos 9. Discusión de los Resultados

1. Introducción

Las investigaciones que implican datos cuantificables se fundamentan en el Positivismo, el cual sostiene que la realidad se puede medir objetivamente y que la verdad se encuentra en patrones numéricos observables (Johnson y Christensen, 2019). Entre los métodos comunes del análisis cuantitativo se encuentran las pruebas estadísticas descriptivas y las inferenciales. El análisis de datos cuantitativo es un proceso sistemático y estructurado que permite examinar, interpretar y presentar datos numéricos recopilados en una investigación. En este enfoque, los datos se procesan utilizando herramientas estadísticas que pueden ser descriptivas (como promedios, medianas, desviaciones estándar) o inferenciales (como pruebas de hipótesis, análisis de regresión, correlaciones). Estas herramientas permiten sintetizar grandes volúmenes de información y extraer insights que son representativos de la población estudiada. El análisis cuantitativo se caracteriza por:

• Precisión y objetividad: los datos se presentan en cifras y se procesan mediante técnicas matemáticas, lo que minimiza la subjetividad.
• Generalización: los resultados obtenidos de una muestra representativa pueden extrapolarse a la población general.
• Uso de software especializado: herramientas como SPSS, R, Excel, Python, o incluso aplicaciones de inteligencia artificial, facilitan el procesamiento y la interpretación de los datos.
• Este tipo de análisis es ampliamente utilizado en ciencias sociales, ciencias naturales y otras disciplinas, ya que ofrece una forma confiable de evaluar fenómenos medibles y establecer relaciones causales o correlativas.

2. Importancia del análisis de datos cuantitativos

El análisis de datos cuantitativos es fundamental en diversas disciplinas, como las ciencias sociales, la economía, la medicina y las ciencias naturales. Permite:

• Tomar decisiones basadas en evidencia puesto que al analizar datos de manera rigurosa, se pueden tomar decisiones más informadas y efectivas.
• Identificar patrones y tendencias que permiten descubrir relaciones entre variables y predecir futuros resultados.
• Evaluar la efectividad de intervenciones de programas y políticas.
• Comprender fenómenos complejos a través del conocimiento de las causas y efectos de los fenómenos sociales y naturales.

3. ¿Qué es el análisis de datos cuantitativos?

En todo proceso de investigación, el análisis de los datos constituye un aspecto crucial, ya que representa el principal aporte de la investigación a la comunidad científica. Este análisis debe realizarse con rigurosidad para garantizar la calidad de la información discutida. El análisis y la interpretación de los datos están estrechamente ligados al momento técnico, ya que no pueden llevarse a cabo sin haber concluido previamente la recolección y organización de la información. En todo proyecto de investigación, cuando se declara la metodología, el investigador anticipa el cómo se presentarán los datos y las técnicas que se emplearán para analizarlos e interpretarlos.

En el caso de las investigaciones que se orientan en el paradigma cuantitativo, el análisis responde a un conjunto de métodos que permiten recolectar, organizar, analizar e interpretar datos numéricos con el fin de describir, explicar y predecir fenómenos. Como señalan Hair, Black, Babin, Anderson y Tatham (2014), “el análisis cuantitativo proporciona un marco para transformar datos en información útil para la toma de decisiones”. Los datos cuantitativos suelen recolectarse a través de encuestas, experimentos y cuestionarios estructurados, lo que permite su análisis estadístico y la generalización de los resultados a una población mayor (Creswell y Creswell, 2018). En la investigación educativa, suele ser recurrente el uso de instrumentos como encuestas y cuestionarios. De modo que el tipo de análisis que corresponde de forma mayoritaria es el de la estadística descriptiva; sin embargo, todo depende de los objetivos de la investigación y de la experticia del docente investigador para el manejo de datos más especializados.

Figura 1. Momentos de la Investigación

Al finalizar la recolección de información, se dispone de un conjunto de datos iniciales, denominados “información bruta”, que requieren ser organizados o resumidos e incluye el uso de procedimientos matemáticos y estadísticos para describir, explicar y predecir fenómenos, siendo útil en investigaciones donde se busca “explicar una relación causal entre variables” o establecer correlaciones significativas (Muijs, 2011, pág. 4). Por ende, el análisis de los datos implica agruparlos, clasificarlos, ordenarlos y presentarlos en tablas estadísticas, gráficos o relaciones de datos. Asimismo, se debe considerar que el análisis debe mantener una estrecha coherencia con los elementos considerados en el diseño de la investigación (momento metodológico) de modo que permita obtener conclusiones a partir de la interpretación de los datos numéricos recopilados en el momento técnico, identificando patrones, relaciones y tendencias para responder a las preguntas de investigación y comprobar hipótesis (Hernández-Sampieri et al, 2018). Una vez analizados los datos, se debe proceder a interpretarlos. Esto significa que la experticia del investigador y el dominio disciplinar del problema abordado le da el background suficiente para interpretar los datos. Igualmente, es fundamental vincular los hallazgos con los conocimientos utilizados tanto en el planteamiento del problema como en el marco teórico-conceptual. El análisis y la interpretación deben alinearse estrictamente con los lineamientos establecidos en dicho marco, evitando el uso de enfoques, esquemas o conceptos distintos a los definidos en la investigación.

Figura 2. Funciones del análisis y la interpretación.

Como se evidencia en la Figura 2, la relación entre el análisis y la interpretación dependen del problema, el marco teórico-conceptual y las hipótesis de la investigación. Es decir, este proceso implica retornar al planteamiento del problema, al marco teórico y conceptual, y a las hipótesis, con el propósito de identificar puntos de concordancia o discrepancia entre los elementos teóricos y los datos obtenidos. Según Rojas (2001), cuando se emplean diversas técnicas de recolección, primero es necesario analizar e interpretar separadamente los datos de cada técnica y luego sintetizar los resultados, lo que permite explicar el fenómeno o problema social en estudio. A continuación, se recomienda seguir el manejo de los datos recolectados en el siguiente orden metodológico:

Figura 3. Orden para el manejo de los datos recolectados.

Ahora bien, para ejecutar el análisis, debemos tener en cuenta los tipos de datos que disponemos. A continuación, se describen:

4. Convirtiendo los Datos en Información

El proceso de transformar datos en información útil es un paso crucial en cualquier investigación. Los datos recolectados a través de cuestionarios y encuestas son, en su estado inicial, registros en bruto que carecen de contexto y organización. Para convertirlos en información comprensible y significativa, es necesario someterlos a un proceso de manipulación, clasificación y presentación. Este apartado explora cómo organizar los datos mediante el uso de tablas y gráficos, herramientas que facilitan la interpretación y el análisis al resumir tendencias, patrones y relaciones. De esta manera, los investigadores pueden visualizar los resultados, identificar puntos clave y tomar decisiones informadas basadas en los hallazgos.

Figura 4. Pasos previos del manejo de datos

Transformar la información recopilada mediante instrumentos como cuestionarios, encuestas o entrevistas en datos estructurados para el análisis requiere una metodología precisa. El proceso requiere un enfoque meticuloso y estructurado. A continuación, se describen los pasos clave:

• Revisión y edición de la información recopilada: consiste en garantizar claridad, consistencia, integridad y facilidad de lectura en los datos recolectados. Debes considerar si los datos presentan problemas conceptuales, técnicos o ambos que puedan afectar el análisis, es un error común cuando se construyen cuestionarios o encuestas desde cero y la validación de la prueba piloto es insuficiente o se aplicó mal. Se recomienda que si un dato presenta problemas técnicos, es mejor descartarlo o empezar el proceso de validación del mismo. verifica que todas las respuestas estén completas. Identifica y corrige errores como respuestas ilegibles, inconsistencias o datos fuera del rango esperado. Documenta cualquier corrección realizada para mantener la transparencia.

• Clasificación de las respuestas: consiste en organizar las respuestas de los participantes en categorías claras y comprensibles. Para ello, se debe agrupar respuestas similares en clases predefinidas. Crear categorías adicionales si hay información relevante que no se ajusta a las existentes.

• Codificación de las respuestas: se trata de transformar las respuestas cualitativas en valores numéricos o códigos para facilitar su análisis. De acuerdo con Cruz y Olivares (2014): “La codificación de los datos requiere de la asignación de valores numéricos a las categorías de cada variable. Por ejemplo, para la muestra de 1,000 personas una de las variables que se preguntaron fue sexo, la cual contiene solamente dos categorías, hombre y mujer, por lo que se puede asignar 0 y 1 respectivamente (...), pues en el caso de esta variable nominal el valor numérico sólo es de identificación y ninguna de las categorías es más que la otra” (p. 209).

• Validación de la codificación: sirve para asegurar la precisión y consistencia de los códigos asignados. En este caso, se realiza una revisión cruzada de los datos codificados con las respuestas originales. Se corrige cualquier discrepancia encontrada durante la validación.

• Organización de los datos en una matriz: es el proceso en el que se crea una estructura que permite analizar los datos con facilidad. Se debe enumerar el número de respuestas para cada categoría de una pregunta. Además, generar estadísticas descriptivas y realizar tabulaciones cruzadas para explorar relaciones entre variables. Para ello se diseña una tabla o matriz donde cada fila representa a un participante y cada columna, una variable. Además, se ingresan los códigos o valores numéricos correspondientes en la matriz.

• Revisión y limpieza de los datos: se deben identificar y corregir errores antes de proceder con el análisis a través de detectar valores atípicos, inconsistencias o datos faltantes y se decide cómo manejar los datos faltantes (por ejemplo, imputación, exclusión o mantenerlos como "sin respuesta").

• Transferencia a software de análisis: se preparan los datos para el análisis computacional, para ello se exporta la matriz de datos a un programa estadístico (como SPSS, Excel, R, o Python) y se realizan pruebas preliminares para verificar que los datos fueron importados correctamente.

• Realización de tabulaciones preliminares: comprobar que los datos están listos para análisis más complejos a través de la generación de estadísticas descriptivas como frecuencias, promedios o medianas para identificar patrones iniciales. Se debe revisar si los resultados coinciden con las expectativas o si se detectan posibles errores.

Este proceso asegura que la información obtenida a través de los instrumentos se convierta en datos estructurados y preparados para un análisis sólido y confiable. La meticulosidad en cada paso minimiza errores y garantiza que los resultados sean representativos y útiles para la investigación. Recuerda que existen varios tipos de datos en investigación, y estos se clasifican principalmente en función de su naturaleza y el tipo de análisis al que pueden someterse. Es importante tener claridad con el tipo de datos que estás manejando para que sepas también cómo abordar la tabulación.

5. Tipos de Datos

Existen varios tipos de datos en investigación, y estos se clasifican principalmente en función de su naturaleza y el tipo de análisis al que pueden someterse. Los más comunes son:

Tipos de Datos según la Fuente:

• Empíricos: son obtenidos a través de encuestas y cuestionarios son recopilados directamente de una muestra específica de personas, ofreciendo información actual, observable y cuantificable sobre opiniones, comportamientos, características o experiencias. Este tipo de datos refleja la realidad o percepciones de los participantes en un contexto específico y permite identificar tendencias, patrones y correlaciones que responden de manera directa a las preguntas de investigación (Hernández et al., 2014). Además, estos datos son útiles para generalizar hallazgos hacia una población más amplia, siempre y cuando la muestra sea representativa.

• Documentales: son extraídos de documentos, libros o artículos académicos proporcionan un marco conceptual y antecedentes necesarios para comprender, fundamentar y contextualizar un estudio. Los datos extraídos de documentos son muy útiles en investigaciones históricas, discursivas, lingüísticas o literarias. Estos datos no derivan de la observación directa, sino de análisis previos y la interpretación de teorías, conceptos y hallazgos de otras investigaciones. Asimismo, se emplean en investigaciones de revisión sistemática que sirven para evaluar trayectorias, o para construir el marco teórico de un estudio, definir conceptos clave y apoyar la interpretación de los datos empíricos al relacionarlos con investigaciones y teorías existentes.

• Datos Primarios: son datos recolectados directamente por el investigador para un propósito específico, a través de métodos como encuestas, entrevistas o experimentos.

• Datos Secundarios: son datos previamente recogidos y publicados por otros investigadores o instituciones, como estadísticas gubernamentales, estudios de archivo o investigaciones previas.

Tipos de Datos Cuantitativos Estos datos describen atributos o características y no tienen un valor numérico inherente.

• Nominales: se clasifican los datos en categorías sin orden específico. No permiten operaciones matemáticas significativas. Ejemplo: género (masculino/femenino), colores (rojo, azul, verde).
• Datos Ordinales: se clasifican los datos en categorías con un orden lógico, pero sin información sobre la distancia entre categorías. Por ejemplo: niveles de satisfacción (muy satisfecho, satisfecho, neutral, insatisfecho).

Tipos de Datos Cuantitativos Representan cantidades y permiten operaciones matemáticas.

• Datos de Intervalo: los valores tienen un orden definido y las diferencias entre ellos son significativas, pero carecen de un "cero absoluto" que representa la ausencia total de la variable. Ejemplo: temperatura en grados Celsius o Fahrenheit.
• Datos de Razón: presentan un orden, diferencias significativas entre valores y un “cero absoluto” que indica ausencia de la variable; además, permiten todas las operaciones matemáticas. Ejemplo: peso, altura, ingresos, distancia recorrida.

Existen otros tipos de datos que obedecen más a los propósitos de la investigación y suelen clasificarse como:

• Discretos: son datos cuantitativos que representan valores contables o finitos, como el número de personas en una muestra o el número de productos vendidos.
• Datos Continuos: son datos cuantitativos que pueden asumir cualquier valor dentro de un rango, como la altura, el peso o el tiempo.
• Datos Estructurados: se organizan en un formato específico y son fáciles de analizar cuantitativamente, como las respuestas en una encuesta de opción múltiple o bases de datos tabulares.
• Datos No Estructurados: no tienen una estructura fija y suelen ser de naturaleza cualitativa, como el contenido de entrevistas abiertas, textos, videos o imágenes.

6. Tipos de Análisis

Análisis descriptivo examina cada pregunta del instrumento de manera individual, para luego relacionarla con la operatividad de las variables. En este caso, en las investigaciones educativas suele recurrirse a la estadística descriptiva, se sugiere revisar el apartado Estadística descriptiva en el texto “Metodología de la investigación” de Cruz y Olivares (2014). Allí se amplía, además cuándo el investigador necesitará convertir esos datos en tablas de Excel que le permitan hacer cálculos estadísticos y gráficos (opcionales) que ayuden a visualizar los hallazgos. Más adelante se dejan ejemplos de los diferentes tipos de tablas. Posteriormente, se debe hacer un comentario explicativo de cada tabla. No es necesario recargar el informe final con las tablas, será necesario hacer la escogencia de las más relevantes. . Análisis dinámico o sistemático explora la interrelación entre las variables y su contexto, basado en los resultados del análisis descriptivo. Para ello se requiere analizar las respuestas para determinar la influencia de cada factor evaluado, identificar los problemas previamente supuestos o parcialmente comprendidos y establecer la base para validar las hipótesis planteadas o formular nuevas hipótesis. Programas para analizar los datos El análisis de datos se realiza a partir de una matriz utilizando software especializado. Existen diversas opciones disponibles, pero entre las más empleadas por los investigadores destacan:

• SPSS (Statistical Package for the Social Sciences): es un paquete estadístico ampliamente utilizado por su combinación de procedimientos avanzados y facilidad de uso.

• Excel: una herramienta de hojas de cálculo muy popular gracias a su versatilidad y numerosas funciones estadísticas y analíticas. Permite importar datos, aplicar fórmulas matemáticas, incorporar textos y generar gráficos en un único archivo. La versión estándar de Excel incluye 81 funciones estadísticas y 59 matemáticas, lo que facilita su manejo incluso para usuarios menos experimentados.

Puedes ampliar esta información en: Hernández- Sampieri y Mendoza Torres (2023). Metodología de la Investigación de las páginas 325 a la 329.

7. Tablas y Gráficas que representan la información

Una tabla es un formato estructurado para organizar datos en filas (orientación horizontal) y columnas (orientación vertical) según una clasificación específica. Este método permite al lector interpretar rápidamente grandes cantidades de datos y captar detalles importantes y relaciones significativas de un vistazo. Para facilitar el análisis, los datos deben representarse en tablas y gráficos adecuados que resalten los valores estadísticos representativos, como ítems, factores, dimensiones y variables del estudio. Las tablas permiten representar la frecuencia de los datos, es decir, organizar los datos obtenidos en clases o categorías, indicando la frecuencia asociada a cada una de ellas. Las tablas de frecuencia suelen incluir datos en forma de selección simple o distribución acumulada. En la investigación científica, existen numerosas situaciones que requieren la construcción de una tabla estadística adecuada para representar ciertos datos. No obstante, no hay un modelo fijo o estándar para su diseño. Cada investigador debe elaborar tablas que se adapten a las características específicas de la información que desea presentar. De acuerdo con su nivel de complejidad, algunos autores clasifican las tablas en tres tipos principales: simples, agrupadas y combinadas. Como ejemplo de una tabla básica, se podría crear un informe que muestre el número de estudiantes graduados en una promoción de una universidad específica.

Tabla 1. Egresados de Cecar 2024.

De igual forma, se pueden presentar tablas más complejas que den cuenta del cruce de información. Por ejemplo:

Tabla 2. Relación de egresados 2024 de las carreras de Cecar por género.

Esta tabla puede incluir un dato analítico que posibilite mayor claridad para la realización del análisis. Por ejemplo, el dato porcentual de la población acorde al género.

Tabla 3. Porcentaje de graduados por género y programa.

Posterior a la exposición de las tablas, si el investigador lo considera, puede incluir algunas gráficas que ilustran el dato expuesto en la tabla. Un gráfico es una representación visual que utiliza coordenadas, esquemas o dibujos para mostrar relaciones entre variables. Este recurso facilita la interpretación de datos numéricos, hechos o fenómenos observables y tabulables estadísticamente. Existen diversos tipos de gráficos según el propósito del análisis, entre los más comunes están: Gráficos de barras: Se utilizan para representar datos en escalas nominales u ordinales. Cada categoría se muestra mediante una barra vertical cuya altura indica el número de elementos pertenecientes a esa clase. Ejemplo:

Figura 6 Ejemplo de gráfico de barras que representa la cantidad de egresados de CECAR por programa en el año 2024

Gráficos acumulativos: son útiles para mostrar información progresiva o acumulada, como cifras registradas por meses o años, junto con los subtotales hasta un momento determinado. Su uso típico incluye el reporte de tendencias de crecimiento, evolución de ventas, o datos similares en un período de tiempo. Ejemplo:

Figura 7 Ejemplo de gráfico de barras acumulativo que representa la cantidad de egresados de CECAR por programa y por género durante el año 2024

Gráfico circular: tiene múltiples aplicaciones, principalmente cuando se trata de presentar porcentajes y proporciones. No obstante, presenta algunas limitaciones cuando se tiene un gran volumen de datos. Con los mismos datos mostrados en la tabla 3, se extrajeron los resultados totales por género y se representó en la siguiente gráfica circular:

Figura 8 Ejemplo de gráfico circular que representa los porcentajes de egresados de CECAR por género en el año 2024

Existen otros datos más especializados que puedes consultar dado el caso de que los requieras Además de los gráficos de barras y circulares, existen otros gráficos especializados que se emplean en análisis estadísticos más avanzados como por ejemplo:

• Histogramas: representan la distribución de frecuencias de datos continuos que utilizan barras adyacentes donde la altura indica la frecuencia de valores en intervalos específicos.
• Polígonos de frecuencia: son similares al histograma, pero conecta los puntos medios de cada intervalo con líneas, formando un gráfico lineal que muestra la distribución de frecuencias.
• Gráficos de líneas: representan datos secuenciales, como cambios en el tiempo y sirven para conectar puntos que indican valores individuales para mostrar tendencias.
• Gráficos de áreas: son similares al gráfico de líneas, pero con el área bajo la curva rellena que muestra proporciones o acumulaciones en el tiempo.

8. Interpretación de los Datos

La interpretación de los datos está intrínsecamente vinculada a su análisis, ya que utiliza este último como base para realizar inferencias sobre las relaciones investigadas y formular conclusiones pertinentes. Este proceso implica discutir y analizar los hallazgos del estudio, estableciendo conexiones con las fuentes bibliográficas relacionadas al tema. No se trata solo de confirmar coincidencias con estudios previos, sino también de explorar y discutir posibles discrepancias. Incluso cuando los resultados contradicen las expectativas iniciales, es esencial considerarlos y ofrecer explicaciones razonadas. Un estudio científico riguroso conserva su valor independientemente de que sus resultados coincidan o no con las hipótesis planteadas. Los hallazgos inesperados o negativos también aportan significativamente al avance del conocimiento. Es importante que posteriormente a la exposición de las tablas y gráficos, se haga un comentario explicativo de cada uno. Si el gráfico sólo ilustra lo expuesto en la tabla, entonces se hace una única explicación. En este punto no es necesario validar el resultado con citas. Luego de hacer el análisis de toda la información recopilada en los instrumentos, se hace la discusión de los mismos.

Ejemplo breve de cómo interpretar los resultados:

De los 300 docentes participantes, el 60% (180) afirmó tener una buena percepción sobre cómo se viene manejando las políticas de inclusión educativa en su institución, mientras que el 25% (75) expresó una opinión negativa. La media del puntaje de satisfacción fue de 4.2 en una escala de 1 a 5. Los datos mostraron una tendencia creciente en la percepción positiva conforme disminuye la antigüedad laboral.

Referencias

Creswell, J. W., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. Sage Publications. Cruz del Castillo, C. y Olivares Orozco, S. (2014). Metodología de la investigación: ( ed.). México D.F, México: Grupo Editorial Patria. Recuperado de https://elibro-net.ezproxy.cecar.edu.co:2443/es/ereader/bibliocecar/39410?page=209 Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics. Sage Publications. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2014). Análisis multivariante. Pearson Educación. Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación. Sexta Edición. Editorial Mc Graw Hill. Hernández- Sampieri, R., Mendoza Torres, C. P.(2023). Metodología de la Investigación. McGraw-Hill Interamericana. https://www-ebooks7-24-com.ezproxy.cecar.edu.co:2443/?il=31455 Johnson, B., & Christensen, L. (2019). Educational Research: Quantitative, Qualitative, and Mixed Approaches. SAGE Publications. Muijs, D. (2011). Doing Quantitative Research in Education with SPSS. Sage Publications. Ortiz Uribe, F. G. (2003). Diccionario de metodología de la investigación científica. Editorial Limusa. Pallant, J. (2020). SPSS Survival Manual: A Step by Step Guide to Data Analysis Using IBM SPSS. Routledge. Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677-680. Tamayo, M. (2006). Diccionario de la investigación científica. Editorial Limusa