Análisis de Datos en Tesis: Métodos y Técnicas

Introducción

El análisis de datos transforma datos brutos en hallazgos significativos. Es donde tu investigación cobra sentido. Esta guía cubre análisis cuantitativos y cualitativos.

1. Tipos de Análisis

Análisis Cuantitativo

Utiliza datos numéricos y procedimientos estadísticos para resumir, describir y hacer inferencias.

Análisis Cualitativo

Utiliza datos descriptivos e interpretación temática para construir comprensión.

Análisis Mixto

Integra ambos tipos para visión completa.

2. Análisis Cuantitativo

Etapa 1: Entrada de Datos

• Ingresa respuestas en base de datos
• Codifica variables categóricas numéricamente
• Verifica precisión
• Limpia datos (valores faltantes, outliers)

Estadística Descriptiva

Propósito: Describir características de datos

Medidas comunes:

• Media: Promedio (suma/n)
• Desviación estándar: Dispersión alrededor de media
• Frecuencia: Cuántas veces ocurre algo
• Porcentaje: Proporción como %

Ejemplo reportado: “El promedio de edad fue 22.3 años (SD = 2.4), rango 18-28.”

Pruebas de Supuestos

Muchas pruebas estadísticas asumen:

• Normalidad de distribución
• Homogeneidad de varianza
• Independencia de observaciones

Pruebas comunes:

• Kolmogorov-Smirnov (normalidad)
• Levene (igualdad de varianzas)

Inferencia Estadística

Propósito: Hacer conclusiones sobre población basándose en muestra

Concepto clave - p-value:

• p < 0.05: Diferencia/relación significativa
• p ≥ 0.05: Diferencia/relación NO significativa
• Indica probabilidad de resultado si null es verdadero

Pruebas Estadísticas Comunes

Para comparar grupos:

• t-test: Compara dos grupos
• ANOVA: Compara 3+ grupos
• Chi-square: Variables categóricas

Para relaciones:

• Correlación Pearson: Variables continuas
• Correlación Spearman: Variables ordinales
• Regresión: Predicción de variable

Ejemplo: “Una prueba t de muestras independientes mostró que estudiantes con educación virtual (M = 78.4, SD = 8.2) tuvieron desempeño significativamente mejor que grupo control (M = 72.1, SD = 9.5), t(98) = 2.45, p = .016.”

Tamaño de Efecto

Además de p-value, reporta tamaño de efecto (magnitud de diferencia):

• Cohen’s d (para diferencia entre grupos)
• r (para correlación)
• η² (para ANOVA)

3. Análisis Cualitativo

Etapa 1: Familiarización

• Lee datos múltiples veces
• Anota impresiones iniciales
• Identifica temas generales

Etapa 2: Codificación

Asigna códigos (etiquetas) a segmentos de texto relevantes.

Tipos de codificación:

• Abierta: Identifica conceptos sin predeterminado
• Axial: Relaciona códigos alrededor de fenómeno central
• Selectiva: Integra códigos en teoría

Ejemplo: Entrevista menciona: “Mi profesor no sabía cómo usar la plataforma” Código: “competencia tecnológica docente”

Etapa 3: Identificación de Temas

Agrupa códigos relacionados en temas más amplios.

Códigos: “competencia tecnológica”, “falta de capacitación”, “adaptación lenta” → Tema: “Barrera de capacitación docente”

Etapa 4: Desarrollo Temático

Define cada tema:

• Qué es
• Cuáles son sus características
• Ejemplos
• Cómo relaciona a otros temas

Etapa 5: Interpretación

¿Qué significan estos temas colectivamente? ¿Cómo responden tu pregunta de investigación?

Técnicas Específicas

Análisis Fenomenológico:

• Identifica esencias de experiencia
• Describe “qué” y “cómo” del vivir la experiencia
• Menos énfasis en “por qué”

Teoría Fundamentada:

• Comparación constante entre casos
• Refinamiento iterativo de conceptos
• Integración de categorías en teoría

Análisis Temático:

• Identifica y describe patrones
• Más flexible que otras abordajes
• Útil para variedad de pregunta

4. Software de Análisis

Cuantitativo

• SPSS: Interfaz amigable, estadística estándar
• R: Potente, código abierto, curva aprendizaje
• Python: Flexible, científico, versátil
• Stata: Economía y sociales

Cualitativo

• NVivo: Profesional, completo, pagado
• Atlas.ti: Bueno para análisis conceptual
• MAXQDA: Potente, costoso
• QDA Miner: Asequible, efectivo
• Manual: Si no tienes acceso, es tedioso pero posible

5. Integración en Tesis

Sección de Análisis en Metodología

Describe:

• Procedimientos de análisis
• Software utilizado
• Decisiones específicas tomadas
• Herramientas asegurar validez

Sección de Resultados

Presenta:

• Análisis descriptivo primero
• Luego análisis inferencial
• Figuras y tablas claras
• Datos sin interpretación

Sección de Discusión

Interpreta:

• Qué significan resultados?
• Cómo responden pregunta?
• Cómo se conectan a literatura?
• Limitaciones de análisis

6. Reportaje de Análisis

Estándar APA para Estadística

Correlación: “Hubo correlación positiva significativa entre X e Y, r(98) = .34, p = .001.”

t-test: “El grupo experimental (M = 45.3, SD = 8.2) difirió significativamente del control (M = 39.1, SD = 7.5), t(98) = 2.89, p = .005, d = 0.77.”

ANOVA: “Hubo diferencia significativa entre grupos, F(2, 97) = 4.23, p = .017, η² = .08.”

Reportaje Cualitativo

Presenta evidencia textual con análisis:

“Un tema emergente fue la importancia del apoyo docente. Como un participante notó, ‘sin capacitación, la herramienta fue inútil’. Todos los participantes expresaron preocupaciones similares sobre preparación docente insuficiente.”

7. Validez del Análisis

Para Análisis Cuantitativo

• Supuestos verificados
• Análisis apropiados para preguntas
• Tamaño de muestra suficiente
• Resultados reportados completa y honestamente

Para Análisis Cualitativo

• Triangulación: múltiples fuentes de datos
• Miembro chequeo: participantes validan interpretación
• Auditoría por colega: otro investigador verifica
• Reflexividad: reconoce rol del investigador

8. Errores Comunes

❌ P-hacking: Múltiples pruebas hasta encontrar significancia ✓ Usar pruebas predeterminadas

❌ Reportar solo resultados significativos ✓ Reportar todos resultados honestamente

❌ Sobre-interpretar pequeño tamaño de efecto ✓ Considerar magnitud además de significancia

❌ Perder material durante análisis ✓ Mantener registro de decisiones

❌ Sesgo en codificación cualitativa ✓ Validar mediante otro codificador

Conclusión

El análisis de datos riguroso transforma datos brutos en contribución significativa al conocimiento. Ya sea cuantitativo o cualitativo, asegura que tu análisis es apropiado, bien documentado, e interpretado honestamente. Esto es lo que valida toda tu investigación.