MANUAL

PARA EL ANLISIS
POLTICO CUANTITATIVO
adrin pignataro

2016
 CAPTULO 1
METODOLOGA DE LA INVESTIGACIN
CUANTITATIVA

Introduccin

Desde una perspectiva histrica, es posible distinguir una relacin estrecha entre
estadstica como disciplina y el estudio de fenmenos polticos y sociales. En la
actualidad, se puede entender la estadstica entre las muchas formas posibles
como la ciencia para aprender de los datos y medir, controlar y comunicar la
incertidumbre (Davidian y Louis, 2012). Pero llegar a esta definicin exigi de
bastantes aos de evolucin.

El vnculo entre ambas reas del conocimiento se remonta al siglo XVII, cuando
se desarroll en Inglaterra la denominada aritmtica poltica que recopilaba y
organizaba datos polticos, sociales, demogrficos y econmicos; a su vez, en el
continente europeo, se cultivaba la Statistik alemana referida al estudio de los
Estados, que gradualmente incorpor datos cuantitativos y dot de nombre a la
disciplina. Estas tradiciones investigativas concentradas en la recoleccin, pero
carentes de mtodos analticos convergen con la teora de la probabilidad francesa
(ms abstracta y matemtica) para dar origen a la primitiva ciencia estadstica
(Piovani, 2007).

A finales del siglo XIX y principios del XX, la teora estadstica, sus mtodos y tcnicas
de anlisis avanzaron gracias a aplicaciones en diversos campos como gentica,
agronoma, sociologa, demografa y a los trabajos de figuras como Francis Galton,
Karl Pearson, Ronald A. Fisher y muchos otros (cfr. Salsburg, 2001). El impacto de la
metodologa estadstica es tal que diversas ciencias empiezan a adquirir un
razonamiento probabilstico en lugar del determinista previo.

1
La ciencia poltica no fue la excepcin y, por ende, evidencia estas dos lgicas de
la causalidad. Por ejemplo, la famosa frase de Barrington Moore sentenci de
forma determinstica que no burguesa, no democracia (1966, p. 418, traduccin
propia) refirindose a la transicin de una sociedad hacia un rgimen democrtico
y entendiendo la presencia de la burguesa como una condicin necesaria cuya
presencia conduca inevitablemente al establecimiento de la democracia. En la
misma lnea de investigacin pero con una argumentacin probabilstica el
estudio comparativo sobre desarrollo y democracia de Przeworski et al. (2000)
sostiene que:

La probabilidad de que una dictadura muera y se establezca una

democracia es en gran medida aleatoria en relacin con los ingresos per
cpita [] Pero la probabilidad de que, una vez establecida, una
democracia sobreviva se incrementa abrupta y monotnicamente conforme el
ingreso per cpita es mayor (p. 273, traduccin propia).

Aunque es evidente una diferencia temporal de ambos textos, esto no significa que
existi una conversin total de lo determinstico a lo probabilstico. Por el
contrario, ambas perspectivas dependen ms de las premisas cientficas y de los
enfoques metodolgicos, de modo que ambos conviven en la actualidad (Beach y
Pedersen, 2013).

Lo que es cierto es que el aporte de la estadstica a la ciencia poltica ha sido notable,

tanto en la introduccin de ese razonamiento probabilstico como en cuanto a la
aplicacin de tcnicas y metodologas para el anlisis poltico, el cual se
desencaden dramticamente con la revolucin conductual de la ciencia poltica
durante la dcada de 1960 (King, 1990).

As, por ejemplo, el estudio de la cultura poltica surgi, en buena medida, gracias
a la tecnologa de la investigacin mediante encuestas, basadas en el desarrollo
de las tcnicas de muestreo, de entrevistas con mayor confiabilidad, de escalas y

2
tcnicas de medicin y de mtodos de anlisis y de inferencia estadsticos (Almond,
1999, p. 201).2
Pero el aporte de los mtodos cuantitativos no se ha limitado a mtodos de
recoleccin y anlisis de encuestas. El anlisis de datos agregados en la poltica
comparada emergi prcticamente al mismo tiempo que el anlisis conductual
(Schmitter, 2009) y buscaba relacionar variables medidas para unidades polticas
(comnmente Estados, pero tambin unidades subnacionales como regiones,
cantones, etc.) como tipo de rgimen, crecimiento econmico, desigualdad,
desarrollo humano, indicadores demogrficos (estructura de la poblacin, tasas de
mortalidad, esperanza de vida), componentes institucionales (como el sistema
electoral), configuracin de actores (sistemas de partidos, estructuras de agregacin
de intereses) y otros.

En menor medida, se han aplicado diseos experimentales debido a la dificultad

para asignar tratamientos aleatoriamente y manipular variables de inters y por los
altos costos operativos e imposibilidades tcnicas. A pesar de ello, existen
interesantes aplicaciones como la comparacin de mtodos para movilizar a los
electores para que asistan a las urnas (Green y Gerber, 2003) y, en general, la
experimentacin en ciencia poltica ha registrado un crecimiento en los ltimos
aos (Morton y Williams, 2008).

De manera tal que, en la actualidad, los mtodos estadsticos para datos

observacionales y experimentales forman parte del currculo formativo global en
ciencia poltica. Sin embargo, esto no quiere decir que apliquen inexorablemente
en todos los problemas de estudio. La investigacin cuantitativa corresponde a un
diseo metodolgico especfico, con sus alcances y desventajas, como se ver a
continuacin.

2
El inicio de las encuestas por muestreo se remonta a los aos del New Deal en Estados Unidos,
cuando era necesario tener cifras sobre el desempleo y la actividad econmica. Los sondeos
polticos fueron iniciados, a su vez, por George Gallup y Louis Bean poco tiempo despus
(Salsburg, 2001, pp. 172-175; ver tambin Crespi, 2000, captulo 7). En Costa Rica, los sondeos
iniciaron a mediados de la dcada de 1960 como actividades privadas de partidos polticos, pero el
estudio sistemtico y peridico de la opinin pblica empieza en 1974, desde la Oficina de
Informacin del Ministerio de la Presidencia. Posteriormente, se establecen las primeras empresas
privadas de encuestas: CID-Gallup en 1977 y UNIMER en 1986 (Hernndez, 2004, pp. 559-564).

3
El diseo metodolgico cuantitativo

Una vez definida una pregunta de investigacin es decir, un fenmeno poltico

que interese describir, explicar o predecir es posible argumentar que la mejor
forma de responderla sea mediante los mtodos cuantitativos.

Un diseo cuantitativo de investigacin se destina a probar teoras objetivas

examinando relaciones entre variables, usualmente por medio de procedimientos
estadsticos (Creswell, 2009, p. 4). Esta metodologa, tradicionalmente, asume una
perspectiva filosfica o epistemolgica denominada pospositivista (pues constituye
una revisin del positivismo clsico). El pospositivismo se caracteriza por sostener
la existencia de relaciones causales, presentar simplicidad en las ideas que se quieren
probar (tambin denominada parsimonia3), desarrollar el conocimiento basado en
la observacin y la medicin de la realidad objetiva y buscar leyes o teoras que
gobiernen el mundo (Creswell, 2009, p. 7; ver adems della Porta y Keating, 2008).4
Al asumir el diseo metodolgico cuantitativo, es necesario contar con un cuerpo
terico robusto o de conocimiento previo (hallazgos de investigaciones anteriores)
que provean de hiptesis que son respuestas conjeturales a las preguntas. Las
hiptesis, comnmente, relacionan variables o caractersticas de las observaciones
o casos de estudio; para analizar empricamente dichas relaciones entre variables
se debe disponer de datos, es decir, operacionalizar los conceptos en indicadores e
ndices.

Los indicadores son aproximaciones a las categoras tericas que interesan en el

fondo, pero que no se pueden medir directamente; pinsese en conceptos como
clase social, apoyo al sistema poltico, poder presidencial, influencia internacional,
los cuales no conllevan una cuantificacin directa. Sin embargo, es posible
proponer formas empricas indirectas para medir estos conceptos con datos

3
Sin embargo, no todos recomiendan buscar la parsimonia como un bien esencial, para otros ms
bien las teoras deben ser tan complicadas como la evidencia lo sugiera (King, Keohane y Verba,
1994, p. 20).
4 Esto no significa que todos los pospositivistas incorporen mtodos cuantitativos; los anlisis cualitativos
de condiciones necesarias y suficientes, por ejemplo, tienden a ser pospositivistas en tanto es clara la
premisa de causalidad, la bsqueda de leyes y la referencia a un conocimiento objetivo.

4
disponibles; por ejemplo, Przeworski et al. (2000) utilizan el ingreso per cpita
como indicador del desarrollo econmico, reconociendo sus limitaciones en
cuanto no dice todo lo que implica el desarrollo, pero su disponibilidad es una
ventaja y se prefiere frente a medidas alternativas como consumo energtico,
alfabetismo e industrializacin.

Otro ejemplo lo constituye la medicin de la participacin electoral, pues aunque

no se sabe cul es el nmero de personas que asistieron a las urnas (usualmente no
se realiza este conteo en cada mesa electoral), se tiene el nmero total de votos
depositados; con ello, se puede calcular el porcentaje de participacin dividiendo
el total de votos entre el total de personas empadronadas. No obstante, incluso un
indicador que parece sencillo como este dista mucho de ser perfecto, ya que
sobreestimara la participacin en pases que tengan muchas personas sin
empadronar por diversas razones. Por ello, es ms comn (Geys, 2006) que se
calcule la participacin como el total de votos entre la poblacin en edad de votar,
que igualmente conlleva desventajas (incluye extranjeros sin derecho al voto, por
ejemplo). Por lo tanto, en realidad no hay indicadores perfectos.5
Con base en estos indicadores escogidos, para los cuales existen datos, es posible
probar las relaciones entre ellos, es decir las hiptesis. Este diseo investigativo
esbozado sigue lo que se conoce como modelo deductivo-hipottico (Bunge,
1999), en tanto se parte de teoras, de las cuales se derivan hiptesis y sus
respectivas variables, medidas a travs de indicadores (ver figura 1.1).

5
La medicin de conceptos es un tema ms amplio de lo expuesto y debe considerar necesariamente
los criterios de validez (que el concepto mida lo que propone medir) y la confiabilidad (que
provean el mismo resultado si las mediciones se repiten muchas veces). Ver Shively (2011, pp.
45-55). Adems, algunos conceptos simplemente no se pueden capturar con uno o varios
indicadores, por lo tanto se tratan como constructos o variables latentes.

5
 Pregunta de
investigacin

Teora

Hiptesis

Variables

Indicadores

Figura 1.1. Esquema de la investigacin orientada cuantitativamente.

Fuente: elaboracin propia.

Alcances y limitaciones

Este estilo de investigacin y la aplicacin de mtodos estadsticos implican ciertas

ventajas y desventajas de las cuales es preferible ser consciente. Algunos de sus
alcances son los siguientes:

Permite estudiar una cantidad grande de observaciones o casos: pases, electores,
legisladores, leyes, conflictos internacionales, etc. Por ejemplo, los estudios de
opinin por encuestas recopilan informacin de cientos o incluso miles de
personas en contraste con entrevistas cualitativas e historias de vida que se
centran alrededor de unos pocos informantes de relevancia. En poltica
comparada, mientras que los estudios cualitativos se concentran, por lo
general, en unos dos o tres pases, los estudios cuantitativos incorporan

muchos ms casos (20 regiones en Putnam, 1993; 36 pases

6
 en Lijphart, 1999; 93 partidos polticos en Altman et al., 2009; 4730 aos-
rgimen en Przeworski et al., 2000).

Analiza muchas variables. Los mtodos clsicos de comparacin infieren
utilizando casos que sean diferentes en todo excepto en una circunstancia
comn o semejantes en todo excepto en una variable (ver Ragin, 1987),
por lo que se escogen segn unas pocas variables que se puedan controlar.
Con los modelos estadsticos, por el contrario, los anlisis multivariados
permiten controlar mayor nmero de variables, o bien examinar

fenmenos multidimensionales o multicausales.

Generaliza. La inferencia estadstica permite concluir para una poblacin
extensa con base en una muestra pequea en relacin con el universo
original, pero solamente si la muestra se realiza por medio de seleccin

aleatoria (punto que se abarcar con mayor amplitud en el captulo 2).

Prueba teoras explicativas o predictivas. Aunque los estudios cuantitativos
pueden ser descriptivos y de asociacin, por lo general el fin ltimo de una
investigacin en el marco positivista consiste en examinar hiptesis que
relacionan variables independientes con una variable dependiente. Los
modelos de regresin (captulos 6, 7 y 8) buscan contrastar este tipo de
relaciones.

Es capaz de calcular el error en la explicacin o prediccin. Aunque todo trabajo
cientfico es susceptible de equivocarse en sus conclusiones, los mtodos
estadsticos estiman
errores en la inferencia, generalizacin y explicacin
de fenmenos.

Por otra parte, estas son ciertas limitaciones frecuentes en estudios cuantitativos:

Al estudiar relaciones causales, lo que se puede determinar son efectos de causas (ver
Mahoney y Goertz, 2006). Con esto se quiere decir que se analiza el
resultado de determinados factores sobre un fenmeno, pero no se puede
establecer de antemano cules variables constituyen las causas necesarias o
las explicaciones reales; son las teoras previamente desarrolladas
y no los mtodos las que indican cules variables se deben considerar.

Los mtodos estadsticos no estn orientados hacia la generacin de teora. Siguiendo
el punto anterior, las hiptesis y teoras que se prueban deben

7
 desarrollarse en trabajos previos o construirse por otros mtodos como
estudios de caso, teora fundamentada, teora de juegos u otros.

Se generaliza, pero no se especifica ni se detalla en casos particulares. Lo usual es
trabajar con efectos promedio, pues explicar puntualmente por qu ocurre
un fenmeno en determinado contexto (por qu se dio la transicin en
Espaa?, cul secuencia histrica llev a desarrollarse la revolucin en
Rusia?) requiere de herramientas cualitativas como el rastreo del proceso
(process tracing) (ver Beach y Pedersen, 2013).

Se exige una codificacin numrica de los datos. Los conceptos y variables deben
ser trasladados a un lenguaje numrico para poder tratarlos y analizarlos
estadsticamente.

Comnmente no se admite mayor nmero de variables respecto al nmero de

observaciones (esto se profundizar ms adelante).

Se encuentran limitados por el desarrollo terico y computacional. Es decir, los
modelos, mtodos y tcnicas que se aplican comnmente son aquellos que
la teora estadstica ya desarroll y que los paquetes computacionales
permiten implementar. De hecho, muchos clculosseran prcticamente
imposibles de no existir las computadoras actuales.

Tanto por las limitaciones metodolgicas como por la tendencia hegemnica en la

comunidad cientfica (algunos incluso equiparan los mtodos estadsticos con
metodologa poltica; por ejemplo, King, 1990), la investigacin con orientacin
cuantitativa ha recibido fuertes crticas, sobre todo en la academia estadounidense
donde el predominio de lo cuantitativo es claro (para una perspectiva del debate,
ver Brady y Collier, 2010). Los comentarios de autores como Sartori (2004) y del
movimiento Perestroika6 van en dicha direccin.

Un aspecto crucial es que los mtodos estadsticos, por ms potentes que sean, no
sustituyen una buena teora. En otras palabras, no se debe confundir

6
El movimiento Perestroika nace a partir de un correo electrnico (firmado bajo el seudnimo Mr.
Perestroika), enviado en el ao 2000, que se disemina masivamente, en el cual se atacaba el nfasis
cuantitativo, conductista y de eleccin racional imperante en la ciencia poltica estadounidense. Se
deca que la estadstica alcanzaba niveles tcnicos elevados que oscurecan la importancia sustantiva
de los fenmenos e ignoraban aspectos bsicos referidos a la definicin de los conceptos y la
calidad de los datos (ver Monroe, 2007).

8
correlacin con causalidad7 y gran cantidad de situaciones muestran las absurdas
conclusiones a las que se llegara si se ignorara esta advertencia. Existe, por ejemplo,
una relacin positiva entre el nmero de cigeas y el nmero de nacimientos en
Europa (Gmez, 1998); el aumento de las ventas de helado se correlaciona con el
incremento de los incendios forestales; incluso se ha llegado a predecir la direccin
del mercado de acciones segn la liga de procedencia del equipo ganador del
Supertazn (Silver, 2012).8
En efecto, se pueden encontrar relaciones estadsticamente significativas, como
algunos observaron para los anteriores ejemplos, pero la ausencia de teora y de
lgica obliga a repensar la relacin. Como elegantemente expresaron Stepan y
Skach (1994, p. 128), una proposicin probabilstica en la poltica es ms que una
aseveracin estadstica: conlleva la identificacin y explicacin de un proceso
poltico especfico que tiende a producir resultados probabilsticos. Es decir, debe
existir un mecanismo causal (un por qu ocurre) razonable y tericamente
fundamentado que explique los hallazgos.

Una forma de sobrellevar las limitaciones de la estadstica en la ciencia poltica

(pero tambin aprovechando sus alcances) consiste en combinar mtodos
cualitativos y cuantitativos. Algunos denominan a dicha estrategia como mtodos
mixtos.

El diseo mixto puede adoptar muchas formas, pero en general implica la

construccin de una lgica investigativa que combine lo cuantitativo y lo
cualitativo, aprovechando las fortalezas de cada uno para obtener resultados ms
profundos de lo que se ganara con cada mtodo por aparte (Creswell, 2009, p.
203). Para ejemplificar, una posible investigacin mixta puede iniciar con un
anlisis cualitativo que permite construir un instrumento (como un cuestionario),
el cual se aplica luego en una muestra representativa, siguiendo los procedimientos
cuantitativos.

7
El concepto de causalidad implica una amplia discusin filosfica y metodolgica que se abarcar
en este libro. Para ello puede consultarse Brady (2008).
8 En el sitio web http://www.tylervigen.com/spurious-correlations se expone un mayor nmero de
ejemplos de correlaciones espurias.

9
Tambin es posible partir de un estudio cuantitativo comparado que incluya
muchas observaciones. Con los resultados estadsticos, se pueden realizar
posteriores anlisis cualitativos con un menor nmero de casos escogidos segn
criterios deliberados, como seleccionar el caso ms alejado de la lnea de ajuste en
regresin (es decir, el excepcional o desviado que contradice la tendencia
promedio). Esta estrategia, denominada anlisis anidado (nested analysis), puede ser
especialmente enriquecedora en poltica comparada, donde los casos son
usualmente pases o unidades polticas, pero tambin en el anlisis de actitudes o
comportamientos individuales (Lieberman, 2005).

Otro ejemplo de estrategia mixta es la denominada etnoencuesta (ethnosurvey), con

la que se combina de manera sistemtica y ordenada la aplicacin de
cuestionarios semiestructurados (susceptibles a anlisis estadstico) con tcnicas
etnogrficas como observacin e historias de vida, donde una fructfera aplicacin
ha sido el estudio de procesos migratorios (Massey, 1987).

Algunos conceptos bsicos

Antes de proceder con los mtodos, modelos y tcnicas particulares, hay que tener
claros algunos conceptos referidos a los tipos de datos y de variables, es decir, la
materia prima con la cual se aplicarn las diversas herramientas. Conocer los datos
es fundamental pues, como indica Charles Wheelan (2013, p. 111), al igual que una
receta de cocina requiere de buenos ingredientes, en estadstica no importa cun
sofisticado sea el anlisis, no se puede compensar el hecho de tener datos de mala
calidad.

Tipos de datos. Se pueden distinguir tres tipos de datos, segn el diseo

o la forma en que se recopilan. El primero corresponde a los datos de series de
tiempo o cronolgicos, aquellos para una misma unidad de anlisis que se recogen
en distintos puntos en el tiempo. As, por ejemplo, las cifras de participacin
electoral (medida como porcentaje de votos totales entre personas empadronadas)
en Costa Rica constituiran una serie de tiempo (figura 1.2).

El segundo tipo corresponde a los datos transversales, obtenidos para distintas

unidades de anlisis en un nico punto en el tiempo. Una encuesta en la que las

10
personas sean entrevistadas una nica vez durante un periodo determinado
corresponde a un diseo transversal, al igual que una comparacin de los
porcentajes de participacin electoral en los pases centroamericanos en
determinadas elecciones (una por pas) (figura 1.3). Por ltimo, los datos de panel
o longitudinales combinan datos transversales con series de tiempo. Pueden ser
encuestas en las que existen distintas rondas de entrevistas y se repiten a las
personas encuestadas. Asimismo, puede tenerse un diseo de este tipo para un
anlisis sobre participacin electoral en distintos pases centroamericanos a lo largo
de varias elecciones para cada pas (figura 1.4).

80.0%
Porcentaje de participacin

75.0%

70.0%

65.0%

60.0%

55.0%

50.0%
1998 2002 2006 2010 2014
Ao

Figura 1.2. Participacin electoral en Costa Rica (elecciones presidenciales de primera ronda).

Fuente: IDEA (2014).

11
 Nicaragua 2011 79.1%

Panam 2009 68.6%

Costa Rica 2014 68.2%

Pas

Guatemala 2011 60.8%

El Salvador 2014 60.2%

Honduras 2013 59.1%

0.0% 100.0%
Porcentaje de participacin

Figura 1.3. Participacin electoral en Centroamrica (elecciones presidenciales de primera ronda).

Fuente: IDEA (2014).

90.0%
departicipaci

80.0%
n

Costa Rica
70.0% El Salvador

Guatemala
Porcentaje

60.0% Honduras
Nicaragua
50.0% Panam

40.0%
Ao

Figura 1.4. Participacin electoral en Centroamrica para las ltimas tres elecciones
(elecciones presidenciales de primera ronda).

Fuente: IDEA (2014).

12
En este texto se abordarn mtodos estadsticos nicamente para datos
transversales. El anlisis de series de tiempo y de datos de panel implica mtodos
especficos y algo ms complejos para tomar en cuenta aspectos como la
heterogeneidad entre observaciones (cada individuo o unidad poltica tiene
caractersticas propias que se deben controlar) y las relaciones dinmicas como la
dependencia temporal (los valores en un punto en el tiempo estn asociados con
los valores temporalmente previos) (Frees, 2004).

Por otra parte, tambin se pueden clasificar los datos segn su naturaleza, sea
experimental u observacional. El primer tipo est caracterizado por manipulacin
o asignacin aleatoria de variables o tratamientos, de modo que los datos se
generan en la investigacin. En el segundo, la informacin existe ya en el mundo
social, la historia o la naturaleza, no es creada por los investigadores.

Tngase presente que es posible combinar los distintos tipos de datos segn el
diseo o estructura y su naturaleza, de manera que pueden existir datos
experimentales, tanto transversales como de panel (las personas participantes del
experimento son sometidas a tratamientos de manera repetida) y los
observacionales tambin pueden recopilarse de las tres formas descritas.

Tipos de variables. Las variables pueden ser categricas o cualitativas

cuando se refieren a atributos, mientras que las mtricas o cuantitativas se expresan
naturalmente en cantidades. Las variables categricas se miden en un nivel nominal
cuando no existe un orden en sus categoras (por ejemplo, mujer y hombre para la
variable sexo), mientras que el nivel ordinal aplica cuando s se pueden ordenar
(como en el caso de estratos sociales alto, medio y bajo o los niveles educativos
primario, secundario y universitario).

Los niveles de medicin de intervalo y de razn corresponden a variables mtricas

o cuantitativas. La diferencia entre ambas est en el significado del cero: para las
escalas de intervalo, el cero es un valor arbitrario, mientras que para las de razn
significa la ausencia de la cantidad. Generalmente, los textos (como Hernndez,
2012) ejemplifican una de intervalo con la temperatura en centgrados donde el
cero no es la ausencia de temperatura y la de razn con una longitud como la
estatura o el nmero de hijos. En ciencia poltica, podra ilustrarse una medicin
de intervalo por el ndice Polity IV que vara entre 10

13
(autocracia) y 10 (democracia) y el cero no se interpreta como ausencia de un
rgimen poltico, sino como un rgimen intermedio (ver Marshall y Cole, 2011).

Las de razn son ms comunes y se observan en nmero de partidos polticos por

legislatura, porcentajes de votos hacia un candidato o niveles de participacin electoral
(tiene sentido hablar de cero partidos, cero votos o de 0% de participacin cuando
nadie asiste a las urnas). Lo anterior se resume en la figura 1.2.

Nominales
Categricas o
cualitativas
Ordinales

Variables

De intervalo
Mtricas o
cuantitativas
De razn

Figura 1.5. Tipos de variables y niveles de medicin.

Fuente: elaboracin propia.

Aunque algunos apelan hacia una utilizacin prctica y flexible de los niveles de
medicin de las variables (Velleman y Wilkinson, 1993), la distincin entre mtricas
y categricas es importante puesto que hay restricciones entre lo que se puede
hacer o no segn el tipo de variable.

En el nivel elemental, nadie podra obtener un promedio simple de una variable

categrica como la provincia de procedencia, pero s sus porcentajes en la
distribucin; lo mismo sucede con los mtodos estadsticos ms sofisticados y en
el cuadro 1.1 se exponen las tcnicas que se vern en esta obra con los
correspondientes tipos de variables para las que aplican.

14
Cuadro 1.1. Tcnicas estadsticas segn los tipos de variables

Tcnicas Variables para las que aplican

Prueba t de comparacin de medias
Anlisis de variancia de un factor
Prueba chi cuadrado
Correlacin de Pearson
Regresin por mnimos cuadrados
ordinarios
Regresin logstica
Anlisis de conglomerados
Anlisis de factores
Una categrica (2 categoras) y una mtrica
Una categrica (3 o ms categoras) y una mtrica
Dos categricas
Dos mtricas
Variable dependiente mtrica
Variable dependiente categrica
Mtricas
Mtricas

Fuente: elaboracin propia.

Comentarios finales

La investigacin cuantitativa cuenta con una larga y consolidada tradicin en la

ciencia poltica que ha permitido abarcar mltiples preguntas de investigacin en
diversas reas (comportamiento poltico, poltica comparada, relaciones
internacionales, etc.). Sin embargo, el seguimiento cabal de la metodologa
cuantitativa implica el conocimiento de sus supuestos epistemolgicos, de sus
alcances y de sus limitaciones. Adems, otros aspectos metodolgicos como la
formulacin de las teoras e hiptesis, la operacionalizacin de variables y la
escogencia de indicadores apropiados se vinculan indisolublemente con una
investigacin cuantitativa de calidad.

Antes de recurrir directamente a la estadstica, hay que pensar cul es el mejor

mtodo para contestar la pregunta de investigacin. Si interesa generalizar,
examinar un gran nmero de casos, controlar por muchas variables, determinar
relaciones entre variables, estimar efectos promedio y obtener un error medible,
entonces los modelos, mtodos y tcnicas estadsticos resultan apropiados.
Asimismo, debe seleccionarse la herramienta estadstica apropiada entre la
multiplicidad disponible, prestando atencin a la naturaleza de los datos, los tipos
de variables y los niveles de medicin.

15