El objetivo de toda investigación es describir y explicar la variación en el mundo.  Una variable es el resultado de alguna fuerza o es ella misma la fuerza que provoca un cambio en otra variable.

Por ejemplo, cuando un investigador administra un fármaco activo a un grupo de personas y un placebo o fármaco inactivo, a otro grupo de personas, la variable independiente es el tratamiento farmacológico. La respuesta de cada persona al fármaco activo o al placebo se denomina variable dependiente. Ésta puede ser muy variada, dependiendo de la finalidad del fármaco, como la hipertensión o el dolor muscular. Por lo tanto, en los experimentos, un investigador manipula una variable independiente para determinar si provoca un cambio en la variable dependiente.

Tipos de Variables

Independientes y dependientes

Las variables no se manipulan.  Se observan tal y como ocurren de forma natural y luego se estudian las asociaciones entre las variables.  En cierto modo, todas las variables de los estudios descriptivos son dependientes porque se estudian en relación con todas las demás que existen en el entorno en el que se desarrolla la investigación. Sin embargo, en los estudios descriptivos no se habla de las variables utilizando los términos «independiente» o «dependiente». En su lugar, se utilizan los nombres de las variables al hablar del estudio.  Por ejemplo, hay más diabetes en las personas de herencia nativa americana que en las que proceden de Europa del Este.  En un estudio descriptivo, el investigador examinaría cómo la diabetes (una variable) está relacionada con la herencia genética de una persona (otra variable).

Es importante entender las variables porque son las unidades básicas de la información estudiada e interpretada en los estudios de investigación. Los investigadores analizan e interpretan cuidadosamente el valor o los valores de cada una para dar sentido a cómo se relacionan las cosas en un estudio descriptivo o lo que ha ocurrido en un experimento.

Intervinientes y moderadoras

Las variables intervinientes vinculan las variables independientes y dependientes, pero como procesos abstractos, no son directamente observables durante el experimento. Por ejemplo, si se estudia el uso de una técnica de enseñanza específica por su eficacia, la técnica representa la variable independiente, mientras que el cumplimiento de los objetivos de la técnica por parte de los participantes en el estudio representa la variable dependiente, mientras que los procesos reales utilizados internamente por los alumnos para aprender la materia representan las variables intervinientes.

Al modificar el efecto de las variables intervinientes -los procesos invisibles-, las variables moderadoras influyen en la relación entre las variables independientes y dependientes. Los investigadores miden las variables moderadoras y las tienen en cuenta durante el experimento.

Constante o controlable

A veces se dejan deliberadamente sin modificar ciertas características de los objetos que se examinan. Estas se conocen como variables constantes o controlables. En el experimento del cubo de hielo, una variable constante o controlable podría ser el tamaño y la forma del cubo. Al mantener el mismo tamaño y la misma forma de los cubos de hielo, es más fácil medir las diferencias entre los cubos cuando se derriten después de cambiar sus posiciones, ya que todos empezaron con el mismo tamaño.

Extrañas

Un experimento bien diseñado elimina el mayor número posible de variables extrañas no medidas. Esto facilita la observación de la relación entre las variables independientes y dependientes. También conocidas como factores imprevistos, pueden afectar a la interpretación de los resultados experimentales. Las variables al acecho, como subconjunto de las variables extrañas, representan los factores imprevistos en el experimento.

Otro tipo de variable al acecho es la variable de confusión, que puede hacer que los resultados del experimento sean inútiles o no válidos. A veces, una variable de confusión puede ser una variable no considerada previamente. No ser consciente de la influencia de la variable de confusión sesga los resultados del experimento. Por ejemplo, digamos que la superficie elegida para llevar a cabo el experimento de los cubitos de hielo estaba en una carretera con sal, pero los experimentadores no se dieron cuenta de que la sal estaba allí y espolvorearon de forma desigual, haciendo que algunos cubitos se derritieran más rápido. Dado que la sal afectó a los resultados del experimento, es tanto una variable oculta como una variable de confusión.

Cualitativas

Son aquellas que expresan un atributo cualitativo, como el color del pelo, la religión, la raza, el sexo, el estatus social, la forma de pago, etc. Los valores de una variable cualitativa no implican una ordenación numérica significativa.

Categóricas

El valor de la variable «religión» (musulmán, hindú, ..,etc.) difiere cualitativamente; no implica una ordenación de la religión. Las variables cualitativas se denominan a veces variables categóricas.

Por ejemplo,el sexo tiene dos categorías distintas: «hombre» y «mujer». Dado que los valores de esta variable se expresan en categorías, nos referimos a ella como una variable categórica.

Del mismo modo, el lugar de residencia puede clasificarse como urbano o rural y, por tanto, es una variable categórica.

Nominales y Ordinales

Las variables categóricas también pueden describirse como nominales y ordinales.

Las variables ordinales son aquellas que pueden ordenarse o clasificarse lógicamente como más altas o más bajas que otras, pero que no establecen necesariamente una diferencia numérica entre cada categoría. Por ejemplo, las calificaciones de los exámenes (A+, A, B+, etc., la talla de la ropa (Extra grande, grande, mediana, pequeña).

Las variables nominales son aquellas que no pueden clasificarse ni ordenarse lógicamente, como la religión, el sexo, etc.

Cuantitativas

Las variables cuantitativas, también llamadas numéricas, son aquellas que se miden en términos de números. Un ejemplo sencillo es la edad de una persona.

La edad puede tomar diferentes valores porque una persona puede tener 20 años, 35 años, etc. Del mismo modo, el tamaño de la familia es una variable cuantitativa, porque una familia puede estar compuesta por uno, dos, tres miembros, etc.

Es decir, cada una de estas propiedades o características mencionadas varía o difiere de un individuo a otro. Obsérvese que estas variables se expresan en números, por lo que las llamamos variables cuantitativas o, a veces, numéricas.

Una variable cuantitativa es aquella para la que las observaciones resultantes son numéricas y, por tanto, posee una ordenación o clasificación natural.

Discretas y continuas

Las variables como algunos niños en un hogar o el número de artículos defectuosos en una caja son variables discretas, ya que las posibles puntuaciones son discretas en la escala.

Por ejemplo, un hogar puede tener tres o cinco hijos, pero no 4,52 hijos.

Otras variables, como el «tiempo requerido para completar un examen MCQ» y el «tiempo de espera en una cola frente a la ventanilla de un banco», son ejemplos de una variable continua.

El tiempo requerido en los ejemplos anteriores es una variable continua, que podría ser, por ejemplo, 1,65 minutos, o podría ser 1,6584795214 minutos.

Por supuesto, los aspectos prácticos de la medición impiden que la mayoría de las variables medidas sean continuas.

Discreta

Una variable discreta, restringida a ciertos valores, suele (pero no necesariamente) consistir en números enteros, como el tamaño de la familia, el número de artículos defectuosos en una caja. Suelen ser el resultado de una enumeración o un recuento.

Algunos ejemplos más son;

Accidentes en los doce meses.

Tarjetas de móvil vendidas en una tienda en siete días.

Pacientes ingresados en un hospital durante un periodo determinado.

Nuevas sucursales de un banco abiertas anualmente durante 2001- 2007.

Visitas semanales realizadas por el personal sanitario en los últimos doce meses.

Continua

Es aquella que puede tomar un número infinito de valores intermedios a lo largo de un intervalo especificado. Algunos ejemplos son:

El nivel de azúcar en el cuerpo humano;

La lectura de la presión arterial;

La temperatura;

La altura o el peso del cuerpo humano;

El tipo de interés bancario;

Tasa de rendimiento interno (TIR),

Ratio de ganancias (ER);

Ratio de corriente (CR)

Por muy próximas que estén dos observaciones, si el instrumento de medida es lo suficientemente preciso, se puede encontrar una tercera observación que se sitúe entre las dos primeras.

Una variable continua es generalmente el resultado de una medición y puede asumir innumerables valores en el rango especificado.

De fondo

En casi todos los estudios se recogen datos como la edad, el sexo, el nivel educativo, el estatus socioeconómico, el estado civil, la religión, el lugar de nacimiento, etc. Estas variables se denominan variables de fondo.

Suelen estar relacionadas con muchas variables independientes, por lo que influyen indirectamente en el problema. De ahí que se llamen variables de fondo.

Si las variables de fondo son importantes para el estudio, deben medirse. Sin embargo, debemos intentar que el número de variables de fondo sea el menor posible en interés de la economía.

Moderadora

En cualquier enunciado de relaciones de variables, normalmente se hipotetiza que, de alguna manera, la variable independiente «causa» que se produzca la variable dependiente. En las relaciones simples, todas las demás variables son extrañas y se ignoran. Por su parte, en las situaciones de estudio reales, esa relación simple de uno a uno debe revisarse para tener en cuenta otras variables que expliquen mejor la relación.

Esto pone de relieve la necesidad de considerar una segunda variable independiente que se espera que tenga un efecto significativo de contribución o contingencia en la relación dependiente-independiente originalmente establecida. Dicha variable se denomina variable moderadora.

Supongamos que se estudia el impacto de la formación sobre el terreno y en el aula en el rendimiento laboral de los trabajadores de la salud y la planificación familiar, y se considera el tipo de formación como la variable independiente.

Si se centra en la relación entre la edad de los alumnos y el rendimiento laboral, puede utilizar el «tipo de formación» como variable moderadora.

De intervención

A menudo, una relación aparente entre dos variables está causada por una tercera variable.

Por ejemplo, X y Y pueden estar muy correlacionadas, pero sólo porque X causa la tercera variable, Z, que a su vez causa Y. En este caso, Z es la variable interviniente.

Una variable interviniente afecta teóricamente a los fenómenos observados, pero no puede verse, medirse o manipularse directamente; sus efectos sólo pueden deducirse de los efectos de las variables independientes y moderadoras sobre los fenómenos observados.

En la relación entre el estado del trabajo y la lactancia, podríamos considerar la motivación o el asesoramiento como la variable interviniente.

Así, la motivación, la satisfacción laboral, la responsabilidad, el comportamiento y la justicia son algunos de los ejemplos de variables intervinientes.

Supresora

En muchos casos, tenemos buenas razones para creer que las variables de interés tienen una relación en sí mismas, pero nuestros datos no logran establecer dicha relación. Algunos factores ocultos pueden estar suprimiendo la verdadera relación entre las dos variables originales.

Este factor se denomina variable supresora porque suprime la relación real entre las otras dos variables.

La variable supresora suprime la relación al estar correlacionada positivamente con una de las variables de la relación y negativamente con la otra. La verdadera relación entre las dos variables volverá a aparecer cuando se controle la variable supresora.

Así, por ejemplo, una edad baja puede hacer subir la educación pero bajar los ingresos. Por el contrario, una edad elevada puede hacer subir los ingresos pero bajar la educación, anulando de hecho la relación entre educación e ingresos a menos que se controle la edad.

El Concepto

El concepto es un nombre dado a una categoría que organiza las observaciones e ideas por su posesión de características comunes. Como dice Bulmer de forma sucinta, los conceptos son categorías para la organización de ideas y observaciones.

Si se va a emplear un concepto en la investigación cuantitativa, habrá que medirlo. Una vez medidos, los conceptos pueden adoptar la forma de variables independientes o dependientes.

En otras palabras, los conceptos pueden explicar (variable explicativa) de un determinado aspecto del mundo social, o pueden representar cosas que queremos explicar (variable dependiente).

Ejemplos de conceptos son la movilidad social, la ortodoxia religiosa, la clase social, la cultura, el estilo de vida, el rendimiento académico, etc.

Los Indicadores

Un indicador es una medida que se emplea para referirse a un concepto cuando no se dispone de una medida directa. Utilizamos indicadores para referirnos a conceptos que son menos cuantificables directamente.

Para entender qué es un indicador, conviene distinguir entre una medida y un indicador. Un indicador puede referirse a cosas contadas de forma relativamente inequívoca, como los ingresos, la edad, el número de hijos, etc.

Las medidas, en cambio, son cantidades. Si nos interesan algunas de las causas de la variación de los ingresos, éstos pueden cuantificarse de forma razonablemente directa.

Utilizamos los indicadores para explotar conceptos que son menos directamente cuantificables. Si nos interesan las causas de la variación de la satisfacción laboral, necesitaremos indicadores que representen el concepto.

Estos indicadores permiten medir la satisfacción laboral, y podemos tratar la información cuantitativa resultante como si fuera una medida.

Un indicador, por tanto, es algo que se concibe o que ya existe, y que se emplea como si fuera una medida de un concepto.

Se considera una medida indirecta de un concepto, como la satisfacción laboral. El coeficiente intelectual es otro ejemplo, ya que se trata de una batería de indicadores del concepto de inteligencia.

El Constructo

Un constructo es una abstracción o un concepto que un investigador inventa o construye deliberadamente con fines científicos.

En una teoría científica, sobre todo en psicología, un constructo hipotético es una variable explicativa que no es directamente observable.

Por ejemplo, los conceptos de inteligencia y motivación se utilizan para explicar fenómenos en psicología, pero ninguno de ellos es directamente observable.

Un constructo hipotético se diferencia de una variable interviniente en que el constructo tiene propiedades e implicaciones que no han sido demostradas en la investigación empírica. Estas sirven de guía para futuras investigaciones. Una variable interviniente, en cambio, es un resumen de los resultados empíricos observados.

Un constructo hipotético es un concepto para el que no existe un único referente observable, que no puede ser observado directamente, y para el que existen múltiples referentes, pero ninguno omnipresente.

Por ejemplo, un pez no es un constructo hipotético porque, a pesar de la variación de especies y variedades de peces, existe una definición consensuada para un pez con características específicas que distinguen a un pez de un pájaro.

Además, los peces se pueden observar directamente.

Por otro lado, un constructo hipotético no tiene un único referente, sino que los constructos hipotéticos consisten en grupos de comportamientos, actitudes, procesos y experiencias funcionalmente relacionados.

En lugar de ver inteligencia, amor o miedo, vemos indicadores o manifestaciones de lo que hemos acordado llamar inteligencia, amor o miedo.

Otros ejemplos de constructos

Biología: Genes, evolución, enfermedad, taxonomía, inmunidad

Física/Astrofísica: Agujeros negros, el Big Bang, la materia oscura, la teoría de cuerdas, la física molecular o los átomos, la gravedad, el centro de masa

Psicología: Inteligencia o conocimiento, emociones, personalidad, estados de ánimo.

Propiedades de las relaciones entre variables

Relaciones positivas y negativas

En el caso de dos variables, una relación positiva es aquella en la que ambas variables varían en la misma dirección.

Sin embargo, cuando varían en direcciones opuestas, se dice que tienen una relación negativa. Cuando un cambio en la otra variable no acompaña al cambio o movimiento de una variable, decimos que las variables en cuestión no están relacionadas.

Por ejemplo, si un aumento de su tasa salarial acompaña a la experiencia laboral, la relación entre la experiencia laboral y la tasa salarial es positiva.

Si un aumento del nivel de educación de un individuo disminuye su deseo de tener más hijos, la relación es negativa o inversa. Si el nivel de estudios no influye en el deseo, decimos que las variables «deseo de tener más hijos» y «estudios» no están relacionadas.

Fuerza de la relación

Una vez que se ha establecido que dos variables están efectivamente relacionadas, queremos determinar la fuerza con la que están relacionadas.

Una estadística habitual para medir la fuerza de una relación es el llamado coeficiente de correlación, simbolizado por r. r es una medida sin unidades, que se sitúa entre -1 y +1 inclusive, y el cero significa que no hay relación lineal.

Por lo que respecta a la predicción de una variable a partir del conocimiento de la otra, un valor de r= +1 significa una precisión del 100% en la predicción de una relación positiva entre las dos variables y un valor de r = -1 significa una precisión del 100% en la predicción de una relación negativa entre las dos variables.

Relación simétrica

Hasta ahora, sólo hemos hablado de relaciones simétricas en las que un cambio en la otra variable acompaña a un cambio en cualquiera de ellas. Esta relación no indica qué variable es la independiente y qué variable es la dependiente.

En otras palabras, se puede etiquetar cualquiera de las variables como la variable independiente.

Una relación de este tipo es una relación simétrica. En una relación asimétrica, el cambio en la variable X (por ejemplo) va acompañado de un cambio en la variable Y, pero no a la inversa.

La cantidad de lluvia, por ejemplo, aumentará la productividad, pero la productividad no afectará a la lluvia. Se trata de una relación asimétrica.

Del mismo modo, la relación entre el tabaquismo y el cáncer de pulmón sería asimétrica porque el tabaquismo podría causar cáncer, pero el cáncer de pulmón no podría causar el tabaquismo.

Relación causal

La indicación de una relación entre dos variables no asegura automáticamente que los cambios en una variable provoquen cambios en otra.

Sin embargo, es muy difícil establecer la existencia de causalidad entre las variables. Aunque nadie puede estar seguro de que la variable A provoca la aparición de la variable B, sí se pueden reunir algunas pruebas que aumenten nuestra creencia de que A conduce a B.

Para ello, buscamos las siguientes pruebas:

¿Existe una relación entre A y B? Cuando existe tal evidencia, es un indicio de una posible relación causal entre las variables.

¿Es la relación asimétrica, de modo que un cambio en A provoca un cambio en B, pero no a la inversa? En otras palabras, ¿se produce A antes que B? Si descubrimos que B ocurre antes que A, podemos tener poca confianza en que A causa

¿Un cambio en A provoca un cambio en B independientemente de la acción de otros factores? O, en otras palabras, ¿es posible eliminar otras posibles causas de B? ¿Se puede determinar que C, D y E (digamos) no covarían con B de una manera que sugiera posibles conexiones causales?

Relación lineal y no lineal

Una relación lineal es una relación rectilínea entre dos variables, en la que las variables varían al mismo ritmo independientemente de si los valores son bajos, altos o intermedios.

Esto contrasta con las relaciones no lineales (o curvilíneas), en las que el ritmo de cambio de valor de una variable puede ser diferente para distintos valores de la segunda variable.

Para saber si una variable está relacionada linealmente con la otra, basta con trazar los valores de K frente a los valores de X. Si los valores, al trazarlos, parecen situarse en una línea recta, se sugiere la existencia de una relación lineal entre X y Y.

La altura y el peso tienen casi siempre una relación aproximadamente lineal, mientras que la edad y las tasas de fertilidad tienen una relación no lineal.

Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en Facebook, Instagram o Twitter.

Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales.

También te puede interesar: Una tesis doctoral plantea la viticultura digital como alternativa a los métodos tradicionales

Fuentes Consultadas

Bhattacharyya, G. K., and R. A. Johnson, (1997). Statistical Concepts and Methods, John Wiley and Sons, New York.

Mendenhall, W., Reinmuth, J. E. and Beaver, R. J. Statistics for Management and Economics, Duxbury Press, Belmont, CA.

Searle, S. S., Casella, G. and McCulloch, C. E. (2006). Variance Components, John Wiley & Sons, New York.