Etapas de una investigación estadística

1 · Definición

Una investigación estadística recorre cinco etapas: planificación, relevamiento, procesamiento, análisis, y por último interpretación y comunicación.

3:06

Cada tradición tiene su versión de esta lista y todas dicen lo mismo. La más conocida en la enseñanza de la estadística es el ciclo PPDAC —Problem, Plan, Data, Analysis, Conclusion—. Lo propusieron R. J. MacKay y R. W. Oldford, de la Universidad de Waterloo, que lo venían presentando desde 1994 y lo publicaron en 2000; Chris Wild y Maxine Pfannkuch lo difundieron en 1999, al estudiar cómo razona un estadístico mientras trabaja. En el mundo de la minería de datos la versión equivalente se llama CRISP-DM y tiene seis fases. Cambian los nombres y el reparto de los cortes; el orden no.

Las cinco etapas	PPDAC	CRISP-DM
Planificación: la pregunta	Problem	Business Understanding: los objetivos
Planificación: el diseño	Plan	Business Understanding: el plan
Relevamiento y procesamiento	Data	Data Understanding y Data Preparation
Análisis	Analysis	Modeling y Evaluation
Interpretación y comunicación	Conclusion	Deployment

Lo llamaron ciclo y no lista por algo: la conclusión de un estudio casi siempre es la pregunta del siguiente, y adentro del trabajo se vuelve atrás todo el tiempo.

2 · Para qué sirve conocerlas

Porque casi todos los problemas graves de un trabajo con datos se originan antes de que exista un solo dato, y se descubren cuando ya no tienen arreglo.

No hay técnica de análisis que corrija una población mal definida, una variable mal medida o una muestra mal seleccionada. Por eso la planificación no es burocracia previa: es donde se juega la validez.

Tenerlas nombradas sirve además para algo más chico y muy práctico: poder decir en qué etapa se está. Buena parte de las consultas que llegan a una cátedra o a una consultoría son, en realidad, un problema de etapa 1 que se manifiesta en la 4.

3 · Las cinco etapas

1 · Planificación. Se define el objetivo, la pregunta de investigación, la población, la unidad de análisis, las variables y cómo se van a medir —operacionalización—. Se elige el tipo de estudio, el diseño muestral y el tamaño de la muestra, y —esto es lo que más se saltea— qué análisis se va a hacer con los datos que todavía no existen.

2 · Relevamiento. Se obtienen los datos: se aplica el cuestionario, se observa, se mide, o se toman de una fuente ya existente —censo, encuesta o registro; primaria o secundaria—.

Antes de salir a campo va la prueba piloto: aplicar el cuestionario a unos pocos casos parecidos a los del estudio, para descubrir preguntas que no se entienden, opciones que faltan y cuánto dura la entrevista. Es la etapa que más se saltea en las tesis, y la más barata: un error encontrado en el piloto se corrige en el cuestionario; encontrado en campo, ya está en todos los datos.

Durante el relevamiento aparecen la no respuesta y los errores de campo, que hay que registrar mientras pasan y no reconstruir después: quién no contestó, qué direcciones no existían, qué preguntas se entendieron mal. Ese cuaderno de campo es después la mitad del apartado de limitaciones.

3 · Procesamiento. Carga, codificación, control de consistencia, limpieza y tratamiento de los faltantes. Es la etapa más larga de casi cualquier trabajo real y la que menos figura en los informes. Regla que ahorra disgustos: cada cambio que se le hace a los datos debería quedar escrito en un script y no hecho a mano sobre la planilla, porque tarde o temprano hay que rehacerlo con la base corregida.

4 · Análisis. Primero descriptivo —tablas, gráficos, medidas resumen— y después, si corresponde, inferencial. En ese orden: mirar la distribución antes de aplicar cualquier prueba. Casi siempre lo que hay que informar ya está en la parte descriptiva; la inferencia agrega cuánta confianza merece.

5 · Interpretación y comunicación. Interpretar es volver a la pregunta de la etapa 1 y decir qué significa el resultado en su contexto: qué se encontró, cuánto pesa, para qué población vale y qué limitaciones tiene. Un “se rechaza $H_0$” o una tabla de porcentajes todavía no son una conclusión. Recién con eso escrito se pasa a comunicar: tablas, gráficos y redacción de resultados. Un análisis que nadie entiende no sirve, por correcto que sea. Y la forma depende de a quién se le habla: no se escribe igual para un tribunal de tesis que para una gestión que tiene que decidir algo el lunes.

Las cinco, en un estudio concreto —cuánto esperan los pacientes de un hospital provincial desde que piden turno hasta que se atienden—:

4 · Cuando los datos ya existen

Buena parte de los trabajos —casi todas las tesis que usan la EPH, el censo o un registro del Estado— arrancan con los datos ya relevados por otro. Las etapas no desaparecen: cambian de contenido.

La planificación deja de decidir cómo medir y pasa a evaluar si lo que se midió sirve, que es una pregunta distinta y se responde antes de descargar nada. El primer paso es leer la documentación de la fuente: la metodología y el diseño de registro, que son el diccionario de variables que armó otro. Con eso a mano:

• ¿La unidad de análisis de la fuente es la de la pregunta?
• ¿La cobertura geográfica y el período alcanzan? Una encuesta de aglomerados urbanos no habla del área rural.
• ¿Las definiciones coinciden? «Desocupado» en la EPH tiene una definición precisa que no es la del uso corriente.
• ¿El tamaño alcanza para el recorte que interesa? Una muestra nacional puede ser muy chica para una provincia.

5 · Cuánto pesa cada una

En la práctica, el reparto del tiempo de un trabajo real se parece a esto:

Etapa	Tiempo típico	Dónde se suele subestimar
Planificación	15 %	Se cree que es “pensar un rato”
Relevamiento	25 %	Se subestima la no respuesta
Procesamiento	40 %	Casi siempre se subestima
Análisis	15 %	Se cree que es todo el trabajo
Interpretación y comunicación	5 %	Se deja para el final y se nota

Los porcentajes son orientativos y cambian mucho entre un experimento de laboratorio y un relevamiento a campo. Lo que no cambia es el orden de magnitud de la tercera fila: la sorpresa habitual de quien hace su primera tesis es descubrir que la etapa matemáticamente interesante es de las más cortas.

6 · La regla de oro

Decidir qué prueba usar después de ver los resultados —probando varias hasta que una dé significativa— invalida la inferencia. El p-valor supone que la pregunta estaba hecha de antemano; si se elige la pregunta mirando la respuesta, ya no significa lo que dice significar, y eso tiene nombre: p-hacking.

Escribir el plan de análisis en la etapa 1 tiene además una ventaja práctica: obliga a descubrir temprano que falta relevar una variable, cuando todavía se puede agregar al cuestionario.

Entre lo que ese plan tiene que fijar está el nivel de significación (α). Se elige en la etapa 1 porque de él sale el nivel de confianza (1 − α) y, junto con la potencia buscada y el efecto que importa detectar, el tamaño de la muestra y el ancho de los intervalos de confianza. Y se elige antes de ver los datos porque, si no, el umbral para decidir qué es significativo se ajusta a lo que salió, que es otra forma de p-hacking.

7 · Qué se puede rehacer y qué no

Volver atrás es normal. Lo que conviene saber de antemano es cuánto cuesta cada regreso, porque eso decide cuánto tiempo poner en cada decisión:

Por eso conviene guardar siempre la base original sin tocar, aparte de la base de trabajo: es lo que convierte un error de la etapa 3 en un problema de horas en vez de uno definitivo.

8 · Lo que atraviesa las cinco etapas

Hay tres cosas que no son una etapa porque están en todas, y que por eso mismo se olvidan:

La documentación. Cada decisión —por qué se excluyeron esos casos, cómo se recodificó esa variable, qué versión de la base se usó— tiene que quedar escrita cuando se toma. Reconstruirla después es imposible, y es exactamente lo que pregunta un jurado o una auditoría. Ver organización de un proyecto de datos.

El resguardo de las personas. Si los casos son personas, el consentimiento se pide antes de relevar y la confidencialidad se sostiene hasta la publicación: no se difunden datos que permitan identificar a alguien, ni siquiera por cruce de categorías en una tabla con pocos casos. En la estadística pública argentina no es una buena costumbre sino una obligación legal —el secreto estadístico de la Ley 17.622—, y en investigación lo equivalente es el comité de ética. Ver ética y consentimiento.

El control de calidad. Cada etapa tiene su verificación propia: que el cuestionario se pruebe antes de salir a campo, que los rangos de cada variable se revisen al cargar, que los totales de las tablas cierren, que los números del texto sean los mismos que los del cuadro. Son controles baratos que hechos al final no se hacen.

9 · Errores frecuentes

• Empezar por los datos. Conseguir una base y después preguntarse qué se puede hacer con ella. A veces no queda otra, pero entonces hay que admitir que la pregunta está condicionada por el dato disponible y no al revés.
• Dejar el análisis para el final. Es cuando aparece que faltó preguntar algo imprescindible, o que la variable clave se midió de una forma que no permite compararla.
• No documentar el procesamiento. Las decisiones de limpieza —qué casos se excluyeron, cómo se trataron los faltantes— son parte del método y van en el informe.
• Pisar la base original. Limpiar sobre el archivo que vino de campo, sin copia. Cuando se descubre que un criterio estaba mal, ya no hay a qué volver.
• Tratar la comunicación como un trámite. Una tabla ilegible o un gráfico mal elegido pueden hacer que un trabajo correcto no convenza a nadie.
• Creer que es un proceso lineal. Se vuelve atrás todo el tiempo, y está bien. Lo que no se puede es volver a la etapa 1 cuando el relevamiento ya terminó: ver qué se puede rehacer y qué no.
• Confundir «no lo planifiqué» con «no se puede». Un hallazgo inesperado se informa como tal y abre el próximo estudio. Lo que invalida no es mirarlo: es presentarlo como si hubiera sido la hipótesis inicial.

@misc{estadistica_ar_etapas_investigacion_estadistica,
  author       = {Montivero, Jorge Luis},
  title        = {{Etapas de una investigación estadística}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/etapas-investigacion-estadistica}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-09}
}