Realizaste una prueba t o ANOVA en Excel para tu tesis. El valor p muestra significancia estadística. Tu comité pregunta: "¿Cuál es el tamaño del efecto?"
La significancia estadística te dice que existe una diferencia. El tamaño del efecto te dice si esa diferencia importa. Un valor p de .001 con 10,000 participantes podría representar una diferencia trivial sin valor práctico. El tamaño del efecto muestra la magnitud de tus hallazgos independientemente del tamaño de la muestra.
Esta guía te muestra cómo calcular d de Cohen para pruebas t y eta cuadrado para ANOVA en Excel. Aprenderás las fórmulas exactas, las pautas de interpretación por disciplina y cómo reportar tamaños del efecto en formato APA para el capítulo de resultados de tu tesis.
Por qué el tamaño del efecto importa para tu tesis
Tu comité de tesis evalúa tanto la significancia estadística como la práctica. Un resultado estadísticamente significativo (p menor a .05) solo indica que probablemente existe una diferencia en la población. No indica si esa diferencia es lo suficientemente grande como para importar.
El tamaño del efecto proporciona tres piezas de información fundamentales para tu tesis:
Significancia práctica. Un estudio con 5,000 participantes podría mostrar que el Método A produce puntuaciones de examen 2 puntos más altas que el Método B (p menor a .001). La significancia estadística es clara, pero ¿es significativa una diferencia de 2 puntos en una escala de 100 puntos? d de Cohen cuantifica esto.
Comparabilidad entre estudios. Tu revisión de literatura compara estudios con diferentes tamaños de muestra. Los tamaños del efecto estandarizan los hallazgos para que puedas comparar un estudio con n de 30 con uno con n de 3,000. Los valores p no pueden hacer esto.
Impacto de la investigación. Los editores de revistas y los comités de tesis quieren evidencia de que tus hallazgos importan más allá de tu muestra. Tamaños del efecto pequeños (incluso si son significativos) sugieren una aplicación limitada en el mundo real. Tamaños del efecto grandes indican que tu intervención o hallazgo tiene un valor práctico sustancial.
La mayoría de los comités de tesis con estilo APA ahora requieren el reporte del tamaño del efecto para todas las pruebas inferenciales. La 7.ª edición del Manual de Publicaciones APA recomienda explícitamente reportar tamaños del efecto junto con los valores p en las secciones de resultados.
Cuándo usar d de Cohen vs eta cuadrado
Tu prueba estadística determina qué medida de tamaño del efecto calcular.
| Prueba estadística | Medida del tamaño del efecto | Qué mide | Escala de interpretación |
|---|---|---|---|
| Prueba t de muestras independientes | d de Cohen | Diferencia estandarizada entre las medias de dos grupos | 0.2 pequeño, 0.5 mediano, 0.8 grande |
| Prueba t de muestras pareadas | d de Cohen | Diferencia estandarizada entre observaciones pareadas | 0.2 pequeño, 0.5 mediano, 0.8 grande |
| ANOVA de un factor | Eta cuadrado (η²) u Omega cuadrado (ω²) | Proporción de varianza en la VD explicada por la VI | 0.01 pequeño, 0.06 mediano, 0.14 grande |
| ANOVA de dos factores | Eta cuadrado parcial (η²p) | Varianza explicada por un factor controlando los demás | 0.01 pequeño, 0.06 mediano, 0.14 grande |
Tabla 1. Medidas del tamaño del efecto para pruebas estadísticas comunes usadas en tesis
Si comparaste dos grupos (control vs experimental, pre vs post, hombre vs mujer), usa d de Cohen. Si comparaste tres o más grupos (bajo/medio/alto, múltiples condiciones de tratamiento), usa eta cuadrado u omega cuadrado de tu salida ANOVA.
Ambas medidas responden la misma pregunta fundamental: ¿Qué tan grande es este efecto? Usan escalas diferentes porque miden cosas distintas. d de Cohen expresa el efecto en unidades de desviación estándar. Eta cuadrado expresa el efecto como proporción de varianza explicada (como R² en regresión).
Cómo calcular d de Cohen en Excel
d de Cohen mide la diferencia estandarizada entre las medias de dos grupos. Esta sección te muestra el cálculo paso a paso usando fórmulas de Excel.
La fórmula de d de Cohen
La fórmula para d de Cohen es:
d = (M₁ menos M₂) / SDcombinada
Donde:
- M₁ = Media del Grupo 1
- M₂ = Media del Grupo 2
- SDcombinada = Desviación estándar combinada de ambos grupos
La fórmula de la desviación estándar combinada es:
SDcombinada = √[((n₁-1) × SD₁² + (n₂-1) × SD₂²) / (n₁ + n₂ - 2)]
Donde:
- n₁, n₂ = Tamaños de muestra para los grupos 1 y 2
- SD₁, SD₂ = Desviaciones estándar para los grupos 1 y 2 (consulta nuestra guía sobre estadísticas descriptivas en Excel si necesitas calcular estos valores primero)
Cálculo paso a paso en Excel
Escenario de ejemplo: Probaste un nuevo método de enseñanza en las puntuaciones de examen de estudiantes. El grupo control (n de 25) tuvo M de 72.4, SD de 8.3. El grupo experimental (n de 28) tuvo M de 79.6, SD de 7.9. Calcula d de Cohen.
Nota sobre separadores decimales: Dependiendo de tu configuración regional, Excel puede mostrar decimales con un punto (72.4) o una coma (72,4). Ambos son correctos: es solo una configuración local. Si tu Excel muestra comas pero quieres puntos (o viceversa), ve a:
- Windows: Archivo → Opciones → Avanzadas → Opciones de edición → desmarca "Usar separadores del sistema" y configura tu separador decimal preferido
- Mac: Preferencias del Sistema → Idioma y Región → Avanzado → Separadores de números
Las fórmulas en esta guía usan punto y coma (;) o comas (,) como separadores de argumentos dependiendo de tu configuración regional. Si una fórmula no funciona, intenta intercambiar comas por punto y coma en los argumentos de la fórmula.
Paso 1: Configura tus datos en Excel
Crea una tabla con tus estadísticas descriptivas:
| Estadística | Grupo Control | Grupo Experimental |
|---|---|---|
| Tamaño de muestra (n) | 25 | 28 |
| Media (M) | 72.4 | 79.6 |
| Desviación estándar (SD) | 8.3 | 7.9 |
Figura 1: Configuración de tabla en Excel para el cálculo de d de Cohen mostrando tamaño de muestra, media y desviación estándar para los grupos control y experimental
Paso 2: Calcula la desviación estándar combinada
En una celda nueva (por ejemplo, B7), ingresa esta fórmula:
=SQRT(((B2-1)*B4^2 + (C2-1)*C4^2)/(B2+C2-2))
Esto calcula: √[((25-1) × 8.3² + (28-1) × 7.9²) / (25 + 28 - 2)]
Resultado: SDcombinada = 8.09
Paso 3: Calcula d de Cohen
En la celda B8, ingresa:
=ABS(B3-C3)/B7
Esto calcula: |72.4 - 79.6| / 8.09
Resultado: d = 0.89
Figura 2: Cálculo de d de Cohen en Excel mostrando la desviación estándar combinada de 8.09 y el resultado de d de Cohen de 0.89
Alternativa: Usando estadísticas descriptivas directamente
Si ya realizaste una prueba t y tienes tus estadísticas descriptivas, puedes crear una calculadora simple de d de Cohen en Excel:
| Celda | Etiqueta | Fórmula/Valor | Descripción |
|---|---|---|---|
| A1 | Media Grupo 1 | 72.4 | Ingresa tu valor de M₁ |
| A2 | Media Grupo 2 | 79.6 | Ingresa tu valor de M₂ |
| A3 | SD Grupo 1 | 8.3 | Ingresa tu valor de SD₁ |
| A4 | SD Grupo 2 | 7.9 | Ingresa tu valor de SD₂ |
| A5 | n Grupo 1 | 25 | Ingresa tu valor de n₁ |
| A6 | n Grupo 2 | 28 | Ingresa tu valor de n₂ |
| A7 | SD Combinada | =SQRT(((A5-1)*A3^2+(A6-1)*A4^2)/(A5+A6-2)) | Calculada automáticamente |
| A8 | d de Cohen | =ABS(A1-A2)/A7 | Tu tamaño del efecto |
Tabla 2. Plantilla de calculadora en Excel para d de Cohen (guárdala como plantilla reutilizable)
Guarda esta plantilla para cálculos rápidos de d de Cohen a lo largo del análisis de tu tesis.
Cómo calcular d de Cohen para muestras pareadas en Excel
La fórmula anterior funciona para muestras independientes (dos grupos diferentes). Si comparaste los mismos participantes en dos momentos (pre-test vs post-test, antes vs después de la intervención), necesitas un cálculo diferente.
La fórmula para muestras pareadas
Para muestras pareadas, d de Cohen usa la media de las diferencias y la desviación estándar de las diferencias:
d = Media de las diferencias / SD de las diferencias
Esto a veces se denomina dz (d sub z) en la literatura. Toma en cuenta el hecho de que las observaciones pareadas están correlacionadas.
Cálculo paso a paso en Excel
Escenario de ejemplo: Mediste las puntuaciones de ansiedad de 30 participantes antes y después de una intervención de mindfulness. Necesitas calcular el tamaño del efecto para tu comparación pre-post.
Paso 1: Calcula la diferencia para cada participante
Si tus puntuaciones pre-test están en la columna A (A2:A31) y las puntuaciones post-test en la columna B (B2:B31), crea una columna de diferencias en la columna C:
=B2-A2
Copia esta fórmula hacia abajo para los 30 participantes.
Paso 2: Calcula la media de las diferencias
En una celda debajo de tus datos (por ejemplo, C33):
=AVERAGE(C2:C31)
Resultado de ejemplo: Media de las diferencias = -8.4 (el valor negativo indica que la ansiedad disminuyó)
Paso 3: Calcula la desviación estándar de las diferencias
En la celda C34:
=STDEV.S(C2:C31)
Resultado de ejemplo: SD de las diferencias = 6.2
Paso 4: Calcula d de Cohen
En la celda C35:
=ABS(C33)/C34
Esto calcula: |−8.4| / 6.2 = 1.35
Resultado: d = 1.35 (un efecto muy grande)
Figura 3: Cálculo de d de Cohen para muestras pareadas en Excel mostrando columnas Pre-test, Post-test y Diferencia con media de diferencias, SD y resultado de d de Cohen de 1.3
Plantilla de calculadora para muestras pareadas
Crea esta plantilla reutilizable para tamaños del efecto de muestras pareadas:
| Celda | Etiqueta | Fórmula/Valor | Descripción |
|---|---|---|---|
| A1 | Media de las Diferencias | =AVERAGE(rango_diferencias) | Cambio promedio pre-post |
| A2 | SD de las Diferencias | =STDEV.S(rango_diferencias) | Variabilidad en las puntuaciones de cambio |
| A3 | d de Cohen (pareadas) | =ABS(A1)/A2 | Tu tamaño del efecto |
Tabla 3. Plantilla de calculadora en Excel para d de Cohen en muestras pareadas (diseños pre-post)
Nota importante: Tamaños del efecto pareados vs independientes
Los tamaños del efecto de diseños pareados (dz) tienden a ser más grandes que los de diseños independientes porque la SD de las diferencias es típicamente menor que la SD combinada de las puntuaciones brutas. Esto no es un error: refleja la mayor precisión de las comparaciones intra-sujetos.
Al comparar tu tamaño del efecto con la literatura publicada, verifica si los estudios usaron diseños pareados o independientes. Si necesitas comparar entre tipos de estudio, algunos investigadores calculan d de Cohen usando el promedio de las desviaciones estándar pre y post (llamado dav) en lugar de la SD de las diferencias.
Cómo calcular eta cuadrado en Excel
Eta cuadrado (η²) mide la proporción de varianza total en tu variable dependiente explicada por tu variable independiente en ANOVA. Esta sección te muestra cómo extraerlo y calcularlo a partir de la salida ANOVA de Excel.
La fórmula de eta cuadrado
La fórmula para eta cuadrado es:
η² = SCEntre / SCTotal
Donde:
- SCEntre = Suma de Cuadrados Entre Grupos (variación explicada por tu variable de agrupación)
- SCTotal = Suma de Cuadrados Total (variación total en tus datos)
Eta cuadrado te dice qué porcentaje de la varianza en tu variable dependiente es atribuible a tu variable independiente. Un η² de 0.25 significa que tu variable de agrupación explica el 25% de la varianza en los resultados.
Cálculo paso a paso a partir de la salida ANOVA
Escenario de ejemplo: Comparaste las puntuaciones de compromiso estudiantil entre tres métodos de enseñanza (tradicional, mixto, en línea). Realizaste ANOVA de un factor en Excel y necesitas calcular el tamaño del efecto.
Paso 1: Ejecuta ANOVA de un factor en Excel
Primero, ejecuta tu ANOVA usando el complemento Data Analysis (si aún no lo has habilitado, consulta nuestra guía sobre cómo agregar Data Analysis en Excel). Para instrucciones detalladas sobre cómo ejecutar ANOVA, consulta nuestra guía completa sobre cómo calcular ANOVA en Excel.
- Haz clic en Datos > Análisis de datos > Anova: un factor
- Selecciona tu rango de datos (tres grupos de puntuaciones de compromiso)
- Marca "Rótulos en la primera fila" si aplica
- Haz clic en Aceptar
Figura 4: Cuadro de diálogo de ANOVA de un factor en Data Analysis de Excel mostrando el rango de entrada, rótulos en primera fila marcado y opciones de salida
Paso 2: Localiza los valores de Suma de Cuadrados
La tabla de salida ANOVA de Excel se ve así:
| Origen de variación | SC | gl | CM | F | Valor p |
|---|---|---|---|---|---|
| Entre grupos | 245.6 | 2 | 122.8 | 8.34 | 0.001 |
| Dentro de los grupos | 278.2 | 47 | 5.92 | ||
| Total | 523.8 | 49 |
Tabla 4. Ejemplo de salida ANOVA de un factor en Excel (puntuaciones de compromiso por método de enseñanza)
Necesitas dos valores:
- SC Entre Grupos = 245.6 (variación explicada por el método de enseñanza)
- SC Total = 523.8 (variación total en las puntuaciones de compromiso)
Figura 5: Tabla de salida ANOVA de Excel mostrando los valores de Suma de Cuadrados Entre Grupos y Total necesarios para el cálculo de eta cuadrado
Paso 3: Calcula eta cuadrado
En una celda debajo de tu tabla ANOVA, ingresa:
=B10/B12
(Ajusta las referencias de celda para que coincidan con la ubicación de tu SC Entre y SC Total)
Esto calcula: 245.6 dividido entre 523.8 = 0.469
Paso 4: Convierte a porcentaje (opcional)
Para expresar como porcentaje de varianza explicada:
=B10/B12*100
Resultado: η² = 0.469 o 46.9% de varianza explicada
Creación de una calculadora de eta cuadrado en Excel
Para cálculos rápidos, crea esta plantilla simple junto a tu salida ANOVA:
| Celda | Etiqueta | Fórmula/Valor |
|---|---|---|
| D1 | SC Entre | =B10 |
| D2 | SC Total | =B12 |
| D3 | Eta Cuadrado (η²) | =D1/D2 |
| D4 | % Varianza Explicada | =D3*100 |
Tabla 5. Plantilla de calculadora de eta cuadrado para resultados ANOVA de Excel
Esta plantilla se actualiza automáticamente cuando ejecutas nuevos análisis ANOVA.
Interpretación de los tamaños del efecto para tu tesis
Calcular el tamaño del efecto es solo el primer paso. Tu comité de tesis espera que interpretes si tu efecto es pequeño, mediano o grande, y qué significa eso para tu pregunta de investigación.
Pautas de interpretación de d de Cohen
Jacob Cohen (1988) propuso estos puntos de referencia para la investigación en ciencias del comportamiento:
| Valor de d de Cohen | Tamaño del efecto | Posición en percentil | Superposición entre distribuciones |
|---|---|---|---|
| 0.2 | Pequeño | Percentil 58 | 85% de superposición |
| 0.5 | Mediano | Percentil 69 | 67% de superposición |
| 0.8 | Grande | Percentil 79 | 53% de superposición |
| 1.0 | Muy grande | Percentil 84 | 45% de superposición |
Tabla 6. Interpretación de d de Cohen con significado práctico (percentil = dónde se ubica la persona promedio del tratamiento en el grupo control)
Ejemplo de interpretación práctica: Si tu intervención produce d de 0.8, la persona promedio en el grupo de tratamiento obtiene una puntuación en el percentil 79 del grupo control. Esto significa que el 79% del grupo control obtuvo puntuaciones más bajas que el participante promedio del tratamiento.
Pautas de interpretación de eta cuadrado
Para los tamaños del efecto de ANOVA, Cohen sugirió:
- η² de 0.01 (1% de varianza explicada) = Efecto pequeño
- η² de 0.06 (6% de varianza explicada) = Efecto mediano
- η² de 0.14 (14% de varianza explicada) = Efecto grande
Ejemplo de interpretación: Tu ANOVA de método de enseñanza produjo η² de 0.47 (47% de varianza explicada). Este es un efecto muy grande. El método de enseñanza explica casi la mitad de la variación en el compromiso estudiantil. El 53% restante se debe a diferencias individuales, error de medición y otros factores no medidos.
Consideraciones específicas por disciplina
Las pautas de Cohen no son universales. Las normas del tamaño del efecto varían por campo:
Investigación educativa: d promedio de 0.4 para intervenciones instruccionales. Efectos de d de 0.2 son comunes y aún prácticamente significativos para la implementación en el aula.
Psicología clínica: Efectos de tratamiento de d en el rango 0.5-0.8 son típicos. Efectos más pequeños (d en el rango 0.2-0.4) aún pueden ser clínicamente significativos para condiciones crónicas.
Medicina y salud pública: Incluso d de 0.1 puede representar diferencias importantes cuando las intervenciones afectan la mortalidad o la incidencia de enfermedades. La significancia estadística importa más que la magnitud del tamaño del efecto.
Psicología experimental: Los estudios de laboratorio a menudo muestran efectos grandes (d mayor a 1.0) bajo condiciones controladas. Los estudios de campo típicamente muestran efectos más pequeños (d en el rango 0.3-0.5).
Negocios y administración: Efectos de d en el rango 0.3-0.5 son comunes para intervenciones organizacionales. El análisis costo-beneficio importa más que la magnitud del tamaño del efecto.
Tu tesis debería referenciar meta-análisis publicados en tu área de investigación específica para contextualizar tus tamaños del efecto. Indica en tu discusión: "El efecto observado (d de 0.52) es consistente con el efecto promedio reportado en el meta-análisis de Smith et al. (2023) sobre intervenciones similares (d de 0.48, IC 95% de 0.41 a 0.55)."
Cómo reportar el tamaño del efecto en formato APA
El Manual de Publicaciones APA (7.ª edición) requiere reportar los tamaños del efecto para todas las pruebas inferenciales en la sección de resultados de tu tesis. Los tamaños del efecto se reportan junto con las estadísticas descriptivas como medias y desviaciones estándar, que proporcionan el contexto que los lectores necesitan para interpretar tus hallazgos. Esta sección te muestra el formato exacto.
Reporte de d de Cohen para pruebas t
Formato: Incluye d de Cohen entre paréntesis inmediatamente después de tu valor p.
Ejemplo 1: Prueba t de muestras independientes
Una prueba t de muestras independientes reveló que los estudiantes del grupo experimental (M de 79.6, SD de 7.9) obtuvieron puntuaciones significativamente más altas que el grupo control (M de 72.4, SD de 8.3), t(51) de 3.21, p de .002, d de 0.89. El tamaño del efecto fue grande, indicando que la intervención tuvo un impacto sustancial en el rendimiento en los exámenes.
Ejemplo 2: Prueba t de muestras pareadas
Una prueba t de muestras pareadas mostró que las puntuaciones de vocabulario mejoraron significativamente del pretest (M de 64.2, SD de 9.1) al posttest (M de 71.8, SD de 8.6), t(34) de 4.12, p menor a .001, d de 0.70. Esto representa un efecto mediano a grande.
Ejemplo 3: Resultado no significativo con tamaño del efecto
No hubo diferencia significativa en las tasas de retención entre la instrucción en línea (M de 85.2, SD de 12.3) y la instrucción presencial (M de 87.1, SD de 11.8), t(78) de 0.71, p de .481, d de 0.16. El tamaño del efecto pequeño sugiere que el formato de entrega tuvo un impacto mínimo en la retención.
Nota: Reporta los tamaños del efecto incluso para resultados no significativos. Un efecto pequeño y no significativo cuenta una historia diferente a un efecto mediano que no alcanzó la significancia debido a baja potencia.
Reporte de eta cuadrado para ANOVA
Formato: Incluye η² después de tu estadístico F y valor p.
Ejemplo 1: ANOVA de un factor
Un ANOVA de un factor reveló un efecto significativo del método de enseñanza en el compromiso estudiantil, F(2, 47) de 8.34, p de .001, η² de .26. El método de enseñanza explicó el 26% de la varianza en las puntuaciones de compromiso, representando un efecto grande según los criterios de Cohen (1988).
Ejemplo 2: Interpretación de seguimiento
El método de enseñanza tuvo un efecto significativo en las puntuaciones de examen final, F(2, 87) de 12.45, p menor a .001, η² de .22. Las pruebas post-hoc de Tukey indicaron que el aprendizaje mixto (M de 84.3, SD de 7.2) superó tanto a la instrucción tradicional (M de 76.8, SD de 9.1, p de .001) como a la instrucción completamente en línea (M de 78.2, SD de 8.6, p de .008). El tamaño del efecto grande sugiere que el formato de enseñanza es un determinante importante del rendimiento académico en este contexto.
Ejemplo 3: Comparaciones múltiples
El ANOVA reveló diferencias significativas en la satisfacción laboral entre departamentos, F(3, 131) de 5.67, p de .001, η² de .12. Aunque el tamaño del efecto fue mediano, las comparaciones post-hoc mostraron que la diferencia fue impulsada principalmente por la menor satisfacción en Operaciones (M de 3.2, SD de 1.1) comparada con Ventas (M de 4.1, SD de 0.9, p menor a .001) y Marketing (M de 4.0, SD de 0.8, p de .002).
Reporte en tablas
Para comparaciones múltiples, crea una tabla resumen:
| Comparación | M1 | M2 | t | gl | p | d |
|---|---|---|---|---|---|---|
| Control vs Experimental | 72.4 | 79.6 | 3.21 | 51 | .002 | 0.89 |
| Pretest vs Posttest | 64.2 | 71.8 | 4.12 | 34 | <.001 | 0.70 |
| En línea vs Presencial | 85.2 | 87.1 | 0.71 | 78 | .481 | 0.16 |
Tabla 7. Resumen de resultados de pruebas t con tamaños del efecto para tres comparaciones instruccionales
Siempre interpreta los tamaños del efecto en tu texto narrativo, no solo en tablas. Conecta el resultado estadístico con tu pregunta de investigación y las implicaciones prácticas.
Buena práctica: Intervalos de confianza para tamaños del efecto
La 7.ª edición de APA recomienda reportar intervalos de confianza (IC) del 95% para los tamaños del efecto, no solo estimaciones puntuales. Por ejemplo: "d = 0.89, IC 95% [0.51, 1.27]." Los intervalos de confianza muestran la precisión de tu estimación del tamaño del efecto y ayudan a los lectores a evaluar si los efectos podrían superponerse entre condiciones.
Calcular ICs para tamaños del efecto en Excel es complejo y típicamente requiere fórmulas especializadas o software. Para trabajos de tesis, puedes usar calculadoras en línea gratuitas (busca "calculadora de intervalo de confianza d de Cohen") o software estadístico como JASP o jamovi. Si tu comité requiere ICs, menciona esta limitación y proporciona la estimación puntual con una nota de que el cálculo del IC requirió herramientas externas.
Errores comunes al calcular el tamaño del efecto
Estos errores aparecen frecuentemente en borradores de tesis. Evítalos para prevenir revisiones de tu comité.
Error 1: Usar la desviación estándar incorrecta para d de Cohen
Enfoque incorrecto: Usar la desviación estándar de solo un grupo, o el promedio de ambas SD.
Por qué está mal: d de Cohen requiere la desviación estándar combinada, que pondera la varianza de cada grupo por su tamaño de muestra. Usar SD₁ o (SD₁ + SD₂)/2 produce estimaciones incorrectas del tamaño del efecto.
Enfoque correcto: Siempre usa la fórmula de SD combinada:
SD_combinada = SQRT(((n1-1)*SD1^2 + (n2-1)*SD2^2)/(n1+n2-2))
Ejemplo: Grupo 1 (n=15, SD=5.2), Grupo 2 (n=35, SD=7.8)
- Incorrecto: SD promedio de (5.2 más 7.8) dividido entre 2 = 6.5
- Correcto: SD combinada = 7.1 (la muestra más grande del Grupo 2 le da más peso)
Alternativa para varianzas desiguales: Si las varianzas de tus grupos son sustancialmente diferentes (una SD es más del doble de la otra), considera usar la delta de Glass (Δ) en su lugar. La Δ de Glass usa solo la desviación estándar del grupo control como denominador: Δ = (M₁ - M₂) / SD_control. Esto es apropiado cuando el tratamiento podría haber afectado la variabilidad además de la media.
Error 2: Interpretar eta cuadrado como d de Cohen
Interpretación incorrecta: "Mi η² de 0.25, que es un efecto pequeño porque es menor a 0.5."
Por qué está mal: Eta cuadrado y d de Cohen usan escalas diferentes. η² de 0.25 significa 25% de varianza explicada, lo cual es un efecto muy grande. d de Cohen de 0.25 sería un efecto pequeño a mediano.
Interpretación correcta: Usa el punto de referencia apropiado. Para η²: 0.01 pequeño, 0.06 mediano, 0.14 grande. Para d: 0.2 pequeño, 0.5 mediano, 0.8 grande.
Error 3: Solo reportar el tamaño del efecto para resultados significativos
Práctica incorrecta: Calcular y reportar d de Cohen solo cuando p menor a .05.
Por qué está mal: El tamaño del efecto es independiente de la significancia estadística. Un resultado no significativo con un tamaño del efecto mediano (d de 0.5, p de .08) te dice que el efecto existe pero tu muestra fue demasiado pequeña para detectarlo. Esta es información valiosa para recomendaciones de investigación futura.
Práctica correcta: Reporta los tamaños del efecto para todas las comparaciones, independientemente del valor p. En tu discusión, explica: "Aunque la diferencia no alcanzó significancia estadística (p de .08), el tamaño del efecto moderado (d de 0.52) sugiere que la intervención puede tener valor práctico. Una muestra más grande proporcionaría potencia adecuada para detectar este efecto."
Error 4: Confundir eta cuadrado con eta cuadrado parcial
La diferencia:
- Eta cuadrado (η²) = SCefecto / SCtotal (varianza explicada del total de varianza)
- Eta cuadrado parcial (η²p) = SCefecto / (SCefecto + SCerror) (varianza explicada de la varianza restante)
Cuándo importa: Para ANOVA de un factor, son idénticos. Para ANOVA factorial (dos o más variables independientes), difieren. SPSS reporta eta cuadrado parcial por defecto.
Enfoque correcto: Para ANOVA de un factor en Excel, reporta eta cuadrado. Si usaste SPSS u otro software con múltiples factores, reporta eta cuadrado parcial y anótalo en tu texto: "F(2, 87) de 8.34, p de .001, η²p de .16."
Error 5: Ignorar tamaños del efecto negativos
Enfoque incorrecto: Reportar d de 0.45 cuando el Grupo 1 obtuvo puntuaciones más bajas que el Grupo 2, sin indicar la dirección.
Por qué es problemático: Los tamaños del efecto pueden ser positivos o negativos dependiendo de qué grupo es más alto. Esto importa para la interpretación, especialmente al comparar múltiples estudios.
Enfoque correcto: Reporta el signo cuando la dirección importa, o usa valor absoluto y especifica la dirección en el texto. Ejemplo: "El grupo control superó significativamente al grupo experimental, t(48) de 2.34, p de .023, d de -0.45" o "...d de 0.45 a favor de la condición control."
Tema avanzado: Omega cuadrado vs eta cuadrado
Eta cuadrado tiene una limitación conocida: sobreestima el tamaño del efecto, especialmente con muestras pequeñas. Omega cuadrado (ω²) proporciona una estimación insesgada del tamaño del efecto poblacional.
Cuándo usar omega cuadrado
Considera reportar omega cuadrado en lugar de eta cuadrado cuando:
- Tu tamaño de muestra es pequeño (n menor a 30 por grupo)
- Quieres generalizar a la población (tesis)
- Tu campo prefiere estimaciones insesgadas (revisa investigación publicada en tu área)
Cálculo de omega cuadrado en Excel
La fórmula para omega cuadrado es:
ω² = (SCEntre - (glEntre × CMDentro)) / (SCTotal + CMDentro)
Usando nuestro ejemplo ANOVA anterior:
- SCEntre = 245.6
- glEntre = 2
- CMDentro = 5.92 (de la fila Dentro de los Grupos)
- SCTotal = 523.8
=(245.6 - (2*5.92))/(523.8 + 5.92)
Resultado: ω² = 0.447 (comparado con η² de 0.469)
Omega cuadrado es típicamente 1-3% menor que eta cuadrado. Ambos llevan a la misma conclusión sustantiva (efecto grande), pero omega cuadrado es la estimación más conservadora e insesgada.
¿Cuál deberías reportar?
Para la mayoría de los trabajos de tesis, eta cuadrado es aceptable y se reporta con mayor frecuencia. Sin embargo, si tu comité o campo prefiere omega cuadrado, o si tienes una muestra pequeña, usa omega cuadrado y anota por qué: "Se calculó omega cuadrado en lugar de eta cuadrado para proporcionar una estimación insesgada del tamaño del efecto poblacional dado el tamaño de muestra modesto."
Preguntas Frecuentes
Próximos Pasos
Calcular el tamaño del efecto es un paso fundamental en tu análisis. Estas acciones complementan tu trabajo:
Si tu tesis involucra datos de encuestas, nuestra guía completa sobre cómo analizar datos de encuestas en Excel cubre el flujo de trabajo completo desde la preparación de datos hasta el análisis estadístico.
Para analizar relaciones entre variables continuas en tu investigación, consulta nuestra guía sobre cómo calcular la correlación de Pearson en Excel, que te muestra el proceso paso a paso con interpretación y reporte APA.
Referencias
American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Fritz, C. O., Morris, P. E., & Richler, J. J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2-18.
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863.
Richardson, J. T. E. (2011). Eta squared and partial eta squared as measures of effect size in educational research. Educational Research Review, 6(2), 135-147.