Antes de elegir una prueba estadística, antes de abrir cualquier paquete estadístico y antes incluso de redactar tus objetivos, hay una decisión que condiciona todo lo demás: qué tipo de variable es cada cosa que estás midiendo. No es un trámite del capítulo de metodología. Es la restricción que define qué estadístico descriptivo puedes reportar, qué gráfico tiene sentido y qué prueba de hipótesis es válida. Un error aquí no se arregla en el análisis: se arrastra hasta la sustentación.
Dos grandes familias
1. Variables cualitativas (categóricas)
Clasifican a los sujetos en grupos. Lo que se cuenta son frecuencias, no cantidades.
- Nominales: categorías sin ningún orden interno. Sexo, grupo sanguíneo, región de procedencia, tipo de patrón alimentario (omnívoro, ovolactovegetariano, vegano). Un caso particular es la dicotómica o binaria, con solo dos niveles: anemia sí/no, lactancia materna exclusiva sí/no.
- Ordinales: categorías con un orden claro, pero sin distancia interpretable entre ellas. Grado de inseguridad alimentaria (leve, moderada, severa), estadio de desnutrición, nivel de adherencia a la dieta mediterránea, cualquier ítem tipo Likert.
Aquí aparece la confusión más común en tesis: codificar no es escalar. Que registres 1 = leve, 2 = moderada, 3 = severa no convierte la variable en numérica. La diferencia entre 1 y 2 no equivale a la diferencia entre 2 y 3, así que calcular un promedio de esos códigos —o correr una t de Student sobre ellos— no tiene interpretación.
2. Variables cuantitativas (numéricas)
- Discretas: valores contables, típicamente enteros, sin puntos intermedios. Número de porciones de fruta al día, número de episodios de diarrea en el último mes, paridad, número de comidas fuera del hogar por semana.
- Continuas: pueden asumir infinitos valores dentro de un intervalo; el único límite es la precisión del instrumento. Peso, talla, IMC, circunferencia de cintura, hemoglobina, ingesta calórica, z-score de talla para la edad.
La prueba práctica para distinguirlas: ¿tiene sentido un valor intermedio? 2,5 pacientes no existe como observación individual; 2,5 kg sí.
Las escalas de Stevens: por qué importa dónde está el cero
La clasificación clásica de Stevens (1946) —nominal, ordinal, intervalo y razón— sigue siendo el estándar en revisión por pares, y agrega una distinción que la mayoría de tesistas omite dentro de las cuantitativas:
- Escala de intervalo: las distancias son iguales, pero el cero es arbitrario. Temperatura en grados Celsius es el ejemplo canónico. No puedes afirmar que 20 °C es «el doble de calor» que 10 °C.
- Escala de razón: existe un cero absoluto que significa ausencia real. Peso, talla, ingesta de hierro, hemoglobina. Aquí sí es legítimo decir «el doble de».
La consecuencia práctica: razones, porcentajes de cambio y coeficientes de variación solo son interpretables en escala de razón. En variables de intervalo son aritméticamente calculables pero conceptualmente vacíos.
Tabla de referencia rápida
| Tipo | Ejemplo en nutrición | Cómo se resume | Gráfico habitual |
|---|---|---|---|
| Nominal | Tipo de patrón alimentario | Frecuencia y % | Barras |
| Nominal dicotómica | Anemia (sí/no) | Frecuencia, %, prevalencia | Barras |
| Ordinal | Inseguridad alimentaria (leve/mod./severa) | Frecuencia, %, mediana y rango | Barras ordenadas |
| Discreta | Porciones de fruta al día | Mediana (RIC) o media (DE) | Histograma |
| Continua (razón) | IMC, hemoglobina, ingesta calórica | Media (DE) o mediana (RIC) | Histograma, boxplot |
El error más caro: convertir una continua en categórica
Es una práctica extendidísima en tesis de nutrición: se mide el IMC con balanza y tallímetro —una variable continua, precisa— y en el análisis se convierte en «normal / sobrepeso / obesidad». Se siente más ordenado. Estadísticamente, es una pérdida.
- Pierdes potencia estadística. Altman y Royston mostraron que dicotomizar en la mediana equivale, en términos de información, a descartar aproximadamente un tercio de tu muestra. Con el tamaño muestral que suele tener una tesis, eso es determinante.
- Asumes un riesgo constante dentro de cada categoría y un salto abrupto en el punto de corte: un IMC de 29,9 y uno de 25,1 quedan en el mismo grupo, mientras que 29,9 y 30,1 quedan en grupos distintos.
- Aumentas los falsos positivos si eliges el punto de corte mirando tus propios datos hasta que «salga significativo».
- Ocultas relaciones no lineales, que en nutrición son la norma más que la excepción (curvas en J o en U entre IMC y mortalidad, por ejemplo).
Una revisión reciente en Nutrition & Diabetes centrada específicamente en investigación en nutrición y obesidad encontró que, en cerca del 31 % de los desenlaces evaluados, el análisis categórico llevaba a una conclusión distinta del análisis continuo —incluyendo asociaciones que desaparecían y otras que aparecían sin sustento.
Regla práctica: analiza en continuo, categoriza solo para presentar. La Tabla 1 puede mostrar categorías de IMC porque comunican mejor; el modelo debe correr con el IMC continuo. Y si categorizas en el análisis, que sea con un punto de corte clínicamente establecido y definido antes de ver los datos.
Dos confusiones adicionales que aparecen en revisión
- Confundir el tipo con el rol. Cualitativa/cuantitativa describe la naturaleza de la variable. Independiente, dependiente, confusora o modificadora de efecto describe su rol en tu modelo. Son ejes independientes: el IMC puede ser continuo y, a la vez, confusor. Tu matriz de operacionalización debe declarar ambos.
- Decidir el tipo de variable después de recolectar. Si tu ficha de recolección registra directamente «sobrepeso / obesidad» en vez del peso y la talla, la información se perdió de forma irrecuperable. Recolecta siempre en la forma más granular posible; categorizar después es trivial, desagregar es imposible.
Qué hacer con esto hoy
- Abre tu matriz de operacionalización y verifica que cada variable tenga: definición, tipo, escala de medición, valores posibles e instrumento.
- Marca cuáles nacieron continuas. Esas son las que debes proteger.
- Para cada categorización que planees, escribe en una línea por qué la haces y de dónde sale el punto de corte. Si no puedes justificarla, no la hagas.
Referencias
- Altman DG, Royston P. The cost of dichotomising continuous variables. BMJ. 2006;332(7549):1080. Texto completo
- Discretizing continuous variables in nutrition and obesity research: a practice that needs to be cut short. Nutrition & Diabetes. 2023. Texto completo
- Types of Variables and Commonly Used Statistical Designs. StatPearls, NCBI Bookshelf. Texto completo
- Interpretation for scales of measurement linking with abstract algebra (revisión de la clasificación de Stevens). Texto completo
- Categorisation of continuous exposure variables revisited. Texto completo
- Basic biostatistics for post-graduate students. Texto completo
Publicamos un artículo como este cada semana. Si quieres contenido diario sobre bioestadística, metodología y lectura crítica aplicada a la nutrición, síguenos en Instagram y TikTok: @nutricion.epidemiologica.
INICIO 
Deja un comentario