Las variables categóricas son aquellas que toman valores en un conjunto finito de categorías o grupos mutuamente excluyentes, en lugar de cantidades numéricas continuas. A diferencia de las variables cuantitativas, donde la magnitud importa (como la estatura o el peso), en las categóricas lo relevante es la pertenencia a un grupo específico, como el color de ojos, el estado civil o el tipo de sangre. Esta distinción es fundamental en estadística porque determina qué herramientas matemáticas se deben aplicar para extraer significados de los datos.

Comprender estas variables permite transformar información cualitativa en estructuras analizables, facilitando la comparación entre grupos y la identificación de patrones en campos tan diversos como la sociología, la biología y la ciencia de datos. Su correcta clasificación y codificación evitan errores comunes en el análisis, como tratar un código numérico arbitrario como una medida continua.

Definición y concepto

Una variable categórica es aquella que clasifica los datos en grupos o categorías mutuamente excluyentes. A diferencia de las variables numéricas continuas, donde el valor indica una magnitud medible (como la altura o el peso), aquí el valor actúa como una etiqueta. El objetivo no es cuantificar cuánto hay de algo, sino identificar a qué conjunto pertenece una observación específica. Esta distinción es fundamental en estadística porque determina el tipo de análisis que se puede realizar sobre los datos.

Naturaleza de la clasificación

La esencia de estas variables radica en la agrupación. Cada dato cae en una sola categoría, aunque el número total de categorías puede variar. Por ejemplo, el color de ojos o el tipo de sangre son atributos que definen grupos distintos. No tiene sentido sumar dos colores o promediar tipos de sangre sin un tratamiento previo adecuado. La información reside en la pertenencia al grupo, no en la distancia numérica entre ellos.

Es crucial entender que estas categorías son mutuamente excluyentes. Una persona no puede ser simultáneamente "hombre" y "mujer" en una variable de género binaria simple, ni puede tener la sangre tipo "A" y tipo "B" al mismo tiempo (ignorando el caso AB como categoría separada). Esta propiedad simplifica el análisis inicial pero impone restricciones en cómo se interpretan los resultados estadísticos.

Diferencias con la medición continua

Las variables continuas permiten infinitos valores dentro de un rango. La temperatura, por ejemplo, puede ser 20.5, 20.51 o 20.512 grados. En cambio, las variables categóricas tienen un conjunto finito de posibles valores. Esta diferencia afecta directamente al cálculo de estadísticos básicos. La media aritmética tiene poco sentido para una variable nominal pura. Decir que la media de "colores de coche" es "azul-verdoso" requiere una codificación previa que a menudo introduce subjetividad.

La consecuencia es directa: no puedes aplicar todas las pruebas estadísticas a todo tipo de dato. Usar una prueba diseñada para datos continuos, como la prueba t de Student, sobre datos categóricos sin transformarlos puede llevar a errores de interpretación significativos. El análisis debe adaptarse a la naturaleza discreta del dato.

Tipos principales

Existen dos categorías fundamentales dentro de este grupo: las nominales y las ordinales. Las variables nominales carecen de un orden inherente. El orden en que se listan las categorías es arbitrario. Por ejemplo, las estaciones del año o los departamentos de una empresa. No hay una relación de "mayor que" o "menor que" entre ellos. Por otro lado, las variables ordinales sí poseen una jerarquía clara. Los niveles educativos (primaria, secundaria, universidad) o las calificaciones de satisfacción (muy bajo, bajo, alto, muy alto) muestran un orden lógico. Sin embargo, la distancia entre "bajo" y "alto" no necesariamente es igual a la distancia entre "alto" y "muy alto".

Dato curioso: A menudo, los estudiantes confunden las variables ordinales con las de intervalo. La clave está en la igualdad de distancias. En una escala de satisfacción del 1 al 5, ¿es la diferencia entre 1 y 2 igual a la diferencia entre 4 y 5? Probablemente no. Esa es la limitación de lo ordinal.

Comprender esta distinción es el primer paso para elegir la herramienta estadística correcta. Una variable nominal se analiza frecuentemente con la moda como medida de tendencia central. Una variable ordinal permite el uso de la mediana. Ignorar esta jerarquía puede resultar en una pérdida de información valiosa durante el análisis de datos.

¿Cuáles son los tipos de variables categóricas?

Las variables categóricas no son un bloque homogéneo. Su estructura interna determina cómo se miden y cómo se analizan estadísticamente. La distinción fundamental radica en si existe un orden inherente entre las categorías. Esta diferencia separa a las variables en dos grandes grupos: las nominales y las ordinales. Comprender esta división es esencial para elegir la prueba estadística correcta.

Variables nominales

Las variables nominales clasifican los datos en grupos mutuamente excluyentes sin ningún orden implícito. El término "nominal" proviene del latín nomen, que significa nombre. Aquí, los números asignados a las categorías funcionan simplemente como etiquetas o códigos para diferenciarlas. No tienen valor cuantitativo por sí mismos.

Un ejemplo clásico es el tipo de sangre. Tener sangre tipo A no es "mayor" ni "menor" que tener sangre tipo B; son simplemente diferentes. Otro caso es la nacionalidad o el color de ojos. Si codificamos "Rojo" como 1, "Verde" como 2 y "Azul" como 3, el número 2 no es el doble que el 1. La operación matemática más básica, la media aritmética, a menudo resulta poco intuitiva en este nivel de medición. La moda es la medida de tendencia central más representativa.

Variables ordinales

En las variables ordinales, las categorías también son mutuamente excluyentes, pero existe un orden jerárquico claro. Se puede afirmar que una categoría es "mayor", "menor" o "igual" que otra, aunque la distancia entre ellas no sea necesariamente constante. Este matiz añade información estructural que las nominales carecen.

Considera el nivel educativo: primaria, secundaria, bachillerato y universidad. Existe una progresión lógica. Sin embargo, el salto de tiempo o contenido entre "primaria" y "secundaria" no es idéntico al de "bachillerato" y "universidad". Otro ejemplo frecuente es la satisfacción del cliente en una escala de Likert: muy insatisfecho, insatisfecho, neutral, satisfecho y muy satisfecho. Aquí, la mediana suele ser más informativa que la media, ya que resume mejor la posición central del conjunto ordenado.

Dato curioso: La confusión entre lo nominal y lo ordinal es uno de los errores más comunes en estadística básica. Tratar una variable nominal como si tuviera orden puede llevar a conclusiones erróneas, como decir que el género "masculino" es "superior" al "femenino" simplemente porque se le asignó un código numérico mayor en la base de datos.

Comparativa técnica

La elección del nivel de medición afecta directamente al análisis. Las variables nominales requieren pruebas que evalúen la independencia o la homogeneidad, como la prueba de Chi-cuadrado. Las ordinales permiten análisis más ricos, como la regresión logística ordinal o la prueba de Mann-Whitney, que aprovechan la información del orden.

Característica Variable Nominal Variable Ordinal
Orden Sin orden inherente Orden jerárquico definido
Ejemplo típico Color de coche Talla de ropa (S, M, L)
Medida central Moda Mediana (y Moda)
Operaciones válidas Igualdad (A = B) Desigualdad (A > B)
Prueba estadística Chi-cuadrado Regresión logística ordinal

La codificación adecuada es crucial. En el análisis de datos, transformar estas variables en formatos numéricos (como la codificación dumy o one-hot) permite a los modelos de aprendizaje automático procesar la información. Pero sin entender la naturaleza subyacente, el modelo puede interpretar ruido como señal. La precisión en la clasificación inicial evita errores en las etapas finales del análisis.

Historia y evolución del concepto

El concepto de variable categórica no surgió de la nada; es el resultado de décadas de debate sobre cómo traducir la realidad en números sin perder su esencia. Durante mucho tiempo, los estadísticos se centraron en lo cuantitativo, dejando las categorías como un segundo plano. Esta visión cambió radicalmente a finales del siglo XIX, cuando la estadística dejó de ser solo una herramienta para astrónomos y economistas para convertirse en una ciencia social poderosa.

Franz Galton fue una figura central en este cambio. Al estudiar la herencia humana, Galton necesitaba clasificar rasgos como el color de los ojos o el tipo de sangre. Estos datos no se sumaban fácilmente como las alturas o los pesos. Su trabajo sentó las bases para entender que agrupar datos en clases mutuamente excluyentes era una forma válida, aunque distinta, de medir el mundo. Sin esta distinción inicial, la estadística descriptiva habría permanecido limitada a los números continuos.

Karl Pearson tomó estas ideas y las formalizó. Es conocido por introducir la prueba de Chi-cuadrado, una herramienta fundamental para analizar datos categóricos. Esta prueba permite determinar si hay una asociación significativa entre dos variables categóricas, como el género y la preferencia política. La fórmula de esta prueba es:

χ2=∑Ei​(Oi​−Ei​)2​

Donde O representa las frecuencias observadas y E las frecuencias esperadas. Este avance fue crucial porque dio a las categorías un peso matemático comparable al de las variables continuas. Sin embargo, incluso con Pearson, la distinción entre los tipos de categorías seguía siendo algo confusa. Los investigadores a menudo trataban las categorías como si tuvieran un orden inherente, aunque no lo tuvieran.

La revolución de Stevens

La claridad conceptual llegó en 1946 con el artículo de Stanley Smith Stevens titulado "On the Theory of Scales of Measurement". Stevens propuso una clasificación de cuatro niveles de medición: nominal, ordinal, de intervalo y de razón. Esta clasificación sigue siendo la base de la teoría de la medición moderna. Stevens argumentó que el nivel de medición determina qué operaciones matemáticas son válidas para los datos.

Sabías que: Antes de Stevens, muchos investigadores aplicaban la media aritmética a datos ordinales (como "bajo", "medio", "alto") sin cuestionar si el resultado tenía sentido. Stevens demostró que esto podía llevar a conclusiones erróneas si no se entendía la naturaleza de la escala.

La contribución de Stevens fue distinguir claramente entre las variables nominales y las ordinales. Las variables nominales, como el color del cabello, solo sirven para etiquetar. No hay un orden inherente entre "rubio" y "moreno". En cambio, las variables ordinales, como el nivel de educación (primaria, secundaria, universitaria), tienen un orden jerárquico, pero las distancias entre los niveles no son necesariamente iguales. Esta distinción es fundamental para elegir la prueba estadística adecuada.

La consecuencia de esta clasificación fue inmediata. Los investigadores comenzaron a usar la mediana y la moda para datos ordinales y nominales, en lugar de la media. También se popularizó el uso de la regresión logística para analizar datos categóricos, ya que la regresión lineal simple a menudo asumía propiedades que las categorías no poseían. La teoría de Stevens no solo organizó el caos conceptual; también proporcionó una hoja de ruta práctica para el análisis de datos.

Hoy en día, la distinción entre variables categóricas sigue siendo tan relevante como hace ochenta años. Con el auge del big data y el análisis de datos, las variables categóricas aparecen en todas partes: desde el tipo de dispositivo que usa un usuario hasta la categoría de producto que compra. Entender su historia y evolución ayuda a evitar errores comunes en el análisis, como tratar una variable nominal como si fuera ordinal. La precisión en la clasificación es el primer paso hacia una interpretación correcta de los datos.

¿Cómo se codifican las variables categóricas en el análisis de datos?

Las variables categóricas requieren transformación numérica para ser procesadas por algoritmos estadísticos. Esta conversión no es arbitraria, ya que la elección del método de codificación influye directamente en el resultado del modelo. Los tres enfoques más utilizados son la codificación por etiquetas, la codificación por uno y el uso de efectos fijos.

Codificación por etiquetas (Label Encoding)

Este método asigna un número entero único a cada categoría. Es sencillo pero introduce un orden implícito en datos que pueden ser puramente nominales. Por ejemplo, si se codifican los colores como Rojo=1, Verde=2 y Azul=3, un modelo de regresión lineal podría interpretar erróneamente que el Azul es el "doble" del Verde. Se usa frecuentemente en árboles de decisión o como paso previo a otras técnicas.

Codificación por uno (One-Hot Encoding)

Para evitar el orden artificial, la codificación por uno crea una nueva columna binaria (0 o 1) para cada categoría. Este método es ideal para variables nominales sin jerarquía clara. Sin embargo, puede generar la "maldición de la dimensionalidad" si hay muchas categorías, aumentando el número de variables explicativas significativamente. Es el estándar en modelos lineales y redes neuronales.

Codificación por efectos fijos

Este enfoque es común en modelos de regresión para variables ordinales o nominales con muchas categorías. Se selecciona una categoría como referencia (intercepto) y las demás se comparan contra ella. Esto permite interpretar el coeficiente de cada categoría como la diferencia media respecto al grupo base, manteniendo la interpretación estadística clara.

Variable Original Label Encoding One-Hot: Rojo One-Hot: Verde One-Hot: Azul
Rojo 1 1 0 0
Verde 2 0 1 0
Azul 3 0 0 1
Dato curioso: En la codificación por uno, si hay k categorías, a menudo se eliminan k-1 columnas para evitar la multicolinealidad perfecta en la regresión lineal. Esto se conoce como la "trampa de las variables ficticias".

La selección del método depende de la naturaleza de la variable y del modelo estadístico. Para variables ordinales, la codificación por etiquetas o efectos fijos suele ser suficiente. Para nominales, la codificación por uno es más robusta. La consecuencia es directa: una mala codificación puede sesgar los coeficientes y reducir el poder predictivo del modelo.

Medidas de tendencia central y dispersión

El análisis de las variables categóricas exige abandonar la intuición que surge al trabajar con números continuos. Aplicar la media aritmética a datos que esencialmente son etiquetas conduce a errores de interpretación graves. La elección de la medida estadística adecuada depende directamente del nivel de medición: nominal u ordinal.

Inadecuación de la media aritmética

La media aritmética es la reina de las variables de razón e intervalo, pero se convierte en una candidata débil para las categóricas. Su cálculo implica sumar todos los valores y dividir por el número de observaciones. Esta operación tiene sentido cuando la distancia entre puntos es constante y significativa.

En una variable nominal, como el color de ojos, asignar números arbitrarios (1 = Azul, 2 = Marrón, 3 = Verde) crea una ilusión de cuantificación. Calcular la media de estos números produce un resultado numérico que a menudo no corresponde a ninguna categoría real. Una media de 2.5 no significa que el color sea "medio marrón y medio verde", sino que el cálculo matemático ha impuesto una estructura lineal donde no existe.

La consecuencia es directa: la media oculta la naturaleza discreta de los datos. Aunque se pueda forzar el cálculo, el valor resultante rara vez aporta información sustantiva sobre la distribución de la muestra. Es un residuo matemático más que un descriptor útil.

La moda como medida de tendencia central

La moda es la única medida de tendencia central válida para todas las variables categóricas. Se define como el valor que aparece con mayor frecuencia en el conjunto de datos. No requiere operaciones aritméticas complejas ni supuestos sobre la distancia entre categorías.

En una encuesta sobre preferencias de marca, si la marca A aparece 40 veces, la B 30 veces y la C 20 veces, la moda es claramente la marca A. Esta simplicidad es su mayor fortaleza. La moda resume la categoría dominante sin distorsionar la información subyacente.

Para variables ordinales, la moda sigue siendo válida, aunque a veces se complementa con la mediana. La mediana representa el valor central cuando los datos se ordenan jerárquicamente. En una escala de satisfacción (Bajo, Medio, Alto), si el 50% de los datos cae en "Medio", este valor actúa como punto de equilibrio. Sin embargo, la moda sigue siendo la opción más segura para capturar la categoría más representativa.

Dato curioso: La moda puede no ser única. Un conjunto de datos puede ser bimodal (dos modas) o multimodal (más de dos), lo que revela subgrupos naturales dentro de la variable categórica. Esto ofrece información que la media siempre ocultaría.

Medidas de dispersión en datos categóricos

La dispersión indica qué tan extendidos están los datos alrededor de la tendencia central. Para variables categóricas, el rango simple (máximo menos mínimo) es a menudo insuficiente porque ignora la distribución intermedia.

El rango intercuartílico (RIC) es más informativo para variables ordinales. Mide la distancia entre el primer cuartil (25%) y el tercer cuartil (75%), capturando el 50% central de los datos. Esto ayuda a entender la concentración de las observaciones en la parte media de la jerarquía.

Para variables nominales, la entropía de Shannon o el coeficiente de variación de la moda son medidas más avanzadas de dispersión. Estas métricas cuantifican la "pureza" o la heterogeneidad del conjunto. Una baja entropía indica que la mayoría de las observaciones caen en una sola categoría, mientras que una alta entropía sugiere una distribución más uniforme entre varias opciones.

Seleccionar la medida correcta transforma datos aparentemente simples en información accionable. La precisión en la selección estadística evita que se pierda el matiz inherente a la clasificación categórica.

Principales pruebas estadísticas para variables categóricas

El análisis de variables categóricas requiere métodos estadísticos específicos, ya que los supuestos de las pruebas paramétricas más comunes, como la prueba t de Student, a menudo se rompen cuando los datos no son continuos. La elección de la prueba adecuada depende fundamentalmente de la estructura de los datos y de la independencia de las observaciones. Tres procedimientos son fundamentales en este contexto: la prueba de Chi-cuadrado, la prueba exacta de Fisher y la prueba de McNemar.

Prueba de Chi-cuadrado de independencia

Esta es la herramienta más utilizada para determinar si existe una asociación significativa entre dos variables categóricas. Evalúa si la distribución de frecuencias observadas difiere sustancialmente de la distribución esperada bajo la hipótesis de independencia. El estadístico se calcula comparando las frecuencias observadas con las esperadas.

La fórmula del estadístico de prueba es:

χ2=∑Ei​(Oi​−Ei​)2​

Donde O representa la frecuencia observada y E la frecuencia esperada. Esta prueba funciona mejor con muestras grandes. Si las frecuencias esperadas en las celdas de la tabla son muy pequeñas, el resultado puede volverse inestable.

Prueba exacta de Fisher

Cuando el tamaño de la muestra es reducido o las frecuencias esperadas en una tabla de contingencia son menores a 5, la prueba de Chi-cuadrado pierde precisión. En estos casos, la prueba exacta de Fisher ofrece una alternativa robusta. Calcula la probabilidad exacta de observar la distribución de frecuencias dada, basándose en la distribución hipergeométrica. Es especialmente útil en estudios clínicos pequeños o en análisis de tablas 2x2.

Prueba de McNemar

A diferencia de las anteriores, la prueba de McNemar se aplica cuando las observaciones no son independientes entre sí, es decir, cuando se trata de datos apareados o medidas repetidas. Un ejemplo típico es evaluar la eficacia de un tratamiento comparando el estado de un paciente antes y después de la intervención. Esta prueba se centra en las discordancias entre las dos mediciones.

Debate actual: Aunque la prueba de McNemar es estándar para datos binarios apareados, su poder estadístico puede disminuir si la proporción de discordancias es muy baja, lo que lleva a discutir su uso frente a la corrección de continuidad de Edits.

Resumen de pruebas y supuestos

Prueba Tipos de variables Supuestos clave Cuándo usarla
Chi-cuadrado 2 variables categóricas Muestras independientes; frecuencias esperadas > 5 Muestras grandes; asociación general
Fisher exacta 2 variables categóricas (generalmente 2x2) Muestras independientes Muestras pequeñas o frecuencias esperadas bajas
McNemar 2 medidas de la misma variable categórica Observaciones apareadas (mismos sujetos) Estudios "antes-después" o casos y controles emparejados

La selección correcta evita errores de tipo I y II. Usar Chi-cuadrado cuando las frecuencias son bajas infla el error; usar Chi-cuadrado para datos apareados ignora la correlación interna. La precisión estadística comienza con entender la estructura de los datos.

Ejercicios resueltos

Ejercicio 1: Clasificación de variables

Identificar el tipo de variable es el primer paso para elegir la prueba estadística adecuada. Analicemos tres casos concretos:

Confundir el código postal con una variable cuantitativa es un error clásico que distorsiona los promedios.

Ejercicio 2: Cálculo de frecuencias relativas

Supongamos que se encuestó a 50 estudiantes sobre su transporte al campus. Los resultados fueron: Autobús (20), Bicicleta (15) y Coche (15). Calculamos las frecuencias relativas (proporción del total) para cada categoría.

La fórmula general es:

fr​=Nfi​​

Donde fi es la frecuencia absoluta de la categoría y N es el tamaño total de la muestra.

Aplicación para "Autobús":

fr​=5020​=0.40

Esto significa que el 40% de los estudiantes usa el autobús. Para "Bicicleta" y "Coche", al tener la misma frecuencia absoluta (15), ambas tienen una frecuencia relativa de 0.30 (30%). La suma de todas las frecuencias relativas debe ser igual a 1 (o 100%).

Dato curioso: En análisis de datos grandes, las frecuencias relativas son más útiles que las absolutas porque permiten comparar grupos de distintos tamaños. Un grupo con 100% de respuestas "Sí" puede ser más revelador que otro con 90% si la muestra es mucho mayor.

Ejercicio 3: Interpretación de la prueba de Chi-cuadrado

La prueba de Chi-cuadrado (χ²) evalúa si hay relación entre dos variables categóricas. Imaginemos que queremos saber si el género está asociado con la preferencia por un curso de estadística. Obtenemos un valor de χ² = 6.5 con 1 grado de libertad y un valor p de 0.01.

El cálculo del estadístico Chi-cuadrado sigue esta estructura:

χ2=∑Ei​(Oi​−Ei​)2​

Donde Oi es la frecuencia observada y Ei es la frecuencia esperada si no hubiera relación.

Interpretación paso a paso:

  1. Hipótesis nula (H0): Género y preferencia son independientes (no hay relación).
  2. Nivel de significancia (α): Usualmente se fija en 0.05.
  3. Comparación: Si el valor p (0.01) es menor que α (0.05), rechazamos la hipótesis nula.

Conclusión: Existe evidencia estadística suficiente para afirmar que el género y la preferencia por el curso están asociados. No significa que uno cause al otro, solo que varían juntos. La consecuencia es directa: el género influye en la elección del curso en esta muestra.

Aplicaciones en investigación científica contemporánea

Las variables categóricas son fundamentales en la investigación científica contemporánea. Permiten clasificar datos complejos en grupos manejables. Esta capacidad de agrupación es crucial para el análisis estadístico en múltiples disciplinas. La estratificación de muestras depende directamente de estas variables. Sin ellas, muchos estudios perderían su poder explicativo.

Salud pública y epidemiología

En salud pública, las variables categóricas permiten estratificar poblaciones con precisión. Los investigadores clasifican a los pacientes según grupos sanguíneos o tipos de genotipos. Estas clasificaciones son nominales. No hay un orden jerárquico inherente entre el grupo A y el grupo B. Sin embargo, esta distinción es vital para predecir respuestas a tratamientos.

Las escalas de gravedad clínica son ejemplos claros de variables ordinales. Un paciente puede estar en estado leve, moderado o crítico. Este orden jerárquico influye directamente en la toma de decisiones médicas. Los epidemiólogos utilizan estas categorías para rastrear la progresión de enfermedades. La precisión en la clasificación mejora la efectividad de las intervenciones sanitarias.

Dato curioso: La clasificación de tipos de sangre (A, B, AB, O) es una de las primeras aplicaciones exitosas de variables nominales en medicina. Esta simple categorización salvó miles de vidas durante las primeras transfusiones sanguíneas del siglo XX.

Ciencias sociales y encuestas

Las ciencias sociales dependen intensamente de variables categóricas. Las encuestas de opinión utilizan escalas de Likert, que son variables ordinales. Los participantes seleccionan opciones como "muy de acuerdo" o "poco de acuerdo". Aunque parecen numéricas, estas respuestas tienen un orden específico. La distancia entre "de acuerdo" y "muy de acuerdo" no es necesariamente igual a la distancia entre "neutro" y "de acuerdo".

La estratificación por nivel educativo es otro ejemplo común. Los investigadores agrupan a los sujetos en primaria, secundaria y universitaria. Esta clasificación permite analizar tendencias sociales. Las diferencias en ingresos o hábitos de consumo se correlacionan con estos grupos. El análisis revela patrones que de otra manera permanecerían ocultos.

Aprendizaje automático y Machine Learning

El machine learning utiliza variables categóricas de manera extensiva. Los algoritmos requieren técnicas específicas para procesar estas variables. La codificación one-hot es un método común. Convierte cada categoría en una variable binaria separada. Por ejemplo, el color "rojo" se convierte en un vector numérico.

La regresión logística es una técnica estadística clave. Predice la probabilidad de pertenencia a una categoría. Los modelos de clasificación dependen de estas variables para tomar decisiones. La precisión del modelo mejora cuando las categorías están bien definidas. La selección correcta de variables categóricas reduce el ruido en los datos.

La importancia de las variables categóricas sigue creciendo. Su capacidad para simplificar datos complejos las hace indispensables. La investigación científica continúa aprovechando su versatilidad. La precisión en su definición y análisis determina la calidad de los resultados.

Preguntas frecuentes

¿Cuál es la diferencia entre una variable categórica y una cuantitativa?

Una variable cuantitativa mide una cantidad numérica donde las operaciones matemáticas (como la media) tienen sentido (ej. edad, temperatura). Una variable categórica clasifica los datos en grupos donde el orden o la magnitud pueden no importar (ej. género, marca de coche). La clave está en si el número representa una cantidad real o simplemente una etiqueta.

¿Puede una variable categórica tener números como valores?

Sí, pero esos números actúan como etiquetas, no como cantidades. Por ejemplo, en un estudio médico, los pacientes pueden ser clasificados como Tipo 1, Tipo 2 o Tipo 3 de diabetes. Aunque usamos números, restar "Tipo 1" a "Tipo 3" no siempre tiene un significado físico directo como lo tendría con la edad.

¿Qué es la codificación One-Hot?

Es una técnica común en análisis de datos donde cada categoría de una variable se convierte en una nueva columna binaria (0 o 1). Si tienes una variable "Color" con valores Rojo, Verde y Azul, se crean tres columnas: "Es_Rojo", "Es_Verde" e "Es_Azul". Esto permite a los modelos estadísticos procesar las categorías como datos numéricos.

¿Cuál es la medida de tendencia central más adecuada para variables categóricas?

La moda es la medida más común, ya que indica la categoría más frecuente. Para variables ordinales (con orden), también se puede usar la mediana, que representa el valor central al ordenar las categorías. La media aritmética suele ser útil solo si las categorías tienen una relación numérica clara.

¿Qué prueba estadística se usa para comparar dos variables categóricas?

La prueba de la Chi-cuadrado (Chi-square) es la más utilizada para determinar si existe una asociación significativa entre dos variables categóricas. Por ejemplo, se puede usar para ver si hay relación entre el género de una persona y su preferencia por un tipo de producto.

Resumen

Las variables categóricas son esenciales para clasificar datos en grupos distintivos, permitiendo analizar patrones en datos no necesariamente numéricos. Su correcta identificación como nominales u ordinales determina las técnicas de codificación, como One-Hot o Dummy, y las pruebas estadísticas apropiadas, como la Chi-cuadrado.

Dominar estos conceptos es crucial para evitar errores en el análisis de datos, asegurando que las conclusiones extraídas de estudios científicos y encuestas reflejen con precisión la realidad de los grupos estudiados.

Véase también

Referencias

  1. «variables categóricas» en Wikipedia en español
  2. Categorical Data Analysis — Stanford Encyclopedia of Philosophy
  3. Chapter 4: Categorical Data — Introduction to Statistical Learning (ISLR)
  4. Categorical Variables — IBM SPSS Statistics Documentation
  5. Variables Categóricas — Dialnet (Biblioteca de artículos académicos)