Análisis bivariante

• Author: Jordi Mas Elias
• Profession: Profesor de los Estudios de Derecho y Ciencia Política en la Universitat Oberta de Catalunya (UOC)
• Pages: 189-250

Editorial UOC Capítulo IV. Análisis bivariante

189

Capítulo IV

Análisis bivariante

1. Introducción

El análisis bivariante se ocupa del análisis estadístico con dos

variables. A veces las funciones del análisis bivariante se confun-

den con las del análisis univariante, puesto que a menudo este

último también admite el análisis con dos variables. La gran dis-

tinción, sin embargo, es que el análisis univariante está orientado

a hacer comparaciones entre subgrupos y describir las similitudes

y las diferencias de esta variable entre subgrupos, mientras que

el análisis bivariante busca principalmente explicar cómo dos

variables se relacionan entre sí (Babbie, 2013). Por ejemplo, en

análisis univariante podemos observar si los países que tienen

acceso al mar son más ricos que los países que no lo tienen. En

cambio, en análisis bivariante, buscaremos la asociación entre

estas dos variables y diremos que tener acceso al mar tiene un

efecto sobre la riqueza. Cuando hablemos, pues, de asociaciones

o efectos entre variables, solo lo haremos mediante las técnicas

del análisis bivariante, que nos permitirá sugerir desde un punto

de vista estadístico si el comportamiento de una variable está

parcialmente determinado por la otra (King y otros, 1994).

Establecer asociaciones entre dos variables es una práctica

frecuente en el día a día. Acostumbramos a decir que la con-

taminación tiene un efecto sobre el calentamiento global, que

los países democráticos suelen ser más ricos o que tener una

ideología de derechas influye a la hora de votar un partido

Editorial UOC Análisis de datos con R en estudios internacionales

190

determinado. En otras palabras, creemos que si conocemos

los valores de la primera variable (niveles de contaminación,

democracia o ideología) podremos saber algo sobre los valores

de la segunda variable (calentamiento global, riqueza o voto a

partido) porque creemos que están relacionadas. Llamaremos a

la primera variable, que es la que pensamos que causa el efec-

to, variable independiente y la ilustraremos con el símbolo x. La

segunda variable, que es la que creemos que está afectada por

la variable independiente, la denominaremos variable dependiente

y la ilustraremos con el símbolo y.

Otras denominaciones de las variables

Hay otras maneras de referirse a las variables independiente y depen-

diente. A la variable independiente se la denomina variable explicativa,

mientras que la variable dependiente es llamada variable explicada o de

respuesta.

Para visualizar y cuantificar estadísticamente una asociación

bivariante, utilizaremos una técnica diferente según si las varia-

bles independiente y dependiente son numéricas o categóricas.

En la tabla 13 resumimos la técnica utilizada según el tipo de

variable y si ocupa la posición de independiente o dependiente. Si

tanto la variable independiente como la dependiente son categó-

ricas, utilizaremos una tabla de contingencia. Si, en cambio, tanto

la variable independiente como la dependiente son numéricas,

utilizaremos la regresión y la correlación. Si la variable indepen-

diente es categórica y la dependiente es continua, usaremos la

diferencia de medias. Finalmente, si la variable independiente es

continua y la variable dependiente es categórica, haremos una

regresión logística.

Editorial UOC Capítulo IV. Análisis bivariante

191

Tabla 13. Técnicas de análisis bivariante

Variable independiente

Categórica Numérica

Variable

dependiente

Categórica Tablas de contingencia (Regresión logística)

Numérica Diferencia de medias Regresión y correlación

Fuente: elaboración propia.

En este capítulo no explicaremos la regresión logística, de

forma que las páginas siguientes describirán las otras tres técnicas

de análisis bivariante:

• la tabla de contingencia,

• la diferencia de medias, y

• la regresión y la correlación.

Cada apartado muestra primero cómo representar visualmen-

te una relación bivariante según si las variables independiente y

dependiente son numéricas o categóricas, y a continuación se

explica la manera de cuantificar la relación.

Aunque las técnicas utilizadas cambien según los tipos de

variable, todas las combinaciones tienen unos requisitos similares

para indicar si dos variables tienen relación.

El primer requisito, que es el que trataremos con más pro-

fundidad en estas páginas, es que la asociación observada tenga

apoyo estadístico. A veces podemos observar asociaciones poco

consistentes entre variables. Por ejemplo, si echamos una mone-

da y sale dos veces cara, sería una inferencia débil decir que

siempre saldrá cara. Desde un punto de vista estadístico, basado

en las teorías de la probabilidad, para hacer inferencias a partir de