Métodos cuantitativos
Maestría en Ciencia Política
Diego Solís Delgadillo
diego.solis@flacso.edu.mx
Objetivo de la sesión
Comprender qué hacen los métodos cuantitativos en ciencia política y cómo permiten describir fenómenos, comparar casos, estimar relaciones y evaluar hipótesis bajo incertidumbre.
¿Qué son los métodos cuantitativos?
Los métodos cuantitativos son herramientas para analizar fenómenos sociales y políticos mediante técnicas estadísticas, con el propósito de describir patrones, comparar casos y evaluar hipótesis.
No son solamente “hacer cuentas”.
Son una forma de construir evidencia empírica.
¿Qué hacen los métodos cuantitativos?
Permiten:
- describir fenómenos políticos
- comparar grupos o casos
- identificar patrones
- estimar relaciones entre variables
- evaluar hipótesis
- cuantificar incertidumbre
Una idea central
Los métodos cuantitativos no eliminan la incertidumbre.
La hacen explícita.
Esto es clave porque casi nunca observamos “la verdad completa”.
Trabajamos con datos parciales, muestras, mediciones imperfectas y estimaciones.
Variación
Las hipótesis muestran relacines entre variables
- Esas variables tienen que variar
La variación se refiere a que una variable toma distintos valores entre unidades de análisis.
📌 Sin variación no podemos explicar diferencias.
Si todas las personas votaran, no podríamos explicar por qué algunas votan y otras no.
Tipos básicos de variables
| Tipo de variable | Ejemplo |
|---|---|
| Continua | ingreso, edad, aprobación presidencial |
| Binaria | votó / no votó |
| Conteo | número de iniciativas |
| Ordinal | nivel de confianza: bajo, medio, alto |
| Categórica | partido político |
| Tiempo hasta evento | duración de un gobierno |
Variable dependiente
La variable dependiente es el fenómeno que queremos explicar.
También se le llama:
- resultado
- outcome
- variable Y
¿Por qué algunas personas votan?
Y = participación electoral
Variable independiente
La variable independiente es el factor que usamos para explicar cambios en la variable dependiente.
También se le llama:
- predictor
- variable explicativa
- variable X
¿La educación aumenta la participación?
X = educación
Y = participación
Variables de control
Las variables de control son factores adicionales que podrían influir en la variable independiente y dependiente.
Relación principal:
Educación → Participación
Controles posibles:
- edad
- ingreso
- interés político
- zona urbana/rural
Población
La población es el conjunto total de unidades que nos interesa estudiar.
Ejemplos:
- todos los votantes mexicanos
- todos los municipios del país
- todas las iniciativas presentadas en una legislatura
- todos los países de América Latina
Muestra
Una muestra es un subconjunto de la población que usamos para hacer inferencias sobre ella.
No encuestamos a todos los votantes mexicanos.
Encuestamos a 1,000 o 1,500 personas y usamos esa información para estimar tendencias generales.
¿Por qué usamos muestras?
Porque estudiar toda la población suele ser:
- costoso
- lento
- difícil
El problema es que una muestra nunca reproduce perfectamente a la población.
Por eso necesitamos probabilidad.
Variable aleatoria
Una variable aleatoria es una variable cuyo valor depende del resultado de un proceso aleatorio.
Ejemplos:
- intención de voto de una persona seleccionada al azar
- aprobación presidencial en una encuesta
Distribución de probabilidad
⭐ Una distribución de probabilidad describe los valores posibles de una variable aleatoria y la probabilidad asociada a cada valor.
Si seleccionamos al azar a una persona:
- probabilidad de que vote
- probabilidad de que no vote
Distribución suma de dos dados
| Suma | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Combinaciones | (1,1) | (1,2) (2,1) | (1,3) (2,2) (3,1) | (1,4) (2,3) (3,2) (4,1) | (1,5) (2,4) (3,3) (4,2) (5,1) | (1,6) (2,5) (3,4) (4,3) (5,2) (6,1) | (2,6) (3,5) (4,4) (5,3) (6,2) | (3,6) (4,5) (5,4) (6,3) | (4,6) (5,5) (6,4) | (5,6) (6,5) | (6,6) |
| Probabilidad | \(\frac{1}{36}\) | \(\frac{2}{36}\) | \(\frac{3}{36}\) | \(\frac{4}{36}\) | \(\frac{5}{36}\) | \(\frac{6}{36}\) | \(\frac{5}{36}\) | \(\frac{4}{36}\) | \(\frac{3}{36}\) | \(\frac{2}{36}\) | \(\frac{1}{36}\) |
Probabilidad en métodos cuantitativos
Los métodos cuantitativos descansan en una idea:
Los datos observados son una posible realización de un proceso que pudo haber producido otros resultados.
Por eso preguntamos:
Esferas rojas y azules
Tenemos un contendor donde desconocemos la proporciónd de esferas rojas y azules
- Tomamos una muestra de 50 esferas
- Obtenemos 17 esferas rojas (34%)
- Es una estimación de la proporción de esferas rojas en el recipiente :::
- Imaginemos que repetimos el ejercicio
- ¿Obtendremos nuevamente 17 esferas rojas?
Important
- Muy posiblemente obtendremos resultados distintos
Repitiendo mil veces
Parámetro
📌 Un parámetro es un valor real de una característica de la población.
Generalmente no lo conocemos.
El verdadero porcentaje de aprobación presidencial en toda la población mexicana.
Estadístico
📌 Un estadístico es un valor calculado a partir de una muestra.
El porcentaje de aprobación presidencial estimado en una encuesta.
Estimación
Estimar significa usar datos observados para aproximarnos a un valor que no conocemos directamente.
No conocemos la aprobación real del presidente.
La estimamos con una encuesta.
Distribución muestral
🚩 La distribución muestral es la distribución de los valores que tomaría un estimador si repitiéramos muchas veces el proceso de muestreo.
Si hacemos 100 encuestas sobre aprobación presidencial, no todas darán exactamente el mismo resultado.
Error estándar
El error estándar mide cuánto varía un estimador entre muestras.
Interpretación:
- error estándar pequeño → mayor precisión
- error estándar grande → mayor incertidumbre
Intervalo de confianza
Un intervalo de confianza es un rango de valores plausibles para un parámetro poblacional.
Aprobación presidencial estimada:
52% ± 3 puntos
Rango plausible:
49% a 55%
Hipótesis
Una hipótesis es una proposición teórica sobre la relación esperada entre variables.
A mayor educación, mayor participación política.
Hipótesis nula
La hipótesis nula sostiene que no existe relación, diferencia o efecto entre las variables analizadas.
La educación no tiene relación con la participación política.
Hipótesis alternativa
La hipótesis alternativa sostiene que sí existe una relación, diferencia o efecto.
La educación sí está asociada con mayor participación política.
¿Cómo se evalúa una hipótesis?
La lógica básica es:
- Partimos de la hipótesis nula.
- Observamos los datos.
- Calculamos qué tan compatibles son esos datos con la nula.
- Decidimos si hay evidencia suficiente para rechazarla.
Estadístico de prueba
Un estadístico de prueba resume qué tan lejos está el resultado observado de lo que esperaríamos si la hipótesis nula fuera verdadera.
Mientras más lejos esté el resultado de lo esperado bajo la nula, más evidencia tenemos contra ella.
Nivel de significancia
El nivel de significancia es el umbral de error que estamos dispuestos a aceptar para rechazar la hipótesis nula.
El más usado es:
\[\alpha = 0.05\]
Es decir, 5%.
p-value
💡 El p-value es la probabilidad de observar un resultado igual o más extremo que el obtenido, suponiendo que la hipótesis nula es verdadera.
Lo que NO es el p-value
⚠️ El p-value no es la probabilidad de que la hipótesis nula sea verdadera.
Tampoco es la probabilidad de que nuestra hipótesis teórica sea verdadera.
Interpretación del p-value
Si:
\[p < 0.05\]
solemos decir que el resultado es estadísticamente significativo.
📌 Esto significa que el resultado observado sería poco probable si la hipótesis nula fuera verdadera.
Significancia estadística
Un resultado es estadísticamente significativo cuando ofrece suficiente evidencia para rechazar la hipótesis nula bajo un nivel de significancia determinado.
Pero cuidado:
🚨 Significativo no significa necesariamente importante.
Significancia sustantiva
La significancia sustantiva se refiere a si el tamaño del efecto es relevante para entender el fenómeno político.
Un efecto puede ser estadísticamente significativo, pero tan pequeño que no tenga importancia política.
Error Tipo I
El error Tipo I ocurre cuando rechazamos una hipótesis nula que en realidad era verdadera.
Concluir que una campaña aumentó la participación electoral cuando en realidad no tuvo efecto.
Error Tipo II
El error Tipo II ocurre cuando no rechazamos una hipótesis nula que en realidad era falsa.
No detectar que una política pública sí tuvo efecto.
Poder estadístico
El poder estadístico es la probabilidad de detectar un efecto cuando ese efecto realmente existe.
Depende de:
- tamaño de muestra
- tamaño del efecto
- variabilidad de los datos
- nivel de significancia
Asociación
Existe asociación cuando dos variables cambian juntas de manera sistemática.
Las personas con mayor educación participan más en política.
Pero asociación no equivale automáticamente a causalidad.
Causalidad
Existe causalidad cuando un cambio en una variable produce un cambio en otra.
Los métodos cuantitativos pueden aportar evidencia causal, pero solo bajo ciertos diseños y supuestos.
¿Qué técnica cuantitativa elegir?
Depende de:
- la pregunta de investigación
- el tipo de variable dependiente
- la estructura de los datos
- el diseño de investigación
- los supuestos del modelo
Regresión lineal
La regresión lineal estima la relación promedio entre una variable dependiente continua y una o más variables independientes.
¿Cuánto cambia la aprobación presidencial cuando aumenta la inflación?
Logit y probit
Los modelos logit y probit se usan cuando la variable dependiente es binaria.
¿Una persona votó o no votó?
¿Una iniciativa fue aprobada o no aprobada?
Modelos de conteo
Los modelos de conteo se usan cuando la variable dependiente representa el número de veces que ocurre algo.
Ejemplos:
- número de protestas
- número de iniciativas presentadas
- número de conflictos
- número de eventos violentos
Poisson y binomial negativa
Poisson y binomial negativa son modelos para variables de conteo.
La binomial negativa suele usarse cuando los datos tienen mucha dispersión, es decir, cuando la varianza es mayor que la media.
Modelos de sobrevivencia
Los modelos de sobrevivencia analizan el tiempo hasta que ocurre un evento.
Ejemplos:
- duración de un régimen
- tiempo hasta una crisis de gabinete
- duración de una guerra civil
- tiempo hasta aprobación de una ley
Datos de panel
Los datos de panel observan las mismas unidades en distintos momentos.
Países de América Latina observados cada año entre 1990 y 2025.
Efectos fijos
Los efectos fijos controlan características no observadas y constantes de las unidades de análisis.
Comparar a un país consigo mismo a lo largo del tiempo, controlando rasgos estables como historia institucional o cultura política.
Efectos aleatorios
Los efectos aleatorios permiten modelar diferencias entre grupos o niveles de agrupamiento.
Iniciativas agrupadas dentro de legislaturas.
Ciudadanos agrupados dentro de estados.
Municipios agrupados dentro de países.
Diferencias en diferencias
Diferencias en diferencias compara el cambio antes y después de una intervención entre un grupo tratado y un grupo de comparación.
¿Una reforma electoral aumentó la participación?
Comparamos lugares con reforma y sin reforma antes y después del cambio.
Regresión discontinua
La regresión discontinua se usa cuando la asignación a un tratamiento depende de un umbral.
Municipios que reciben un programa porque están apenas por debajo de cierto nivel de ingreso.
Matching
El matching busca construir grupos comparables emparejando unidades similares en características observables.
Comparar legisladores con y sin afiliación a grupos de interés, pero similares en edad, género, partido, educación y origen.
Ejemplo aplicado
Solís-Delgadillo y Cortez-Salinas (2026) estudian si los diputados mexicanos con vínculos previos a grupos de interés promueven iniciativas alineadas con esos grupos y si tienen mayor éxito legislativo.
Artículo: Influence of Interest Group Affiliations on Legislative Performance: An Analysis of Mexican Legislators From 2006 to 2018.
Pregunta de investigación del ejemplo
¿Las afiliaciones previas a grupos de interés afectan el tipo de iniciativas que presentan los diputados y su probabilidad de aprobación?
Datos del ejemplo
El estudio analiza:
- Cámara de Diputados de México
- periodo 2006-2018
- 13,953 iniciativas
- cuatro legislaturas
- información del Sistema de Información Legislativa
Conceptos del ejemplo
| Concepto | Operacionalización |
|---|---|
| Desempeño legislativo | iniciativa aprobada |
| Afiliación a grupos de interés | trayectoria previa en grupos |
| Alineación temática | iniciativa enviada a comisiones relacionadas con el grupo |
| Experiencia legislativa | trayectoria previa como diputado o senador |
Hipótesis del ejemplo
H1: Los legisladores con vínculos a grupos de interés tienen mayor probabilidad de presentar iniciativas en temas relacionados con su grupo.
H2: Los legisladores con vínculos a grupos de interés tienen mayor probabilidad de aprobar iniciativas cuando estas se relacionan con el área de experiencia de su grupo.
Hipótesis nula en el ejemplo
La hipótesis nula sería que no existe diferencia en la probabilidad de presentar o aprobar iniciativas entre legisladores con y sin vínculos a grupos de interés.
Variables del ejemplo
Variable dependiente 1
- iniciativa alineada con el grupo
- 1 = sí
- 0 = no
Variable dependiente 2
- iniciativa aprobada
- 1 = sí
- 0 = no
Variable independiente principal
Afiliación a grupos de interés
- 1 = el diputado tiene trayectoria previa en grupo de interés
- 0 = no tiene esa trayectoria
Tipos de grupo:
- empresarial
- sindical
- civil
- profesional
- campesino
Variables de control del ejemplo
El estudio controla por:
- pertenencia a comisión
- presidencia o secretaría de comisión
- experiencia legislativa
- educación superior
- género
- partido político
- principio de elección
- legislatura
¿Por qué usar logit?
El logit se usa porque la variable dependiente es binaria.
¿La iniciativa fue aprobada?
- 1 = sí
- 0 = no
¿Por qué usar binomial negativa?
La binomial negativa se usa porque algunas variables dependientes son conteos.
Número de iniciativas económicas presentadas por cada legislador.
Además, es útil cuando la varianza del conteo es mayor que la media.
¿Qué muestran los resultados?
Los legisladores con vínculos a grupos de interés no son más exitosos en todos los temas.
Son más exitosos cuando presentan iniciativas dentro del área de experiencia de su grupo .
Probabilidades predichas
En el estudio:
- iniciativas de diputados sin vínculos alineados: alrededor de 5% de probabilidad de aprobación
- iniciativas alineadas con grupos de interés: alrededor de 9%
- iniciativas alineadas con grupos empresariales: alrededor de 10%
¿Cómo interpretar esto?
El resultado sugiere que los vínculos con grupos de interés importan, pero no de manera generalizada.
Importan especialmente cuando el tema de la iniciativa coincide con el área de experiencia del grupo.
Significancia estadística en el ejemplo
En las tablas del artículo aparecen asteriscos:
| Símbolo | Interpretación |
|---|---|
| * | p < 0.05 |
| ** | p < 0.01 |
| *** | p < 0.001 |
Los asteriscos no indican que el efecto sea grande, sino que hay evidencia estadística contra la hipótesis nula.
Significancia sustantiva en el ejemplo
Pasar de 5% a 9% de probabilidad de aprobación puede parecer poco.
Pero en un contexto donde muy pocas iniciativas se aprueban, ese cambio puede ser políticamente importante.
¿Qué aprendemos del ejemplo?
Este paper muestra varias piezas del razonamiento cuantitativo:
- conceptos convertidos en variables
- hipótesis evaluadas empíricamente
- uso de modelos según el tipo de variable dependiente
- controles estadísticos
- interpretación de probabilidades
- distinción entre significancia estadística y sustantiva
Limitaciones de los métodos cuantitativos
Los métodos cuantitativos:
- dependen de la calidad de los datos
- requieren supuestos
- simplifican fenómenos complejos
- pueden ocultar mecanismos
- no prueban causalidad automáticamente
Pero también tienen ventajas
Permiten:
- analizar muchos casos
- comparar sistemáticamente
- estimar magnitudes
- evaluar hipótesis
- hacer explícita la incertidumbre
- producir evidencia replicable
Cierre
Pensar cuantitativamente implica:
- medir conceptos
- comparar casos
- modelar incertidumbre
- estimar relaciones
- evaluar hipótesis
- interpretar evidencia con cautela
Pregunta final
¿Qué hace más fuerte a una investigación cuantitativa: el modelo estadístico usado o la calidad de la pregunta, los datos y la interpretación?
Para discutir
🚨 Un modelo sofisticado no corrige una mala pregunta, una mala medición o una mala interpretación.
Los métodos cuantitativos son herramientas.
📌 No sustituyen al razonamiento teórico.
