AIFI - Academia para la Investigación y Formación Integral

📊 Uno de los errores más graves en las investigaciones Cuantitativas, es analizar hipótesis antes de comprobar si el instrumento realmente está midiendo bien las variables.

He visto investigaciones con modelos estadísticos avanzados, hipótesis significativas y conclusiones aparentemente sólidas… construidas sobre instrumentos que tenían problemas graves de medición. El problema es simple:

⚠️ Si el cuestionario mide mal las variables, las hipótesis también pueden estar mal comprobadas y los resultados no serían confiables.

Para evitarlo es recomendable aplicar el Análisis Factorial Confirmatorio (AFC), una técnica que permite verificar si la estructura del modelo de medida, realmente tiene respaldo estadístico, es decir, si las preguntas o items realmente miden el concepto que pretenden medir, y si estos items no miden dos o más conceptos al mismo tiempo.

Este análisis debe realizarse antes de interpretar hipótesis, relaciones causales o resultados estructurales, puesto que necesitamos demostrar que el modelo de medición funciona correctamente. Para esto, la técnica utiliza varios indicadores y procesos de análisis como:

✅ cargas factoriales
✅ validez convergente
✅ validez discriminante
✅ AVE
✅ fiabilidad compuesta
✅ índices de ajuste del modelo

El AFC no sirve para “hacer más sofisticada” una investigación, sino para detectar problemas que pueden cambiar completamente la interpretación de los resultados.

Primero debemos demostrar que estamos midiendo correctamente la realidad que intentamos explicar.

💸 “Me aceptaron el artículo… pero ahora debo pagar USD 2.000 para publicarlo.”

He visto investigadores vivir uno de los momentos más frustrantes del proceso de publicación y esto tiene que ver con los costos de publicación. Ahí aparece una realidad que muchos descubren demasiado tarde: ❌ Publicar en un journal no siempre debería convertirse en una barrera económica.

Muchos investigadores creen que solo existen dos caminos: pagar miles de dólares en costos de publicación o abandonar o retrasar la publicación. Pero existe una alternativa y son las revistas diamante.

Estas presenta un un modelo donde el autor no paga por publicar, manteniendo el proceso de revisión por pares y el acceso abierto al conocimiento. Sin embargo, ⚠️ las revistas diamante tampoco siempre son la mejor decisión. Algunas pueden tener procesos editoriales más lentos, menor infraestructura tecnológica, menor frecuencia de publicación o visibilidad internacional variable. Si alguien necesita publicar rápido por trámites de graduación, becas, ascensos o procesos institucionales, esto puede convertirse en un problema importante.

Mi recomendación es que debemos equilibrar todos estos factores. Antes de pagar costos de publicación, revisa si existe una revista diamante alineada con tu temática; pero al mismo tiempo verifica los procesos editoriales de estas revistas para evitar otro tipo de contratiempos en tus publicaciones

¿Cómo encontrarlas? Puedes encontrar un listado de revistas diamante a través de este enlace:

https://www.scimagojr.com/journalrank.php?openaccess_diamond=true

Recuerda que publicar estratégicamente no consiste en pagar más; sino en tomar mejores decisiones al momento de publicar

Una de las frases más dolorosas que leo en correos que envían algunas revistas científicas, es esta:

“Although the topic is interesting, the manuscript does not sufficiently establish its contribution.”

Esto puede darse por varias razones, por ejemplo: ❌ El problema no fueron los resultados. ❌ El problema no fue la metodología. ❌ El problema fue la introducción.

Muchos investigadores creen que la introducción sirve para “hablar del tema”, llenar párrafos con antecedentes o demostrar cuánto leyeron. Y ahí comienza el problema. Las revistas de alto impacto no buscan una introducción extensa; buscan una introducción estratégica.

He revisado artículos rechazados donde el autor dedicó varios párrafos a explicar el contexto y en pocas líneas responden la pregunta más importante:

📌 ¿Por qué este estudio debería existir?

Esta es mi recomendación de como se podría estructurar una buena introducción, a través de la respuesta progresiva a las siguientes preguntas clave:

✅ ¿Qué fenómeno o problema existe? No solo describirlo, sino mostrar por qué importa.
✅ ¿Qué sabemos hasta ahora? Sintetizar antecedentes, no hacer una lista interminable de autores.
✅ ¿Qué no sabemos todavía? Aquí aparece la famosa brecha teórica o gap.
✅ ¿Por qué esa brecha es importante? Porque no todo vacío merece una investigación.
✅ ¿Qué aporta realmente este estudio? La contribución debe decirse de forma explícita, no dejar que el lector la adivine.
✅ ¿Cómo se abordará el problema? Una breve orientación metodológica y estructura del artículo.

Las revistas de alto impacto suelen valorar algo que muchos olvidan: no basta con decir, por ejemplo “no existen estudios en contextos latinoamericanos”. Eso NO siempre es una brecha científica.

Una brecha real puede ser resultados contradictorios, teorías que explican parcialmente un fenómeno, limitaciones metodológicas previas o nuevos contextos tecnológicos y sociales. Debemos demostrar por qué resolver ese vacío cambia algo importante.

Debo aclarar que esta es mi recomendación con base en mi experiencia y las recomendaciones de otros autores y editoriales; sin embargo, debes siempre adherirte a los lineamientos para autores que toda revista publica en sus sitios web

📊 Uno de los errores más comunes que encuentro al revisar tesis y artículos científicos es este:

👉 Investigadores comparando dos grupos… pero utilizando pruebas estadísticas de forma incorrecta

El problema no es solo metodológico, ya que, una mala elección estadística, puede hacer que una hipótesis válida termine siendo rechazada, o peor aún, que las conclusiones de toda una investigación pierdan credibilidad.
Aquí es donde entra una de las pruebas más importantes en investigación cuantitativa:

🔹 La Prueba T de Student
Esta prueba se utiliza para determinar si existe una diferencia estadísticamente significativa entre las medias de dos grupos.

Por ejemplo:
✔️ ¿Los estudiantes que utilizan IA obtienen mejores calificaciones que quienes no la utilizan?
✔️ ¿Existe diferencia en satisfacción laboral entre trabajadores remotos y presenciales?
✔️ ¿Un tratamiento reduce significativamente la ansiedad frente a otro?

La prueba T permite responder si la diferencia observada realmente es significativa… o si podría deberse simplemente al azar.

Pero aquí viene el problema 👇
📌 Muchas investigaciones aplican la prueba T sin verificar aspectos fundamentales como:

❌ Normalidad y tipo de datos
❌ Homogeneidad de varianzas
❌ Independencia entre grupos
❌ Tamaño muestral adecuado

Y después aparecen resultados inconsistentes, hipótesis mal interpretadas o artículos observados en revisión por pares.

Hace poco revisé un trabajo donde el investigador quería demostrar diferencias entre dos metodologías de enseñanza. Había aplicado una prueba T… pero los datos no cumplían supuestos básicos de normalidad. El resultado estadístico era significativo, pero metodológicamente puede ser cuestionable.

📌 En investigación y análisis de datos, no basta con obtener un valor p < 0.05 para verificar la significancia o no del resultado; también debemos demostrar que la técnica utilizada fue la correcta.

Si estás desarrollando una investigación y necesitas apoyo metodológico o estadístico, puedes escribirme.

📊 Una pequeña guía de uso de Pruebas Estadísticas Inferenciales

En investigación científica, elegir correctamente una prueba estadística es fundamental, ya que cada técnica responde a un tipo distinto de pregunta de investigación y permite comprobar diferentes hipótesis; de esta manera se puede transformar información en evidencia científica confiable. A continuación un pequeño resumen de las principales pruebas estadísticas inferenciales:

🔹 Intervalos de Confianza
Permiten estimar un rango dentro del cual probablemente se encuentra el valor real de una población.
📌 Se utilizan para hipótesis relacionadas con estimación de parámetros poblacionales.
Ejemplo: “El promedio de satisfacción de los clientes es superior a 4/5.”

🔹 Prueba T de Student
Compara las medias entre dos grupos para determinar si existen diferencias significativas.
📌 Se aplica en hipótesis de diferencia de medias.
Ejemplo: “Los estudiantes que usan IA obtienen mejores calificaciones que quienes no la utilizan.”

🔹 ANOVA (Análisis de Varianza)
Permite comparar medias entre tres o más grupos.
📌 Ideal para hipótesis de comparación múltiple de medias.
Ejemplo: “Existen diferencias en el rendimiento académico según la metodología de enseñanza.”

🔹 Correlación Simple
Evalúa la relación entre dos variables cuantitativas.
📌 Se utiliza en hipótesis de asociación o relación entre variables.
Ejemplo: “Existe relación positiva entre liderazgo transformacional y comportamiento innovador.”

📌 Algo clave que siempre explico a mis estudiantes e investigadores:
La prueba estadística no se elige porque “es la más conocida”, sino porque debe responder correctamente al objetivo, tipo de variable, número de grupos y tipo de hipótesis planteada.

Una buena investigación utiliza la técnica adecuada para convertir esos datos en conocimiento científico.

Muchas veces en investigación queremos responder preguntas complejas como:
👉 ¿El liderazgo realmente influye en la innovación? 👉 ¿La satisfacción laboral impacta en el desempeño? 👉 ¿La confianza afecta la intención de compra?

El problema es que muchas de estas variables no pueden medirse directamente. No podemos “ver” la motivación, el compromiso o la innovación… pero sí podemos aproximarnos a ellas mediante indicadores.

Aquí es donde entran los Modelos de Ecuaciones Estructurales (SEM). 📊
Los SEM permiten analizar simultáneamente: ✔️ relaciones entre variables, ✔️ validar teorías, ✔️ comprobar hipótesis con datos reales, ✔️ y entender fenómenos complejos desde una perspectiva científica.

En términos sencillos, combinan estadística, teoría y lógica investigativa para construir modelos que expliquen cómo interactúan diferentes factores dentro de un fenómeno.
Algo que siempre recalco a mis estudiantes e investigadores es esto:

🔎 Un buen modelo SEM no empieza en el software. Empieza en la teoría.
El software puede calcular coeficientes, cargas factoriales o índices de ajuste… pero la verdadera calidad del modelo depende de: • la claridad conceptual, • la construcción adecuada de variables, • la lógica de las hipótesis, • y la capacidad del investigador para interpretar los resultados.

Hoy en día, herramientas como SmartPLS, AMOS, LISREL o R han democratizado mucho este tipo de análisis, pero sigue siendo fundamental comprender qué estamos modelando y por qué.

Los modelos de ecuaciones estructurales son especialmente útiles en: 📚 tesis de maestría y doctorado, 📄 artículos científicos, 🏢 estudios organizacionales, 🎓 investigación educativa, 💡 marketing, 👥 comportamiento humano, y muchos otros campos donde existen relaciones complejas entre variables.

Al final, los SEM nos ayudan a transformar datos en evidencia y evidencia en decisiones inteligentes.

¡Te invito a participar en nuestro curso gratuito de Diseño de Recursos Educativos con Inteligencia Artificial! 🌟

🔹 ¿Por qué unirte?

• Sesiones sincrónicas GRATUITAS vía Zoom (del 25 al 27 de mayo de 2026, de 19h00 a 21h00).
• Opcional puedes acceder a una certificación y a las clases grabadas con materiales complementarios en nuestra plataforma EVA, por un año

🔹 ¿Qué aprenderás?

• Fundamentos de la IA generativa y su aplicación en educación.
• Diseño Instruccional y Pedagogía Activa con IA Generativa.
• Generación de recursos multimedia como videos educativos, presentaciones e infografías.

🔹 ¡No pierdas la oportunidad! Para más detalles, únete al grupo de WhatsApp
https://chat.whatsapp.com/IVqAi8gKyZhAX1axi7OemG

¡Espero verte allí y empezar a innovar juntos! 🚀

Aún no publicas en Scopus? ¡Este curso es para ti!

Transforma tu idea en un artículo científico publicado — en solo 4 sesiones.

🧠 Domina la investigación cuantitativa con IA, Jamovi y JASP

🚀 Con la guía paso a paso del PhD. Carlos Manosalvas, investigador y mentor en publicación científica.

📅 Fechas: 01, 02, 04 y 09 de junio de 2026
⏰ Horario: 19h00 a 21h30 (sesiones sincrónicas por Zoom)

👉🏼 Precio especial: $35 USD

📲 Únete al grupo de WhatsApp y recibe toda la información exclusiva, fechas y bonos:
https://chat.whatsapp.com/EDNpkEjxj4g0tTsPt7q7I4