Métodos de Análisis e Investigación de Mercado y su Validación
Principios de Trabajo
Primero, lea Fuentes y Reglas para confirmar la base del manuscrito y el alcance de las reglas aplicables. Cuando se trate de plazos, número de páginas, ponderaciones, anonimato, IA o métodos de envío, verifique en línea los documentos oficiales de la edición, grupo y fase objetivo; si la verificación falla, indique que está pendiente de verificar, pero no obstaculice la realización del contenido de la investigación. No convierta los ejemplos del manuscrito en reglas rígidas del concurso.
Por defecto en español. Primero revise los materiales existentes del usuario y el progreso actual; solo pregunte por la información faltante que cambiaría el plan, para el resto asuma hipótesis y continúe. Cuando no haya datos originales, solo proporcione el plan, plantillas a rellenar o demostraciones claramente identificadas; no invente muestras, estadísticos, entrevistas, referencias bibliográficas ni identidades de ganadores. Entregue según la profundidad de la tarea del usuario; las modificaciones parciales no obligan a rehacer todo el proceso.
Objetivo
Según los capítulos 3, 5 y 6 del manuscrito, vincule cada método a la pregunta de investigación, las condiciones de los datos y la salida interpretable. Primero determine si la tarea es describir, comparar, explicar, agrupar, predecir o explorar conceptos, y luego seleccione el modelo.
Puerta de Entrada de los Datos al Análisis
- Confirme la unidad de análisis, el período de observación, la fuente de la muestra, el diseño probabilístico/no probabilístico, estratos/clústers/ponderaciones, mediciones repetidas, la versión del cuestionario, las reglas de inclusión/exclusión y el diccionario de datos. Sin un marco completo y un mecanismo de extracción conocido, no se denomine muestreo aleatorio simple.
- Los datos originales se conservan en modo solo lectura; la limpieza, el análisis y la salida se deben estratificar. Revise los campos y números de ítems, recodificaciones, puntuaciones inversas, expansión de opción múltiple, saltos, duplicados, conflictos lógicos y mecanismos de datos faltantes. Diferencie entre no aplicable, no respuesta, no sabe y dato faltante sistémico.
- Las anomalías se revisan manualmente con múltiples evidencias; no se eliminen muestras solo por tiempo de respuesta, misma IP o selección consecutiva de la misma opción. Se debe llevar un registro de las reglas, su fundamento, número de aciertos, tratamiento y versión; compare el impacto de las reglas de limpieza clave en las conclusiones.
- Reporte el flujo de contactos, respuestas, exclusiones y muestra de análisis. Cuando diferentes modelos tengan diferente n debido a datos faltantes, explique cada caso por separado. No modifique repetidamente grupos, elimine ítems o filtre muestras para lograr significancia estadística.
Tabla de Decisión de Métodos
| Tarea / Datos | Métodos Opcionales | Verificación Previa | Entrega Principal y Limitaciones |
|---|---|---|---|
| Estado actual y distribución | Frecuencias, proporciones, media/mediana, dispersión e intervalo | Nivel de medición, asimetría, denominador, ponderación, cobertura muestral | Perfil muestral y límites; el tamaño grande de la muestra no garantiza representatividad |
| Asociación de variables categóricas | Tablas cruzadas, chi-cuadrado o prueba exacta; para diseños complejos, usar correcciones correspondientes | Independencia, celdas con frecuencias esperadas bajas, observaciones repetidas | Proporciones de grupos, medidas de asociación e intervalos, no causalidad |
| Diferencias en variables continuas/ordinales | t/Welch, ANOVA o pruebas de rangos adecuadas; para datos pareados, usar métodos pareados | Independencia o pareo, distribución, heterocedasticidad, significado del rango | Magnitud de la diferencia, tamaño del efecto e intervalos; las pruebas de rangos no deben describirse genéricamente como pruebas de medias |
| Dimensiones latentes de múltiples ítems | EFA; cuando hay estructura previa, CFA | Semántica del constructo, correlación entre ítems, distribución, muestra y método de estimación | Dimensiones, cargas y evidencia de medición; EFA/CFA en la misma muestra no constituye validación independiente |
| Segmentación de usuarios | Clustering o modelos mixtos adecuados al tipo de variable | Escala, anomalías, variables redundantes, distancia, ponderación y canal | Grupos estables, perfil externo, reglas de alcance; no etiquetar como personalidad fija |
| Resultados continuos/binarios/ordinales/multinomiales/de conteo | Regresión lineal, logística, ordinal o multinomial, Poisson/binomial negativa, etc. | Codificación de referencia, distribución del resultado, colinealidad, residuos o sobredispersión, dependencia jerárquica | Coeficientes/odds ratios/probabilidades o tasas de conteo e intervalos; asociación condicional no equivale a causalidad |
| Trayectorias de variables latentes teóricas | SEM y estimación de efectos indirectos | Primero, modelo de medición, identificación, muestra, método de estimación, ajuste y modelos competidores | Intervalos de trayectorias y efectos indirectos; la mediación transversal no prueba mecanismos de transmisión causal |
| Series temporales | Descomposición, modelos de series temporales adecuados, pronóstico móvil | Periodicidad temporal, tendencia estacional, autocorrelación, anomalías y cambios estructurales | Retención temporal y línea base simple, intervalos de predicción; no se debe aleatorizar el orden temporal |
| Exploración conceptual de fenómenos nuevos | Análisis de contenido/temático de entrevistas; cuando el diseño lo permita, teoría fundamentada | Reclutamiento, transcripción de grabaciones, consentimiento, cadena de codificación y casos negativos | Citas literales → códigos → categorías → interpretación, con evidencia de saturación; sin muestreo iterativo teórico no se debe etiquetar como teoría fundamentada completa |
| Comentarios en plataformas y preguntas abiertas | Análisis de contenido manual, frecuencias de palabras y co-ocurrencia, modelos de temas/sentimiento | Cobertura de la fuente, deduplicación, términos del dominio, etiquetas y validación manual | Textos representativos, estabilidad, error de validación; las nubes de palabras no reemplazan el análisis, la frecuencia de comentarios no equivale a tasa poblacional |
| Predicción y aprendizaje automático | Línea base y modelos predictivos acordes al objetivo y la muestra | Fuga de datos, desbalance de clases, división por grupos/tiempo | Rendimiento en prueba independiente, calibración/error y rendimiento por grupos; la importancia de características no equivale a efecto causal |
Juicios Clave
Muestreo: el tamaño de la muestra debe considerar la precisión del objetivo, el tamaño del efecto, los subgrupos, la complejidad del modelo, el efecto de diseño y la falta de respuesta; escriba claramente los supuestos de la fórmula; la fórmula para muestras probabilísticas no puede probar la precisión de muestras de conveniencia. El análisis de diseños complejos debe utilizar estratos, clústers y ponderaciones, así como la estimación de varianza correspondiente. Al ponderar, reporte el n sin ponderar, la fuente de las ponderaciones, su distribución y sus supuestos; no se puede afirmar que la calibración elimina la autoselección.
Medición: primero verifique los ítems inversos y la cobertura del concepto, luego examine la fiabilidad y validez. El alfa de Cronbach no es obligatorio para todo el cuestionario, ni prueba unidimensionalidad o validez; los ítems demográficos y los indicadores formativos no deben combinarse mecánicamente para calcular alfa. El ACP/EFA debe combinarse con análisis paralelo/gráfico de sedimentación, semántica y rotación; el CFA debe reportar el método de estimación y los indicadores adecuados; no se debe reemplazar el juicio con un único umbral de aprobación. Cuando la medición sea inestable, detenga la interpretación de las trayectorias estructurales del SEM, revise el diseño o retroceda a la exploración, descripción y evidencia cualitativa.
Comparación: reporte simultáneamente la dirección, magnitud, incertidumbre y significancia práctica. Para pruebas de múltiples grupos o múltiples indicadores, explique la estrategia de comparaciones múltiples; "un grupo es significativo y el otro no" no prueba que los efectos difieran entre grupos; se debe realizar directamente una prueba de interacción o de diferencias. Al comparar escalas entre grupos, tenga en cuenta la equivalencia de medición.
Modelo: primero escriba las variables y la justificación del planteamiento, luego estime y diagnostique, y finalmente interprete; no seleccione resultados probando repetidamente hasta encontrar significancia. Los odds ratios logísticos no deben interpretarse como riesgos relativos; los coeficientes estandarizados no deben interpretarse como cambios en unidades originales. Los errores estándar robustos no reparan la omisión de variables. Un buen ajuste y muchas variables de control no prueban causalidad; cuando no haya una identificación creíble, use términos como "correlación/predicción/indicio de mecanismo".
Predicción: divida en entrenamiento/validación/prueba; el preprocesamiento y la selección de características solo deben ajustarse en los pliegues de entrenamiento; los registros del mismo objeto/tienda deben aislarse por grupo, y las series temporales, por tiempo. Compare con una línea base ingenua; la clasificación debe combinar precisión, exhaustividad, F1, matriz de confusión, discriminación y calibración; seleccione según la tarea, no los enumere todos como decoración. Con muestras pequeñas, no fuerce el uso de aprendizaje automático por complejidad.
Cualitativo y texto: describa el libro de códigos, ejemplos de codificación y el tratamiento de la revisión/desacuerdo; la clasificación/extracción automática debe tener un conjunto de validación manual representativo, reporte el error y el contexto de aplicabilidad. Integre fuentes múltiples unificando objeto, tiempo y concepto; no cuente el número de líneas como número de personas ni combine arbitrariamente registros individuales.
Salida y Validación
Primero entregue el plan de análisis: Pregunta | Tipo de variable y codificación | Muestra/Diseño | Método y justificación | Diagnóstico de supuestos | Forma del resultado | Validación y alternativas | Lo que no se puede responder. Si hay datos reales y condiciones de ejecución, proporcione además un resumen de calidad de datos, sintaxis/código reproducible, tablas/gráficos clave con interpretación, robustez y limitaciones.
Congele los datos, registre la versión del software y la semilla aleatoria; el código y las gráficas deben corresponder a la misma versión. Las comprobaciones de sensibilidad deben determinarse por el riesgo real: valores faltantes, ponderaciones, reglas de anomalías, configuraciones, estabilidad de la segmentación, etc.; no apile pruebas mecánicamente. Mantenga la distinción entre análisis planificado/corregido/exploratorio y los resultados no significativos. Cuando el software no pueda ejecutar la salida, solo interprete el contenido visible; no se puede afirmar que se ha reproducido.
Al finalizar, responda: ¿qué evidencia responde a cada pregunta?, ¿se cumplen los supuestos?, ¿bajo qué condiciones cambian los resultados?, ¿qué acciones pueden respaldarse?; cuando los datos sean insuficientes, proporcione un plan de reducción o requisitos de recopilación adicional.