Modelos explicativos básicos
Cuando ya no basta con describir ni asociar
Después de hablar de asociación y relación entre variables, varios me escribieron con la misma inquietud, formulada de distintas maneras:
“Ya, entiendo que dos variables se relacionan… pero ¿cómo explico por qué ocurre eso?”
Esa pregunta marca un punto de inflexión en muchas tesis cuantitativas. Ahí es donde empezamos a movernos desde la descripción y la asociación hacia los modelos explicativos. Y ese paso, si no se hace con cuidado, suele generar más confusión que claridad.
Por eso quise dedicar este post a los modelos explicativos básicos. Sin correr. Sin fórmulas innecesarias. Pensando en tesis reales.
¿Qué entendemos por un modelo explicativo?
Un modelo explicativo es, en lo esencial, una forma sistemática de responder a una pregunta del tipo:
¿En qué medida una o más variables contribuyen a explicar el comportamiento de otra?
No se trata solo de saber si X y Y están relacionadas, sino de estimar el efecto de una variable sobre otra, controlando —cuando corresponde— la influencia de otras variables relevantes.
Dicho de otro modo: aquí ya no solo observamos patrones, sino que intentamos proponer una explicación empíricamente fundada.
Un ejemplo simple y muy común
Imagina una tesis que estudia el rendimiento académico universitario.
Hasta ahora, podrías haber mostrado que:
Existe asociación entre horas de estudio y promedio de notas.
Existe asociación entre nivel socioeconómico y promedio de notas.
Un modelo explicativo aparece cuando la pregunta cambia a algo como:
¿Cuánto influyen las horas de estudio en el rendimiento académico, considerando el nivel socioeconómico del estudiante?
Ahí ya no basta con correlaciones separadas. Necesitas un modelo que permita estimar efectos conjuntos.
El modelo explicativo más básico: la regresión
En la mayoría de las tesis cuantitativas de pregrado y magíster, el primer modelo explicativo que aparece es la regresión. No porque sea “superior” a otros métodos, sino porque suele ser suficiente para responder preguntas explicativas básicas de manera clara y defendible.
En términos simples, una regresión permite estimar cómo cambia una variable dependiente cuando una variable independiente varía, manteniendo constantes otras variables relevantes. Esa idea de “mantener todo lo demás constante” es la clave conceptual del modelo.
Cuando se entiende así, la regresión deja de parecer una caja negra estadística y se transforma en una herramienta bastante intuitiva para pensar explicaciones.
Explicar no es lo mismo que demostrar causalidad
Este punto merece detenerse un momento, porque aquí se cometen muchos errores en tesis.
Un modelo explicativo no prueba causalidad por sí solo. Lo que hace es estimar relaciones explicativas bajo ciertos supuestos teóricos y metodológicos. La causalidad no aparece mágicamente porque el coeficiente sea significativo.
Para hablar con seriedad de causalidad, entran en juego otros elementos, a saber, el diseño del estudio, la teoría que sustenta las relaciones propuestas, la temporalidad de los datos y la plausibilidad del mecanismo explicativo. Sin eso, lo más honesto metodológicamente suele ser hablar de variables que contribuyen a explicar variaciones, no de causas en sentido fuerte.
¿Cuándo tiene sentido usar un modelo explicativo?
Un buen indicador es la propia pregunta de investigación. Cuando la pregunta busca explicar diferencias, variaciones o efectos, y no sólo describir fenómenos, entonces un modelo explicativo empieza a tener sentido.
También es clave que exista un respaldo teórico para las variables incluidas. Un modelo no se justifica por la cantidad de variables que incorpora, sino por la coherencia del razonamiento que las conecta con el fenómeno estudiado.
Cuando estos elementos no están claros, forzar un modelo explicativo suele debilitar la tesis más que fortalecerla.
Errores frecuentes que veo en tesis
Muchos de los problemas que aparecen en modelos explicativos no son estadísticos, sino conceptuales. Es común ver regresiones incluidas “porque corresponde”, sin que la pregunta realmente lo exija. También aparece con frecuencia la tentación de incluir muchas variables sin justificación clara, o de interpretar automáticamente los coeficientes como pruebas causales.
El resultado suele ser un capítulo de resultados técnicamente correcto, pero metodológicamente frágil.
Breve nota metodológica
Antes de pensar en modelos explicativos, conviene hacer una pausa y revisar tres cosas básicas: qué variable se quiere explicar y cómo está medida; qué variables explicativas tienen sentido desde el punto de vista teórico; y qué tipo de relación se espera entre ellas.
Un buen modelo explicativo se construye desde la pregunta de investigación hacia adelante, no desde el software hacia atrás. Cuando esa lógica se invierte, los problemas aparecen muy rápido.
Para cerrar
Los modelos explicativos son herramientas potentes, pero también delicadas. Bien usados, permiten comprender fenómenos complejos con mayor profundidad. Mal usados, producen resultados elegantes, pero vacíos.
Mi recomendación es siempre la misma, empezar por la pregunta y no por la técnica.
Si la pregunta está bien planteada, el modelo suele aparecer casi solo.
Si quieres, en el próximo post podemos entrar con más calma en cómo leer e interpretar resultados de un modelo explicativo sin perder el sentido sustantivo, que es justo donde muchas tesis se entrampan.