Curso de Psicología Cuantitativa

Formular preguntas de investigación claras, medibles y conectadas con teoría psicológica.

Diferenciar estudios descriptivos, correlacionales, experimentales, cuasi-experimentales, longitudinales y transversales.

Evitar elegir técnicas estadísticas antes de definir hipótesis, variables, población y diseño.

Plantear hipótesis nulas, alternativas, direccionales, no direccionales y exploratorias.

Diseñar estudios con grupos, condiciones, mediciones repetidas, cohortes o intervenciones.

Controlar amenazas a la validez interna, externa, estadística y de constructo.

Identificar variables independientes, dependientes, mediadoras, moderadoras y de control.

Elaborar matriz de diseño con pregunta, constructo, indicador, instrumento, muestra y análisis previsto.

Documentar decisiones metodológicas antes de recoger datos.

Taller: transformar una pregunta psicológica amplia en diseño cuantitativo defendible.

Definir constructos como ansiedad, estrés, bienestar, inteligencia, engagement, satisfacción o impulsividad.

Diferenciar constructo teórico, dimensión, indicador, ítem, escala y puntuación observada.

Evitar medir conceptos complejos con un único ítem sin justificación.

Traducir teoría psicológica en variables observables.

Identificar indicadores conductuales, autorreportados, fisiológicos, cognitivos y contextuales.

Crear mapas de constructo para visualizar dimensiones y relaciones esperadas.

Revisar riesgo de ambigüedad semántica en cuestionarios y pruebas.

Diseñar especificaciones de instrumento antes de redactar ítems.

Documentar el vínculo entre teoría, ítems y análisis.

Taller: operacionalizar un constructo psicológico en dimensiones, variables e indicadores medibles.

Diferenciar variables nominales, ordinales, intervalares, de razón, dicotómicas, discretas y continuas.

Identificar escalas Likert, diferenciales semánticos, rankings, tiempos, frecuencias y puntuaciones estandarizadas.

Evitar tratar toda escala ordinal como continua sin revisar supuestos y consecuencias.

Codificar variables de forma coherente para análisis estadístico.

Detectar variables invertidas, categorías raras, valores extremos y codificaciones inconsistentes.

Preparar diccionario de datos con nombre, etiqueta, tipo, rango, codificación y fuente.

Elegir análisis adecuados según tipo de variable.

Revisar cómo la escala de medida afecta a visualización, correlación, regresión y modelos.

Documentar transformaciones y recodificaciones.

Taller: construir diccionario de datos psicológico a partir de una encuesta realista.

Diferenciar población, muestra, unidad de análisis, marco muestral y criterio de inclusión.

Comparar muestreo probabilístico, no probabilístico, por conveniencia, estratificado, por cuotas y bola de nieve.

Evitar generalizar resultados de muestras pequeñas o sesgadas.

Calcular tamaño muestral según objetivo, efecto esperado, potencia, error y diseño.

Interpretar potencia estadística sin convertirla en trámite automático.

Analizar consecuencias de abandonos, datos incompletos y pérdidas longitudinales.

Diseñar estrategias para mejorar representatividad y diversidad.

Documentar justificación del tamaño muestral.

Revisar límites prácticos de muestras en organizaciones y contextos clínicos.

Taller: estimar muestra necesaria para detectar cambio en bienestar tras una intervención.

Revisar datos faltantes, valores atípicos, respuestas inconsistentes, tiempos anómalos y patrones de respuesta.

Detectar straightlining, careless responding, duplicados y respuestas incompatibles.

Evitar limpiar datos sin criterio documentado.

Crear reglas de exclusión, imputación y tratamiento de missing values.

Diferenciar MCAR, MAR y MNAR en datos faltantes.

Revisar sesgos de deseabilidad social, aquiescencia y fatiga del participante.

Preparar flujo de control de calidad antes de análisis.

Documentar cada decisión de limpieza.

Crear variables derivadas y puntuaciones compuestas con trazabilidad.

Taller: limpiar dataset de cuestionario con missing, outliers y respuestas descuidadas.

Calcular frecuencias, medias, medianas, desviaciones típicas, percentiles, asimetría y curtosis.

Elegir descripciones adecuadas según tipo de variable y distribución.

Evitar resumir datos psicológicos complejos solo con una media global.

Explorar distribuciones, grupos, subescalas y patrones de respuesta.

Visualizar histogramas, densidades, boxplots, barras, violines y matrices de dispersión.

Detectar problemas de techo, suelo, baja variabilidad o categorías infrautilizadas.

Preparar tablas descriptivas para informes técnicos y ejecutivos.

Comparar grupos de forma exploratoria sin sobreinterpretar.

Revisar consistencia entre estadísticas y visualizaciones.

Taller: crear informe descriptivo de una encuesta de bienestar y clima laboral.

Revisar conceptos de distribución muestral, error estándar, intervalo de confianza y valor p.

Diferenciar significación estadística, relevancia práctica y tamaño del efecto.

Evitar interpretar p < .05 como prueba absoluta de verdad.

Aplicar pruebas t, chi-cuadrado, correlaciones y contrastes no paramétricos cuando procede.

Comprobar supuestos de normalidad, independencia, homocedasticidad y tamaño muestral.

Reportar intervalos de confianza y tamaños del efecto.

Gestionar comparaciones múltiples y riesgo de falsos positivos.

Diferenciar análisis confirmatorio y exploratorio.

Comunicar resultados de forma clara y honesta.

Taller: analizar diferencias entre grupos y redactar interpretación psicológica correcta.

Calcular correlaciones Pearson, Spearman, Kendall y asociaciones para variables categóricas.

Interpretar fuerza, dirección, incertidumbre y contexto de una asociación.

Evitar inferir causalidad a partir de correlaciones transversales.

Identificar variables de confusión, supresión, mediación y moderación.

Visualizar relaciones con dispersión, suavizados, facetas y matrices de correlación.

Revisar efectos de outliers y rangos restringidos.

Comparar asociaciones entre grupos.

Documentar hipótesis causales separadas de evidencia observacional.

Preparar lenguaje cuidadoso para informes no técnicos.

Taller: analizar relación entre estrés, sueño, rendimiento y satisfacción sin caer en causalidad indebida.

Construir modelos de regresión lineal simple y múltiple.

Interpretar coeficientes, intercepto, R², residuos, intervalos y predicciones.

Evitar meter variables en el modelo sin teoría o criterio analítico.

Comprobar linealidad, homocedasticidad, normalidad de residuos, independencia y multicolinealidad.

Codificar variables categóricas y contrastes.

Comparar modelos anidados y seleccionar predictores con prudencia.

Diferenciar predicción, explicación y control estadístico.

Reportar resultados con tablas, gráficos e interpretación aplicada.

Validar modelo con partición de datos o métricas de error cuando procede.

Taller: predecir bienestar psicológico a partir de estrés, apoyo social y sueño.

Aplicar ANOVA de un factor, factorial, medidas repetidas y diseños mixtos básicos.

Interpretar efectos principales, interacciones y comparaciones post hoc.

Evitar usar múltiples pruebas t cuando corresponde un modelo global.

Incorporar covariables con ANCOVA cuando existe justificación teórica.

Revisar supuestos de homogeneidad, independencia, normalidad y esfericidad.

Reportar tamaños del efecto como eta cuadrado, omega cuadrado o equivalentes.

Visualizar medias marginales, intervalos e interacciones.

Relacionar resultados con hipótesis psicológicas.

Preparar conclusiones comprensibles para usuarios no estadísticos.

Taller: evaluar diferencias de ansiedad por grupo de intervención, género y tiempo.

Entender cuándo la regresión lineal no es adecuada por tipo de respuesta.

Aplicar regresión logística para resultados dicotómicos.

Usar modelos para conteos, proporciones o variables no normales cuando procede.

Interpretar odds ratios, probabilidades, log-odds y efectos marginales.

Evitar explicar odds ratios como si fueran diferencias directas de porcentaje.

Comprobar ajuste, clasificación, sensibilidad, especificidad y calibración.

Visualizar probabilidades predichas por perfiles.

Documentar límites de modelos predictivos con datos psicológicos.

Integrar GLM en estudios de riesgo, conducta, adherencia o decisión.

Taller: modelar probabilidad de abandono de una intervención psicológica.

Identificar datos anidados: estudiantes en aulas, empleados en equipos, pacientes en terapeutas o mediciones en personas.

Entender interceptos aleatorios, pendientes aleatorias y estructura multinivel.

Evitar ignorar dependencia de datos cuando las observaciones no son independientes.

Construir modelos mixtos para diseños longitudinales y jerárquicos.

Interpretar varianza entre grupos, efectos fijos y efectos aleatorios.

Comparar modelos con distinta estructura.

Visualizar trayectorias individuales y grupales.

Gestionar datos desbalanceados y mediciones incompletas.

Reportar resultados de forma aplicada.

Taller: analizar evolución de estrés en empleados anidados dentro de departamentos.

Definir fiabilidad como precisión, estabilidad y consistencia de una medida.

Calcular alfa de Cronbach, omega, test-retest, split-half y fiabilidad compuesta cuando procede.

Evitar usar alfa como único criterio de calidad de escala.

Analizar correlaciones ítem-total, varianza, discriminación y efecto de eliminar ítems.

Interpretar fiabilidad según uso: investigación, screening, evaluación individual o decisiones de alto impacto.

Revisar diferencias entre consistencia interna y unidimensionalidad.

Documentar evidencia de fiabilidad por muestra y contexto.

Preparar tablas psicométricas claras.

Detectar escalas demasiado cortas, redundantes o heterogéneas.

Taller: evaluar fiabilidad de una escala de engagement y proponer mejoras.

Diferenciar validez de contenido, criterio, constructo, convergente, discriminante y predictiva.

Evitar afirmar que “un test es válido” sin especificar para qué uso, población y contexto.

Diseñar evidencias de validez alineadas con objetivos del instrumento.

Analizar relación entre puntuaciones y variables externas.

Revisar sesgos culturales, lingüísticos, contextuales y de interpretación.

Evaluar validez incremental frente a medidas existentes.

Documentar proceso de revisión por expertos.

Preparar argumento de validez completo.

Comunicar límites de interpretación de una escala.

Taller: construir plan de validación para cuestionario de bienestar organizacional.

Entender el AFE como herramienta para explorar estructura latente.

Revisar adecuación de datos con KMO, Bartlett, correlaciones y tamaño muestral.

Elegir método de extracción y rotación según objetivo y supuestos.

Evitar decidir número de factores solo por eigenvalues mayores que uno.

Usar análisis paralelo, scree plot, interpretabilidad y teoría.

Interpretar cargas factoriales, comunalidades, cross-loadings y factores débiles.

Depurar ítems con criterio teórico y empírico.

Comparar soluciones alternativas.

Documentar decisiones de retención y eliminación.

Taller: explorar estructura factorial de una escala de clima psicológico.

Entender el AFC como prueba de modelos de medición definidos teóricamente.

Especificar modelos con variables latentes, indicadores, errores y covarianzas.

Evaluar ajuste con CFI, TLI, RMSEA, SRMR, chi-cuadrado y criterios contextualizados.

Evitar mejorar modelos solo con índices de modificación sin justificación teórica.

Comparar modelos de medición alternativos.

Revisar cargas, errores, fiabilidad compuesta y validez convergente/discriminante.

Introducir modelos de ecuaciones estructurales para relaciones entre latentes.

Reportar diagramas, parámetros, ajuste y límites.

Usar herramientas como lavaan, Mplus, JASP, jamovi o equivalente.

Taller: confirmar estructura de escala y probar modelo de relación entre estrés, burnout y satisfacción.

Entender IRT como enfoque para modelar relación entre rasgo latente y respuesta a ítems.

Diferenciar modelos 1PL, 2PL, 3PL, Rasch, politómicos y graduados según tipo de ítem.

Interpretar dificultad, discriminación, pseudoazar, información del test y curvas características.

Evitar aplicar IRT sin tamaño muestral, calidad de ítems y modelo adecuado.

Comparar IRT con teoría clásica de los tests.

Analizar funcionamiento de ítems a distintos niveles del rasgo.

Evaluar precisión de medida según rango del constructo.

Detectar ítems pobres o redundantes.

Introducir DIF para revisar funcionamiento diferencial por grupos.

Taller: analizar banco de ítems de una prueba psicológica con modelo IRT básico.

Entender por qué no se deben comparar grupos si la medida no funciona igual en ellos.

Evaluar invarianza configural, métrica, escalar y estricta.

Revisar diferencias entre sexo, edad, país, idioma, departamento, cultura o grupo clínico.

Evitar interpretar diferencias de medias cuando hay sesgo de medición.

Aplicar AFC multigrupo o enfoques equivalentes.

Interpretar cambios en índices de ajuste.

Detectar ítems problemáticos y posibles sesgos.

Documentar decisiones sobre comparación entre grupos.

Comunicar resultados con prudencia.

Taller: evaluar si una escala de engagement mide igual en dos países o departamentos.

Diferenciar estudios transversales, longitudinales, panel, pre-post y seguimiento.

Analizar cambio con diferencias, modelos mixtos, crecimiento y trayectorias.

Evitar concluir eficacia de intervención sin diseño y control adecuados.

Gestionar attrition, missing longitudinal y mediciones desbalanceadas.

Modelar efectos de tiempo, grupo, interacción y covariables.

Visualizar trayectorias individuales y medias.

Evaluar cambio fiable, cambio clínicamente significativo y tamaño del efecto.

Documentar amenazas a la validez en estudios longitudinales.

Interpretar evolución psicológica en contexto.

Taller: evaluar impacto de programa de bienestar con medición pre, post y seguimiento.

Usar clustering para identificar perfiles de respuesta, usuarios, empleados, pacientes o consumidores.

Diferenciar segmentación descriptiva, predictiva y teórica.

Evitar nombrar perfiles psicológicos sin validación y estabilidad.

Preparar variables, escalado, distancia y número de clusters.

Aplicar k-means, clustering jerárquico, modelos de mezcla o enfoques equivalentes.

Evaluar estabilidad, interpretabilidad y utilidad de segmentos.

Visualizar perfiles y diferencias entre grupos.

Conectar segmentos con acciones de intervención, comunicación o producto.

Documentar límites y riesgos de etiquetado.

Taller: identificar perfiles de bienestar laboral y diseñar recomendaciones por segmento.

Introducir probabilidad bayesiana, prior, likelihood, posterior e incertidumbre.

Comparar enfoque bayesiano con inferencia frecuentista.

Evitar presentar resultados bayesianos como automáticamente superiores sin contexto.

Aplicar modelos simples de estimación, comparación de grupos y regresión bayesiana.

Interpretar intervalos creíbles, factores Bayes y distribuciones posteriores.

Usar priors informativos, débiles o escépticos con justificación.

Visualizar incertidumbre de forma comprensible.

Analizar casos donde el enfoque bayesiano ayuda con muestras pequeñas o conocimiento previo.

Documentar decisiones de modelado.

Taller: comparar intervención psicológica con estimación bayesiana del cambio.

Diseñar gráficos que comuniquen patrones, diferencias, relaciones e incertidumbre.

Evitar gráficos engañosos, ejes truncados, saturación visual o tablas innecesarias.

Visualizar distribuciones, trayectorias, modelos, efectos, intervalos y perfiles.

Crear dashboards ligeros para seguimiento de variables psicológicas.

Adaptar visualización a público investigador, directivo, clínico, educativo o de negocio.

Incorporar incertidumbre y tamaño del efecto en los gráficos.

Usar R, ggplot2, Python, Excel o herramientas equivalentes.

Preparar gráficos reproducibles y exportables.

Documentar criterios visuales y de accesibilidad.

Taller: crear paquete visual de resultados para informe de evaluación.

Redactar informes cuantitativos claros, rigurosos y orientados a acción.

Diferenciar informe académico, técnico, ejecutivo, clínico, organizacional y divulgativo.

Evitar sobrecargar informes con tablas estadísticas sin interpretación.

Comunicar hallazgos, incertidumbre, límites, recomendaciones y próximos pasos.

Traducir resultados estadísticos a implicaciones psicológicas y decisiones prácticas.

Reportar métodos con transparencia: muestra, instrumentos, análisis, software y criterios.

Crear resúmenes ejecutivos para dirección o clientes.

Preparar anexos técnicos reproducibles.

Defender resultados ante preguntas metodológicas.

Taller: redactar informe profesional a partir de análisis completo.

Aplicar principios éticos en recogida, análisis, almacenamiento y comunicación de datos psicológicos.

Evitar análisis con datos personales o sensibles sin consentimiento, anonimización o base legal adecuada.

Diseñar protocolos de privacidad, minimización, seudonimización y control de acceso.

Prevenir sesgos, uso indebido de pruebas y conclusiones discriminatorias.

Documentar análisis reproducibles con scripts, versiones, diccionario y decisiones.

Evitar modificar análisis hasta encontrar resultados deseados.

Preparar preregistro o plan de análisis cuando el estudio lo requiere.

Gestionar datos abiertos, datos restringidos y resultados sensibles.

Comunicar límites sin exagerar evidencia.

Taller: crear plan ético y reproducible para estudio cuantitativo psicológico.

Comparar herramientas según perfil: código reproducible, análisis guiado, docencia, consultoría o investigación.

Usar R para limpieza, análisis, visualización, psicometría y reporting reproducible.

Usar Python para procesamiento, modelos predictivos y automatización cuando procede.

Usar JASP o jamovi para análisis accesible, rápido y didáctico.

Usar SPSS cuando el entorno corporativo o académico lo requiere.

Evitar depender de una sola herramienta sin comprender el método estadístico.

Gestionar proyectos, scripts, datos, outputs y versiones.

Instalar paquetes habituales de psicometría y análisis.

Preparar plantillas reproducibles por tipo de estudio.

Taller: replicar un análisis básico en dos herramientas y comparar resultados.

Diseñar cuestionarios sin teoría, sin validación y sin revisar calidad de ítems.

Usar correlaciones para afirmar causalidad.

Interpretar significación estadística sin tamaño del efecto ni relevancia práctica.

Comparar grupos con instrumentos que no tienen invarianza de medida.

Limpiar datos sin documentar criterios.

Aplicar modelos complejos para compensar un diseño débil.

Reportar solo resultados favorables y ocultar análisis no confirmatorios.

Usar escalas psicológicas fuera de contexto o población sin evidencia.

Convertir perfiles estadísticos en etiquetas rígidas sobre personas.

Taller: auditar un informe psicológico cuantitativo con errores metodológicos y corregirlo.

Evaluar madurez actual en medición, encuestas, reporting, evaluación, datos y toma de decisiones.

Identificar quick wins: diccionarios de datos, escalas validadas, dashboards, scripts reproducibles y criterios de calidad.

Priorizar casos: clima laboral, selección, formación, salud, UX, satisfacción, evaluación de programas o investigación de mercados.

Definir estándares de diseño, muestreo, instrumentos, análisis, privacidad y reporting.

Crear repositorio de escalas, scripts, plantillas, dashboards e informes.

Formar a perfiles técnicos y no técnicos según responsabilidad.

Establecer comité de calidad metodológica para estudios sensibles.

Medir impacto: mejores decisiones, menos sesgo, más trazabilidad y resultados comparables.

Crear plan a 30, 60, 90 y 180 días.

Taller: construir roadmap de Psicología Cuantitativa para RRHH, salud, educación o UX research.

Definir una pregunta psicológica aplicada con contexto, población, constructos, hipótesis y objetivo de decisión.

Diseñar estudio cuantitativo con variables, instrumento, muestra, procedimiento, ética y plan de análisis.

Crear o adaptar cuestionario con dimensiones, ítems, codificación, escalas invertidas y diccionario de datos.

Preparar dataset, limpiar datos, documentar missing, outliers, respuestas inconsistentes y criterios de exclusión.

Realizar análisis descriptivo, visualización inicial, comparación de grupos y asociaciones relevantes.

Evaluar fiabilidad, validez inicial, estructura factorial o calidad de ítems según el instrumento.

Construir modelo explicativo o predictivo con regresión, ANOVA, modelo mixto, SEM o técnica adecuada.

Interpretar resultados con tamaño del efecto, incertidumbre, límites, implicaciones psicológicas y recomendaciones.

Preparar informe profesional con metodología, resultados, gráficos, tablas, conclusiones y anexos reproducibles.

Presentar el proyecto final con decisiones metodológicas, código o outputs, limitaciones, ética y plan de mejora.