Un valor atípico se puede eliminar. Lo que decide si eso fue depuración o manipulación no es el borrado en sí, sino dos cosas: si tuviste una razón independiente del resultado, y si la escribiste en la tesis. El mismo caso eliminado puede ser buena práctica o falta grave según cuándo tomaste la decisión.
Es una de las pocas situaciones en investigación donde la acción es idéntica y la valoración ética se invierte por completo. Vale la pena entender exactamente dónde está la línea, porque es una línea que casi nadie te explica y que sí te van a preguntar.
Primero: qué es y cómo se detecta
Un valor atípico es una observación que se aleja tanto del resto que sospechas que no pertenece al mismo proceso que generó los demás datos. No hay una definición única; hay criterios, y conviene usar más de uno.
| Criterio | Cómo marca un caso | Cuándo usarlo |
|---|---|---|
| Diagrama de caja | Más allá de 1.5 rangos intercuartílicos por encima del tercer cuartil o por debajo del primero | Exploración de una variable a la vez; es el más visual y el más fácil de mostrar en la defensa |
| Puntuación z | Más de 3 desviaciones estándar de distancia respecto a la media | Variables razonablemente simétricas; con muestras chicas se vuelve poco sensible |
| Distancia de Cook | Valores superiores a 1 en un modelo de regresión | Cuando lo que te preocupa no es que el caso sea raro, sino que esté moviendo el modelo entero |
| Rango lógico | Fuera de los valores posibles de la variable | Siempre, y antes que todo lo demás: una edad de 250 o un Likert de 7 en una escala de 1 a 5 |
Empieza siempre por el último. Un porcentaje sorprendente de los «atípicos» de una tesis son errores de dedo al capturar y desaparecen en diez minutos de revisión contra los cuestionarios originales.
Los tres orígenes, que exigen respuestas distintas
Aquí es donde se decide todo. Un caso marcado como atípico puede venir de tres sitios muy distintos, y confundirlos es la raíz de casi todos los problemas:
- Error de captura o de instrumento. Alguien tecleó 550 en lugar de 55, el sensor falló, la fórmula del archivo arrastró una celda. Se corrige si puedes rastrear el valor verdadero y se elimina si no puedes. Nadie va a objetar nada, siempre que lo declares.
- Caso fuera de población. El participante no cumplía los criterios de inclusión que tú mismo definiste: contestó alguien de otra carrera, de otro semestre, de otra ciudad. Se elimina, y se elimina por criterio de inclusión, no por ser atípico. Es una diferencia que importa al escribirlo.
- Caso extremo real. Es un miembro legítimo de tu población que resulta estar muy lejos del promedio. Y aquí está lo incómodo: suele ser el caso más informativo de toda tu base. Borrarlo no limpia nada, borra evidencia.
El tercer tipo es el que genera la tentación, porque también es el que más mueve los resultados. Si tu decisión de eliminarlo llega después de ver que sin él la prueba sale significativa, ya no estás depurando.
La línea, dicha con precisión
Dos preguntas la determinan, y ninguna tiene que ver con estadística:
- ¿Cuándo decidiste el criterio? Un criterio fijado antes de correr el análisis principal es una decisión metodológica. El mismo criterio elegido después de ver qué le pasa al valor p es una decisión de resultado.
- ¿Aparece en el documento? Una eliminación declarada es un dato metodológico que el lector puede evaluar. Una eliminación silenciosa presenta como completa una muestra que no lo es.
Escrito al revés: puedes eliminar cinco casos y estar impecable, y puedes eliminar uno solo y haber cometido una falta. La diferencia está en el orden temporal y en la transparencia, no en la cantidad.
Esto emparenta el asunto con una práctica más conocida —alterar o inventar observaciones—, tratada en fabricación y falsificación de datos en una tesis. La diferencia es de grado y de intención, pero el mecanismo de defensa es el mismo: declararlo todo. El marco general está en qué es la integridad académica.
Las cinco decisiones defendibles
| Decisión | Cuándo aplica | Qué se declara |
|---|---|---|
| Corregir | Error rastreable contra la fuente original | Cuántos valores se corrigieron y contra qué se verificaron |
| Eliminar el caso | Error irrecuperable o incumplimiento de criterios de inclusión | Cuántos casos, por qué motivo, y la muestra inicial y final |
| Conservarlo tal cual | Caso extremo real y modelo robusto | Que se detectó, que se revisó y que se decidió conservarlo |
| Analizar con y sin | Duda genuina sobre su origen o su influencia | Ambos resultados, y si las conclusiones cambian o no |
| Transformar la variable | Toda la distribución está sesgada, no hay casos aislados | Qué transformación y por qué; los resultados se interpretan en la escala transformada |
La cuarta es la salida más fuerte cuando dudas, y es la que menos gente usa. Reportar el análisis con y sin los casos convierte un problema en un argumento: si las conclusiones no cambian, acabas de demostrar que tu resultado es robusto; si cambian, tienes un hallazgo que merece un párrafo propio en la discusión. En ninguno de los dos escenarios sales peor que eligiendo una versión en silencio.
Lo que no es una decisión defendible: recortar la variable a un percentil arbitrario elegido tras probar varios, o eliminar «los casos raros» sin definir qué contó como raro.
Qué escribir, y dónde
El tratamiento de atípicos va en el apartado de análisis de datos del capítulo metodológico, no escondido en resultados. Cuatro elementos bastan:
- El criterio de detección aplicado y su umbral.
- Cuántos casos marcó ese criterio.
- Qué se hizo con cada grupo y por qué motivo.
- La muestra final, junto a la inicial, si hubo eliminaciones.
Una redacción que funciona: «Se identificaron valores atípicos mediante diagrama de caja (criterio de 1.5 RIC). Se detectaron 7 casos; 3 correspondían a errores de captura verificados contra los cuestionarios físicos y se corrigieron, 2 no cumplían el criterio de inclusión de semestre y se eliminaron, y 2 se conservaron por tratarse de valores plausibles. La muestra analítica final fue de 212 casos de los 214 recolectados.» Tres líneas y el tema queda cerrado.
El mismo razonamiento aplica a las respuestas que faltan, que son un problema vecino pero distinto: ahí la pregunta no es si el dato es raro sino si su ausencia es aleatoria. La estructura del apartado completo está en análisis de datos cuantitativos en la tesis, y si tu modelo es una regresión, la detección por distancia de Cook forma parte del paquete de diagnósticos que se piden en una sola corrida: regresión lineal múltiple en SPSS paso a paso. Un atípico influyente también puede inflar la colinealidad, tema tratado en multicolinealidad y VIF.
Prevención: la mitad de los atípicos se evitan antes
- Restringe el formulario. Un campo de edad que solo acepta enteros entre 15 y 99 elimina de raíz la familia de errores de captura. Las opciones de configuración están en cómo hacer una encuesta para tesis en Google Forms.
- Define los criterios de inclusión por escrito antes de recolectar. Sin ellos, «no cumplía el perfil» es una justificación que se inventa después.
- Detecta patrones mecánicos de respuesta: la misma opción en toda una escala, o un cuestionario de 40 reactivos contestado en 90 segundos. Son casos eliminables por criterio de calidad de respuesta, siempre declarándolo. Las escalas ordinales tienen sus propias señales, tratadas en escala de Likert para tesis.
- Fija el criterio de atípicos en el protocolo, junto con el resto de las decisiones analíticas. Es la forma más limpia de que la fecha juegue a tu favor.
Si la depuración ya está hecha y documentada y lo que falta es redactar el apartado con el registro y la precisión que pide el comité, Tesify ayuda con esa escritura. Lo que no hace: no decide qué casos se eliminan ni construye la justificación metodológica, porque esa justificación depende de tu diseño y de tus criterios de inclusión, y es tuya.
Preguntas frecuentes
¿Puedo eliminar un valor atípico de mi base de datos?
Sí, siempre que tengas una razón que no sea el resultado. Eliminar un caso porque es un error de captura, porque el participante no cumplía los criterios de inclusión o porque respondió con un patrón mecánico es depuración legítima. Eliminarlo porque sin él tu hipótesis se sostiene es manipulación, aunque el número sea idéntico.
¿Cómo se detectan los valores atípicos?
Con tres herramientas complementarias: el diagrama de caja marca los casos que quedan más allá de 1.5 rangos intercuartílicos desde los cuartiles; la puntuación z señala los casos que se alejan más de tres desviaciones estándar de la media; y en un modelo de regresión la distancia de Cook detecta los casos que están moviendo el resultado por sí solos, con 1 como umbral de referencia.
¿Un atípico siempre es un error?
No. Hay tres orígenes distintos: el error de captura o de instrumento, que se corrige o se elimina; el caso fuera de población, que no cumplía los criterios de inclusión y se documenta como tal; y el caso extremo real, que pertenece a la población y suele ser el dato más informativo de todo el conjunto.
¿Qué tengo que escribir en la tesis sobre los atípicos?
Cuatro cosas: el criterio de detección que aplicaste, cuántos casos identificó, qué hiciste con cada grupo y por qué. Si eliminaste casos, se reporta el número inicial y el final de la muestra. Un análisis sin ninguna mención a los atípicos se lee como un análisis en el que nadie los buscó.
¿Cuál es la salida más defendible cuando dudo?
Reportar el análisis con y sin los casos atípicos. Si las conclusiones no cambian, demuestras que el resultado es robusto y la discusión se acaba. Si cambian, esa diferencia es en sí misma un hallazgo que merece párrafo propio. En ambos casos quedas mejor que eligiendo una sola versión en silencio.
¿Cuándo se decide el criterio para tratar los atípicos?
Antes de correr el análisis principal, e idealmente antes de recolectar. Un criterio fijado de antemano es una decisión metodológica; el mismo criterio elegido después de ver qué le pasa a la significancia es una decisión de resultado, y esa es exactamente la práctica que los códigos de integridad señalan como cuestionable.