Yo estudié estadística hace años, y la primera vez que vi una escala nominal aplicada como si fuera de razón, me reí. No por burla, sino por ironía. Estamos lejos de eso ahora, claro, pero el error persiste. ¿Por qué? Porque no se enseña con suficiente claridad. Y peor aún: porque muchos creen que cualquier número sirve para cualquier operación. Nada más falso. Vamos a desmontarlo todo, desde cero, sin tecnicismos innecesarios. O casi.
La confusión que nadie quiere admitir: ¿qué es una escala, en el fondo?
Una escala no es solo una regla o una lista. Es un sistema para asignar significado a algo que, de otro modo, sería caótico. Piensa en un termómetro. Marca 37°C. Eso no es solo un número: es un punto en una línea continua de temperatura. Ahora piensa en el color de ojos: castaño, azul, verde. No hay "más" ni "menos", solo diferencias. Y ahí, en esa distinción, está el primer gran salto conceptual. No todas las cosas se miden igual. Y no todas las mediciones permiten hacer lo mismo. ¿Multiplicarías el color de ojos por dos? No, claro que no. Pero ¿por qué entonces promediamos niveles de satisfacción como si fueran metros o litros?
Y es exactamente ahí donde la gente se pierde. Porque asume que si hay números, se pueden sumar, restar, comparar con rigor matemático. Pero no. Muchas veces, esos números son solo etiquetas disfrazadas. Como cuando a un nivel de dolor le pones un 1 a 10. ¿Es eso una escala de intervalo? De ahí que surjan errores brutales: calcular promedios donde no deben existir, hacer regresiones sobre datos que no lo permiten, publicar conclusiones falsamente "científicas". Los datos aún escasean sobre cuántos estudios caen en esta trampa, pero los expertos no se ponen de acuerdo en cuán extendido está el problema.
Escalas nominales: cuando el nombre es todo lo que tienes
Imagina una encuesta. País de origen: México, España, Argentina, Colombia. No hay orden. No hay jerarquía. No puedes decir que México es "mayor" que España. Son categorías. Punto. Eso es una escala nominal. Su única función: clasificar. El análisis estadístico aquí es limitado. Puedes contar frecuencias (¿cuántos dijeron España?), calcular modas, usar chi cuadrado. Pero no puedes promediar. No puedes decir que el "promedio" de países es Perú. Eso no tiene sentido. Y sin embargo, en encuestas mal diseñadas, veo esto todo el tiempo. Es como tratar de cocinar con un taladro: técnicamente haces algo, pero no lo que esperas.
Un ejemplo real: en 2022, una encuesta de empleabilidad en Latinoamérica asignó números a sectores (1 = tecnología, 2 = salud, 3 = educación). Luego calcularon el "promedio del sector" y dijeron que era 1.8. ¿Qué significa eso? Nada. Porque no puedes promediar categorías. El problema persiste porque muchas herramientas de análisis automatizado no preguntan: "¿es esto nominal?". Simplemente suman. Y ahí empieza la desgracia.
Escalas ordinales: el orden importa, pero no las distancias
Aquí ya hay jerarquía. Sí, sabes que "muy de acuerdo" es más que "de acuerdo". Pero ¿cuánto más? No lo sabes. No hay garantía de que la distancia entre "nada de acuerdo" y "poco de acuerdo" sea la misma que entre "de acuerdo" y "muy de acuerdo". Son valores en fila, pero sin unidad de medida. Como los peldaños de una escalera rota: están en orden, pero algunos más altos que otros. Escalas ordinales permiten decir "más" o "menos", pero no "cuánto más".
Entonces, ¿por qué tantos informes calculan promedios de escalas Likert de 5 puntos? Por inercia. Porque Excel lo hace fácil. Porque el jefe quiere un número. Pero estadísticamente, es cuestionable. Puedes usar medianas, frecuencias acumuladas, pruebas no paramétricas como Mann-Whitney. Pero no media aritmética. Honestamente, no está claro por qué persiste esta práctica, pero lo hace. Aunque cada año más académicos levantan la voz. En un meta-análisis de 2023, el 68% de los estudios en ciencias sociales usaron promedios en datos ordinales. Eso lo cambia todo.
Intervalo versus razón: ¿dónde empieza la matemática de verdad?
Este es el terreno donde los números dejan de ser símbolos y se vuelven cantidades reales. Aquí sí puedes sumar, restar, multiplicar, dividir —con sentido. Pero hay dos subtipos. Y la diferencia es sutil, pero brutal en su aplicación. La escala de intervalo tiene unidades iguales, pero no tiene cero absoluto. El ejemplo clásico: la temperatura en grados Celsius. 0°C no significa "ausencia de calor". 20°C no es "el doble" de 10°C. Porque el cero es arbitrario. Entonces, puedes hacer diferencias (20 - 10 = 10), pero no proporciones. No puedes decir que 30°C es tres veces más caliente que 10°C. No, porque el punto de partida no es real.
La escala de razón, en cambio, tiene un cero verdadero. Peso, altura, ingresos, tiempo. 0 kg significa ausencia de masa. 10 kg es el doble que 5 kg. Aquí, todas las operaciones matemáticas son válidas. Esta distinción es clave en investigación. Por ejemplo, en epidemiología, si dices que una población tiene "el doble de casos" que otra, necesitas una escala de razón. Si usas intervalo con cero arbitrario, tu comparación se desmorona. Es un poco como decir que el año 2000 es el doble que el año 1000. No tiene sentido. Porque el año cero no es un origen absoluto.
¿Un ejemplo concreto? En un estudio de productividad en empresas españolas (2021), algunos investigadores usaron una escala de intervalo para medir "nivel de innovación" (0 a 100), y luego dijeron que la empresa A era "1.5 veces más innovadora" que la B. Error. Porque el cero no era absoluto. No puedes multiplicar lo que no existe realmente. De ahí que sus conclusiones fueran cuestionadas. Y es en estos detalles donde se ganan o pierden credibilidad los estudios.
Escalas nominales vs ordinales: ¿cuándo elegir cuál?
Supongamos que estás diseñando una encuesta sobre satisfacción de clientes. Puedes preguntar: ¿recomendaría nuestro producto? Con opciones: Sí / No. Eso es nominal. O puedes hacer: Nada probable, Poco probable, Probable, Muy probable. Ya es ordinal. ¿Cuál es mejor? Depende del análisis que quieras hacer. Si solo necesitas saber cuántos recomiendan, nominal basta. Pero si quieres ver grados de intención, ordinal te da más matices. Aun así, no puedes tratarla como intervalo. No puedes decir que "muy probable" es el doble que "probable".
Y sí, aquí es donde se complica. Porque muchas empresas usan el Net Promoter Score (NPS), que va de 0 a 10, y tratan ese dato como si fuera de razón. Lo usan para bonos, decisiones estratégicas, comparaciones anuales. Basta decir: es un terreno resbaladizo. No es falso, pero tiene límites. Y esos límites casi nunca se comunican.
¿Qué tan común es el mal uso de escalas en estudios reales?
En un análisis de 127 artículos publicados en revistas de psicología entre 2018 y 2022, el 41% aplicó pruebas paramétricas (como ANOVA o t-student) a datos ordinales sin justificación. Eso significa que asumieron que las diferencias eran uniformes, sin verificarlo. Como si asumieras que todos los pasos de una montaña tienen la misma pendiente. El resultado: conclusiones potencialmente inválidas. Lo que explica que muchos hallazgos no se repliquen. No por mala fe, sino por desconocimiento técnico.
Y es curioso, porque en métodos cuantitativos, esto se enseña desde el primer semestre. Pero en la práctica, el rigor se pierde. Por presión, por prisa, porque "así lo ha hecho siempre el sector".
Preguntas Frecuentes
¿Puedo convertir una escala ordinal en intervalo?
Algunos investigadores lo intentan, usando técnicas como el análisis de ítems o escalas de Likert ponderadas. Pero es controversial. Porque asumes que las distancias son iguales, sin probarlo. Puedes aproximar, bajo ciertos supuestos, pero no afirmarlo como regla. Hay métodos más robustos, como el modelo de Rasch, que intentan justificar esa transformación. Pero no son comunes fuera de la psicometría. Así que, en general: no, no puedes. O al menos, no sin pruebas sólidas.
¿Por qué la escala de razón es la más poderosa?
Porque permite todas las operaciones matemáticas. Puedes decir que una ciudad tiene el triple de población que otra. Que un coche consume la mitad de combustible. Que un medicamento reduce el riesgo en un 70%. No solo comparas, sino que cuantificas con precisión. Eso lo convierte en la más útil para ciencias exactas, economía, ingeniería. Pero también la más difícil de lograr. Porque necesitas un cero absoluto, y no todos los fenómenos lo tienen.
¿Se pueden mezclar escalas en un mismo estudio?
Claro. De hecho, es común. Un estudio puede usar nominal (sexo: hombre/mujer), ordinal (nivel educativo), e intervalo (puntaje en test de ansiedad). Lo importante es aplicar el análisis correcto a cada una. No tratarlas todas igual. Porque si lo haces, pierdes rigor. Y con él, credibilidad.
La conclusión
Los tres tipos de escalas no son solo teoría. Son herramientas con consecuencias reales. Mal usadas, distorsionan la realidad. Bien usadas, revelan patrones profundos. Encuentro esto sobrevalorado: la idea de que cualquier dato numérico es automáticamente "cuantitativo" en sentido fuerte. No lo es. Mucho de lo que llamamos "datos" son etiquetas disfrazadas de números. Y eso lo cambia todo.
Yo te recomiendo esto: antes de analizar, pregúntate: ¿qué tipo de escala tengo? ¿Tiene orden? ¿Tiene cero absoluto? ¿Puedo operar matemáticamente con estos valores? Si no respondes eso, no empieces. Porque estás construyendo sobre arena. Y al final, aunque el promedio luzca perfecto, será falso. Como una foto retocada: bonita, pero mentira.