Yo mismo caí en ese error hace años, analizando encuestas con promedios donde solo debía usar frecuencias. Eso lo cambia todo. Y es exactamente ahí donde la precisión técnica se vuelve práctica vital.
¿Qué significa realmente "escala" en investigación?
Una escala no es solo una regla o una lista de respuestas. Es un sistema de clasificación que define cómo se puede interpretar una medición. Algunos creen que cualquier número en un formulario es cuantitativo. Eso es una ilusión peligrosa. Si preguntas a alguien si está "muy de acuerdo", "de acuerdo", "indiferente", "en desacuerdo" o "muy en desacuerdo", no estás midiendo cantidades, estás ordenando percepciones. Y ese orden no tiene distancias iguales entre niveles —aunque muchos programas de análisis lo asuman sin preguntar.
Stevens introdujo esta clasificación en 1946, y desde entonces ha sido el marco dominante. Pero no es una ley natural. Es un modelo. Y como todo modelo, tiene sus límites. Los expertos no se ponen de acuerdo sobre si una escala de Likert (esa de 1 a 5) es ordinal o puede tratarse como intervalo. Algunos dicen que sí, otros se horrorizan. Honestamente, no está claro. Depende del contexto, del tamaño de la muestra, de cómo se interprete el constructo.
Lo que importa es que tú sepas qué estás usando, no simplemente seguir métodos por costumbre.
El fundamento: niveles de medición como herramientas, no dogmas
Las escalas no son categorías naturales, sino convenciones humanas para organizar la incertidumbre. Nominal es lo más básico: nombres sin orden. Ordinal: hay jerarquía, pero sin magnitud exacta. Intervalo: diferencias constantes, pero sin punto cero absoluto. Razón: todo lo anterior, más un cero verdadero. ¿Por qué este orden? Porque cada nivel añade propiedades matemáticas. Y cada propiedad permite nuevas operaciones: contar, ordenar, restar, dividir.
Ejemplos cotidianos que revelan el error común
Imagina que en una encuesta de satisfacción, tres personas dan respuestas: 2, 3 y 5 en una escala de 1 a 5. El promedio es 3.3. Parece preciso. Pero ¿qué significa "0.3 más que 3"? Nada, si la escala es puramente ordinal. Porque podría ser que la distancia entre "muy insatisfecho" y "insatisfecho" sea emocionalmente enorme, mientras que entre "satisfecho" y "muy satisfecho" sea mínima. Tratar lo ordinal como cuantitativo es como asumir que todos los pasos de una escalera tienen la misma altura… cuando algunos son de 10 cm y otros de 50.
Escalas nominales: cuando el nombre es todo lo que tienes
Colores de ojos. Nacionalidades. Tipos de sangre. Marcas de celulares. Aunque no lo parezca, todos comparten algo profundo: son categorías sin jerarquía. No tiene sentido decir que "azul es más que café" en ojos, salvo en poesía. Aquí, la única operación válida es contar frecuencias. Puedes decir que el 42% prefiere Samsung, pero no que el promedio de marca es "Xiaomi 2.7". Eso no existe.
Pero. Y es un gran pero. A veces se codifican como números: 1 = hombre, 2 = mujer, 3 = otro. Y entonces, por inercia, alguien calcula una media de 1.8 y dice "la tendencia es hacia lo femenino". ¡Absurdo! Ese número no mide dirección, solo etiquetas. Este error aparece en informes corporativos, tesis doctorales, incluso publicaciones científicas. Y nadie lo nota porque el software lo hace sin cuestionar.
El problema persiste: los códigos numéricos no transforman datos nominales en cuantitativos. Nunca. El tipo de dato depende de su naturaleza, no de su formato.
Cómo detectar una escala nominal a simple vista
Pregúntate: ¿puedo ordenar estos valores de menor a mayor de forma que tenga sentido universal? Si la respuesta es no, es nominal. Y si intentas forzar un orden, estás inventando información. Por ejemplo: en una encuesta sobre religión, ¿el budismo es "más" que el islam? No, a menos que definas un criterio específico (como número de seguidores), y entonces ya no es la categoría en sí, sino una medida derivada.
Operaciones permitidas: lo que puedes y no puedes hacer
Moda: sí. Tablas de frecuencia: sí. Chi cuadrado: perfecto. Media aritmética: nunca. Desviación estándar: no tiene sentido. Correlación de Pearson: peligroso, a menos que se justifique la codificación. La regla de oro: si no puedes multiplicar o dividir los valores sin perder significado, no estás en escala de razón ni intervalo.
Escalas ordinales: jerarquía sin distancias fijas
Aquí entra el ranking. Medallas olímpicas: oro, plata, bronce. Niveles de educación: primaria, secundaria, universitaria. Gravedad de una enfermedad: leve, moderada, grave. Sabes que hay orden, pero no cuánto más grave es "grave" respecto a "moderada". Es un poco como decir que subiste tres pisos, pero sin saber si cada uno tiene 3 metros o uno tiene 1 y otro 10.
Este nivel permite medianas, percentiles, pruebas no paramétricas como Mann-Whitney. Pero no puedes asumir que la diferencia entre "nunca" y "rara vez" es igual a la de "a veces" y "frecuentemente". Y sin embargo, en miles de análisis de satisfacción de clientes, se calculan promedios con estos datos. Estamos lejos de eso en cuanto a rigor estadístico.
Y es curioso: los humanos sentimos que el centro de una escala de 1 a 5 es 3, pero psicológicamente, la percepción no es lineal. La gente tiende a evitar extremos. Entonces, un 3 puede no ser "neutro", sino "indeciso". Como resultado: los promedios pueden engañar.
Cuándo es aceptable tratar lo ordinal como cuantitativo
Algunos estadísticos, como Norman, argumentan que si la escala tiene 5 o más puntos y se cumplen ciertos supuestos (normalidad, homocedasticidad), se puede usar ANOVA o regresión. Pero no todos están de acuerdo. Yo encuentro esto sobrevalorado. Sí, el análisis es más potente. Pero ¿a qué costo? Si el modelo se basa en una premisa floja, el resultado puede ser falso con mucha precisión. Prefiero métodos robustos, aunque sean menos elegantes.
Errores comunes que arruinan análisis ordinales
Uno: calcular medias sin justificarlo. Dos: asumir intervalos iguales. Tres: comparar diferencias entre grupos como si fueran aditivas. Por ejemplo: "los hombres mejoraron 0.8 puntos, las mujeres 1.2, por tanto el programa fue más efectivo en mujeres". Pero si la escala no garantiza igualdad de intervalos, esa resta no mide lo mismo en todo el rango.
Escalas de intervalo: cuando las distancias importan
Temperatura en grados Celsius o Fahrenheit. Calendarios. Puntuaciones de CI. Aquí, la diferencia entre 20°C y 30°C es la misma que entre 50°C y 60°C: 10 grados. Pero no puedes decir que 40°C es "el doble de caliente" que 20°C, porque el cero no es absoluto. 0°C no significa "ausencia de calor". Es solo un punto arbitrario del sistema.
Este nivel permite operaciones más avanzadas: medias, desviaciones, correlaciones, pruebas paramétricas. Pero aún no puedes hacer razones. No puedes dividir. Aquí es donde se complica la interpretación. Porque la mente humana tiende a ver números y asumir que todo es proporcional.
La escala Fahrenheit fue definida con 0°F como la temperatura de una mezcla de sal y hielo, y 100°F como la del cuerpo humano (mal estimada). Así que su cero es artificial. Igual que en el calendario gregoriano: no hay "año cero". El tiempo no empieza ahí. Y por eso no puedes decir que el año 800 fue el doble de tiempo que el 400 desde el origen. El origen no existe en ese sistema.
Por qué la escala de intervalo es tan malentendida
Porque parece cuantitativa. Tiene números, tiene distancias, tiene promedios. Pero carece de una propiedad clave: el cero absoluto. Y esa ausencia limita el tipo de inferencias. Muchos análisis de datos asumen que cualquier escala con números es de razón. Error grave.
Escalas de razón: el nivel más potente
Peso. Altura. Edad. Ingresos. Número de hijos. Tiempo en segundos. Aquí sí hay un cero absoluto. 0 kg significa ausencia total de masa. Y por tanto, puedes decir que 100 kg es el doble que 50 kg. Esa relación multiplicativa es lo que diferencia a este nivel de todos los anteriores.
Este es el único nivel donde todas las operaciones matemáticas son válidas: suma, resta, multiplicación, división. Y por tanto, permite coeficientes de variación, tasas, proporciones, modelos exponenciales. Es el rey de las escalas, porque te da libertad analítica.
Pero ojo: no todo lo que parece de razón lo es. El ingreso mensual: sí, claro. Pero si alguien gana 0 €, ¿significa que no tiene capacidad económica? Puede tener ahorros, herencias, propiedades. El cero en dinero no siempre es cero funcional. Hay matices.
¿Por qué la escala de razón no resuelve todos los problemas?
Porque tener poder estadístico no garantiza validez conceptual. Medir la "felicidad" en "unidades hedónicas" no la hace real. Podrías asignar números y decir que alguien es 3.5 veces más feliz, pero ¿qué significa eso fuera del modelo? Aquí entra la humildad científica: las escalas no crean realidades, las representan. Y algunas realidades son borrosas.
Preguntas Frecuentes
¿Se puede convertir una escala nominal en ordinal?
Solo si introduces un criterio externo de orden. Por ejemplo, las regiones no tienen jerarquía, pero si las ordenas por PIB per cápita, entonces estás creando una escala ordinal basada en un atributo. Pero ese orden no es intrínseco a las regiones.
¿Y si decido ordenarlas alfabéticamente? Entonces siguen siendo nominales. El orden alfabético no implica magnitud.
¿Una escala Likert es ordinal o de intervalo?
Originalmente, ordinal. Pero en la práctica, muchas investigaciones la tratan como de intervalo si tiene 5 o más puntos y se cumplen supuestos. No hay consenso. Mi recomendación: si es para exploración o descripción, usar métodos paramétricos puede ser aceptable. Si es para inferencia crítica, mejor ser conservador.
¿Puedo usar regresión lineal con datos ordinales?
Depende. Si tratas cada nivel como categoría (con variables dummies), sí. Si usas el número como continuo, estás asumiendo intervalos iguales. Y eso puede no reflejar la realidad. Existen modelos específicos, como regresión logística ordinal, que respetan mejor la naturaleza de los datos.
La conclusión
Los cuatro tipos de escalas no son una jerarquía de valor, sino de posibilidades. Nominal no es "peor", es distinto. Y forzar datos a niveles superiores es como poner zapatos pequeños: duele y deforma. Mi postura: seamos honestos con lo que miden nuestros instrumentos. No convirtamos percepciones en certezas numéricas solo porque podemos calcular un promedio.
La precisión no está en los números, sino en su interpretación. Y en ese juego, conocer los tipos de escalas no es una formalidad técnica. Es un acto de integridad.