La homocedasticidad es el supuesto de que la varianza es similar entre los grupos que comparas. Se comprueba con la prueba de Levene: si su p es mayor que 0,05 el supuesto se cumple y usas el contraste estándar; si es menor, aplicas la corrección de Welch. Es el único supuesto donde un resultado no significativo es la buena noticia.
Paso 1: entiende qué estás comprobando y por qué
El ANOVA y la prueba t para muestras independientes asumen que la dispersión dentro de cada grupo es comparable. Cuando no lo es, el error típico combinado deja de representar bien a todos los grupos y la probabilidad de error de tipo I se desvía del 5 % nominal, sobre todo si los grupos además tienen tamaños desiguales.
Esa es la clave que decide la gravedad: con grupos de tamaño parecido, el ANOVA aguanta bastante bien la heterocedasticidad; con grupos muy desiguales, no. Y la dirección importa: si el grupo pequeño es el de mayor varianza, el contraste se vuelve demasiado liberal y detecta diferencias que no existen.
Paso 2: ejecuta la prueba de Levene
La prueba compara las desviaciones absolutas de cada caso respecto al centro de su grupo. Si esas desviaciones difieren entre grupos, las varianzas difieren.
- SPSS, prueba t: Analizar → Comparar medias → Prueba T para muestras independientes. La salida incluye la prueba de Levene y, a su derecha, dos filas de resultados: «se asumen varianzas iguales» y «no se asumen varianzas iguales».
- SPSS, ANOVA: Analizar → Comparar medias → ANOVA de un factor → Opciones → marcar «Prueba de homogeneidad de varianzas».
- jamovi: en ANOVA o T-Tests, dentro de Assumption Checks, marcar «Homogeneity test».
- R:
leveneTest()del paquete car.
Un detalle que cambia resultados: SPSS ofrece la variante basada en la mediana además de la basada en la media. La versión con mediana, conocida como prueba de Brown-Forsythe, es más robusta cuando la distribución es asimétrica y suele ser la elección preferible. Declara cuál has usado.
Paso 3: interpreta el resultado al revés de lo habitual
| Resultado de Levene | Qué significa | Qué hacer |
|---|---|---|
| p > 0,05 | No hay evidencia de varianzas distintas: el supuesto se cumple | Usar el contraste estándar (fila «se asumen varianzas iguales» / ANOVA clásico) |
| p < 0,05 con grupos de tamaño similar | Varianzas distintas, pero el impacto es moderado | Usar Welch y reportar el motivo |
| p < 0,05 con grupos muy desiguales | Situación problemática: el error de tipo I se desvía | Welch obligatorio; valorar transformación o prueba no paramétrica |
| p < 0,05 con n muy grande | Puede detectar diferencias triviales de varianza | Comprobar la razón entre la varianza mayor y la menor antes de actuar |
La última fila es el matiz que más se pasa por alto: como cualquier contraste, Levene gana potencia con el tamaño muestral y con n = 800 puede declarar significativa una diferencia irrelevante. Una regla de apoyo práctica: si la varianza mayor no llega al doble de la menor, el problema rara vez es material.
Paso 4: aplica la corrección de Welch si hace falta
Esta es la parte buena: la solución es sencilla y no cuesta casi nada.
- Para dos grupos: lee simplemente la fila «no se asumen varianzas iguales» de la salida de SPSS. Es la prueba t de Welch, y verás que los grados de libertad dejan de ser un número entero.
- Para tres o más grupos: en SPSS, ANOVA de un factor → Opciones → marcar «Welch». En jamovi, One-Way ANOVA usa Welch por defecto.
- Post hoc coherente: si usas Welch, la comparación por pares adecuada es Games-Howell, no Tukey HSD, porque Tukey asume igualdad de varianzas.
De hecho, buena parte de la literatura metodológica reciente recomienda usar Welch siempre, incluso cuando Levene no es significativo, porque su pérdida de potencia es mínima cuando las varianzas sí son iguales y su protección es grande cuando no lo son. Es una decisión defendible si la declaras.
Paso 5: considera las alternativas si el problema persiste
Si además de heterocedasticidad tienes asimetría fuerte o valores extremos, Welch por sí solo puede no bastar:
- Transformar la variable. Con frecuencia la desigualdad de varianzas acompaña a la asimetría, y una transformación logarítmica corrige ambas a la vez.
- Pasar a no paramétricas. La prueba de Kruskal-Wallis es más tolerante, aunque conviene saber que también asume formas de distribución similares si quieres interpretarla como comparación de medianas.
- Métodos robustos. Medias recortadas o bootstrap, más habituales en TFM y tesis que en un TFG.
En regresión, el equivalente de este supuesto se examina con el gráfico de residuos frente a valores pronosticados: un patrón en forma de embudo indica heterocedasticidad, y ahí la solución son los errores típicos robustos. No lo confundas con la colinealidad entre predictores, que es un problema distinto con su propio diagnóstico mediante el factor de inflación de la varianza.
Qué escribir en el TFG
Con supuesto cumplido: «La prueba de Levene basada en la mediana no resultó significativa (F(2, 117) = 1,42; p = 0,246), por lo que se asumió homogeneidad de varianzas y se aplicó el ANOVA estándar.»
Con supuesto incumplido: «La prueba de Levene resultó significativa (F(2, 117) = 6,83; p = 0,002), indicando heterogeneidad de varianzas. Se aplicó por tanto el ANOVA de Welch (F(2, 71,4) = 9,15; p < 0,001) y comparaciones post hoc de Games-Howell.»
Fíjate en el detalle de los grados de libertad no enteros: es la señal de que aplicaste Welch de verdad y no solo lo mencionaste. Si tu diseño es un ANOVA factorial, el supuesto se comprueba igualmente sobre todas las combinaciones de niveles. Y si vas justo de tiempo para dejar el apartado de resultados con este nivel de precisión, Tesify ayuda a estructurarlo y a mantener uniforme el formato de tablas y citas mientras tú decides el criterio estadístico.
Preguntas frecuentes
¿Qué significa que la prueba de Levene sea significativa?
Significa que las varianzas de los grupos difieren y que el supuesto de homocedasticidad no se cumple. A diferencia de la mayoría de contrastes, aquí un resultado no significativo es el deseable, porque indica que las varianzas son comparables.
¿Qué hago si no se cumple la homocedasticidad?
Aplicar la corrección de Welch, que no asume igualdad de varianzas: la fila correspondiente en la prueba t o el ANOVA de Welch para tres o más grupos. Las comparaciones por pares deben hacerse entonces con Games-Howell en lugar de Tukey HSD.
¿Levene con media o con mediana?
La versión basada en la mediana, conocida como Brown-Forsythe, es más robusta ante distribuciones asimétricas y suele ser preferible. Sea cual sea la elegida, debe declararse en el apartado de análisis.
¿Puedo usar Welch siempre?
Sí, y es una postura defendible: su pérdida de potencia es mínima cuando las varianzas son iguales y ofrece protección sustancial cuando no lo son. Basta con declarar que se ha aplicado de forma sistemática y explicar el motivo.
¿Es lo mismo la homocedasticidad que la multicolinealidad?
No. La homocedasticidad se refiere a la igualdad de varianzas del error entre grupos o a lo largo de los valores pronosticados; la multicolinealidad se refiere a la correlación elevada entre variables predictoras. Son supuestos distintos con diagnósticos y soluciones diferentes.
Escribe tu TFG o tesis con IA
Pasa de la teoría a tu documento terminado
Tesify estructura, redacta y formatea tu TFG, TFM o tesis en normas APA y Vancouver, con bibliografía automática y verificación antiplagio integrada. Regístrate gratis, sin tarjeta.
Deja una respuesta