Un sesgo es un error sistemático que distorsiona los resultados de una investigación, a diferencia del error aleatorio, que no tiene una dirección fija. Los más comunes son el sesgo de selección, de información o medición, de confusión, de publicación y de confirmación del investigador. Explicamos cada tipo con ejemplos y las estrategias de control —aleatorización, cegamiento, muestreo adecuado, preregistro— que puedes aplicar y documentar en tu TFG o tesis.

¿Qué es un sesgo en investigación?

Un sesgo es cualquier factor del diseño, la ejecución o el análisis de un estudio que desplaza sistemáticamente los resultados en una dirección concreta, alejándolos del valor real que se pretendía medir. La palabra clave es “sistemático”: un sesgo no es un error puntual que se compensa con otros errores en sentido contrario, sino una distorsión constante que empuja siempre hacia el mismo lado. Por eso los sesgos son más peligrosos que el ruido estadístico habitual: no desaparecen aumentando el tamaño de la muestra, porque no son aleatorios. Un estudio puede tener una muestra enorme y seguir estando sesgado si, por ejemplo, todos los participantes se autoseleccionaron por tener un interés particular en el tema.

¿Cuáles son los principales tipos de sesgo?

La literatura metodológica distingue varias familias de sesgo según en qué fase del estudio se originan. Esta tabla resume las cinco más citadas en investigación en ciencias sociales y de la salud:

¿Qué diferencia hay entre sesgo y error aleatorio?

El error aleatorio es ruido: fluctuaciones impredecibles que se producen en cualquier medición y que, en promedio, se cancelan entre sí. Si repites la misma medición muchas veces, el error aleatorio hace que unos valores salgan un poco por encima del valor real y otros un poco por debajo, pero la media tiende a acercarse al valor verdadero cuantas más repeticiones haces. El sesgo, en cambio, no se cancela con más repeticiones ni con una muestra más grande: si tu instrumento de medición está mal calibrado y siempre da un valor 2 puntos por encima del real, da igual cuántas veces midas, la media seguirá desviada esos 2 puntos. Esta distinción es importante para tu TFG porque justifica por qué “aumentar la n” no resuelve un problema de sesgo, aunque sí reduce el error aleatorio y estrecha los intervalos de confianza.

¿Cómo se controla el sesgo de selección?

El control del sesgo de selección empieza en el diseño muestral, no en el análisis posterior: una vez recogidos los datos con una muestra sesgada, hay muy poco que el análisis estadístico pueda hacer para corregirlo. Las estrategias más habituales son definir con precisión los criterios de inclusión y exclusión antes de empezar a reclutar participantes, optar por muestreo probabilístico siempre que sea viable (aleatorio simple, estratificado, por conglomerados) en lugar de muestreo por conveniencia, y, cuando el muestreo por conveniencia sea inevitable —algo muy común en TFG con recursos y tiempo limitados—, describir explícitamente en el capítulo de limitaciones a quién representa realmente la muestra y a quién no se pueden generalizar los resultados. Reconocer esta limitación en la discusión no debilita tu TFG; al contrario, es lo que se espera de un análisis metodológicamente honesto.

¿Cómo se controla el sesgo de información o medición?

Este sesgo se combate principalmente antes de recoger un solo dato: usando instrumentos ya validados en la literatura en lugar de crear un cuestionario ad hoc sin pilotar, redactando los ítems de forma neutra (evitando preguntas que insinúen la respuesta deseada), y estandarizando el procedimiento de recogida de datos para que no varíe según quién lo aplique. En estudios con entrevistadores o evaluadores, el cegamiento —que quien recoge o codifica los datos no conozca la hipótesis del estudio o el grupo al que pertenece cada participante— reduce el riesgo de que la propia interacción distorsione la respuesta. Un pilotaje previo del instrumento con un grupo pequeño, antes de aplicarlo a toda la muestra, permite detectar preguntas ambiguas o mal formuladas a tiempo de corregirlas.

¿Cómo se controla el sesgo de confusión?

El sesgo de confusión es probablemente el más difícil de detectar porque no aparece en los datos como un problema evidente: la relación entre tus variables de interés simplemente parece más fuerte (o más débil) de lo que es en realidad, sin que nada lo delate a simple vista. La forma más robusta de controlarlo es mediante el diseño: aleatorizar la asignación a grupos cuando el diseño lo permite reparte las variables de confusión conocidas y desconocidas de forma equilibrada entre grupos. Cuando la aleatorización no es posible —como ocurre en la mayoría de TFG con diseños observacionales—, el control se traslada al análisis estadístico: incluir las variables de confusión conocidas como covariables en un modelo de regresión, o usar técnicas de emparejamiento (matching) para comparar sujetos similares en esas variables. En cualquier caso, el primer paso es identificar en la fase de diseño qué terceras variables podrían estar relacionadas tanto con tu variable independiente como con la dependiente, y decidir desde el principio cómo vas a medirlas y controlarlas.

¿Qué es el sesgo de publicación?

El sesgo de publicación ocurre a nivel del sistema científico, no de un estudio individual: los resultados estadísticamente significativos o llamativos tienen más probabilidades de ser enviados a publicación y de ser aceptados por las revistas que los resultados nulos o poco concluyentes. Esto tiene una consecuencia directa para cualquier revisión bibliográfica de un TFG: si basas tu estado del arte únicamente en artículos publicados, es probable que estés viendo una imagen sesgada hacia los efectos positivos, porque los estudios que no encontraron ese efecto simplemente nunca llegaron a publicarse o tardaron mucho más en hacerlo. Mitigarlo en una revisión de literatura implica buscar también en registros de ensayos, repositorios de tesis y literatura gris, y ser explícito en la metodología sobre qué fuentes se consultaron y con qué criterios de búsqueda.

¿Qué es el sesgo de confirmación del investigador y cómo evitarlo?

A diferencia de los sesgos anteriores, que se originan en el diseño del estudio o en el sistema editorial, el sesgo de confirmación se origina en quien investiga: la tendencia natural a buscar, interpretar y recordar la información de forma que confirme las creencias o hipótesis previas, y a pasar por alto o restar importancia a la evidencia que las contradice. En investigación cualitativa es especialmente relevante durante la codificación de entrevistas o de análisis de contenido, donde es fácil, sin mala intención, seleccionar los fragmentos que encajan con la narrativa esperada. Las estrategias más efectivas para reducirlo son definir el protocolo de análisis antes de examinar los datos en profundidad, la triangulación (usar varias fuentes de datos, métodos o investigadores para contrastar las conclusiones), y someter el proceso de codificación a revisión por otra persona que no comparta necesariamente tus expectativas sobre el resultado.

¿Cómo reportar los sesgos en tu TFG o tesis?

Ningún estudio está completamente libre de sesgos, y los comités evaluadores lo saben: lo que se penaliza no es tener limitaciones, sino no reconocerlas. En el capítulo de discusión o limitaciones, identifica explícitamente qué sesgos son plausibles dados tu diseño y tu muestra, valora en qué dirección podrían haber afectado a tus resultados (¿sobreestiman o subestiman el efecto encontrado?), y explica qué medidas de control aplicaste y cuáles no fue posible aplicar por restricciones de tiempo o recursos. Esta sección suele apoyarse directamente en las decisiones tomadas en el capítulo de metodología: si describiste bien tu proceso de muestreo, tus instrumentos y tu análisis, identificar los sesgos plausibles en la discusión es casi un ejercicio de relectura crítica de tus propias decisiones metodológicas. Para revisar cómo estructurar esa sección metodológica de forma completa, consulta nuestra guía completa de metodología del TFG, y si tu diseño requiere elegir la prueba estadística adecuada para controlar variables de confusión, nuestro árbol de decisión de pruebas estadísticas te ayuda a decidir qué análisis se ajusta a tus datos. Si tu estudio es cualitativo y necesitas justificar tu estrategia de muestreo frente al sesgo de selección, revisa también la diferencia entre muestreo teórico y muestreo intencional.

Preguntas frecuentes

¿Qué es un sesgo en investigación?

Un error sistemático que distorsiona los resultados de un estudio en una dirección constante, a diferencia del error aleatorio, que no tiene dirección fija y tiende a cancelarse con muestras más grandes.

¿Cuáles son los principales tipos de sesgo?

Los cinco más citados son el sesgo de selección, de información o medición, de confusión, de publicación y de confirmación del investigador. Cada uno se origina en una fase distinta del proceso de investigación.

¿Qué diferencia hay entre sesgo y error aleatorio?

El error aleatorio se cancela en promedio con más repeticiones o una muestra mayor; el sesgo no, porque desplaza los resultados siempre en la misma dirección independientemente del tamaño de la muestra.

¿Cómo se controla el sesgo de confusión?

Mediante aleatorización en el diseño cuando es posible, o incluyendo las variables de confusión conocidas como covariables en el análisis estadístico, o mediante técnicas de emparejamiento entre grupos.

¿Qué es el sesgo de publicación?

La tendencia de los estudios con resultados significativos o llamativos a publicarse con más frecuencia y más rápido que los estudios con resultados nulos, lo que puede sesgar una revisión bibliográfica basada solo en literatura publicada.