No siempre. Transformar es solo una de tres salidas posibles ante la falta de normalidad, junto a usar una prueba no paramétrica o continuar sin transformar apoyándose en el teorema central del límite. La transformación se justifica cuando la asimetría es marcada y la variable tiene un sentido multiplicativo, no cuando el objetivo es solo «aprobar» un contraste.

¿Cuándo importa de verdad la normalidad?

Menos de lo que se cree. Lo que las pruebas paramétricas exigen no es que tus datos brutos sean normales, sino que lo sea la distribución muestral de la media o, en regresión, la de los residuos. Con muestras razonablemente grandes, el teorema central del límite hace ese trabajo aunque la variable original esté sesgada.

De ahí la regla práctica más útil: con n superior a 30 o 40 por grupo y una asimetría moderada, un contraste de medias es robusto y no necesitas tocar nada. El problema aparece con muestras pequeñas y asimetría fuerte, o cuando la variable tiene valores extremos que arrastran la media.

Antes de decidir, comprueba de dónde viene el problema: si tres casos concretos disparan la asimetría, no es una cuestión de distribución sino de interpretación de la prueba de normalidad y de esos casos.

¿Qué transformación corresponde a cada situación?

La transformación de Box-Cox no es una fórmula concreta sino una familia: estima el parámetro lambda que mejor normaliza la variable, de modo que lambda = 0 equivale al logaritmo, 0,5 a la raíz cuadrada y 1 a no transformar. Su ventaja es que la elección deja de ser arbitraria; su desventaja, que un lambda como 0,37 produce una variable prácticamente imposible de explicar en la discusión.

¿Cómo interpreto los resultados de una variable transformada?

Este es el coste real y la razón por la que muchos trabajos harían mejor en no transformar. Tras aplicar un logaritmo, tu coeficiente ya no dice «por cada año más de experiencia, el salario sube X euros», sino algo sobre cambios porcentuales.

Tres reglas para no equivocarte:

• Con logaritmo en la variable dependiente, un coeficiente b pequeño se interpreta como un cambio porcentual aproximado de b × 100 % en la variable original.
• Nunca deshagas la transformación de una media. El antilogaritmo de la media de los logaritmos es la media geométrica, no la aritmética. Si lo presentas como si fuera la media original, el dato es incorrecto.
• Reporta ambas escalas. Los estadísticos del contraste en la escala transformada y los descriptivos (mediana, cuartiles) en la escala original, que es la que el lector entiende.

¿No es más fácil usar una prueba no paramétrica?

Muchas veces sí, y conviene decirlo abiertamente. Las alternativas no paramétricas no exigen normalidad, se interpretan sobre los datos originales y hoy nadie las considera de segunda categoría. Su coste es algo menos de potencia cuando la normalidad sí se cumple, y que contrastan medianas o rangos en lugar de medias.

Si tu diseño compara tres o más grupos, la prueba de Kruskal-Wallis con post hoc de Dunn resuelve el problema sin tocar los datos. Para dos grupos, U de Mann-Whitney; para medidas repetidas, Wilcoxon.

El criterio de decisión que funciona:

1. ¿La variable tiene un sentido multiplicativo (ingresos, tiempos, concentraciones)? → transformar es teóricamente correcto, no un parche.
2. ¿La asimetría es un artefacto de unos pocos casos? → revisa esos casos antes de transformar.
3. ¿Necesitas interpretar coeficientes en unidades originales? → no transformes; usa no paramétricas o métodos robustos.
4. ¿La muestra es grande y la asimetría moderada? → no hagas nada.

¿Qué escribo en el TFG?

Si transformas: «La variable ingresos presentó una asimetría de 2,14, por lo que se aplicó una transformación logarítmica natural, tras la cual la asimetría se redujo a 0,31. Los contrastes se realizaron sobre la variable transformada y los descriptivos se presentan en la escala original.»

Si no transformas: «Aunque la prueba de Shapiro-Wilk rechazó la normalidad (p = 0,003), la asimetría fue moderada (0,84) y el tamaño de grupo superior a 40, condiciones en las que el contraste de medias es robusto, por lo que se mantuvo el análisis paramétrico.» Esa frase demuestra criterio, que es exactamente lo que se evalúa.

Transformar y no declararlo, en cambio, es el error grave: cualquier lector que compare tus descriptivos con tus contrastes lo detectará. Ten en cuenta además que la transformación afecta a cómo se leen otros estadísticos, incluido el tamaño del efecto, que deja de expresarse en las unidades originales. Si necesitas ayuda para redactar el apartado de análisis con esta precisión sin perder la coherencia con el resto del método, Tesify acelera esa redacción manteniendo el formato uniforme.

Preguntas frecuentes

¿Es obligatorio transformar los datos si fallan la normalidad?

No. Existen tres salidas válidas: transformar la variable, usar una prueba no paramétrica o continuar con el análisis paramétrico si la muestra es suficientemente grande y la asimetría moderada, apoyándose en el teorema central del límite. La decisión debe justificarse en el trabajo.

¿Qué transformación debo aplicar?

Depende de la forma de la distribución: raíz cuadrada para asimetría positiva moderada, logaritmo natural para asimetría fuerte, inversa para casos extremos y reflexión previa para asimetría negativa. Box-Cox elige el parámetro automáticamente cuando la forma no está clara.

¿Puedo aplicar logaritmo si tengo ceros?

No directamente, porque el logaritmo de cero no está definido. Se suele sumar una constante pequeña a todos los valores antes de transformar, declarándolo en el trabajo, o bien usar la transformación de Yeo-Johnson, que admite ceros y valores negativos.

¿Cómo interpreto un coeficiente sobre una variable transformada?

Con logaritmo en la variable dependiente, un coeficiente pequeño equivale aproximadamente a un cambio porcentual de su valor multiplicado por cien. Nunca debe deshacerse la transformación sobre una media, porque el resultado es la media geométrica y no la aritmética.

¿Es mejor transformar o usar pruebas no paramétricas?

Las pruebas no paramétricas suelen ser preferibles cuando necesitas interpretar los resultados en las unidades originales, ya que no exigen normalidad y no complican la lectura. Transformar es la opción teóricamente más correcta cuando la variable tiene naturaleza multiplicativa, como ingresos o tiempos.