Las pruebas estadísticas clásicas son modelos lineales

Por qué la t de Student, la correlación, el ANOVA y el chi-cuadrado son, en el fondo, casos particulares de un mismo modelo — y qué se gana al pensarlo así.

Autor/a

Afiliación

Manuel Spínola

ICOMVIS - UNA

La estadística moderna no aprende una prueba nueva para cada problema: aprende a construir modelos

LA IDEA CENTRAL

DEFINICIÓN

Muchas de las pruebas que se enseñan como procedimientos independientes —t de Student, correlación, ANOVA, chi-cuadrado— son, en el fondo, casos particulares de un mismo marco general: el modelo lineal (y su generalización, el modelo lineal generalizado).

EN PALABRAS SIMPLES

En estadística introductoria parece que existe una prueba distinta para cada problema. En realidad, casi todas son el mismo modelo escrito de diferentes maneras. Aprender modelos significa aprender una sola herramienta que luego se adapta a muchos casos.

Las pruebas estadísticas responden una pregunta.
Los modelos permiten responder esa misma pregunta — y muchas otras — sin cambiar de herramienta.

¿POR QUÉ CONVIENE PENSARLO ASÍ?

Un solo marco, no docenas de recetas: pensar en modelos reduce la memorización de fórmulas y pruebas aparentemente inconexas a una sola idea: especificar qué predice a qué.

Se extiende sin cambiar de paradigma: agregar una covariable, un factor adicional o una interacción es solo añadir un término a la fórmula — no aprender una prueba nueva.

Permite validar el modelo, no solo probar una hipótesis: un modelo se puede evaluar con hold-out, cross-validation o LOO para ver qué tan bien predice datos nuevos, algo que una prueba de hipótesis clásica, por sí sola, no ofrece (ver la infografía Métodos de validación de modelos).

Permite revisar los supuestos de forma unificada: residuales, homocedasticidad y normalidad se diagnostican con las mismas herramientas gráficas, sin importar si el “modelo” se llama t de Student, ANOVA o regresión.

DE LA PRUEBA AL MODELO

La siguiente tabla ilustra la idea con casos concretos — no es necesario memorizarla. Son aproximaciones útiles para pensar el problema, no un reemplazo automático en cualquier circunstancia: cada equivalencia asume que se cumplen los supuestos habituales del modelo correspondiente. Lo importante no es la fórmula de cada fila, sino el patrón: todas estas pruebas estiman parámetros de un modelo y luego evalúan hipótesis sobre esos parámetros.

Cómo leer las fórmulas: se usa la notación estándar de R, donde lm(y ~ x) se lee “y en función de x”. Cuando aparece ~ 1, el modelo no tiene más predictor que un número fijo (el intercepto), que termina siendo el promedio. glm() es la versión generalizada de lm(), para cuando y no es una variable continua y normal (por ejemplo, conteos). No hace falta saber programar en R para entender la idea — la fórmula es solo una forma compacta de escribir “esto predice a esto otro”.

Prueba clásica	Modelo equivalente (fórmula en R)	¿Qué hace el modelo?
Prueba t de una muestra No paramétrica: Wilcoxon de signos	lm(y ~ 1)	Estima el promedio de y, y evalúa si ese promedio difiere de un valor de referencia — es, literalmente, calcular la media de los datos y compararla con un valor de referencia.
Prueba t pareada No paramétrica: Wilcoxon pareado	lm(y2 - y1 ~ 1)	Calcula la diferencia entre cada par de mediciones, y evalúa si, en promedio, esa diferencia es distinta de cero.
Prueba de correlación de Pearson No paramétrica: Spearman	lm(y ~ x)	Estima la relación lineal entre x e y mediante una pendiente. Al estandarizar ambas variables, esa pendiente coincide con la correlación de Pearson.
Prueba t de dos muestras No paramétrica: Mann-Whitney U	lm(y ~ grupo)	Estima el promedio de cada grupo, y evalúa si la diferencia entre ambos es distinta de cero.
ANOVA de un factor No paramétrica: Kruskal-Wallis	lm(y ~ grupo)	Estima el promedio de cada grupo (tres o más), y evalúa si al menos uno difiere de los demás.
ANCOVA	lm(y ~ grupo + x)	Estima el promedio de cada grupo, ya ajustado por el efecto de una variable continua (x) que también influye en y.
ANOVA de dos factores	lm(y ~ grupoA * grupoB)	Estima el promedio de cada combinación de grupos, y si el efecto de un factor cambia según el nivel del otro.
Prueba de chi-cuadrado Dos usos: independencia o bondad de ajuste	glm(conteo ~ grupoA * grupoB,    family = poisson)	Modela los conteos esperados en cada combinación de categorías, y evalúa si el patrón observado es compatible con esa expectativa (independencia, o la distribución esperada en bondad de ajuste).

Un patrón dentro del patrón: muchas pruebas no paramétricas (como Spearman, Mann-Whitney o Kruskal-Wallis) pueden entenderse como versiones del mismo modelo, aplicadas a los rangos de los datos en lugar de a sus valores originales.

EJEMPLO PARA ENTENDERLO

Enfoque clásico: “Hago una prueba t de dos muestras para ver si el rendimiento del cultivo difiere entre dos fertilizantes.” Esa prueba responde exactamente esa pregunta, y nada más.

Enfoque de modelo: lm(rendimiento ~ fertilizante) estima lo mismo que la prueba t. Pero con la misma herramienta puedo agregar el tipo de suelo (+ suelo), permitir una interacción, o evaluar con cross-validation qué tan bien predice el modelo el rendimiento en parcelas que no usé para ajustarlo — sin dejar de responder la pregunta original.

EN RESUMEN

El mismo lenguaje de modelos sirve para gran parte de la estadística moderna: regresión lineal, logística, Poisson, modelos mixtos, GAM, y muchos algoritmos de aprendizaje automático parten del mismo concepto de modelo. Las pruebas que tradicionalmente se enseñan por separado en los cursos introductorios —t de Student, correlación, ANOVA, chi-cuadrado— son, en su mayoría, casos particulares de este mismo marco, escrito con la fórmula compacta y ~ x. Aprender modelos no significa olvidar las pruebas clásicas; significa entender que todas forman parte del mismo lenguaje estadístico. La idea y el mapeo entre pruebas y modelos están basados en el trabajo de Jonas Kristoffer Lindeløv, Common statistical tests are linear models (2019).

Manuel Spínola · ICOMVIS-UNA