variables de confusión mapa mental

Comprender el tema

Las variables de confusión son factores externos que se relacionan a la vez con la variable independiente y con la dependiente, distorsionando la interpretación de los resultados de un estudio. Este recurso explica su definición, ejemplos clásicos en investigación psicológica, los sesgos que generan y las principales técnicas de control, como el azaramiento, el contraequilibrio o el diseño de medidas estadísticas.

Qué distingue a un confusor de una variable extraña
Una variable extraña es cualquier factor no controlado que puede influir en la variable dependiente, como el ruido de la sala o la hora del día. Para que sea una variable de confusión debe variar de forma sistemática junto con la variable independiente. Por ejemplo, si el grupo experimental se evalúa siempre por la mañana y el control por la tarde, la hora se convierte en confusora, porque cualquier diferencia podría deberse al cansancio y no al tratamiento. Si la variable extraña actúa al azar y por igual en todos los grupos, añade ruido pero no sesga la conclusión causal.

Un ejemplo clásico: café, tabaco y cardiopatía
Los estudios observacionales hallaron que quienes bebían mucho café sufrían más infartos. Sin embargo, el consumo de café se asociaba también con el tabaquismo, y fumar sí es un factor de riesgo cardiovascular conocido. El tabaco actuaba como variable de confusión: explicaba parte de la aparente relación entre café y enfermedad. Al ajustar estadísticamente por el tabaquismo, la asociación entre café y cardiopatía se redujo notablemente. Este caso ilustra por qué la correlación no implica causalidad y por qué los estudios observacionales exigen identificar y medir los posibles confusores antes de interpretar los resultados.

Cómo se controlan en el diseño experimental
La herramienta más potente es la asignación aleatoria de los participantes a las condiciones, porque distribuye los confusores conocidos y desconocidos de manera aproximadamente equitativa entre los grupos. Cuando la aleatorización no es posible, como en estudios con variables como la edad o el sexo, se puede recurrir al emparejamiento, formando grupos equivalentes en las características relevantes, o a la restricción, manteniendo constante el factor. En diseños intrasujetos, la presentación contrabalanceada del orden de las condiciones evita que la práctica o la fatiga confundan los resultados.

Control estadístico y límites
Cuando el confusor ya se ha medido, el análisis estadístico permite ajustarlo: la ANCOVA elimina su efecto sobre la variable dependiente, la regresión múltiple estima el peso de cada predictor y la estratificación compara resultados dentro de subgrupos homogéneos. Estos métodos no sustituyen a un buen diseño: solo controlan los confusores medidos y conocidos, y requieren supuestos que no siempre se cumplen. Por eso la inferencia causal más sólida procede de experimentos aleatorizados bien diseñados, complementados con ajustes estadísticos y réplicas en contextos distintos.