En investigación de mercados, ciencias sociales y epidemiología hay una medida estadística que aparece constantemente en los reportes y que muy pocos saben leer con precisión: la razón de momios. También conocida como odds ratio, esta cifra tiene el poder de revelar si un factor está asociado con un resultado, y con qué fuerza. El problema es que su interpretación parece contraintuitiva hasta que entiendes la lógica detrás del número.
En esta guía vas a aprender qué es la razón de momios, cuál es su fórmula, cómo se calcula paso a paso con un ejemplo real, cómo interpretar los resultados correctamente (incluyendo los intervalos de confianza) y cuándo conviene usarla frente a otras medidas de asociación. Al final, entenderás por qué es una de las herramientas estadísticas más usadas en investigación cuantitativa.
¿Qué es la razón de momios?
La razón de momios es una medida estadística que cuantifica la fuerza de asociación entre dos variables categóricas. Compara las “chances” de que un evento ocurra en un grupo frente a otro. La palabra “momios” es la traducción al español de odds, que en estadística se refiere a la razón entre la probabilidad de que algo ocurra y la probabilidad de que no ocurra.
Aquí está el detalle: la probabilidad y los momios no son lo mismo, aunque se confunden constantemente. Si en una encuesta el 40% de los encuestados compró un producto, la probabilidad es 0.40. Los momios de esa misma situación son 0.40/0.60 = 0.67, es decir, por cada persona que no compró, hay 0.67 personas que sí compraron. La razón de momios compara esos valores entre dos grupos para determinar si hay diferencia estadísticamente significativa.
La razón de momios se usa ampliamente en epidemiología, psicología, sociología, investigación de mercados y análisis de datos de encuestas. Su popularidad no es casual: a diferencia del riesgo relativo, la razón de momios puede calcularse en estudios retrospectivos donde no se conoce la incidencia real del evento, lo que la hace especialmente valiosa en estudios de casos y controles.
OR = ad/bc
La fórmula central de la razón de momios, derivada de la tabla de contingencia 2×2. Donde a y d son las celdas de concordancia, y b y c son las celdas de discordancia.
Fórmula estándar en estadística inferencial
La tabla de contingencia 2×2: el punto de partida
Para calcular la razón de momios, necesitas organizar tus datos en una tabla de contingencia 2×2. Esta tabla cruza dos variables dicotómicas: la exposición (sí/no) y el resultado (sí/no). Entender su estructura es condición indispensable para aplicar la fórmula correctamente. Para un análisis más profundo de tablas cruzadas, consulta la guía sobre tabulación cruzada avanzada.
| Resultado: Sí | Resultado: No | Total | |
|---|---|---|---|
| Expuesto: Sí | a | b | a+b |
| Expuesto: No | c | d | c+d |
| Total | a+c | b+d | n |
Las celdas se nombran con las letras a, b, c y d. La celda a contiene a los individuos expuestos que sí presentaron el resultado. La celda d contiene a los no expuestos que no presentaron el resultado. Las celdas b y c son las de discordancia. La fórmula de la razón de momios es: OR = (a × d) / (b × c).
Ejemplo práctico: cómo calcular la razón de momios
Supón que realizas una encuesta para saber si los clientes que recibieron atención personalizada tienen más probabilidades de volver a comprar. De 200 encuestados:
- 80 recibieron atención personalizada y volvieron a comprar (celda a)
- 20 recibieron atención personalizada y no volvieron (celda b)
- 40 no recibieron atención personalizada y volvieron a comprar (celda c)
- 60 no recibieron atención personalizada y no volvieron (celda d)
Aplicando la fórmula: OR = (80 × 60) / (20 × 40) = 4800 / 800 = 6.0
¿Qué significa esto? Que los clientes que recibieron atención personalizada tienen 6 veces más “chances” (momios) de volver a comprar que los que no la recibieron. Un resultado que, si está respaldado por un intervalo de confianza que no incluya el 1, es estadísticamente significativo y accionable. Los datos de encuestas bien estructurados son la materia prima para este tipo de análisis.
OR = 6.0
En el ejemplo anterior, los clientes con atención personalizada tienen 6 veces más momios de recompra. Un efecto de esta magnitud justifica inversión en el programa de atención.
Ejemplo calculado con datos hipotéticos de encuesta de clientes
Cómo interpretar la razón de momios correctamente
La interpretación de la razón de momios sigue una regla simple que conviene memorizar, pero que requiere matices para aplicarse bien en la práctica.
Guía de interpretación del OR
OR = 1
Sin asociación. Los dos grupos tienen las mismas chances de presentar el resultado. La exposición no cambia nada.
OR > 1
El grupo expuesto tiene mayor probabilidad de presentar el resultado. Cuanto más alto el OR, más fuerte la asociación positiva.
OR < 1
El grupo expuesto tiene menor probabilidad. Puede indicar un efecto protector. Por ejemplo, OR = 0.25 implica un 75% menos de chances.
IC 95% incluye el 1
Resultado no significativo. El OR observado podría ser producto del azar. No se puede rechazar la hipótesis nula.
El error más común en la interpretación de la razón de momios es confundirla con el riesgo relativo. El riesgo relativo compara proporciones directas, mientras que la razón de momios compara momios. Cuando la prevalencia del resultado es baja (menos del 10%), ambas medidas son aproximadamente equivalentes. El sesgo de memoria también puede afectar la calidad de los datos que alimentan el cálculo del OR, especialmente en estudios retrospectivos basados en encuestas.
El intervalo de confianza: por qué no basta con el número
Un OR de 3.2 suena impresionante hasta que ves que su intervalo de confianza al 95% es [0.8, 12.7]. Ese rango incluye el 1, lo que significa que el resultado no es estadísticamente significativo. El número del OR sin su intervalo de confianza es información incompleta, y presentarlo solo puede llevar a decisiones basadas en ruido estadístico.
El intervalo de confianza se calcula usando el logaritmo natural del OR y el error estándar de ese logaritmo. La fórmula es: IC 95% = exp(ln(OR) ± 1.96 × SE), donde SE = √(1/a + 1/b + 1/c + 1/d). Si eso suena complicado, la buena noticia es que cualquier software estadístico o plataforma de análisis lo calcula automáticamente. Para visualizar estos resultados de forma clara en reportes, herramientas como QuestionPro BI permiten resaltar estadísticas clave de manera visual e impactante.
“Un intervalo de confianza amplio no es solo un problema estadístico: es una señal de que el tamaño de muestra es insuficiente para detectar el efecto con precisión. Antes de interpretar el OR, valida que tienes el poder estadístico necesario.”
— Rothman, Greenland & Lash, Modern Epidemiology, 3ª edición
Razón de momios vs. riesgo relativo: cuándo usar cada una
Esta es la pregunta que más confusión genera entre investigadores en formación. La respuesta no es cuál es mejor, sino cuál es apropiada para el tipo de estudio que estás haciendo.
- Usa la razón de momios en estudios de casos y controles, en regresión logística y cuando la prevalencia del evento es alta (mayor al 10-15%). También cuando quieres comparar los resultados con literatura que use OR como medida estándar.
- Usa el riesgo relativo en estudios de cohorte o ensayos controlados aleatorizados, donde conoces la incidencia real del evento en cada grupo. El riesgo relativo es más intuitivo para comunicar resultados a audiencias no técnicas.
- Cuando la prevalencia es baja (menos del 10%), la razón de momios aproxima bien al riesgo relativo y puedes usar ambas de manera intercambiable.
Lo que viene a continuación cambia completamente la perspectiva: en investigación de mercados, donde frecuentemente trabajamos con encuestas y variables de actitud o comportamiento, la razón de momios es especialmente útil porque la mayoría de los análisis de segmentación y predicción usan regresión logística como modelo base. Para diseñar el muestreo de tu estudio correctamente antes de calcular el OR, consulta la guía sobre muestreo secuencial.
Aplicaciones en investigación de mercados y análisis de encuestas
En el contexto de encuestas y análisis de datos de consumidores, la razón de momios aparece en varias situaciones prácticas. La primera es cuando quieres saber si pertenecer a un segmento demográfico específico está asociado con una actitud o comportamiento determinado. Por ejemplo, ¿los clientes mayores de 45 años tienen más chances de preferir el canal presencial sobre el digital?
La segunda es en el análisis de drivers de satisfacción. Una regresión logística con satisfacción general como variable dependiente (satisfecho/insatisfecho) produce OR para cada atributo del servicio, lo que permite identificar cuáles tienen mayor poder predictivo. Un OR de 4.5 para el atributo “tiempo de respuesta” significa que los clientes que lo califican bien tienen 4.5 veces más chances de estar globalmente satisfechos.
La tercera aplicación es en análisis de segmentación para comunicación. Si quieres personalizar mensajes por segmento, la razón de momios te dice con precisión qué tanto más probable es que un segmento responda positivamente a un tipo de oferta frente a otro. Para estudios que requieren conclusiones sólidas a partir de datos estadísticos, el enfoque de la investigación concluyente es el marco metodológico más adecuado.
Cómo QuestionPro facilita el cálculo e interpretación de la razón de momios
QuestionPro no es solo una herramienta para diseñar y distribuir encuestas. Su módulo de análisis avanzado permite trabajar con tablas de contingencia, calcular estadísticos de asociación (incluyendo OR y chi-cuadrado) y visualizar los resultados en dashboards interactivos.
Cuando diseñas una encuesta con variables dicotómicas o escalas de Likert recodificadas como binarias, puedes cruzar cualquier par de variables en el módulo de análisis y obtener la razón de momios con su intervalo de confianza al 95%. Gracias a las encuestas en tiempo real, es posible recopilar los datos y analizarlos en el mismo momento en que los respondentes completan el cuestionario, lo que acelera significativamente el ciclo de análisis.
Para proyectos de investigación más complejos que requieren regresión logística multivariable, QuestionPro permite exportar los datos en formatos compatibles con SPSS, R y Python, lo que facilita la integración con los flujos de análisis estadístico avanzado que ya uses en tu equipo. ¿Quieres saber cómo funciona nuestra plataforma? Accede a una cuenta gratis o solicita una demostración.
La razón de momios (odds ratio) es una medida de asociación que compara las chances de que un evento ocurra en dos grupos diferentes. Se calcula dividiendo los momios del grupo expuesto entre los momios del grupo no expuesto. Un valor de 1 indica que no hay diferencia entre los grupos. Valores superiores a 1 indican mayor probabilidad en el grupo expuesto, y valores inferiores a 1 indican menor probabilidad. Se usa ampliamente en estudios de casos y controles, regresión logística y análisis de encuestas.
Un OR de 2.5 significa que el grupo expuesto tiene 2.5 veces más chances de presentar el resultado que el grupo no expuesto. Para que este resultado sea estadísticamente significativo, el intervalo de confianza al 95% no debe incluir el valor 1. Por ejemplo, un OR de 2.5 con IC 95% [1.3, 4.8] es significativo, mientras que un OR de 2.5 con IC 95% [0.9, 6.9] no lo es, porque incluye el 1 y el resultado podría deberse al azar.
El riesgo relativo compara proporciones de incidencia directamente entre dos grupos. La razón de momios compara los momios (la razón entre la probabilidad de que algo ocurra y la de que no ocurra). Cuando la prevalencia del evento es baja (menos del 10%), ambas medidas son aproximadamente equivalentes. Cuando es alta, pueden diferir significativamente. El riesgo relativo es más intuitivo, pero solo puede calcularse en estudios prospectivos. La razón de momios funciona en cualquier tipo de diseño de estudio, incluidos los retrospectivos.
En investigación de mercados, la razón de momios es especialmente útil cuando se usa regresión logística para predecir comportamientos binarios, como compra/no compra o satisfecho/insatisfecho. También se usa para analizar si variables sociodemográficas están asociadas con actitudes o preferencias específicas. Por ejemplo, para saber si los clientes de cierto rango de edad tienen más chances de preferir un canal de atención frente a otro, o si un atributo del servicio predice significativamente la lealtad del cliente.
El tamaño de muestra necesario depende del efecto esperado (el OR que quieres detectar), el nivel de significancia (generalmente 0.05) y el poder estadístico deseado (generalmente 80% o 90%). Como referencia general, para detectar un OR de 2.0 con poder del 80% y nivel de significancia del 5%, se necesitan aproximadamente 100 casos por grupo en un diseño de casos y controles. Para OR más pequeños o estudios con múltiples variables, el tamaño de muestra requerido aumenta significativamente. Se recomienda hacer un cálculo de poder estadístico específico antes de diseñar el estudio.
