{"id":1023916,"date":"2025-05-25T07:00:00","date_gmt":"2025-05-25T14:00:00","guid":{"rendered":"https:\/\/www.questionpro.com\/blog\/?p=1023916"},"modified":"2025-05-19T10:19:16","modified_gmt":"2025-05-19T17:19:16","slug":"prueba-de-cochran-mantel-haenszel","status":"publish","type":"post","link":"https:\/\/www.questionpro.com\/blog\/es\/prueba-de-cochran-mantel-haenszel\/","title":{"rendered":"Prueba de Cochran-Mantel-Haenszel: Importancia y pasos"},"content":{"rendered":"\n

Imagina que analizas si un programa educativo mejora las calificaciones de los estudiantes y encuentras una relaci\u00f3n positiva. Pero, \u00bfqu\u00e9 pasa si los estudiantes que participaron en el programa ya ten\u00edan mejor acceso a recursos acad\u00e9micos? La prueba de Cochran-Mantel-Haenszel (CMH)<\/strong> es como un “filtro de la verdad” estad\u00edstico: te ayuda a separar asociaciones genuinas de aquellas distorsionadas por factores externos. <\/p>\n\n\n\n

Este art\u00edculo te guiar\u00e1 desde los fundamentos hasta la aplicaci\u00f3n pr\u00e1ctica de este tipo de prueba<\/p>\n\n\n\n\n\n

\u00bfQu\u00e9 es la Prueba de Cochran-Mantel-Haenszel?<\/h2>\n\n\n\n

Es un tipo de prueba que busca aislar relaciones entre variables evitando que terceros factores las contaminen. No es una prueba m\u00e1gica, pero s\u00ed una metodolog\u00eda rigurosa para responder preguntas del tipo: “\u00bfEsta asociaci\u00f3n sigue siendo v\u00e1lida cuando consideramos diferencias clave entre grupos?”<\/em>.<\/p>\n\n\n\n

Conceptos clave:<\/h3>\n\n\n\n
    \n
  1. Variables categ\u00f3ricas<\/strong>:
    Caracter\u00edsticas que se clasifican en categor\u00edas (ejemplo: “\u00e9xito\/fracaso”, “urbano\/rural”). La CMH trabaja con tablas de contingencia (tablas 2×2 o similares) para comparar frecuencias entre grupos.<\/li>\n\n\n\n
  2. Estratificaci\u00f3n<\/strong>:
    Dividir los datos en subgrupos homog\u00e9neos llamados estratos<\/em>. Por ejemplo, si estudias el efecto de una dieta en la p\u00e9rdida de peso, podr\u00edas estratificar por g\u00e9nero (hombres vs. mujeres) para controlar diferencias biol\u00f3gicas.<\/li>\n\n\n\n
  3. Odds Ratio (OR) com\u00fan<\/strong>:
    Una medida que resume la fuerza de la asociaci\u00f3n entre dos variables, ajustada por el factor de confusi\u00f3n. Un OR > 1 indica mayor probabilidad de \u00e9xito en el grupo de inter\u00e9s.<\/li>\n<\/ol>\n\n\n\n

    \u00bfPara qu\u00e9 se usa la prueba de Cochran-Mantel-Haenszel?<\/h2>\n\n\n\n

    La prueba de Cochran-Mantel-Haenszel no es una herramienta para todos los escenarios, pero se usa en contextos donde factores externos podr\u00edan sesgar los resultados. Su utilidad resalta a la hora de:<\/p>\n\n\n\n

    1. Controlar factores de confusi\u00f3n<\/h3>\n\n\n\n

    Un factor de confusi\u00f3n es una variable que afecta tanto a la causa como al efecto en estudio. Por ejemplo, supongamos que investigas si el consumo de caf\u00e9 est\u00e1 ligado a enfermedades card\u00edacas. Si los bebedores de caf\u00e9 tambi\u00e9n fuman m\u00e1s (y el tabaco da\u00f1a el coraz\u00f3n), el tabaquismo es un confusor. La prueba de Cochran-Mantel-Haenszel permite “neutralizar” su efecto analizando a fumadores y no fumadores por separado, y luego combinando los resultados.<\/p>\n\n\n\n

    En un estudio ficticio sobre rendimiento laboral y teletrabajo, se podr\u00eda estratificar por “nivel de autonom\u00eda del puesto”. As\u00ed, se evita que la autonom\u00eda (que influye tanto en la elecci\u00f3n del teletrabajo como en el rendimiento) distorsione la conclusi\u00f3n.<\/p>\n\n\n\n

    2. Analizar datos estratificados de forma natural<\/h3>\n\n\n\n

    A veces, los datos ya vienen divididos en grupos naturales (por ejemplo, cl\u00ednicas m\u00e9dicas en diferentes ciudades). La prueba de Cochran-Mantel-Haenszel permite analizar cada estrato individualmente y luego sintetizar los hallazgos, respetando la heterogeneidad entre grupos.<\/p>\n\n\n\n

    Una empresa de tecnolog\u00eda prueba una nueva funci\u00f3n en su app en tres regiones (Asia, Europa, Am\u00e9rica). Usando la prueba de Cochran-Mantel-Haenszel, eval\u00faa si la funci\u00f3n aumenta la satisfacci\u00f3n del usuario, controlando diferencias culturales entre regiones.<\/p>\n\n\n\n

    3. Validar resultados en subpoblaciones<\/h3>\n\n\n\n

    \u00bfFunciona un tratamiento igual de bien en j\u00f3venes y ancianos? La prueba de Cochran-Mantel-Haenszel no solo controla variables, sino que tambi\u00e9n verifica si la asociaci\u00f3n es consistente en todos los estratos. Si el OR es similar en cada grupo, la conclusi\u00f3n es m\u00e1s robusta.<\/p>\n\n\n\n

    En un estudio ficticio sobre adopci\u00f3n de energ\u00edas renovables, la prueba de Cochran-Mantel-Haenszel podr\u00eda revelar que el ingreso econ\u00f3mico (estratificado en bajo, medio, alto) no modifica la relaci\u00f3n entre “conciencia ambiental” y “uso de paneles solares”.<\/p>\n\n\n\n

    Ventajas de la prueba de Cochran-Mantel-Haenszel<\/h2>\n\n\n\n

    Entre la amplia gama de pruebas estad\u00edsticas, la prueba de Cochran-Mantel-Haenszel destaca por su equilibrio entre simplicidad y poder anal\u00edtico. Estas son sus ventajas m\u00e1s relevantes:<\/h3>\n\n\n\n
      \n
    1. Robustez ante muestras peque\u00f1as<\/strong>: Funciona incluso cuando algunos estratos tienen pocas observaciones, siempre que el total sea suficiente.<\/li>\n\n\n\n
    2. No depende de distribuciones espec\u00edficas<\/strong>: A diferencia de m\u00e9todos param\u00e9tricos (como la regresi\u00f3n lineal), no asume normalidad en los datos.<\/li>\n\n\n\n
    3. Resultados interpretables en una l\u00ednea<\/strong>: Proporciona un valor p<\/em> (significancia) y un OR com\u00fan<\/em> (magnitud del efecto), f\u00e1ciles de comunicar.<\/li>\n\n\n\n
    4. Evita el “efecto Simpson”<\/strong>: Este fen\u00f3meno ocurre cuando una tendencia observada en grupos individuales desaparece o se invierte al combinarlos. La prueba de Cochran-Mantel-Haenszel previene esto integrando los estratos de manera ponderada.<\/li>\n<\/ol>\n\n\n\n

      Importancia de la prueba de Cochran-Mantel-Haenszel en la investigaci\u00f3n <\/h2>\n\n\n\n

      En la era del big data, distinguir entre correlaciones enga\u00f1osas y relaciones causales reales es m\u00e1s importante que nunca. La prueba de Cochran-Mantel-Haenszel ofrece una herramienta poderosa para evitar conclusiones apresuradas y mejorar la validez de los an\u00e1lisis.<\/p>\n\n\n\n

      Imagina un estudio que relaciona el uso de redes sociales con la ansiedad en adolescentes. Sin controlar por “tiempo de pantalla diario”, podr\u00edas concluir err\u00f3neamente que las redes causan ansiedad. Pero al estratificar por horas de uso (0-2, 3-5, 6+), la prueba de Cochran podr\u00eda mostrar que la asociaci\u00f3n s\u00f3lo es significativa en el grupo que pasa m\u00e1s de 6 horas en redes, revelando un umbral cr\u00edtico.<\/p>\n\n\n\n

      C\u00f3mo realizar una prueba de Cochran-Mantel-Haenszel <\/h2>\n\n\n\n

      Aplicar la prueba de Cochran-Mantel-Haenszel  requiere seguir una secuencia l\u00f3gica: desde la preparaci\u00f3n de datos hasta la interpretaci\u00f3n. Aqu\u00ed, un enfoque paso a paso con un ejemplo ficticio para ilustrar el proceso.<\/p>\n\n\n\n

      Paso 1: Definir variables y estratos<\/h3>\n\n\n\n

      Ejemplo<\/strong>:<\/p>\n\n\n\n